介入装置的定位设备、方法及计算机设备、可读存储介质与流程

1.本发明属于医疗器械技术领域，特别涉及一种介入装置的定位设备、方法、介入手术系统以及计算机设备、可读存储介质。


背景技术：

2.很多医疗应用场景下需要确定各种医疗装置，如导管和植入物等，在体内的准确位置。目前的医疗设备中已发展有多种定位系统。一般是在体外施加各种能量场，如磁场、电场或超声场，同时在体内待定位装置上装配可以感知对应能量场的传感器，如磁场传感器、电场传感器和超声换能器等，而后将传感器感应到的能量场信息转换为位置信息。其中基于磁场的定位系统较为成熟，且精度较高；但存在着磁场传感器成本较高而不适合大批量使用的缺点。因此一般会将磁场定位同其他定位技术结合起来使用，在控制成本的同时又能保证足够的定位精度。
3.现有技术中存在以下三种定位方法：
4.1、在体表放置数个贴片电极，使用体内导管上的电极发出电流激励，测量导管电极同各体表贴片间的阻抗值，同时导管上装配的磁场传感器会提供准确的位置信息；计算出多个位置的阻抗值同对应位置间的转换关系后，即可仅通过普通电极处的阻抗值来实现对其的定位和跟踪。
5.2、分别基于电场和磁场定义了第一和第二坐标系统，导管上的磁场传感器靠近电极，使用映射函数将第一坐标系统中的磁场传感器位置同第二坐标系统中的磁场传感器位置关联起来后，依据第一坐标系统中磁场传感器的映射位置，相应调整和校准电极的位置。
6.3、向人体感兴趣区域施加三个相互正交的信号，测量体内导管上的电极同参考电极间的电压，使用3个正交方向(即xyz三个方向)的三种电压，即可计算导管电极的位置坐标。
7.然而，在上述方法中，都是基于电场的定位，精度不高，电场在体内会发生非线性畸变，这种畸变会导致难以使用现有的线性模型对体内的电场进行准确建模，进而导致定位结果不准确。


技术实现要素：

8.本发明的目的在于提供一种介入装置的定位设备、方法、介入手术系统以及计算机设备、可读存储介质，以定位和跟踪目标对象内的介入装置，提高定位的准确度。具体的技术方案如下：
9.为了实现上述目的，本发明提供了一种介入装置的定位设备，所述介入装置包括学习器具和应用器具，所述学习器具和所述应用器具适于置入目标对象的目标区域内；
10.所述定位设备包括：磁场发生单元、激励控制单元、数据采集单元和处理器单元；
11.所述磁场发生单元，用于产生穿过所述目标区域的磁场；
12.所述激励控制单元，用于通过对所述目标对象表面上设置的至少三个电极贴片施
加激励，从而实现在所述目标对象内施加n轴电场，n≥3；
13.所述数据采集单元，用于在训练阶段，同步采集所述学习器具上的第一位点的磁场强度信息、在所有激励状态下所述学习器具上的第二位点相对于一参考位置的电压信息；以及，在定位阶段，同步采集在所有激励状态下应用器具上的第三位点相对于所述参考位置的电压信息；
14.所述处理器单元，用于在训练阶段，在每个采样时刻下，根据所述第一位点的空间位置和方向信息以及所述第一位点与所述第二位点的空间距离计算所述第二位点的空间位置信息，将不同激励状态下所述第二位点相对于所述参考位置的电压信息与所述第二位点的空间位置信息组成第一类v-p数据对，用以对一神经网络模型进行训练，得到用于描述电压-位置之间映射关系的初始vp模型，其中，所述第一位点的空间位置和方向信息根据所述第一位点的磁场强度信息计算得到；以及，在定位阶段，在每个采样时刻下，根据不同激励状态下所述第三位点相对于所述参考位置的电压信息，利用所述初始vp模型计算得到所述第三位点的空间位置。
15.可选的，在所述定位设备中，所述神经网络模型包含依次连接的一输入层、若干隐层和一输出层，所述输入层的神经元个数等于所述不同激励状态的数量，所述输出层的神经元个数等于3。
16.可选的，在所述定位设备中，所述处理器单元，具体用于按照以下方式训练得到所述初始vp模型：
17.将所述第一类v-p数据对中的电压信息作为所述神经网络模型的输入，计算所述输出层预测的空间位置信息；
18.根据所述第一类v-p数据对中的空间位置信息与所述输出层预测的空间位置信息，计算所述神经网络模型的目标函数值；
19.根据所述目标函数值对所述神经网络模型的模型参数进行优化，直至满足预设的训练结束条件，得到所述初始vp模型。
20.可选的，在所述定位设备中，所述应用器具上还包括第四位点和第五位点；
21.所述数据采集单元，还用于在定位阶段，同步采集所述第四位点的磁场强度信息、在所有激励状态下所述第五位点相对于所述参考位置的电压信息；
22.所述处理器单元，还用于在定位阶段，在每个采样时刻下，根据所述第四位点的空间位置和方向信息以及所述第四位点与所述第五位点的空间距离计算所述第五位点的空间位置信息，将不同激励状态下所述第五位点相对于所述参考位置的电压信息与所述第五位点的空间位置信息组成第二类v-p数据对，用以训练得到新的vp模型；其中，所述第四位点的空间位置和方向信息是根据所述第四位点的磁场强度信息计算得到的。
