本發(fā)明專利技術(shù)公開了一種基于GPU加速的極限學(xué)習(xí)機(jī)的心臟電功能快速成像方法，首先由Ensite3000和體表電位標(biāo)測(cè)系統(tǒng)同時(shí)獲取心內(nèi)膜電位分布和體表電位分布的數(shù)據(jù)，利用組織特征影射對(duì)預(yù)處理后的樣本集進(jìn)行聚類分析，利用自核主成分分析方法對(duì)子類樣本數(shù)據(jù)進(jìn)行預(yù)處理，采用GPU并行計(jì)算對(duì)各子類樣本同步進(jìn)行極限學(xué)習(xí)機(jī)回歸模型訓(xùn)練，構(gòu)建各子類的回歸模型；根據(jù)體表電位標(biāo)測(cè)系統(tǒng)獲取的體表電位分布，判斷所獲取的體表電位分布屬于哪個(gè)子聚類的測(cè)試樣本，最后根據(jù)相應(yīng)的子類回歸模型，重構(gòu)心內(nèi)膜電位分布，實(shí)現(xiàn)心臟電功能信息的快速成像。本發(fā)明專利技術(shù)的優(yōu)點(diǎn)是實(shí)時(shí)、無(wú)創(chuàng)的獲取心內(nèi)膜電位分布，實(shí)現(xiàn)心臟電功能快速成像。
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及一種心臟電功能的成像方法，具體涉及一種基于GPU加速的極限學(xué)習(xí)機(jī)的心臟電功能快速成像方法。
技術(shù)介紹
心血管疾病是導(dǎo)致心臟突然停止跳動(dòng)的主要原因。心血管病發(fā)病和死亡率居高不下，使心血管病防治負(fù)擔(dān)加重，成為重要公共衛(wèi)生問(wèn)題，加強(qiáng)心血管病防治刻不容緩。據(jù)《中國(guó)心血管病報(bào)告2011》報(bào)道，我國(guó)人群心血管病的發(fā)病和死亡率呈持續(xù)上升階段，估計(jì)全國(guó)心血管病2.3億人，其中心肌梗死200萬(wàn)人，心力衰竭420萬(wàn)人，肺心病500萬(wàn)人，風(fēng)心病250萬(wàn)人，先心病200萬(wàn)人。因此研究開發(fā)一種心臟電生理功能快速成像方法具有非常重要的意義。常規(guī)的12導(dǎo)聯(lián)心電圖(ECG)，是心臟電活動(dòng)在體表低分辨率的投影，只能提供心臟電活動(dòng)的整體反映。同時(shí)測(cè)量體表多個(gè)位置的記錄，即體表電位分布圖，能夠提供比心電圖更高分辨率的心電活動(dòng)投影，但體表電位圖也沒(méi)有足夠的分辨率來(lái)反映心臟內(nèi)局部事件的過(guò)程。目前出現(xiàn)了幾種心內(nèi)電生理成像技術(shù)(如Ensite 3000系統(tǒng)和CARTO系統(tǒng)等)可用于提供心內(nèi)膜的電生理信息，但這些方法都是有創(chuàng)的成像手段，且費(fèi)用昂貴。無(wú)創(chuàng)的心臟電功能成像(Noninvasive Electrical Function Imaging of the Heart,EFIH)是一種新的成像模式，能夠無(wú)創(chuàng)地成像心臟內(nèi)部的電生理活動(dòng)情況，這種基于心臟內(nèi)部的電生理信息成像，其不同于CT或MRI的幾何形態(tài)成像，能夠快速的提供心臟電生理活動(dòng)信息。具體而言，心臟電功能成像是根據(jù)心臟內(nèi)部電活動(dòng)信息和體表電位分布之間的映射關(guān)系，建立回歸模型，由體表電位分布實(shí)現(xiàn)重構(gòu)心臟內(nèi)部電活動(dòng)信息的一種成像模式。目前所研究的心臟電功能成像方法，大多采用正則化方法克服其不適定性問(wèn)題，這就涉及到正則化參數(shù)的選擇問(wèn)題，而對(duì)于不同個(gè)體的軀干模型以及不同的體表電位噪聲環(huán)境，需要采用不同的正則化方法及其參數(shù)，這就意味著對(duì)不同的個(gè)體在不同的噪聲環(huán)境進(jìn)行心臟電功能成像，需要嘗試多種正則化方法及其參數(shù)選擇方法，以找到最有效的一種方法，這樣非常耗時(shí)，不能實(shí)現(xiàn)心臟電功能實(shí)時(shí)成像。