用于鲁棒逆心电图建模的物理约束深度学习
机器学习
2022-02-01 v2
摘要
先进传感与成像的快速发展带来了数据丰富的环境，促进了复杂系统的有效建模、监测与控制。例如，体域传感器网络捕获与心脏电活动相关的多通道信息（即心电图（ECG）），使医学科学家能够监测并检测异常心脏状况。然而，高维传感数据通常结构复杂，充分发挥数据潜力在很大程度上依赖于先进的分析与预测方法。本文提出一种物理约束深度学习（P-DL）框架，用于高维逆心电图建模。该方法将复杂系统的物理规律与先进深度学习架构相集成，以有效预测系统动态。所提P-DL方法被实现用于求解逆心电图模型，并从体表传感器网络测量的ECG数据预测心脏中随时间变化的电势分布。实验结果表明，所提P-DL方法显著优于当前实践中常用的现有方法。
引用
@article{arxiv.2107.12780,
title = {Physics-constrained Deep Learning for Robust Inverse ECG Modeling},
author = {Jianxin Xie and Bing Yao},
journal= {arXiv preprint arXiv:2107.12780},
year = {2022}
}