用于检测心脏活动的深度学习神经网络
医学物理
2019-02-06 v2
摘要
利用体表测量预测心脏表面电位被称为心电图逆问题。由于心脏信号在人体内传播时受多种因素影响，这是一个病态问题。本报告详述了针对信号重建的机器学习解决方案研究，以及涉及心脏不同区域预测时最优躯干电极放置的分析。数据集包含在一次使用人体模型的实验中记录的大量体表电位(BSP)与心脏表面电位(HSP)电极的同时测量值及其几何位置。最初，时延神经网络在所有BSP到HSP关系上训练与测试，结果显示重建相关性随电极间距减小而略有提升的趋势。然而，TDNN对数据过拟合，无法预测不同的心跳起搏。前馈神经网络(FFNNs)以多BSP到多HSP预测方法进行了测试，同样发生过拟合。为减轻过拟合，在使用基本感知机时分析每个HSP的最优训练BSP，从而减少了训练信号数量。该分析涉及对不同BSP组合进行重复采样与排序，起初使用蒙特卡洛近似，后被一种元启发式方法取代，提升了成功BSP组合的出产率。利用这些最优BSP组合，对108个HSP中的80个成功生成了跨心跳起搏的重建，未来工作包括使用真实患者数据测试该预测方法。
引用
@article{arxiv.1901.09831,
title = {Deep learning neural nets for detecting heart activity},
author = {Joe Horvath and Lu Shien and Tommy Peng and Avinash Malik and Mark Trew and Laura Bear},
journal= {arXiv preprint arXiv:1901.09831},
year = {2019}
}
备注
11 pages, 21 figures