心脏跨膜电位的生成建模与逆成像
图像与视频处理
2019-05-14 v1 机器学习
信号处理
机器学习
摘要
从体表心电图（ECG）无创重建心脏跨膜电位（TMP）涉及一个病态逆问题。模型约束正则化在融入关于时空 TMP 动力学的丰富生理学知识方面十分强大。这些模型由高维物理参数控制，若固定不变会引入模型误差并降低 TMP 重建精度。然而，由于这些参数的高维性，在 TMP 重建过程中同时自适应调整它们十分困难。我们引入一种新颖的模型约束推断框架，用训练好的深度生成模型替代传统的生理学模型，该模型从低维生成因子生成 TMP 序列。利用带长短期记忆（LSTM）网络的变分自编码器（VAE），我们训练 VAE 解码器学习 TMP 的条件似然，而编码器学习生成因子的先验分布。这两个部分使我们能够开发一种高效算法，从 ECG 数据同时推断生成因子与 TMP 信号。合成与真实数据实验表明，与受传统生理学模型约束或无生理学约束的方法相比，所提方法显著提高了 TMP 重建精度。
引用
@article{arxiv.1905.04803,
title = {Generative Modeling and Inverse Imaging of Cardiac Transmembrane Potential},
author = {Sandesh Ghimire and Jwala Dhamala and Prashnna Kumar Gyawali and John L Sapp and B. Milan Horacek and Linwei Wang},
journal= {arXiv preprint arXiv:1905.04803},
year = {2019}
}