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。

说明书

技术领域

本发明属于心电生理分析技术领域，具体涉及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。

背景技术

心电描记法(Electrocardiography)通过在体表记录心脏搏动周期中去极化和复极过程引起的电位变化，成为非侵入式地揭示心脏电生理活动的一项十分重要的方法。如果将心脏看作电场源，那么在心脏到体表的空间里就分布着相应的电场，在体表可以记录各个位置的电位。

室性心动过速(VT)是指发生在希氏束分叉以下的束支、心肌传导纤维、心室肌的快速性心律失常，也是非常严重的一种心律失常。大多数的VT病人的病因是因为心室内存在“小电路”，一般存在于心肌缺血病灶中。病灶中的出口点会去极化周围的心室部位，治疗VT有效的方法是利用导管消融术破坏这个出口来切断“小电路”。因为这个出口的存在，“小电路”将影响体表测到的QRS波群，换句话说，QRS波群包含了有关VT的信息。

目前临床上对室性心动过速的诊断主要依据12导联心电图，然而这样的方法只能对VT进行初步诊断，不能提供诸如发生心动过速的具体位置等更加详细的信息。另一方面，在VT的消融手术中，外科医生还借助于侵入式的手段直接测量心脏目标位置的电生理活动，对VT的异常激动点进行定位，然而侵入式起博标测方法效率不高，费时费力，而且具有一定风险。

因此，如何从现有的诊疗手段出发，在体外对VT异常激动点进行定位，成为一个十分有意义的研究问题。随着现代科学技术的发展，利用计算机辅助手段来定位VT异常激动点位置成为可能。

发明内容

鉴于上述，本发明提供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，能够在得到病人的12导联体表电位数据的情况下，很好地定位到VT异常激动点的具体位置，并得到位置的三维坐标。

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，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；

(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；

(4)以特征样本作为输入，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；

(5)对于VT病人身上任一待测点，采集该点的12导联体表心电数据并根据步骤(2)和(3)提取出该点12导联体表心电数据的特征信息，进而将该特征信息输入至所述神经网络模型中，则输出得到该待测点的三维坐标。

所述步骤(2)的具体实现过程为：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。

所述步骤(3)的具体实现过程为：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。

所述的自编码器由输入层、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。

所述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。

优选地，所述步骤(4)中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。

优选地，在训练集的特征样本中加入高斯噪声后作为输入训练神经网络模型，以使得模型具有抗噪能力，因为实际输入数据是采集到的真实心电信号，存在噪声，有必要在其训练过程中进行去噪。

所述步骤(4)中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。

优选地，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。

所述损失函数P的表达式为：P＝||z-t||²

本发明将深度学习的思想引入室性心动过速异常激动点定位中，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。

附图说明

图1为本发明方法的流程示意图。

图2为体表电位数据及其12导联电位信号的波形示意图。

图3为双向分解降噪自编码器的训练原理示意图。

图4为利用自编码器多特征学习更高维特征的训练原理示意图。

图5为左心室三维模型中展示室性心动过速异常激动点的预测结果示意图。

具体实施方式

为了更为明确地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图1所示，本发明基于堆栈式自动编码器的无创心内异常激动点定位方法，具体实施包括如下步骤：

(1)采集室性心动过速病人的12导联体表电位数据，并记录对应标测点的三维坐标。

让病人穿戴上分布有12个电极导联的体表电位记录马甲，以采集病人的12导联体表电位数据；然后，选取合适的左心室内膜位置，利用CARTO3系统进行三维电解剖标测，并记录相应位置的12导联ECG信号和标测点的三维坐标。本发明数据来自39位室性心动过速病人在进行导管消融术过程中采集到的。总共在病人左心室内膜采集了1012个独立点，即1012组12导联的QRS波群数据。

(2)对采集到的12导联体表电位数据进行预处理。

首先通过滤波对各通道的电位信号进行去噪处理，然后采用多项式拟合的方法对各通道去噪处理后的电位信号进行平滑处理，最后在心动周内标记出QRS间期，如图2所示，以上步骤均在公开的软件ECGViewer平台上完成。

(3)选取合适的QRS波群，并生成输入数据。

为了避免选择的波群是异位的或是非捕获的心博，本数据由专业人士选取合适QRS波群，如图2中A所示。依据导联位置将叠在一起的12导联QRS波群展开，并按照体表电极的位置(I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6)进行拼接，如图2中B所示，然后在时间轴上采样，每个导联的QRS数据大小为100*1，最终获得用于建模的输入数据，大小为1200*1。因为每一个ECG信号可以采集到多个QRS，因此总共采集到16848组数据集，每组数据都有对应的x-y-z三维坐标作为标签，如果两个QRS采集于一个ECG信号，则两者的标签是一样的。