最近提出了一種基于數(shù)據(jù)驅(qū)動(dòng)的支持向量機(jī)回歸方法實(shí)現(xiàn)心臟電功能成像的檢測(cè)方法，但是由于支持向量回歸方法在大規(guī)模數(shù)據(jù)應(yīng)用中存在著訓(xùn)練速度緩慢，內(nèi)存資源占用較多等缺陷，另外，支持向量回歸方法的參數(shù)選擇以及交叉驗(yàn)證等可以提高支持向量回歸模型的泛化能力，但增加很大的計(jì)算工作量。在一些情況下，訓(xùn)練建立一個(gè)支持向量回歸模型可能需要幾天的時(shí)間。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的是針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于GPU加速的極限學(xué)習(xí)機(jī)的心臟電功能快速成像方法。本專利技術(shù)解決其技術(shù)問(wèn)題所采用的技術(shù)方案是:該基于GPU加速的極限學(xué)習(xí)機(jī)的心臟電功能快速成像方法主要包括以下各步驟:(1)由體表電位標(biāo)測(cè)系統(tǒng)獲取體表電位分布，同時(shí)由Ensite3000獲取心臟內(nèi)部電活動(dòng)信息，生成極限學(xué)習(xí)機(jī)的樣本數(shù)據(jù)； (2)利用自組織特征影射聚類算法對(duì)樣本數(shù)據(jù)預(yù)處理，將大規(guī)模的樣本數(shù)據(jù)劃分為小規(guī)模的各子聚類樣本； (3)利用自核主成分分析方法對(duì)子類樣本數(shù)據(jù)進(jìn)行預(yù)處理，實(shí)現(xiàn)對(duì)各子類樣本數(shù)據(jù)進(jìn)行特征提取，降低各子類樣本空間的維數(shù)； (4)設(shè)置極限學(xué)習(xí)機(jī)算法的隱層節(jié)點(diǎn)個(gè)數(shù)和激勵(lì)函數(shù)； (5)采用GPU并行計(jì)算對(duì)各子類樣本同步進(jìn)行極限學(xué)習(xí)機(jī)回歸模型訓(xùn)練，提高訓(xùn)練速度，高效地構(gòu)建各子類的回歸模型； (6)由體表電位標(biāo)測(cè)系統(tǒng)獲取的體表電位分布，由自組織特征影射的聚類分析方法判斷所獲取的體表電位分布屬于哪個(gè)子聚類的測(cè)試樣本，根據(jù)相應(yīng)的子類回歸模型，重構(gòu)心內(nèi)膜電位分布，實(shí)現(xiàn)心臟電功能信息的快速成像。本專利技術(shù)在生成極限學(xué)習(xí)機(jī)的樣本數(shù)據(jù)時(shí)，由體表電位標(biāo)測(cè)系統(tǒng)和Ensite3000分別獲取體表電位分布和心內(nèi)膜電位分布，以Ims采樣周期，采樣時(shí)間為心臟跳動(dòng)的一個(gè)周期0.8s,同時(shí)獲取心內(nèi)膜電位分布和體表電位分布800個(gè)時(shí)刻的數(shù)據(jù),構(gòu)成極限學(xué)習(xí)機(jī)的樣本數(shù)據(jù)。本專利技術(shù)在對(duì)樣本數(shù)據(jù)進(jìn)行聚類分析處理時(shí)，對(duì)體表電位標(biāo)測(cè)系統(tǒng)獲取的體表電位分布實(shí)現(xiàn)歸一化處理，采用自組織特征影射對(duì)訓(xùn)練樣本集進(jìn)行聚類分析，將訓(xùn)練樣本空間分為若干個(gè)子空間，每一個(gè)子空間的樣本具有相似特性，而不同子類之間具有盡可能大的差異性。 