23.可选的，在所述定位设备中，所述应用器具与所述学习器具为同一器具，所述第四位点与所述第一位点为同一位点，所述第五位点与所述第二位点为同一位点。
24.可选的，在所述定位设备中，所述处理器单元，具体用于根据所述第二类v-p数据对更新所述初始vp模型，得到新的vp模型。
25.可选的，在所述定位设备中，所述处理器单元，具体用于根据所述第二类v-p数据对对一神经网络模型进行训练，得到新的vp模型。
26.可选的，在所述定位设备中，所述处理器单元，具体用于周期性地根据最近预设时
长内的所述第二类v-p数据对对一神经网络模型进行训练，得到新的vp模型。
27.可选的，在所述定位设备中，所述处理器单元，还用于将不同激励状态下所述第三位点相对于所述参考位置的电压信息与所述第三位点的空间位置信息组成第三类v-p数据对，从所述第三类v-p数据对中筛选出有效数据对，并根据所述有效数据对更新所述初始vp模型，得到新的vp模型。
28.可选的，在所述定位设备中，所述神经网络模型选自误差反向传播神经网络、径向基函数神经网络、支持向量机神经网络中的一种。
29.可选的，在所述定位设备中，所述激励控制单元针对所述至少三个电极贴片施加激励并在所有激励状态间进行不断循环的高速切换，所述数据采集单元采集在所有激励状态下所述第二位点和所述第三位点相对于所述参考位置的电压信息；或，
30.所述激励控制单元针对所述至少三个电极贴片同时施加激励，但所施加激励的频率互不相同，所述数据采集单元采集所述第二位点和所述第三位点相对于所述参考位置的电压信息并进行滤波处理，以获取所有激励状态下所述第二位点和所述第三位点相对于所述参考位置的电压信息；
31.所述激励控制单元针对所述至少三个电极贴片同时施加激励，但所施加激励的频率互不相同，所述数据采集单元采集所述第二位点或所述第三位点相对于所述参考位置的电压信息，所述处理器单元对所述数据采集单元采集的所述第二位点和所述第三位点相对于所述参考位置的电压信息进行滤波处理以获取所有激励状态下所述第二位点和所述第三位点相对于所述参考位置的电压信息。
32.可选的，在所述定位设备中，所述激励为恒流激励或恒压激励。
33.可选的，在所述定位设备中，还包括通信控制单元，用于连接所述处理器单元和所述磁场发生单元、所述激励控制单元、所述数据采集单元，以控制所述处理器单元与所述磁场发生单元、所述激励控制单元、所述数据采集单元之间的通信和数据传输。
34.可选的，在所述定位设备中，还包括显示单元，与所述处理器单元通讯连接，用于显示所述应用器具在所述目标对象中的位置、方向、形状和/或运动轨迹，其中，所述应用器具在所述目标对象中的位置、形状、方向和/或所述运动轨迹是所述处理器单元根据对所述第三位点的定位结果确定的。
35.可选的，在所述定位设备中，所述第一位点设置磁场传感器，所述数据采集单元通过所述磁场传感器采集所述第一位点的磁场强度信息；
36.所述第二位点和所述第三位点设置电压传感器，所述数据采集单元通过所述电压传感器采集所述第二位点和所述第三位点相对于所述参考位置的电压信息；
37.所述介入装置、所述学习器具和应用器具皆为介入导管。
38.可选的，在所述定位设备中，所述不同激励状态包括从所述所有激励状态中筛选出的m个有效激励状态，3≤m≤n；或
39.所述不同激励状态包括所述所有激励状态。
40.基于同一发明构思，本发明还提供一种介入手术系统，包括如上文所述的介入装置的定位设备和所述介入装置。
41.基于同一发明构思，本发明还提供一种介入装置的定位方法，所述介入装置包括学习器具和应用器具，所述学习器具和所述应用器具适于置入目标对象的目标区域内；
42.所述方法包括：
43.在训练阶段，接收在每个采样时刻下同步采集的所述学习器具上的第一位点的磁场强度信息、在所有激励状态下所述学习器具上的第二位点相对于一参考位置的电压信息，根据所述第一位点的空间位置和方向信息以及所述第一位点与所述第二位点的空间距离计算所述第二位点的空间位置信息，将不同激励状态下所述第二位点相对于所述参考位置的电压信息与所述第二位点的空间位置信息组成第一类v-p数据对，用以对一神经网络模型进行训练，得到用于描述电压-位置之间映射关系的初始vp模型，其中，所述第一位点的空间位置和方向信息是根据所述第一位点的磁场强度信息计算得到的；
44.以及，在定位阶段，接收在每个采样时刻下同步采集的在所有激励状态下所述应用器具上的第三位点相对于所述参考位置的电压信息，根据不同激励状态下所述第三位点相对于所述参考位置的电压信息，利用所述初始vp模型计算得到所述第三位点的空间位置。
