(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211374137.4 (22)申请日 2022.11.03 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 刘华锋　程麟胜　 (74)专利代理 机构 杭州天勤知识产权代理有限 公司 33224 专利代理师 王琛 (51)Int.Cl. A61B 5/318(2021.01) A61B 5/363(2021.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种无创心肌跨膜电位重建及异常点定位 方法 (57)摘要 本发明公开了一种无创心肌跨膜电位重建 及异常点定位方法， 该方法同时使用去噪结构加 上ConvLSTM网络结构以及时空双重注意力机制， 充分利用了深度学习的灵活性泛化性优势， 用神 经网络结构来替代传统方法中需要人工不断调 整的参数， 利用网络自动的学习心电数据中的普 适性特征， 并且保留了病人的生理信息和严谨的 物理模型， 算法的收敛性和重建的精度都有理论 的支持。 本发明中的时空注意力机制将self ‑ attetion的思想引 入空间注意力模块和时间通 道注意力模块并分别对特征图进行空间和时间 维度上的全局特征编码， 然后将时间全局特征和 空间全局特征融合， 达成同时对空间和时间上的 全局依赖 。 权利要求书2页 说明书9页 附图5页 CN 115530841 A 2022.12.30 CN 115530841 A 1.一种无创心肌跨膜电位重建及异常点定位方法， 包括如下步骤： (1)采集病人的体表心电数据， 通过临床测量获取病人的心肌跨膜电位信息以及病灶 点的位置信息； (2)根据步骤(1)对不同病人进行多次采集测量以获得大量样本， 每组样本包括体表心 电数据以及 对应的心肌跨膜电位信息和病灶点位置信息， 进而将所有样本 分成训练集和测 试集； (3)构建基于 ConvLSTM和时空注意力机制的神经网络模型， 该模型包括： 初始化模块， 用于将体表 心电数据转 化为初始的心肌跨膜电位； 去噪模块， 用于对初始的心肌跨膜电位进行去噪处 理； ConvLSTM模块， 用于对去噪后的心肌跨膜电位在空间局部和时间维度上进行编码， 得 到相应的特 征编码数据； 时空注意力模块， 用于对所述特征编码数据在时间维度和空间维度分别进行注意力 机 制的信息处理， 进而通过融合得到时空全局依赖特征图； 所述时空全局依赖特征图通过卷 积块即可重建输出心肌跨膜电位， 或通过多层感知器回归预测输出病灶点的位置信息； (4)利用训练集样本中的体表心电数据作为模型输入， 心肌跨膜电位信息或病灶点位 置信息作为标签， 对上述网络模型进行训练； (5)将测试集样本中的体表心电数据输入至训练好的网络模型中， 即可直接预测输出 对应的心肌跨膜电位信息或病灶点 位置信息 。 2.根据权利要求1所述的无创心肌跨膜电位重建及异常点定位方法， 其特征在于： 所述 去噪模块由4个残差学习块级联组成， 每个残差学习 块由3个卷积层D1～D3依次连接组成， 每个卷积层的输出均经过ReLU函数激活； 其中D1的卷积核大小为7 ×7， 输出通道数为64； D2 的卷积核 大小为1×1， 输出通道数为32； D3的卷积核大小为5 ×5， 输出通道数与残差学习块 的输入通道数一 致； D3的输出与D1的输入相加后作为残差学习块的输出。 3.根据权利要求1所述的无创心肌跨膜电位重建及异常点定位方法， 其特征在于： 所述 ConvLSTM模块的具体运 算过程如下： ft＝σ(Wxf*xt+Whf*ht‑1+Wcf°ct‑1+bf) it＝σ(Wxi*xt+Whi*ht‑1+Wci°ct‑1+bi) gt＝tanh(Wxc*xt+Whc*ht‑1+bc) ct＝ft°ct‑1+it°gt ot＝σ(Wxo*xt+Who*ht‑1+Wco°ct+bo) ht＝ot°tanh(ct) 其中： xt为第t次迭代ConvLSTM模块的输入数据， ht和ht‑1分别为第t次迭代和 第t‑1次迭 代ConvLSTM模块的输出结果， *表示卷积操作， °表示点积运算符， σ()表示sigmoid激活函 数， ft、 it、 gt、 ot均为第t次迭代ConvLSTM模块运算得到的中间结果， Wxf、 Whf、 Wcf、 Wxi、 Whi、 Wci、 Wxc、 Whc、 Wxo、 Who、 Wco均为待学习的权值矩阵， bf、 bi、 bc、 bo均为待学习的偏置向量， t为大于0自 然数。 4.根据权利要求1所述的无创心肌跨膜电位重建及异常点定位方法， 其特征在于： 所述 时空注意力模块包括空间注意力模块和 时间通道注意力模块， 所述空间注意力模块基于 self‑attention思想， 将 输入数据分别通过三个1 ×1的卷积得到3个不同的特征向量A1、 A2权　利　要　求　书 1/2 页 2 CN 115530841 A 2和A3， 将A1的转置与A2相乘并经过softmax函数处理后得到注 意力图X， 进而将A3与X相乘后 与输入数据相加得到具有空间全局依赖关系的特征图E； 所述时间通道注意力模块与空间 注意力模块的处理流程相同， 只是在计算注意力图X时保留了时间通道维度， 最后得到具有 时间全局依赖关系的特 征图F； 最后将特 征图E和F融合后即得到时空全局依赖特 征图。 5.根据权利要求1所述的无创心肌跨膜电位重建及异常点定位方法， 其特征在于： 所述 步骤(4)中对网络模型进行训练的过程如下： 4.1初始化模型参数， 包括每一层的偏置向量和权值矩阵、 学习率以及优化器； 4.2将训练集样本中的体表心电数据输入至模型， 模型正向传播输出得到对应的预测 结果， 计算该 预测结果与标签之间的损失函数L； 4.3根据损失函数L利用优化器通过梯度下降法对模型参数不断迭代更新， 直至损失函 数L收敛， 训练完成。 6.根据权利要求5所述的无创心肌跨膜电位重建及异常点定位方法， 其特征在于： 当所 述网络模型应用于 重建心肌跨膜电位功能时， 所述损失函数L的表达式如下： 其中： u为标签即临床测量得到的心肌跨膜电位， uk为模型最终输出关于心肌跨膜电位 的预测结果， u1为去噪模块的输出 结果， λ为权 重系数， | | ||2表示L2范数。 7.根据权利要求5所述的无创心肌跨膜电位重建及异常点定位方法， 其特征在于： 当所 述网络模型应用于病灶点 位置预测功能时， 所述损失函数L的表达式如下： 其中： S(x,y,z)为标签即临床测量 得到的病灶点三维坐 标， 为模型最终输出 关 于病灶点 位置的预测结果， | | ||2表示L2范数。 8.根据权利要求1所述的无创心肌跨膜电位重建及异常点定位方法， 其特征在于： 该方 法同时使用去噪结构加上ConvLSTM网络结构以及时空双重注 意力机制， 充分利用了深度学 习的灵活性泛化性优势， 用神经网络结构来替代传统方法中需要人工不断调整的参数， 利 用网络自动的学习心电数据中的普适性特征， 并且保留了病人的生理信息和严谨的物理模 型， 算法的收敛性和重建的精度都有理论的支持。权　利　要　求　书 2/2 页 3 CN 115530841 A 3