基于支持向量回归的心脏电功能成像检测方法 【技术领域】
本发明涉及一种心脏电功能成像的检测方法。
背景技术
心血管疾病是导致心脏突然停止跳动的主要原因。在导致心脏突然停止跳动的心血管疾病中，最常见的就是心律失常(诸如室颤，室动过速)，它使心脏的跳动失去同步性极易导致猝死。如果在心律失常后的几分钟内没有实施除颤或心肺复苏，死亡将无法避免。但一些患者在猝死前没有出现任何心脏疾病先兆和症状。因此，在预防猝死的过程中，识别和定位诸如室动过速类的心律失常是至关重要的，而研究开发一种无创的心脏电功能及心律失常的形态成像则是非常必要的，这种形式的成像能够区分出那些处于心律失常危险中的人群，做好预防准备，以防止猝死。
心律失常是导致人体死亡和病残的一个主要原因，诊断和治疗处于心律失常危险中的患者是十分重要而且必要的。常规的诊断技术，诸如标准的12导联心电图(ECG)是心脏电活动在体表低分辨率的投影，只提供心脏电活动整体的反映，由于心电图是通过捕获躯体表面上和能够达到躯体表面的心脏搏动，它们的波形缺乏敏感性和特异性。同时测量体表多个位置的记录，即体表电位分布图，能够提供比心电图更高分辨率的心电活动投影，但仍然没有真正反映心脏源的电活动，而且体表电位图也没有足够的分辨率来反映心脏内局部事件的过程。因此，如果我们能够获取心脏心外膜表面的电活动情况，那么在心律失常诊断方面将具有巨大的诊断价值。心脏电功能成像是一种新的成像模式，即能够无创地成像心脏表面的心电活动情况，其目的是提供心脏的电生理信息成像，这不同于CT或MRI的几何形态成像，因此，心脏电功能成像有希望成为检测心脏电功能异常的诊断工具。心脏电功能成像则是根据体表电位的分布，人体的几何形状以及躯干容积导体的电磁特性，通过数学物理方法求得心脏电活动的定量解。心脏电功能成像技术是将心电图和成像技术结合起来，用图像的方式来解决这一问题，它能检测到并判断出哪些患者是发生心律失常的高危人群，为治疗提供特殊的帮助和指导(如定位WPW综合症预激点)，并可以引导和调整介入(如消融术)使心脏的电生理情况最为稳定，并在随访和药物治疗的评价方面发挥作用。尽管每年全球有700万人死于心律失常，但无创的图像诊断，治疗和引导方式在临床中还未见应用，心脏电功能成像技术正是弥补了这一空缺。心脏电功能成像方法的功能不仅限于各种心脏疾病患者的诊断，也可应用于正常心脏功能评估。
目前所研究的心脏电功能成像检测方法，大多采用正则化方法克服其不适定性问题，这就涉及到正则化参数的选择问题，而对于不同个体的躯干模型以及不同的体表电位噪声环境，需要采用不同的正则化方法及其参数，这就意味着对不同的个体在不同的噪声环境进行心脏电功能成像，需要尝试多种正则化方法及其参数选择方法，以找到最有效的一种方法，这样非常耗时，不能实现心脏电功能实时成像。
【发明内容】
本发明的目的是提供一种基于支持向量回归的心脏电功能成像的检测方法。
本发明解决其技术问题所采用的技术方案是：该基于支持向量回归地心脏电功能成像检测方法主要包括以下各步骤：
(1)根据医学影像仪器获取的心脏、肺和躯干的解剖几何信息以及躯干容积导体的电磁特性，建立人体的心脏-躯干模型；
(2)通过心脏表面源方法仿真计算得到心外膜电位分布数据和体表电位分布数据用以作为支持向量回归的样本数据，从样本数据中选取学习样本数据；
(3)选择核函数和损失函数，利用遗传模拟退火算法对所选择的核函数和损失函数的参数进行自适应选取，利用所选取的学习样本数据对回归模型进行训练，从而建立有效的回归模型；
(4)依据建立的回归模型，由体表电位分布数据实现心脏电功能成像的检测。
进一步地，本发明在选择核函数和损失函数时，以最小二乘支持向量回归函数作为损失函数，以径向基函数作为核函数。
与现有技术相比，本发明的优点是：
