用于心脏电传导趋势预测与异常检测的深层时空稀疏分解
机器学习
2021-09-21 v1 人工智能
信号处理
摘要
心脏组织间的电传导通常用偏微分方程（即反应扩散方程）建模，其中反应项描述细胞刺激，扩散项描述电传播。在此类非线性动态系统中，检测并识别产生异常电脉冲的心脏细胞对有效治疗与规划十分重要。为建模非线性动力学，模拟已广泛用于心脏研究与临床研究，以探究心脏疾病机制并开发新治疗方案。然而，现有心脏模型复杂度极高，且模拟往往耗时。我们提出深层时空稀疏分解（DSTSD）方法，以深层时空模型规避耗时的心脏偏微分方程，并检测异常（即功能异常心脏细胞）的时间与位置。该方法在 Courtemanche-Ramirez-Nattel（CRN）模型生成的数据集上得到验证，该模型广泛用于建模跨神经元细胞膜的跨膜电位传播。所提 DSTSD 在时空均值趋势预测与异常检测方面取得了最佳精度。
引用
@article{arxiv.2109.09317,
title = {Deep Spatio-temporal Sparse Decomposition for Trend Prediction and Anomaly Detection in Cardiac Electrical Conduction},
author = {Xinyu Zhao and Hao Yan and Zhiyong Hu and Dongping Du},
journal= {arXiv preprint arXiv:2109.09317},
year = {2021}
}