45.可选的，在所述定位方法中，所述神经网络模型包含依次连接的一输入层、若干隐层和一输出层，所述输入层的神经元个数等于所述不同激励状态的数量，所述输出层的神经元个数等于3。
46.可选的，在所述定位方法中，按照以下方式训练所述初始vp模型：
47.将所述第一类v-p数据对中的电压信息作为所述神经网络模型的输入，计算所述输出层预测的空间位置信息；
48.根据所述第一类v-p数据对中的空间位置信息与所述输出层预测的空间位置信息，计算所述神经网络模型的目标函数值；
49.根据所述目标函数值对所述神经网络模型的模型参数进行优化，直至满足预设的训练结束条件，得到所述初始vp模型。
50.可选的，在所述定位方法中，所述应用器具上还包括第四位点和第五位点；
51.所述方法还包括：
52.在定位阶段，接收在每个采样时刻下同步采集的所述第四位点的磁场强度信息、在所有激励状态下所述第五位点相对于所述参考位置的电压信息，根据所述第四位点的空间位置和方向信息以及所述第四位点与所述第五位点的空间距离计算所述第五位点的空间位置信息，将不同激励状态下所述第五位点相对于所述参考位置的电压信息与所述第五位点的空间位置信息组成第二类v-p数据对，用以训练得到新的vp模型；其中，所述第四位点的空间位置和方向信息根据所述第四位点的磁场强度信息计算得到。
53.可选的，在所述定位方法中，所述应用器具与所述学习器具为同一器具，所述第四位点与所述第一位点为同一位点，所述第五位点与所述第二位点为同一位点。
54.可选的，在所述定位方法中，按照以下方式训练得到新的vp模型：
55.根据所述第二类v-p数据对更新所述初始vp模型，得到新的vp模型。
56.可选的，在所述定位方法中，按照以下方式训练得到新的vp模型：
57.根据所述第二类v-p数据对对一神经网络模型进行训练，得到新的vp模型。
58.可选的，在所述定位方法中，所述根据所述第二类v-p数据对对一神经网络模型进行训练，得到新的vp模型，包括：
59.周期性地根据最近预设时长内的所述第二类v-p数据对对一神经网络模型进行训
练，得到新的vp模型。
60.可选的，在所述定位方法中，所述方法还包括：
61.将不同激励状态下所述第三位点相对于所述参考位置的电压信息与所述第三位点的空间位置组成第三类v-p数据对，从所述第三类v-p数据对中筛选出有效数据对，并根据所述有效数据对更新所述初始vp模型，得到新的vp模型。
62.可选的，在所述定位方法中，所述神经网络模型选自误差反向传播神经网络、径向基函数神经网络、支持向量机神经网络中的一种。
63.可选的，在所述定位方法中，还包括：
64.根据对所述第三位点的定位结果确定所述应用器具在所述目标对象中的位置、形状、方向和/或所述运动轨迹，并驱动一显示单元显示所述应用器具在所述目标对象中的位置、方向、形状和/或运动轨迹。
65.可选的，在所述定位方法中，所述第一位点设置磁场传感器，数据采集单元通过所述磁场传感器采集所述第一位点的磁场强度信息；
66.所述第二位点和所述第三位点设置电压传感器，数据采集单元通过所述电压传感器采集所述第二位点和所述第三位点相对于所述参考位置的电压信息；
67.所述介入装置、所述学习器具和应用器具皆为介入导管。
68.可选的，在所述定位方法中，所述不同激励状态包括从所述所有激励状态中筛选出的m个有效激励状态，3≤m≤n；或
69.所述不同激励状态包括所述所有激励状态。
70.基于同一发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上文所述的介入装置的定位方法的步骤。
71.基于同一发明构思，本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时如上文所述的介入装置的定位方法的步骤。
72.与现有技术相比，本发明提供的介入装置的定位设备、方法、介入手术系统以及计算机设备、可读存储介质具有如下有益效果：
73.本发明通过对介入装置的学习器具上的第一位点和第二位点获得训练用的v-p数据对，训练出用于描述电压值与位置坐标值之间映射关系的初始vp模型，然后通过所述初始vp模型对应用器具上的第三位点进行定位，从而实现对所述应用器具的定位与跟踪。与现有技术相比，本发明采用神经网络技术的非线性拟合特性构建了电场和空间位置间的非线性转换模型，可以解决基于电场定位时电场的非线性畸变效应导致的定位精度低的问题，提高定位精度。
附图说明
74.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
75.图1是本发明一实施例提供的一种介入装置的定位设备的工作模块示意图；
76.图2是图1所示的定位设备的使用流程图；
77.图3是定位算法实现的流程图；
78.图4a是一种环状导管的结构示意图；