本專利技術(shù)在設(shè)置極限學(xué)習(xí)機(jī)算法的隱層節(jié)點(diǎn)個(gè)數(shù)和激勵(lì)函數(shù)時(shí)，將隱層節(jié)點(diǎn)個(gè)數(shù)設(shè)置為400,以徑向基函數(shù)作為激勵(lì)函數(shù)。本專利技術(shù)的有益效果是:本專利技術(shù)提出的基于GPU加速的極限學(xué)習(xí)機(jī)的心臟電功能成像檢測(cè)方法，為心臟電功能快速成像研究探索新方法。心臟電功能成像問(wèn)題可以看作是一個(gè)多輸入多輸出回歸估計(jì)問(wèn)題，亦即對(duì)體表電位分布的多個(gè)輸入回歸形成心內(nèi)膜電位分布的多個(gè)輸出的問(wèn)題。極限學(xué)習(xí)機(jī)在訓(xùn)練前只需要設(shè)置網(wǎng)絡(luò)隱層節(jié)點(diǎn)個(gè)數(shù)，算法執(zhí)行過(guò)程中不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值以及隱層單元的偏置，并且產(chǎn)生唯一的最優(yōu)解，參數(shù)選擇容易、學(xué)習(xí)速度快且泛化性能好。利用自組織特征影射對(duì)訓(xùn)練樣本集進(jìn)行聚類分析，將訓(xùn)練樣本空間分為若干個(gè)子空間，每一個(gè)子空間的樣本具有相似特性。基于GPU的并行計(jì)算架構(gòu)技術(shù)，設(shè)計(jì)GPU的并行算法程序，同步訓(xùn)練各子類的極限學(xué)習(xí)機(jī)回歸模型，極大減少極限學(xué)習(xí)機(jī)回歸模型的訓(xùn)練時(shí)間。依據(jù)建立的回歸模型，能夠由體表電位快速重構(gòu)心內(nèi)膜電位分布，實(shí)現(xiàn)心臟電功能信息的快速成像。附圖說(shuō)明圖1是本專利技術(shù)基于GPU加速的極限學(xué)習(xí)機(jī)的心臟電功能快速成像方法的實(shí)現(xiàn)流程圖。具體實(shí)施例方式如圖1所示，本專利技術(shù)提出的一種基于GPU加速的極限學(xué)習(xí)機(jī)的心臟電功能快速成像方法的具體實(shí)施步驟如下: 1、如圖1所示，由體表電位標(biāo)測(cè)系統(tǒng)獲取體表電位分布，該系統(tǒng)為80導(dǎo)聯(lián)的背心電極構(gòu)成(前胸導(dǎo)聯(lián)為58個(gè)電極，兩側(cè)為12個(gè)導(dǎo)聯(lián)，背部為10個(gè)導(dǎo)聯(lián))，背心大小具有超大、大、中、小四個(gè)不等型號(hào)，能夠快速便捷的獲取體表電位分布；由Ensite 3000三維標(biāo)測(cè)系統(tǒng)獲取的心內(nèi)膜電位分布。以Ims的米樣周期同時(shí)獲取心內(nèi)膜電位分布與體表電位分布作為極限學(xué)習(xí)機(jī)的樣本數(shù)據(jù)，在一個(gè)心動(dòng)周期內(nèi)(以心動(dòng)周期0.85為例)采取800組樣本數(shù)據(jù)，選取其中600組數(shù)據(jù)為訓(xùn)練樣本數(shù)據(jù)，進(jìn)行回歸模型的訓(xùn)練，其余200組樣本數(shù)據(jù)作為測(cè)試數(shù)據(jù)。2、對(duì)體表電位標(biāo)測(cè)系統(tǒng)獲取的體表電位分布實(shí)現(xiàn)歸一化處理,利用自組織特征映射網(wǎng)絡(luò)，通過(guò)無(wú)監(jiān)督學(xué)習(xí)策略對(duì)訓(xùn)練樣本集進(jìn)行聚類分析，將訓(xùn)練樣本空間分為6個(gè)子空間，每一個(gè)子空間的樣本具有相似特性，而不同子類之間具有盡可能大的差異性。輸入層神經(jīng)元數(shù)為/ ，輸出層是Xffi個(gè)神經(jīng)元組成的二維平面陣列，輸入層與競(jìng)爭(zhēng)層各神經(jīng)元之間實(shí)現(xiàn)全互連接。