[发明专利]基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法

权利要求书

1.一种基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法，包括如下步骤：

(1)对病人躯干部分进行增强CT平扫，采集得到病人胸腔轴向的增强CT切片图像；

(2)根据所述增强CT切片图像建立心脏表面和躯干表面的有限元模型，求出体表电位与心脏跨膜电位之间的正向关系即Φ＝HU，其中Φ为体表电位，U为心脏跨膜电位，H表示Φ与U之间的正向转换矩阵，具体实现方式为：首先采用Matlab软件对多张胸腔轴向的增强CT切片图像进行左心室心内膜、右心室心内膜和心外膜的分割，同时利用3D Slicer软件对增强CT切片图像上的多导联电极位置进行标注，进一步通过有限元的方法得到心脏表面和躯干表面的有限元模型并进行配准；然后基于心脏和躯干表面的有限元模型，再通过边界元的方法得到心脏跨膜电位传播到胸腔表面的正向关系即Φ＝HU；

(3)采集病人的多导联体表心电信号即Φ，并对心电信号进行滤波处理；

(4)根据已获得的Φ以及H，通过以下公式对心脏跨膜电位信号进行初始化；

u⁽⁰⁾＝Q_initΦ

其中：u⁽⁰⁾为心脏跨膜电位信号初值，|| ||_F表示F范数，^T表示转置，Q表示Φ与U之间的反向转换矩阵；

(5)根据心脏跨膜电位信号初值，通过嵌入图卷积神经网络的迭代阈值收缩算法对心脏跨膜电位进行重建，具体实现方式如下：

5.1将ISTA中的更新步骤映射到一个由固定数量的block级联组成的图卷积神经网络模型，每一个block对应于ISTA中的一次迭代即通过使用一种通用的非线性变换函数对U进行稀疏化，其具体结构从输入到输出由图卷积层G1、ReLU激活函数R1、图卷积层G2、软阈值收缩算子、图卷积层G3、ReLU激活函数R2、图卷积层G4依次连接组成；图卷积层G1～G4的实现方式满足以下分层传播规则：

其中：A为自连接的无向图的邻接矩阵，I_N为单位矩阵，为度矩阵且其中对角线元素值为中第i行第j列元素值，上标l和l+1表示图卷积层序号，G表示图卷积层的输出，W为图卷积层中的权重矩阵，σ()表示ReLU激活函数；

5.2通过将L1范数正则化中的正则化矩阵替换为block对应的非线性变换函数，建立以下目标重建方程：

其中：|| ||₂表示2范数，|| ||₁表示1范数，λ为正则化系数，Γ()为block对应的非线性变换函数；

5.3通过ISTA来优化求解上述目标重建方程，ISTA中的每一次迭代均分为两个步骤：第一个步骤是梯度下降，第二个步骤则是求解近端算子；

梯度下降步骤的表达式如下：

求解近端算子步骤的表达式如下：

其中：为通过梯度下降求得关于U的中间变量，t表示步长，上标k和k-1表示迭代次数，k为大于0的自然数；

5.4利用已有的数据样本对基于ISTA的图卷积神经网络模型进行训练，最后利用训练好的网络模型用于心电逆问题的求解，从而完成心脏跨膜电位的重建。

2.根据权利要求1所述的心脏跨膜电位重建方法，其特征在于：所述步骤(1)中CT平扫的范围需包括整个胸腔，同时记录下心脏和胸腔的空间几何位置以及胸腔表面的多导联心电图电极位置。

3.根据权利要求1所述的心脏跨膜电位重建方法，其特征在于：所述步骤(3)中使病人穿戴上分布有64导联电极的体表电位检测设备进行测量，采集获得病人的64导联体表心电信号，进而通过小波变换对该信号进行拉平和去噪处理。