[发明专利]一种基于堆栈式自编码器的无创心内异常激动点定位方法

摘要

本发明公开了一种基于堆栈式自编码器的无创心内异常激动点定位方法，其过程主要分为训练和预测两个阶段；在训练阶段将采集到的QRS数据作为输入，QRS数据对应标测点的三维坐标作为标签训练自编码器，利用了降噪自编码器对输入数据做预处理，在学习高维信息过程中，利用了上一层所有的变量因素，使得结果更加精确，最终构建成为堆栈式自编码器。在预测阶段，将测试集中的输入数据集x输入到训练好的堆栈式模型中，在模型的输出层得到最终的坐标预测结果(x‑y‑z)。本发明从数据驱动的角度实现了VT异常激动点的位置预测，有效地解决了临床上导管消融术的费时费力问题。

主权项

1.一种基于堆栈式自编码器的心内异常激动点定位模型构建方法，包括如下步骤：(1)利用起博标测工具采集不同VT病人身上不同标测点的12导联体表心电数据，并记录每组12导联体表心电数据所对应标测点的三维坐标；(2)对所述的12导联体表心电数据进行预处理并标记QRS间期，具体实现过程为：首先通过滤波对12导联体表心电数据中的各通道心电信号进行去噪处理，然后采用多项式拟合的方式对去噪处理后的心电信号进行平滑处理，最后在平滑处理后的心电信号每个心动周期内标记出QRS间期；(3)对于任一组12导联体表心电数据，通过对其中的QRS波群进行筛选及拼接以得到多个特征样本，具体实现过程为：由专业人士人工从每组12导联体表心电数据中选取合适的QRS波群，对于同一心动周期的QRS波群按照导联位置将其展开成12组QRS数据，并将这12组QRS数据依次拼接后作为一个特征样本；(4)将所有特征样本分为训练集、校正集和测试集，其中训练集的特征样本用于训练神经网络模型，校正集的特征样本用于对训练得到的模型进行微调以确立最终的模型，测试集的特征样本用于对最终确立的模型进行测试验证；在训练集特征样本中加入高斯噪声后作为输入，其对应标测点的三维坐标作为真值输出，训练由多个自编码器级联而成的神经网络模型，从而得到用于心内异常激动点定位的定位模型；所述自编码器由输入层、隐藏层和输出层组成；其中，前一个自编码器的隐藏层为后一个自编码器的输入层，自编码器的函数模型如下：h＝g(wt+b)z＝f(w'h+b')其中：t、h和z分别为自编码器的输入层、隐藏层和输出层，w和b为输入层与隐藏层之间的模型参数，w'和b'为隐藏层与输出层之间的模型参数，g()和f()为神经网络激活函数；训练神经网络模型的具体方法如下：对于神经网络模型中的第一个自编码器，使特征样本作为该自编码器的输入层，以该自编码器输出层与输入层的损失函数L最小为目标，通过梯度下降法求解出该自编码器输入层与隐藏层之间的模型参数；对于神经网络模型中除第一个和最后一个以外的任一自编码器，使前一个自编码器的隐藏层作为该自编码器的输入层，以该自编码器输出层与输入层的损失函数P最小为目标，通过梯度下降法求解出该自编码器输入层与隐藏层之间的模型参数；对于神经网络模型中的最后一个自编码器，使前一个自编码器的隐藏层作为该自编码器的输入层，使特征样本所对应标测点的三维坐标作为该自编码器的输出层，以该自编码器输出层与输入层的损失函数P最小为目标，通过反向传播法求解出该自编码器输入层与隐藏层之间以及隐藏层与输出层之间的模型参数；随机对训练集中的特征样本进行配对，成对的两个特征样本连续输入模型，使模型中第一个自编码器的隐藏层采用双向分解编码，即将该隐藏层分成两部分h₁和h₂，隐藏层h₁用于体现VT异常激动点与QRS数据之间的关联，隐藏层h₂用于体现VT病人与QRS数据之间的关联；所述损失函数P的表达式为P＝||z‑t||²，所述损失函数L的表达式如下：L＝||z(i)‑t(i)||²+||z(j)‑t(j)||²+L_c(h₁(i),h₁(j))+L_c(h₂(i),h₂(j))其中，i和j分别为成对的两个特征样本，z(i)、t(i)、h₁(i)和h₂(i)分别为特征样本i输入时第一个自编码器的输出层、输入层、隐藏层h₁和隐藏层h₂，z(j)、t(j)、h₁(j)和h₂(j)分别为特征样本j输入时第一个自编码器的输出层、输入层、隐藏层h₁和隐藏层h₂；若特征样本i和j来自同一待测点，则e₁＝1，否则e₁＝0；若特征样本i和j来自同一VT病人，则e₂＝1，否则e₂＝0；β为设定的误差系数。