79.图4b是图4a所示导管中各传感器(位点)的设置图；
80.图4c是某一时刻对图4a所示导管的定位结果示意图；
81.图5是bp神经网络的结构图。
具体实施方式
82.以下结合附图和具体实施方式对本发明提出的介入装置的定位设备、方法、介入手术系统以及计算机设备、可读存储介质作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
83.本发明的核心思想在于提供一种介入装置的定位设备、方法、介入手术系统及计算机设备、可读存储介质，基于神经网络方法的非线性拟合特性，构建电场和空间位置间的非线性转换模型，以定位和跟踪目标对象内的介入装置，解决介入装置在体内的定位问题。所述介入装置包括学习器具和应用器具，所述学习器具和所述应用器具适于置入目标对象的目标区域内。
84.本发明提供的定位设备包括：磁场发生单元、激励控制单元、数据采集单元和处理器单元。
85.具体的，所述磁场发生单元，用于产生穿过所述目标区域的磁场，所述目标对象表面设置有至少三个电极贴片；
86.所述激励控制单元，用于通过对所述至少三个电极贴片施加激励，从而实现在所述目标对象内施加n轴电场，n≥3；
87.所述数据采集单元，用于在训练阶段，同步采集学习器具上的第一位点的磁场强度信息、在所有激励状态下所述学习器具上的第二位点相对于一参考位置的电压信息；以及，在定位阶段，同步采集在所有激励状态下应用器具上的第三位点相对于所述参考位置的电压信息；
88.所述处理器单元，用于在训练阶段，在每个采样时刻下，根据所述第一位点的空间位置和方向信息以及所述第一位点与所述第二位点的空间距离计算所述第二位点的空间位置信息，将不同激励状态下所述第二位点相对于所述参考位置的电压信息与所述第二位点的空间位置信息组成第一类v-p数据对，用以对一神经网络模型进行训练，得到用于描述电压-位置之间映射关系的初始vp模型，其中，所述第一位点的空间位置和方向信息是根据所述第一位点的磁场强度信息计算得到的；以及，在定位阶段，在每个采样时刻下，根据不同激励状态下所述第三位点相对于所述参考位置的电压信息，利用所述初始vp模型计算得
到所述第三位点的空间位置。
89.本发明的定位设备在使用时分为训练阶段和定位阶段，在训练阶段采用一学习器具来获取神经网络模型的训练数据，训练得到用于描述电压-位置之间映射关系的初始vp模型，学习器具上设有至少两个位点，包括第一位点和第二位点，且第一位点和第二位点的空间距离已知，第一位点通过磁场定位，第二位点的位置可根据电压信息以及所述第一位点的位置获得。然后在定位阶段基于所述初始vp模型获得应用器具上的第三位点的位置，从而实现对应用器具的定位，进一步还可以确定所述应用器具在所述目标对象的目标区域内的位置、方向以及形状信息。具体的，所述第一位点设置磁场传感器，所述第二位点和所述第三位点设置电压传感器，如此，所述数据采集单元可以通过所述磁场传感器采集所述第一位点的磁场强度信息，通过所述电压传感器采集所述第二位点和所述第三位点相对于参考位置的电压信息。
90.本发明中，所述神经网络模型包含依次连接的一输入层、若干隐层和一输出层，所述输入层的神经元个数等于所述不同激励状态的数量，所述输出层的神经元个数等于3。
91.所述处理器单元可以按照以下方式训练得到所述初始vp模型：
92.将所述第一类v-p数据对中的电压信息作为所述神经网络模型的输入，计算所述输出层预测的空间位置信息；
93.根据所述第一类v-p数据对中的空间位置信息与所述输出层预测的空间位置信息，计算所述神经网络模型的目标函数值；
94.根据所述目标函数值对所述神经网络模型的模型参数进行优化，直至满足预设的训练结束条件，得到所述初始vp模型。
95.本发明提供的介入装置的定位设备，通过学习器具上的第一位点和第二位点获得训练用的v-p数据对，训练出用于描述电压值与位置坐标值之间映射关系的初始vp模型，然后通过所述初始vp模型对应用器具上的第三位点进行定位，从而实现对所述应用器具的定位。与现有技术相比，本发明使用神经网络技术的非线性拟合特性构建电场和空间位置间的非线性转换模型，可以解决基于电场定位时电场的非线性畸变效应导致的定位精度低的问题，提高定位精度。
96.以下结合图1-5对本发明提供的介入装置的定位设备进行详细介绍。
97.请参考图1，图1示意性的示出了本发明一实施例提供的一种介入装置的定位设备的工作模块示意图。
98.其中，目标对象100是上述定位设备的应用对象，可以是人、动物或其它合适的导体对象。目标区域101代表目标对象100内部介入装置105的末端所处的区域，例如为心腔。
