基于支持向量回归的心脏电功能成像反演问题研究

心脏电功能成像是通过无创地成像心脏表面的电生理信息，可提供比常规心电图分辨率更高的心电活动信息，能反映心电兴奋的细节,它对心脏疾病的预防和诊断具有重要的研究意义。基于心外膜电位分布的心脏电功能成像反演问题是一个多输入多输出回归估计问题。项目拟通过运用支持向量回归技术建立心脏电功能成像反演问题的有效回归模型，实现心脏电功能成像的实时反演。研究内容包括运用无网格伽辽金方法计算心电场问题,克服了网格划分的困扰；以心脏电功能成像反演问题为研究对象，对支持向量回归中的损失函数和核函数进行研究，建立有效的回归模型；利用遗传模拟退火算法实现支持向量回归中超参数的自适应选取，达到回归模型的最优化；设计基于计算机仿真的WPW综合症预激点定位试验，以验证心脏电功能成像所提供电生理信息的准确性。本项目旨在为心脏电功能成像反演问题的研究探索新方法，以提高其成像的速度和精度，推动其向临床化和实用化的方向演进。

心脏电功能成像是通过无创地成像心脏表面的电生理信息，可提供比常规心电图分辨率更高的心电活动信息，能反映心电兴奋的细节,它对心脏疾病的预防和诊断具有重要的研究意义。基于心外膜电位分布的心脏电功能成像反演问题是一个多输入多输出回归估计问题。项目通过运用支持向量回归技术建立心脏电功能成像反演问题的有效回归模型，实现心脏电功能成像的实时反演。研究内容包括：（1）运用自适应边界元计算心电场问题，提高心电正、逆问题解的精度；（2）利用遗传模拟退火算法实现支持向量回归中超参数的自适应选取，达到回归模型的最优化；（3）以心脏电功能成像反演问题为研究对象，对支持向量回归中的损失函数和核函数进行研究，建立了有效的回归模型；（4）将核主成分分析（Kernel Principal Component Analysis，KPCA）用于体表电位分布样本训练集的特征提取，并与支持向量回归（SVR）相结合，实现了核主成分分析-支持向量回归（KPCA-SVR）用于心脏电功能成像回归模型的建模方法，与单纯的使用SVR 方法相比，不仅提高了运算速度，而且提高了回归模型的预测准确度；（5）最大间隔聚类算法（Maximum Margin Clustering，MMC）用于样本数据的聚类分析，建立了基于聚类分析和支持向量回归算法相结合的混合回归模型(MMC-SVR)，研究结果表明，基于聚类分析和支持向量回归算法相结的混合回归模型能够有效地减少回归模型的训练时间，提高回归模型重构心脏表面心肌跨膜电位分布的精度；（6）设计了基于计算机仿真的WPW 综合症预激点定位试验，验证心脏电功能成像所提供电生理信息的准确性。本项目为心脏电功能成像反演问题的研究探索新方法，提高其成像的速度和精度，推动其向临床化和实用化的方向演进。