论文部分内容阅读
心电逆问题的研究是根据体表电位分布无创地重建心脏电活动,如心内膜电位分布、心外膜电位分布和心肌横跨膜电位分布。重建得到的心肌内或心脏表面的电位可提供比体表电位分布更详尽的电生理信息,因此在心脏疾病的诊断研究中具有重大的临床应用价值。本文所研究的基于横跨膜电位分布的心电逆问题,可以看作是多输入多输出的回归估计问题,即对体表电位的多个输入回归形成横跨膜电位分布的多个输出的问题,且此回归问题可以运用支持向量回归(Support Vector Regression, SVR)方法来解决。在对原始输入数据进行预处理过程中,特征提取是的一项重要的任务。本文提出了应用主成分分析(Principal Component Analysis, PCA)和核主成分分析(Kernel PrincipalComponent Analysis, KPCA)来对体表电位分布数据进行特征提取。实验结果显示在重建横跨膜电位分布时,两种特征提取的方法(PCA-SVR和KPCA-SVR)比单一SVR方法的表现更为出色。相比于PCA-SVR方法,KPCA-SVR在预测电位时有着更高的逼近能力和泛化能力。为了使支持向量回归模型拥有良好的泛化能力和拟合精度,模型中的超参数必须进行有效地选取。本文探讨了三种智能优化算法-遗传算法(Genetic algorithm, GA),差分进化算法(Differential evolution, DE)以及粒子群优化算法(Particle Swarm Optimization, PSO),来自适应地选取支持向量回归中的超参数,以达到回归模型最优化的目的,接着利用建立好的回归模型和体表电位分布情况来预测横跨膜电位分布。心电逆问题研究中,我们对三种智能优化算法的预测结果进行全面的比较分析,得出横跨膜电位分布的重建过程中最为有效的一种方法。实验结果表明,这三种智能优化算法都具有良好的泛化能力,都能解决心电逆问题。此外,相对于DE和GA两种算法,PSO算法在优化SVR回归模型时的效率最高,且重建横跨膜的电位分布拥有最高的精确度。