基于差分進化優(yōu)化算法和極限學(xué)習(xí)機的心電逆問題研究.pdf

1、心電逆問題的本質(zhì)就是依據(jù)體表電位對心肌跨膜電位進行無創(chuàng)重構(gòu)，而且重構(gòu)獲得的跨膜電位相對于體表電位來說電位信息更精確，更能準確生動的體現(xiàn)心臟的電位變化，可以提高心臟疾病檢測的準確性。心電逆問題研究是根據(jù)體表電位來逆推獲得心肌跨膜電位分布的研究，可以看作是同時具有多個輸入值和多個輸出值的回歸問題，也就是將多個體表的電位值回歸逆推獲得心臟跨膜電位的多個輸出值。
　　首先第一組實驗利用心臟表面源模型的方法來構(gòu)造心臟軀干模型，通過心電仿真模

2、型來獲取在體表和心肌跨膜的電位。其次第二組實驗利用ECGSim軟件來獲取心臟預(yù)激綜合癥體表和心臟電位信息。為了能夠使極限學(xué)習(xí)機可以具有更好的逼近能力和適應(yīng)能力，需要對其算法中的參數(shù)實行最優(yōu)化的選擇。本文中，主要利用差分進化算法(Differential evolution,DE)來對極限學(xué)習(xí)機中的參數(shù)進行有效的選取，使極限學(xué)習(xí)機的回歸模型實現(xiàn)最優(yōu)化，參數(shù)選擇完成后就可以構(gòu)建有效的回歸模型以及根據(jù)體表電位對心肌跨膜電位的分布進行比較準確的

3、預(yù)測。在心電逆問題研究中，我們對心肌跨膜電位重建算法（包括Support Vector Regression,SVR、ELM、ELM-kernel）的預(yù)測結(jié)果進行全面的比較分析，最后得出對模型構(gòu)建最準確的一種算法。
　　實驗結(jié)果表明，在對心肌跨膜電位分布進行預(yù)測和重建過程中，上述中的四種算法都對心電逆問題進行求解。但是，相對于SVR算法，ELM和ELM-kernel算法重構(gòu)的效率最高；相比于ELM算法，在心肌跨膜電位分布重建過程中