CN115581464B 基于预训练和时空自注意力机制的心室激活来源点定位方法 （浙江大学）

Diagnosis.2023,第12465基于预训练和时空自注意力机制的心室激本发明公开了一种基于预训练和时空自注深度学习中的自注意力机制和卷积网络进行有效改进结合后引入室性心动过速激活来源点定考虑心电信号分别在时间和空间维度上的自注模拟数据来做预训练提高了真实实验的定位精2(1)在导入真实病人的生理数据后，利用心脏建模仿真软件工具模拟心脏在不同异常(2)通过心脏电生理标测工具采集不同室性心动过速病人身上的12导联体表心电数(3)通过步骤(1)和(2)获得大量样本，每组样本包括12导联体表心电数据以及对应心所述全局局部编码器包括全局时空注意力计算模块、局部特征提取模块以及数据融卷积块D1～D3的卷积核大小分别为7x7、5x5、3x3，扩张率均设置为2，填充模式均为复到输入维度即作为时空自注意力的输出，进而将该输出进行残差连接和LayerNorm归一化后输入至前馈网络进行特征提取，提取得到的特征再进行残差连接和LayerNorm归一化局部特征提取模块的输出加权求和后再通过一个线性层把维度降低到所需要(5)利用训练集样本中的12导联体表心电数据作为模型输入，对应心室激活来源点的(6)将测试集样本中的12导联体表心电数据输入至训练好的定位模型中，即可直接预2.根据权利要求1所述的心室激活来源点定位MATLAB软件获取仿真的12导联体表心电数据以及对应心室激活来源点的三3.根据权利要求1所述的心室激活来源点定3使输入数据加上一个随着网络训练而自动学习的非固网络模型中的参数不断进行优化，直至损失函数L收敛后固定模型参数作为下一阶段训练从而得到用于预测心室激活来源点三维坐标的定4疾病患者的25而持续性室性心动过速(VT)极易造成心脏性猝死，这种恶性心律失常一[0003]心电图上的QRS形态很大程度上由心室激活起源点的坐标决定，在临床手术中医[0004]通过调研检索发现，文献[MisselR,GyawaliPK,MurkuteJV,LiZ,ZhouS,AbdelWahabA,DavisJ,WarrenJ,SappJL,WangL.Ahybridmachinelearningapproachtolocalizingtheoriginofventriculartachycardiausing12_lead源于左室心内膜的心室激活。还有的研究考虑转移和适应模拟数据中的知识到真实数据，data:Localizingtheoriginofventricularactivationfrom12_leadelectro_cardiograms,”IEEETrans.Med.Imag.,vol.38,no.5,pp.1172–1184]以及文献[S.Giffard_Roisinetal.,“Transferlearningfromsimulationsonareferenceanatomyforecgiinpersonalisedcardiacresynchronizationtherapy,”IEEE5[0006]一种基于预训练和时空自注意力机制的心室激活来源点定位方法，包括如下步[0007](1)在导入真实病人的生理数据后，利用心脏建模仿真软件工具模拟心脏在不同[0008](2)通过心脏电生理标测工具采集不同室性心动过速病人身上的12导联体表心电[0011](5)利用训练集样本中的12导联体表心电数据作为模型输入，对应心室激活来源[0012](6)将测试集样本中的12导联体表心电数据输入至训练好的定位模型中，即可直例文件导入到心脏建模仿真软件ECGSIM内，通过鼠标点击选择模拟心室激活来源点的位[0014]进一步地，所述步骤(2)的具体实现过程为：首先使病人平卧于DSA(Digital6线性层恢复到输入维度即作为时空自注意力的输出，进而将该输出进行残差连接和LayerNorm归一化后输入至前馈网络进行特征提取，提取得到的特征再进行残差连接和LayerNorm归一化后即作为全局时空注意力计算模块的输出；所述数据融合层将全局时空注意力计算模块和局部特征提取模块的输出加权求和后再通过一个线性层把维度降低到[0020]本发明将深度学习中的自注意力机制和卷积网络进行有效改进结合后引入室性[0021]本发明提出了一个新的基于群体的深度学习模型，它有效地结合了Transformer[0023]2.本发明算法不需要加入复杂的人工特征或额7[0034]S2.通过心脏电生理标测工具采集不同室性心动过速病人身上的12导联体表心电心电数据和对应需要消融的心室激活来源点的三维坐标。本实例共采集了14000组模拟数叠的全局局部编码器以及坐标预测层，全局局部编码器包括全局时空注意力计算模块、8进行矩阵乘法得到一个头的自注意力，再将每个头拼接到一起后得到最终的时间自注意[0041]时空自注意力计算完毕后进行残差连接和LayerNorm归一化，再输入前馈网络进[0042]由于所提取的全局特征和局部特征对于预测心室激活来源点的坐标的重要程度[0044]S4.在预训练阶段的验证精度达到最[0045]S5.将从医院获取的真实病人数据[0048]本发明预测结果的评价指标数据如表1和表2所示，其中表1为本发明方法与其他9[0053]上述对实