其實(shí)現(xiàn)步驟如下: 步驟1:設(shè)定一個(gè)較小的隨機(jī)數(shù)，初始化輸入節(jié)點(diǎn)到輸出節(jié)點(diǎn)的連接權(quán)值，并且使時(shí)間參數(shù) t=0, A=O ； 步驟2:對(duì)網(wǎng)絡(luò)輸入樣本，即體表電位分布的樣本數(shù)據(jù)if.1 = (ZiUfr..4)； 步驟3:計(jì)算輸入樣本與全部輸出節(jié)點(diǎn)所連接權(quán)向量K.,的歐式距離:本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
一種基于GPU加速的極限學(xué)習(xí)機(jī)的心臟電功能快速成像方法，其特征在于，該方法包括以下各步驟：（1）由體表電位標(biāo)測(cè)系統(tǒng)獲取體表電位分布，同時(shí)由Ensite?3000獲取心內(nèi)膜電位分布，生成極限學(xué)習(xí)機(jī)的樣本數(shù)據(jù)；（2）利用自組織特征影射聚類算法對(duì)樣本數(shù)據(jù)預(yù)處理，將大規(guī)模的樣本數(shù)據(jù)劃分為小規(guī)模的各子聚類樣本；（3）利用核主成分分析方法對(duì)各子類樣本數(shù)據(jù)進(jìn)行預(yù)處理，實(shí)現(xiàn)對(duì)各子類樣本數(shù)據(jù)進(jìn)行特征提取，降低各子類樣本空間的維數(shù)；（4）設(shè)置極限學(xué)習(xí)機(jī)算法的隱層節(jié)點(diǎn)個(gè)數(shù)和激勵(lì)函數(shù)；（5）采用GPU并行計(jì)算對(duì)各子類樣本同步進(jìn)行極限學(xué)習(xí)機(jī)回歸模型訓(xùn)練，提高訓(xùn)練速度，高效地構(gòu)建各子類的回歸模型；（6）由體表電位標(biāo)測(cè)系統(tǒng)獲取的體表電位分布，由自組織特征影射的聚類分析方法判斷所獲取的體表電位分布屬于哪個(gè)子聚類的測(cè)試樣本，根據(jù)相應(yīng)的子類回歸模型，重構(gòu)心內(nèi)膜電位分布，實(shí)現(xiàn)心臟電功能成像的快速檢測(cè)。
【技術(shù)特征摘要】
1.一種基于GPU加速的極限學(xué)習(xí)機(jī)的心臟電功能快速成像方法，其特征在于，該方法包括以下各步驟: (1)由體表電位標(biāo)測(cè)系統(tǒng)獲取體表電位分布，同時(shí)由Ensite3000獲取心內(nèi)膜電位分布，生成極限學(xué)習(xí)機(jī)的樣本數(shù)據(jù)； (2)利用自組織特征影射聚類算法對(duì)樣本數(shù)據(jù)預(yù)處理，將大規(guī)模的樣本數(shù)據(jù)劃分為小規(guī)模的各子聚類樣本； (3)利用核主成分分析方法對(duì)各子類樣本數(shù)據(jù)進(jìn)行預(yù)處理，實(shí)現(xiàn)對(duì)各子類樣本數(shù)據(jù)進(jìn)行特征提取，降低各子類樣本空間的維數(shù)； (4)設(shè)置極限學(xué)習(xí)機(jī)算法的隱層節(jié)點(diǎn)個(gè)數(shù)和激勵(lì)函數(shù)； (5)采用GPU并行計(jì)算對(duì)各子類樣本同步進(jìn)行極限學(xué)習(xí)機(jī)回歸模型訓(xùn)練，提高訓(xùn)練速度，高效地構(gòu)建各子類的回歸模型； (6)由體表電位標(biāo)測(cè)系統(tǒng)獲取的體表電位分布，由自組織特征影射的聚類分析方法判斷所獲取的體表電位分布屬于哪個(gè)子聚類的測(cè)試樣本，根據(jù)相應(yīng)的子類回歸模型...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：蔣明峰，汪亞明，黃文清，馮杰，曹麗，
申請(qǐng)(專利權(quán))人：浙江理工大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。