(4)划分数据集。

将数据集及对应的三维坐标划分为训练集(22个病人10299组数据)、验证集(5个病人3017组数据)和测试集(12个病人3539组数据)。

(5)训练第一个隐藏层。

用训练集训练由多个自编码器级联组成的堆栈式自编码器，以三维坐标作为标签；自编码器由输入层、隐藏层以及输出层所组成，其中从输入层到隐藏层部分称为编码器，隐藏层到输出层部分称为译码器，堆栈式自编码器则是由多个自编码器组成，前一个自编码器的隐藏层的输出作为后一个自编码器的输入；自编码器的函数基本模型如下：

其中：y为隐藏层的输出，z为输出层的输出，f和g为激活函数，w和b分别为编码器的权重和偏置参数，w'和b'分别为译码器的权重和偏置参数。

本次训练过程中使用了降噪自编码器：因为记录得到的输入数据是采集到的真实电位信号，存在噪声，有必要在其训练过程中进行去噪，可以使用降噪自编码器，其原理是：首先在训练集中的输入数据x∈R^d上加入高斯噪声得到然后将作为该自编码器的输入，然后由得到隐藏层y∈[0,1]^d'，再由z＝g_θ'(w'^T>d，最后利用下式的目标函数优化模型：

其中：θ＝{w,b}，w和b是输入层与隐藏层间的模型参数，θ'＝{w',b'}，w'和b'是隐藏层和输出层间的模型参数，n是训练集的数量，L_r是损失函数，x⁽ⁱ⁾和z⁽ⁱ⁾分别是第i个输入数据和对应的输出数据，f_θ和g_θ是激活函数，另外我们采用随机梯度下降法得到最优解，即得到最优的模型参数。

对于堆栈式自编码器的第一个隐藏层，本次训练采用双向分解编码，如图3所示，在隐藏层学习到两类不同的表达h和m，m表达了VT异常激动点与QRS数据间的一般关系，如果两组QRS数据是来自相同位置标测得到的，那么不管数据是否来自同一个病人，两者的m应该相同；h表达了病人的个性化特征，包括生理的和病理的特征，如果两组QRS数据来自同一个病人，那么不管数据是否来自相同位置标测得到的，两者的h应该相同。因此我们加入了对照损失函数作为该自编码器的训练准则，首先随机地从训练集中产生数据对x^p＝(x⁽ⁱ⁾,x^(j))，每对数据有各自的标签对如果两组数据的m(或h)相等，则(或)为1，否则(或)为0，对照损失函数的表达式为：

L_f(x^p)＝L_c(h⁽ⁱ⁾,h^(j))+L_c(m⁽ⁱ⁾,m^(j))

其中，β是可调的参数，结合上式可以得到训练第一个隐藏层的目标函数为：

L(x^p)＝L_r(x^p)+αL_f(x^p)

通过反向传播算法和随机梯度下降法不断地计算和更新该自编码器中的权重和偏置参数，直到目标函数的值小于设定的阈值时，该自编码器训练完成。

(6)训练第二个隐藏层。

本次训练用于学习更高层次的特征，如图4所示，将上一个隐藏层学习到的特征h和m作为本次学习的输入数据，假设在第k层学习到数据对(m^k,h^k)，然后由从上一隐藏层得到第二个隐藏层m^k+1，再由从第二个隐藏层得到输出量。对于给定的训练数据对x^pk＝((m^(i)k,h^(i)k),(m^(j)k,h^(j)k))，得到训练第二个隐藏层的目标函数为：

其中，上式第一项和第二项代表了输入数据的重建损失函数，第三项代表对照损失函数。另外实验过程中发现隐藏层m和h的节点数比例是4:3时，实验结果最佳。

(7)训练堆栈式自编码器。

将第一隐藏层和第二隐藏层堆叠在一起，然后将训练集中的输入数据x和训练集中的真值标签(三维坐标)作为堆栈式自编码器的输入层和输出层的真值，再次进行训练，得到VT异常激动点的定位模型，然后由验证集的数据对模型进行微调，得到最优的模型。最后将测试集中的输入数据集x输入到训练好的模型中，在模型的输出层得到最终的坐标预测结果(x-y-z)，并将预测结果与真实值展示在三维左心室模型中，如图5所示，其中圆点为标签真实值，方块为模型预测结果。经实验验证，通过上述实施过程重建得到室性心动过速异常激动点定位结果，预测结果与真实值基本吻合。

上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。