99.介入装置105可以是各种医疗导管，例如电生理导管、消融或标测用的多肢导管或环状导管，也可以是其他体内植入装置。当介入装置105是电生理导管时，一般用于诊断或治疗，例如心电标测或递送消融能量等。图1所示的介入装置105为电生理导管，一般会通过血管通路到达目标区域101，如心腔中。介入装置105的末端可以是固定的，也可以是可调弯的；介入装置105遗留在体外的部分一般会有操作手柄106，医生可以通过操作手柄106来控制介入装置105末端的形状或方位。
100.介入装置105上装配有两种类型的传感器，包括磁场传感器103和电压传感器104(即普通电极，以下简称“电极104”)，即在介入装置上第一位点处装配磁场传感器103，在第
二位点和第三位点处装配电极104。磁场传感器103和电压传感器104感应到的信号通过介入装置105内部的导线传送到数据采集单元30。磁场传感器103和电极104都可以有一至多个。
101.依据介入装置105在定位过程中的功能，介入装置105可以包括学习器具和应用器具，学习器具上必须同时装配有磁场传感器103和电极104，应用器具上只需装配有电极104(以节省成本)。当然这仅仅是功能上的区分，实际应用中所述应用器具与所述学习器具可以为同一器具，以介入装置105为医疗导管为例，介入装置可以包括两根导管，分别为学习导管(即学习器具)和应用导管(即应用器具)，介入装置也可以只包含一根导管，这一根医疗导管可能既作为学习导管、又作为应用导管使用。当然，在其它实施例中，所述介入装置也可以包括至少三根导管，其中的一个或多个导管作为学习导管，其余的为应用导管，都是合理的，本发明对此不作限定。
102.以下以介入装置105为医疗导管为例进行介绍。在下面描述中，为方便计，假设医疗导管上有一个磁场传感器103，一个距离该磁场传感器103间距固定且已知的电极104(以下记为104s)，以及其他数个待定位的电极104(以下记为104t)，此时该医疗导管既作为学习导管、又作为应用导管使用。所述间距，即为三维空间欧几里得距离(euclidean distance)。这样电极104s的位置信息就可以依据该磁场传感器103的空间位置和方向信息计算得到，而电极104t的位置信息就需要通过本发明所描述的神经网络模型来获取。需要说明的是，本发明所述的医疗导管上的第一位点即为所述磁场传感器103所在的位置，第二位点即为所述电极104s所在的位置，第三位点即为所述电极104t所在的位置，因此计算所述第二位点和所述第三位点的空间位置即为计算所述电极104s和所述电极104t的空间位置。
103.磁场传感器103一般包括数个线圈，可用于感应其所在位置处的磁场强度，所述磁场由磁场发生单元10所激发。处理器单元40可以基于磁场传感器103感应到的磁场强度信息计算出磁场传感器103的空间位置信息和方向信息，具体的计算方法属于磁定位技术的范畴，可参考现有技术，在此不做赘述。所述空间位置信息一般是指三维笛卡尔坐标系统中x、y和z三个坐标值。所述方向信息是指磁场传感器103的方向矢量，更一般的，是其单位方向矢量。
104.电极104(即电压传感器)为生物相容性较好的金属，如铂铱合金和黄金等。电极104用于测量其所在位置相对于某个参考位置处的电压。所述参考位置(图1中未画出来)，一般是某个相对稳定的位置，可以选择体表某位置，也可以选择体内某位置(如冠状窦)。优选的，参考位置(如冠状窦)处会放置一参考电极。另外，除了用于测量电压，电极104还可能用于测量电生理信号或释放消融能量。
105.磁场发生单元10用于产生电磁场，一般会被固定在目标对象100附近。这样其产生的电磁场107就可以穿过目标区域101。电磁场可以被磁场传感器103所感知，以定位磁场传感器103在体内的空间位置和方向。
106.贴靠于目标对象表面的电极一般为片状(为了区分于上述的医疗导管上的电极104，以下简称“电极贴片102”)，个数一般不低于3个。激励控制单元20可以通过任意两个电极贴片102向人体施加特定的电场，也即施加激励，优选施加恒流或恒压信号；优选的，施加的电流流经所述目标区域101。激励控制单元20会选择电极贴片102中的多对电极贴片施加
激励，数据采集单元30会采集同一采样时刻的所有激励状态下，医疗导管上的每个电极104相对于参考位置的电压值，用于后续的定位计算。所述同一采样时刻，是指采集磁场传感器103的磁场强度数据以及电压信息的时刻，即数据采集单元30需要在同一采样时刻采集磁场强度数据以及电压信息。所述的激励状态，是指激励控制单元20通过其中某两个电极贴片102(一对电极贴片)向人体施加电流下的状态，也可称为激励轴，当激励轴的个数为n时，可以认为激励控制单元20通过对n对电极贴片施加了激励，从而实现在所述目标对象内施加n轴电场。电极贴片102在体表的贴靠位置在整个手术过程中一般是固定的。
