[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

本發明公開了一種基于CNN和LSTM的心內異常激動點定位模型構建方法，該模型能夠在得到病人的12導聯體表電位數據的情況下，很好地定位到VT異常激動點的具體位置，并得到位置的三維坐標。本發明將深度學習的思想引入室性心動過速異常激動點定位中，在訓練階段將采集到的QRS數據作為輸入，QRS數據對應標測點的三維坐標作為標簽訓練CNN?LSTM網絡，利用了Conv1D對輸入數據進行特征提取，利用LSTM進行時間域上的特征融合，利用全連接層進行三維坐標的回歸預測，最終構建成為CNN?LSTM網絡；本發明網絡模型從數據驅動的角度實現了VT異常激動點的位置預測，有效地解決了臨床上導管消融術的費時費力問題。

技術領域

本發明屬于心電生理分析技術領域，具體涉及一種基于CNN和LSTM的心內異常激動點定位模型構建方法。

背景技術

機器學習是人工智能發展的產物，要想讓機器擁有智能，就必須要賦予其學習能力；而對于機器而言，現實生活是一個龐大的數據集，里面充滿了形形色色的數據，機器學習所要做的就是揭示數據背后的真實含義并能夠進行準確的預測。主流的機器學習方法主要依靠統計學，利用海量的數據從中抽取出有價值的信息進行學習，建立一個判斷預測的模型。而近來隨著計算機性能的提高，神經網絡所代表的深度學習方法可以通過大數據量的訓練，利用梯度下降法進行網絡參數的迭代更新，提高模型的性能。對于心臟定位問題，我們通過深度學習的方法來讓網絡自動學習心電圖中的隱藏信息，進行心臟異常點的定位。卷積神經網絡和循環神經網絡是深度學習的代表算法，對于卷積神經網絡具有很好的表征能力，特征提取能力；而循環神經網絡擅長處理時間序列數據，它對每一個當前時刻的輸入結合之前時刻的輸出，來學習到一個整體時序信息的特征。

心臟是人體的重要組成器官，正常心臟會因竇房結發出節律性的興奮而使心肌產生有規律的收縮和舒張，并通過特殊的傳導系統進行傳播。心臟的傳導系統包括竇房結、結間束、房室結、希氏束、束支、蒲肯野氏纖維，它們是由特殊分化的心肌細胞(包括竇房結細胞和浦肯野細胞)構成，產生并維持心臟正常的節律，保證心房、心室收縮和舒張的協調。而若傳導系統中某一部分出現了異常，則會導致相應的心電信號異常；室性心動過速(VT)是指發生在希氏束分叉以下的束支、心肌傳導纖維、心室肌的快速性心律失常，也是非常嚴重的一種心律失常。大多數的VT病人的病因是因為心室內存在“小電路”，一般存在于心肌缺血病灶中，病灶中的出口點會去極化周圍的心室部位；治療VT有效的方法是利用導管消融術破壞這個出口來切斷“小電路”，因為這個出口的存在，“小電路”將影響體表測到心電圖信號值，因此心電圖中包含了心臟異常點的信號。

在心臟的興奮過程中，心肌細胞會產生動作電位從而產生電信號，產生的電信號可通過心臟周圍的導電組織或者體液傳到體表，從而被體表處的外在電極接收，成為心電圖。因此，心電圖記錄的是人體心臟生物電活動的可視時間序列，可靠地反映了人體心臟的綜合表現；心臟電位在傳輸中出現的異常也會以某些形式映射在心電圖中，成為當代醫生診斷心臟疾病的主要依據。

雖然目前臨床上對室性心動過速的診斷主要依據12導聯心電圖，然而這樣的方法只能對VT進行初步診斷，判斷是否患有室性心動過速等疾病，不能提供諸如發生心動過速的具體位置等更加詳細的信息。另一方面，但在VT的臨床治療過程中，我們需要將導管消融術對病灶點進行定點治療；目前，外科醫生需要借助侵入式的手段直接測量心臟目標位置的電生理活動，對VT的異常激動點進行定位，以便實施之后的定點消融手術，然而侵入式起博標測方法效率不高，費時費力且具有一定風險。

因此，如何從現有的診療手段出發，在體外對VT異常激動點進行定位，成為一個十分有意義的研究問題；隨著現代科學技術的發展，利用計算機輔助手段來定位VT異常激動點位置成為可能。

發明內容

鑒于上述，本發明提供了一種基于CNN(卷積神經網絡)和LSTM(長短期記憶網絡)的心內異常激動點定位模型構建方法，該模型能夠在得到病人的12導聯體表電位數據的情況下，很好地定位到VT異常激動點的具體位置，并得到位置的三維坐標。