[發明專利]基于CNN和LSTM的心內異常激動點定位模型構建方法

在審

• 申請號: 201910721820.2
• 申請日: 2019-08-06
• 公開（公告）號: CN110555388A
• 公開（公告）日: 2019-12-10
• 發明（設計）人: 劉華鋒;馮秋鵬
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/40;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 33224 杭州天勤知識產權代理有限公司
• 代理人: 王琛

1.一種基于CNN和LSTM的心內異常激動點定位模型構建方法，包括如下步驟：

(1)利用起博標測工具采集不同VT病人身上不同標測點的12導聯體表心電數據，并記錄每組12導聯體表心電數據所對應標測點的三維坐標；

(2)對所述12導聯體表心電數據進行預處理并標記QRS間期；

(3)對于任一組12導聯體表心電數據，通過對其中的QRS波群進行篩選及拼接以得到多個特征樣本；

(4)搭建基于CNN和LSTM的網絡模型，以特征樣本及其對應的標測點三維坐標分別作為模型輸入及模型輸出的真值標簽，從而對該網絡模型進行訓練，得到用于確定心內異常激動點位置的定位模型。

2.根據權利要求1所述的心內異常激動點定位模型構建方法，其特征在于：所述步驟(1)的具體實現過程為：首先讓病人貼上醫學12電極導聯的體表電極貼片，以采集病人的12導聯ECG信號；然后利用CARTO3系統選取合適的左心室內膜位置進行三維電解剖標測，并記錄各標測點位置的12導聯體表心電數據和三維坐標。

3.根據權利要求1所述的心內異常激動點定位模型構建方法，其特征在于：所述步驟(2)的具體實現過程為：首先通過濾波對12導聯體表心電數據中的各通道心電信號進行去噪處理，然后采用多項式擬合的方式對去噪處理后的心電信號進行平滑處理，最后在平滑處理后的心電信號每個心動周期內標記出QRS間期。

4.根據權利要求1所述的心內異常激動點定位模型構建方法，其特征在于：所述步驟(3)的具體實現過程為：由專業人士人工從每組12導聯體表心電數據中選取合適的QRS波群，對于同一心動周期的QRS波群按照導聯位置將其展開成12組QRS數據，并將這12組QRS數據依次拼接后作為一個特征樣本。

5.根據權利要求1所述的心內異常激動點定位模型構建方法，其特征在于：所述步驟(4)中將所有特征樣本分為訓練集、驗證集和測試集，其中訓練集的特征樣本用于訓練網絡模型，驗證集的特征樣本用于對訓練得到的模型進行微調以確立最終的定位模型，測試集的特征樣本用于對定位模型進行測試驗證。

6.根據權利要求5所述的心內異常激動點定位模型構建方法，其特征在于：在訓練集的特征樣本中加入高斯噪聲后作為輸入訓練網絡模型。

7.根據權利要求1所述的心內異常激動點定位模型構建方法，其特征在于：所述步驟(4)中訓練網絡模型的具體過程為：首先將特征樣本逐一輸入至網絡模型中，計算網絡模型每一次輸出結果與對應真值標簽之間的損失函數L，以損失函數L最小為目標通過反向傳播法對網絡模型中的參數不斷進行優化，最終訓練完成后得到用于確定心內異常激動點位置的定位模型。

8.根據權利要求1所述的心內異常激動點定位模型構建方法，其特征在于：所述網絡模型從輸入至輸出由2個一維卷積神經網絡層A1～A2、1個最大池化層M1、2個一維卷積神經網絡層A3～A4、1個最大池化層M2、3個一維卷積神經網絡層A5～A7、2個LSTM層L1～L2、1個全局平均池化層P、1個丟棄層D、4個全連接層H1～H4依次連接組成，每個一維卷積神經網絡層的輸出均依次經批標準化和ReLu函數處理；其中：一維卷積神經網絡層A1和A2均包含12個3×12大小的一維卷積核，步長為1，輸出長度與輸入長度保持不變；最大池化層M1將輸入長度減少一半后輸出；一維卷積神經網絡層A3和A4均包含24個3×12大小的一維卷積核，步長為1，輸出長度與輸入長度保持不變；最大池化層M2將輸入長度減少一半后輸出；一維卷積神經網絡層A5～A7均包含48個3×12大小的一維卷積核，步長為1，輸出長度與輸入長度保持不變；LSTM層L1中隱藏層神經元數量為128，且保留所有時間節點的輸出；LSTM層L2中隱藏層神經元數量為48，且保留所有時間節點的輸出；全局平均池化層P將LSTM層L2的輸出特征壓縮到48個通道描述符中；丟棄層D隨機選擇50％的網絡權重參數重置為0；全連接層H1的神經元數量為48；全連接層H2的神經元數量為24；全連接層H3的神經元數量為12；全連接層H4的神經元數量為3。