107.为了能在同一采样时刻获取所有激励状态下所述第二位点和所述第三位点(即每个电极104)相对于参考位置的电压信息，可采用以下方法：所述激励控制单元20针对所述至少三个电极贴片102施加激励并在所有激励状态间进行不断循环的高速切换，所述数据采集单元30采集在所有激励状态下所述第二位点或所述第三位点(即每个电极104)相对于参考位置的电压信息；或，
108.所述激励控制单元20针对所述至少三个电极贴片102同时施加激励，但所施加激励的频率互不相同，所述数据采集单元30采集所述第二位点和所述第三位点(即每个电极104)相对于参考位置的电压信息并进行滤波处理以获取所有激励状态下所述第二位点和所述第三位点(即每个电极104)相对于参考位置的电压信息；或，
109.所述激励控制单元20针对所述至少三个电极贴片102同时施加激励，但所施加激励的频率互不相同，所述数据采集单元30采集所述第二位点和所述第三位点(即每个电极104)相对于参考位置的电压信息，所述处理器单元40对所述数据采集单元30采集的所述第二位点和所述第三位点(即每个电极104)相对于参考位置的电压信息进行滤波处理，以获取所有激励状态下所述第二位点和所述第三位点(即每个电极104)相对于参考位置的电压信息。
110.在图1展示的实施例中，有6个电极贴片102，分别位于后颈(h)、腹股沟(f)、胸部(c)、背部(b)、左腋下(l)和右腋下(r)，其中后颈(h)和背部(b)处的电极贴片102以虚线框示出。激励控制单元20可以选取每两个电极贴片102分别施加激励，如此共有15种激励状态，亦可称之为15个激励轴：rl、hf、cb、cr、cl、ch、cf、rb、lb、hb、fb、rf、lf、hr和hl。需要说明的是，本发明并不限定所述激励控制单元20必须对每两个电极贴片102均施加激励，只要对n对电极贴片102施加激励，能够使得在所述目标对象的目标区域内产生n(n≥3)轴电场即可。在实际应用时，可能存在某一个或多个激励轴所施加的激励流经所述目标区域内的电流较小，导致在所述目标区域内的所述电极104测量不到这一种或多种激励状态下的电压值或者测量到的一种或多种激励状态下的电压值明显偏低，针对这种情况，所述激励控制单元20可以抛弃这一种或多种激励状态(无效激励状态)，在后续计算过程中不再使用。本发明的保护范围应该涵盖这种情况，当一种或多种激励状态被抛弃时，参与计算的不同激励状态包括从所述所有激励状态中筛选出的m个有效激励状态，m≥3，n及m皆为自然数，当经过筛选，所有激励状态皆为有效时，n也可以与m相等。当然，如果不对激励状态进行筛选，那么参与计算的不同激励状态也可以包括所述所有激励状态。
111.为了能在同一采样时刻获取所有激励状态下每个电极104相对于参考位置的电压信息，可采用分时或分频这两种实现方法。分时方法：即在15种激励间进行不断循环的高速切换，采集在所有激励状态下每个电极104相对于参考位置的电压值。当切换频率足够高
时，可以认为在同一时刻采集到了在所有激励状态下每个电极104相对于参考位置的电压值。切换频率可以为200khz或300khz。分频方法：即对15种激励轴分别施加不同频率的信号，然后由数据采集单元30或处理器单元40对电极104处采集到的信号进行滤波处理以获取所有激励状态下的电压值。例如，可以分别施加10khz、10.5khz、11khz、11.5khz
…
等的恒流/恒压信号。优选使用分频的方法。
112.数据采集单元30用于对所述定位设备中的所有传感器，包括磁场传感器103和电压传感器(即电极104)，传输过来的数据进行处理。一般会执行放大、滤波和模数转换等处理。仅就本发明中需要实现的定位功能来讲，数据采集单元30在每个采样时刻需要采集的数据有：
113.1、各磁场传感器103处的磁场强度数据；
114.2、各电极104(包括电极104s和电极104t)在所有激励状态下相对于参考位置的电压数据。
115.所述定位设备中还包括一通信控制单元50，用于连接处理器单元40和激励控制单元20、数据采集单元30、磁场发生单元10，以控制处理器单元40与磁场发生单元10、激励控制单元20、数据采集单元30之间的通信和数据传输。通信控制单元50是信号和数据传输的“中转站”，传输方式可以选择串口、串行外设接口(serial peripheral interface,spi)、i2c、网口和usb等有线方式，也可以选择wifi和蓝牙等无线方法。此外，除了用于连接所述定位设备中的各单元模块，通信控制单元50还可能用于连接其他设备，如射频消融仪、ct设备、mri设备、心电图机等手术中的常用设备。
116.处理器单元40，一般为通用计算机，是系统控制和数据处理的核心。它可以通过通信控制单元40控制系统的运行，具体来讲有以下功能：
117.1.控制磁场发生单元10的启停和激励控制单元的工作模式；
118.2.控制数据采集单元30同步的采集各磁场传感器103的磁场强度以及各电极104相对于参考位置的电压值；
