专利名称：基于gpu加速的极限学习机的心脏电功能快速成像方法
技术领域：
本发明涉及一种心脏电功能的成像方法，具体涉及一种基于GPU加速的极限学习机的心脏电功能快速成像方法。
背景技术：
心血管疾病是导致心脏突然停止跳动的主要原因。心血管病发病和死亡率居高不下，使心血管病防治负担加重，成为重要公共卫生问题，加强心血管病防治刻不容缓。据《中国心血管病报告2011》报道，我国人群心血管病的发病和死亡率呈持续上升阶段，估计全国心血管病2.3亿人，其中心肌梗死200万人，心力衰竭420万人，肺心病500万人，风心病250万人，先心病200万人。因此研究开发一种心脏电生理功能快速成像方法具有非常重要的意义。常规的12导联心电图(ECG)，是心脏电活动在体表低分辨率的投影，只能提供心脏电活动的整体反映。同时测量体表多个位置的记录，即体表电位分布图，能够提供比心电图更高分辨率的心电活动投影，但体表电位图也没有足够的分辨率来反映心脏内局部事件的过程。目前出现了几种心内电生理成像技术(如Ensite 3000系统和CARTO系统等)可用于提供心内膜的电生理信息，但这些方法都是有创的成像手段，且费用昂贵。无创的心脏电功能成像(Noninvasive Electrical Function Imaging of the Heart,EFIH)是一种新的成像模式，能够无创地成像心脏内部的电生理活动情况，这种基于心脏内部的电生理信息成像，其不同于CT或MRI的几何形态成像，能够快速的提供心脏电生理活动信息。具体而言，心脏电功能成像是根据心脏内部电活动信息和体表电位分布之间的映射关系，建立回归模型，由体表电位分布实现重构心脏内部电活动信息的一种成像模式。目前所研究的心脏电功能成像方法，大多采用正则化方法克服其不适定性问题，这就涉及到正则化参数的选择问题，而对于不同个体的躯干模型以及不同的体表电位噪声环境，需要采用不同的正则化方法及其参数，这就意味着对不同的个体在不同的噪声环境进行心脏电功能成像，需要尝试多种正则化方法及其参数选择方法，以找到最有效的一种方法，这样非常耗时，不能实现心脏电功能实时成像。最近提出了一种基于数据驱动的支持向量机回归方法实现心脏电功能成像的检测方法，但是由于支持向量回归方法在大规模数据应用中存在着训练速度缓慢，内存资源占用较多等缺陷，另外，支持向量回归方法的参数选择以及交叉验证等可以提高支持向量回归模型的泛化能力，但增加很大的计算工作量。在一些情况下，训练建立一个支持向量回归模型可能需要几天的时间。
发明内容
本发明的目的是针对现有技术的不足，提供一种基于GPU加速的极限学习机的心脏电功能快速成像方法。本发明解决其技术问题所采用的技术方案是:该基于GPU加速的极限学习机的心脏电功能快速成像方法主要包括以下各步骤:(1)由体表电位标测系统获取体表电位分布，同时由Ensite3000获取心脏内部电活动信息，生成极限学习机的样本数据；
(2)利用自组织特征影射聚类算法对样本数据预处理，将大规模的样本数据划分为小规模的各子聚类样本；
(3)利用自核主成分分析方法对子类样本数据进行预处理，实现对各子类样本数据进行特征提取，降低各子类样本空间的维数；
(4)设置极限学习机算法的隐层节点个数和激励函数；
(5)采用GPU并行计算对各子类样本同步进行极限学习机回归模型训练，提高训练速度，高效地构建各子类的回归模型；
(6)由体表电位标测系统获取的体表电位分布，由自组织特征影射的聚类分析方法判断所获取的体表电位分布属于哪个子聚类的测试样本，根据相应的子类回归模型，重构心内膜电位分布，实现心脏电功能信息的快速成像。本发明在生成极限学习机的样本数据时，由体表电位标测系统和Ensite3000分别获取体表电位分布和心内膜电位分布，以Ims采样周期，采样时间为心脏跳动的一个周期0.8s,同时获取心内膜电位分布和体表电位分布800个时刻的数据,构成极限学习机的样本数据。本发明在对样本数据进行聚类分析处理时，对体表电位标测系统获取的体表电位分布实现归一化处理，采用自组织特征影射对训练样本集进行聚类分析，将训练样本空间分为若干个子空间，每一个子空间的样本具有相似特性，而不同子类之间具有尽可能大的
差异性。 本发明在设置极限学习机算法的隐层节点个数和激励函数时，将隐层节点个数设置为400,以径向基函数作为激励函数。本发明的有益效果是:本发明提出的基于GPU加速的极限学习机的心脏电功能成像检测方法，为心脏电功能快速成像研究探索新方法。心脏电功能成像问题可以看作是一个多输入多输出回归估计问题，亦即对体表电位分布的多个输入回归形成心内膜电位分布的多个输出的问题。极限学习机在训练前只需要设置网络隐层节点个数，算法执行过程中不需要调整网络的输入权值以及隐层单元的偏置，并且产生唯一的最优解，参数选择容易、学习速度快且泛化性能好。利用自组织特征影射对训练样本集进行聚类分析，将训练样本空间分为若干个子空间，每一个子空间的样本具有相似特性。基于GPU的并行计算架构技术，设计GPU的并行算法程序，同步训练各子类的极限学习机回归模型，极大减少极限学习机回归模型的训练时间。依据建立的回归模型，能够由体表电位快速重构心内膜电位分布，实现心脏电功能信息的快速成像。
