基于心脏电生理学模拟和深度学习方法的非侵入性电生理学成像研究,用于反向问题
Yi Chang1, Ming Dong1, Lihong Fan2
1School of Electrical Engineering, Xi'an Jiaotong University, Xi'an, 710049, China.
BMC cardiovascular disorders
|April 28, 2025
概括
这项研究引入了用于心脏电生理学成像 (ECGI) 的新型深度学习方法,改进了非侵入性心脏诊断. 长期短期记忆网络在从模拟数据中重建心脏电活动方面表现出卓越的性能.
科学领域:
- 生物医学工程 生物医学工程
- 计算心脏病学 计算心脏病学
- 医疗成像医学成像
背景情况:
- 心律不整的诊断依赖于个体患者的病情,侵入性方法存在风险,目前的非侵入性技术缺乏特异性.
- 心脏电生理学成像 (ECGI) 提供了对心脏活动的准确,非侵入性评估,这对于诊断和治疗心脏病至关重要.
研究的目的:
- 为ECGI开发一种新的解决方案,使用模拟模型和深度学习的组合.
- 以非侵入的方式重建心脏表面潜力.
主要方法:
- 创建了一个3D双域心脏电生理活动模型,以生成模拟心电图数据用于训练.
- 粒子群优化-反向传播神经网络,卷积神经网络和长期短期记忆网络被用于心脏表面潜在重建.
主要成果:
- 模拟结果显示,与临床数据的相关系数在75.76%至84.61%之间.
- 重建的波形和身体表面电位映射趋势与临床数据保持一致,R2>0.80和平均绝对误差<2.1mV.
- 长期短期内存网络实现了R2 ≈0.99和平均绝对误差为≈0.5mV.
结论:
- 开发的电生理学模型准确地反映了心脏电活动和潜在的映射关系.
- 长期短期记忆网络在ECGI心脏潜力重建中显著超过其他算法.