119.3.基于电极104s处的电压值，以及该电极104s的位置坐标，建立一个描述电压值与位置坐标值映射关系的神经网络模型(neural network model of voltage-to-position,即前文所述的vp模型)；
120.4.基于vp模型和电极104t处的电压值计算该电极104t的空间位置。
121.处理器单元40一般使用软件编程形式来执行上述功能。软件可以下载到电脑中，也可以通过网络使用。另外，处理器单元40中还可以设置存储器，用于存储各传感器数据及vp模型的相关数据。
122.此外，优选的，所述定位设备中还包括一显示单元108，一般为显示器，可以是crt或lcd等。显示单元108与所述处理器单元40通讯连接，用于显示所述介入装置105的应用器具在所述目标对象100中的位置、方向、形状和/或运动轨迹，其中，所述介入装置105的应用器具在所述目标对象100中的位置、方向、形状和/或所述运动轨迹是所述处理器单元40根据对所述第三位点的定位结果确定的。可以理解的是，在手术时可预先构建所述目标对象100的三维空间模型，如此当定位出第三位点的空间位置后，根据第三位点的空间位置可模拟出应用导管，进而确定应用导管在所述目标对象100中的位置、方向、形状，进一步的，由于在每个采样时刻均确定了所述应用导管在所述目标对象100中的位置、方向、形状，因此
可进一步确定所述应用导管在所述目标对象100中的运动轨迹。图1中显示单元108中显示了三维体腔模型109，以及基于处理器单元40的定位结果绘制出的应用导管在体腔中的末端模型110。当然，在其它实施例中，显示单元108也可以用于显示学习器具在所述目标对象100中的位置、方向、形状和/或所述运动轨迹，所述学习器具在所述目标对象100中的位置、方向、形状和/或所述运动轨迹是所述处理器单元40根据对所述第一位点和所述第二位点的定位结果确定的。
123.图2示意性的示出了本发明所述的定位设备的使用流程图。
124.步骤200：手术起始时，向人体施加磁场和多轴电场。一般通过磁场发生单元10来施加磁场，通过在目标对象100表面贴靠多个电极贴片102并对两两贴片施加不同的电流激励来产生多轴电场，可以选择恒流激励，也可以选择恒压激励。
125.接下来的过程涉及到两个阶段，训练阶段和定位阶段，在训练阶段操作学习导管，在定位阶段则操作应用导管。学习导管和应用导管仅仅是从功能上对导管进行区分，事实上，同一根导管可能既用于训练阶段，又用于定位阶段。训练阶段早于定位阶段启动，但允许两个阶段有部分时间段是同时运作的。
126.步骤201：将学习导管置入心腔内四处游走一段时间。
127.在训练阶段，可以从将学习导管通过血管通路送入目标区域101(例如心腔)内后开始。所述学习导管上集成有一个磁场传感器103和一个电极104s，且二者的间距是固定的，间距信息是已知的，以便通过磁场传感器103的位置和方向信息以及二者的间距信息计算得到电极104s的位置信息。
128.步骤202：在此期间，连续且同步的测量以下数据：
129.1.学习导管上磁场传感器103处的磁场强度信息。所述磁场强度信息在送入处理器单元40后会用于计算各时刻磁场传感器103的空间位置和方向信息；
130.2.学习导管上电极104s处相对于某参考位置的电压信息。所述参考位置一般会选择某个相对固定的位置，可以在体表，也可以在心腔内某位置(一般选择在冠状窦)。所述电压为响应于前述各种激励状态下的电压。
131.步骤203：采集数据的同时，处理器单元40会基于后续的计算需求，不断判断是否已累积够充足的数据。如果数据量不够，则需要继续保持导管的漫游状态，直至数据量足够，之后会通过显示单元108提示操作者停止训练阶段。判断方法可以选择设置固定的训练时间，也可以通过不断的训练神经网络使误差降低到一定程度后再提示停止，关于这一点会在后面进行介绍。
132.步骤204：累积够充足数据后，开始定位阶段。将应用导管置入心腔，测量应用导管上各电极104t处相对于参考位置的电压。
133.步骤205：处理器单元40会根据每一时刻下各电极104t处的电压值计算各电极104t在每一时刻的空间位置，具体计算方法会在后面展开。
134.需要注意的是，在整个应用过程中，包括训练阶段和定位阶段，参考位置和各个用于施加激励的电极贴片102位置必须保持相对稳定。如果中间有某些操作(例如病人翻身)导致电极贴片102的移位超过一定的阈值，则必须重新启动训练阶段。
135.由以上描述可知，本发明的定位方法的基本思想如下：
136.1.向体内施加磁场和多轴电场，磁场由磁场发生单元10产生，电场通过向体表的
电极贴片102施加恒流激励/恒压激励产生；