图1是本发明基于GPU加速的极限学习机的心脏电功能快速成像方法的实现流程图。
具体实施例方式如图1所示，本发明提出的一种基于GPU加速的极限学习机的心脏电功能快速成像方法的具体实施步骤如下:
1、如图1所示，由体表电位标测系统获取体表电位分布，该系统为80导联的背心电极构成(前胸导联为58个电极，两侧为12个导联，背部为10个导联)，背心大小具有超大、大、中、小四个不等型号，能够快速便捷的获取体表电位分布；由Ensite 3000三维标测系统获取的心内膜电位分布。以Ims的米样周期同时获取心内膜电位分布与体表电位分布作为极限学习机的样本数据，在一个心动周期内(以心动周期0.85为例)采取800组样本数据，选取其中600组数据为训练样本数据，进行回归模型的训练，其余200组样本数据作为测试数据。2、对体表电位标测系统获取的体表电位分布实现归一化处理,利用自组织特征映射网络，通过无监督学习策略对训练样本集进行聚类分析，将训练样本空间分为6个子空间，每一个子空间的样本具有相似特性，而不同子类之间具有尽可能大的差异性。输入层神经元数为/ ，输出层是Xffi个神经元组成的二维平面阵列，输入层与竞争层各神经元之间实现全互连接。其实现步骤如下:
步骤1:设定一个较小的随机数，初始化输入节点到输出节点的连接权值，并且使时间参数 t=0, A=O ；
步骤2:对网络输入样本，即体表电位分布的样本数据if.1 = (ZiUfr..4)； 步骤3:计算输入样本与全部输出节点所连接权向量K.,的欧式距离:
权利要求
1.一种基于GPU加速的极限学习机的心脏电功能快速成像方法，其特征在于，该方法包括以下各步骤: (1)由体表电位标测系统获取体表电位分布，同时由Ensite3000获取心内膜电位分布，生成极限学习机的样本数据； (2)利用自组织特征影射聚类算法对样本数据预处理，将大规模的样本数据划分为小规模的各子聚类样本； (3)利用核主成分分析方法对各子类样本数据进行预处理，实现对各子类样本数据进行特征提取，降低各子类样本空间的维数； (4)设置极限学习机算法的隐层节点个数和激励函数； (5)采用GPU并行计算对各子类样本同步进行极限学习机回归模型训练，提高训练速度，高效地构建各子类的回归模型； (6)由体表电位标测系统获取的体表电位分布，由自组织特征影射的聚类分析方法判断所获取的体表电位分布属于哪个子聚类的测试样本，根据相应的子类回归模型，重构心内膜电位分布，实现心脏电功能成像的快速检测。
2.根据权利要求1所述的极限学习机样本数据的生成方法,其特征在于:由体表电位标测系统和Ensite3000分别获取体表电位分布和心内膜电位分布，以Ims米样周期，米样时间为心脏跳动的一个周期0.8s,同时获取心内膜电位分布和体表电位分布800个时刻的数据，构成极限学习机的样本数据。
3.根据权利要求1所述的自组织特征影射聚类算法对样本数据预处理，其特征在于:对体表电位标测系统获取的体表电位分布实现归一化处理，采用自组织特征影射对训练样本集进行聚类分析，将训练样本空间分为若干个子空间，每一个子空间的样本具有相似特性，而不同子类之间具有尽可能大的差异性。
4.根据权利要求1所述的设置极限学习机算法的隐层节点个数和激励函数，其特征在于:隐层节点个数设置为400,以Sigmoidal函数作为激励函数。
全文摘要
本发明公开了一种基于GPU加速的极限学习机的心脏电功能快速成像方法，首先由Ensite3000和体表电位标测系统同时获取心内膜电位分布和体表电位分布的数据，利用组织特征影射对预处理后的样本集进行聚类分析，利用自核主成分分析方法对子类样本数据进行预处理，采用GPU并行计算对各子类样本同步进行极限学习机回归模型训练，构建各子类的回归模型；根据体表电位标测系统获取的体表电位分布，判断所获取的体表电位分布属于哪个子聚类的测试样本，最后根据相应的子类回归模型，重构心内膜电位分布，实现心脏电功能信息的快速成像。本发明的优点是实时、无创的获取心内膜电位分布，实现心脏电功能快速成像。
文档编号A61B5/0402GK103211590SQ201310144850
公开日2013年7月24日 申请日期2013年4月24日 优先权日2013年4月24日
发明者蒋明峰, 汪亚明, 黄文清, 冯杰, 曹丽 申请人:浙江理工大学