本发明提出的基于支持向量回归的心脏电功能成像检测方法，为心脏电功能成像研究探索新方法。心脏电功能成像问题可以看作是一个多输入多输出回归估计问题，亦即对体表电位分布的多个输入回归形成心外膜电位分布的多个输出的问题。支持向量回归用来处理函数回归问题，具有全局最优、良好泛化能力等优势。通过确定支持向量回归模型中的损失函数和核函数，并采用遗传模拟退火算法对所选择的核函数和损失函数的参数进行自适应选取，从而建立心脏电功能成像检测的回归模型。依据建立的回归模型，能够由体表电位快速重构心外膜电位分布，实现心脏电功能成像的快速检测，为心脏疾病的预防和诊断提供更加有效的检测手段。
【附图说明】
图1是本发明利用计算机仿真形成支持向量回归模型中样本数据的框图；
图2是本发明基于支持向量回归的心脏电功成像检测方法的部分流程图。
【具体实施方式】
如图1和图2所示，本发明提出的一种基于支持向量回归的心脏电功能成像的检测方法的具体实施步骤如下：
(1)如图1所示，对医学影像仪器获取人体的心脏和体表的解剖几何信息以及躯干容积导体的电磁特性心脏、肺、躯干的几何信息，进行三角形网格划分，建立心脏-躯干模型，通过数值计算方法建立心外膜电位与体表电位之间的传递矩阵TBH。由心脏细胞的动作电位类型和兴奋时序分布，可以求解细胞的跨膜动作电位基于封闭的心脏表面根据心脏表面源方法可确定跨膜动作电位和心脏表面电位之间的关系TmH，可以得到整个心脏表面的电位分布；并取心外膜电位分布作为心脏源，由传递矩阵TBH根据公式进行正问题计算可以求解体表电位分布以心外膜电位分布和叠加测量噪声的体表电位分布作为支持回归模型中的学习样本数据和测试样本数据。每隔0.01s仿真计算得到一组心外膜电位分布与体表电位分布的样本数据，在一个心动周期内(以心动周期0.8s为例)采取80组样本数据，选取其中30组数据为学习样本数据，进行回归模型的训练，其余的样本数据作为测试数据。
(2)根据心脏电功能成像检测方法的特点，可以采用最小二乘支持向量回归函数作为损失函数(最小二乘支持向量回归是ε-SVR，v-SVR的发展，解决了大样本训练过程中计算速度变慢的问题)，同时使用径向基函数作为核函数(也可选择多项式内积函数、B-样条核函数等)，其中损失函数中的正则化参数γ和径向基核函数中的核宽度参数δ是支持向量回归模型构建需要调整的两个参数。
(3)利用遗传模拟退火算法实现支持向量回归中正则化参数γ和核宽度δ的自适应选取，达到支持向量回归模型的最优化。遗传摸拟退火算法中，以测试样本的均方根误差作为适应度函数；根据心脏电功能成像的具体问题，反复试验设定遗传算子(选择、交叉和变异)以及摸拟退火算法的控制算子等。遗传模拟退火算法的过程：先采用遗传算法进行全局搜索，得到新的种群后，选择最优秀的部分个体进行模拟退火计算，在它们各自的领域分别进行局部搜索，而距全局最优较远的个体不进行局部搜索。遗传模拟退火算法实现损失函数和核函数的参数选取的具体步骤如下：
步骤1：设定遗传模拟退火算法的参数，以测试样本的均方根误差作为适应度函数；采用浮点数编码方法；种群规模设为20；模拟退火次数设定为30。
步骤2：种群初始化，正则化参数γ和核宽度δ在种群初始化时只要保证个体大于0即可，每代种群的个体定为20个；
步骤3：遗传操作——遗传操作主要包括选择、交叉、变异3个部分，其参数设置如下：
随机联赛选择，联赛规模的N取值为2；
分散交叉，交叉率取0.7；
均匀变异，变异率取0.01。
步骤4：将遗传操作得到的个体放在一起作为中间种群，计算中间种群的适应度，将适应度大的前10个个体分别进行30次模拟退火。
步骤5：选择模拟退火后的最优个体作为损失函数和核函数的参数。
(4)如图2所示，利用学习样本数据进行支持向量回归模型的训练，以实现心脏电功能成像回归模型的构建。利用测试样本数据对回归模型进行测试，分析计算误差，判断回归模型是否满足误差要求，一般误差范围选择在ε＜0.001。如果满足，则回归模型建立，可以用来实现心脏电功能成像的检测；如果达不到回归模型的误差要求，增加学习样本数据，进一步完善回归模型的建立，以满足回归模型误差要求，建立有效的回归模型。
(5)通过体表电位测量仪获取体表电位分布，利用建立的回归模型，由体表电位分布回归心外膜电位分布。根据心外膜电位分布，可进一步重构心脏表面的电描记图、等时线等，以获取心脏表面电生理成像信息，实现心脏电功能成像的检测。