137.2.使用神经网络模型对电极104s处测量到的电压值和电极104s所在的位置坐标值(其位置坐标可通过磁场传感器103的空间位置和方向信息间接计算得到)进行训练，建立一个描述电压值与位置坐标值映射关系的神经网络模型；
138.3.测量待定位的电极104t处的电压数据，使用神经网络模型计算待定位的电极104t的位置坐标。
139.图3描述了上述定位方法的一种实施例：
140.步骤300：将装配有磁场传感器103和电极104s的学习导管置入心腔后漫游一段时间；在每一时刻采集磁场传感器103处的磁场强度数据和电极104s处的电压数据；根据磁场传感器103处的磁场强度数据计算磁场传感器103处的位置和方向；根据磁场传感器103的位置和方向以及磁场传感器103同电极104s的距离计算电极104s的位置。具体的，可以根据公式p2＝p1 d1·
d1，计算电极104s(即所述第二位点)的空间位置，其中，p2表示电极104s(即所述第二位点)的空间位置，p1和d1分别表示磁场传感器103(即所述第一位点)的空间位置和方向(方向是由磁场传感器103指向电极104s)，d1表示磁场传感器103和电极104s之间的空间距离。
141.步骤301：假设某时刻电极104s在某位置p处测量到电压v，将一组电压-位置的组合称为一个v-p数据对；将电极104s处累积的v-p数据对作为训练样本参与神经网络训练，构建一个描述待定位目标区域内，某位置处测量到的电压值同该位置的空间坐标值之间的映射关系的vp模型。
142.步骤302：将装配有电极104t的应用导管置入心腔，测量各电极104t处的电压值。
143.步骤303：使用步骤301中得到的vp模型和步骤302中测得的电压值，执行各电极104t的定位计算。
144.在一种优选实施例中，在所述应用导管上可以包括第四位点和第五位点，如此，在定位阶段，所述数据采集单元30还可以同步采集所述第四位点的磁场强度信息、在所有激励状态下所述第五位点相对于所述参考位置的电压信息。相应的，所述处理器单元40将在每个采样时刻下，根据所述第四位点的空间位置和方向信息以及所述第四位点与所述第五位点的空间距离计算所述第五位点的空间位置信息，将不同激励状态下所述第五位点相对于所述参考位置的电压信息与所述第五位点的空间位置信息组成第二类v-p数据对，这些第二类v-p数据对也可以参与vp模型的训练。
145.例如，上述的学习导管和应用导管是同一根导管，也就是说，上述的第四位点和第一位点实际上是指同一位点，上述的第五位点和第二位点实际上是指同一位点，那么在定位阶段所述处理器单元40就会不断获取新的v-p数据对(即第二类v-p数据对)，同样可参与vp模型的训练。或者，应用导管与学习导管不是同一导管，但是在应用导管上的第四位点装配磁场传感器103、第五位点装配电极104s，这样在定位阶段所述处理器单元40同样会不断获取新的v-p数据对(即第二类v-p数据对)。
146.对于不断获取的第二类v-p数据对，可以有以下三种处理方法，优选使用第三种：
147.a.维持之前训练阶段训练好的vp模型不变，即保持初始vp模型不变，不会根据所述第二类v-p模型对所述初始vp模型进行重新训练，以降低计算开销；
148.b.根据所述第二类v-p数据对更新所述初始vp模型，得到新的vp模型，即将之前训
练阶段累积的第一类v-p数据对和定位阶段不断增加的第二类v-p数据对一起参与训练vp模型。如此，参与训练的数据对在不断累积，vp模型也会不断更新，这样可以使用最新的vp模型来进行定位计算；
149.c.根据所述第二类v-p数据对对一神经网络模型进行训练，得到新的vp模型，即，和训练阶段一样，在定位阶段会利用定位阶段内获得的第二类v-p数据对重新训练得到新的vp模型。更优选的，可以周期性地根据最近预设时长内的所述第二类v-p数据对对一神经网络模型进行训练，得到新的vp模型，预设时长可各根据实际情况进行设置，例如设置为2分钟。即，仅使用当前时刻之前的一段时间内累积的第二类v-p数据对进行训练，即用于训练的数据类似一个先进先出的数据队列。这样是考虑到数据采集环境难免会随着时间推移发生缓慢的变化，仅使用当前时刻之前一段时间内的数据进行模型训练可以避免过早之前的数据影响vp模型的准确度。如此，参与训练的数据对在不断更新，vp模型也会不断更新，从而可以总使用最新的vp模型来进行定位计算。
150.可以理解的是，对于上述实施例中参与vp模型训练的v-p数据对而言，电压数据v是由电极104s直接测量得到，位置数据p是基于磁场传感器103的位置和磁场传感器与电极104s之间的实际间距信息计算得到，因此可以认为基于这两种数据训练得到的vp模型也描述了这两种数据之间真实的对应关系。之所以强调这一点，是因为除了距磁场传感器103间距已知的电极104s处提供的可信位置数据，其他待定位的电极104t处完成定位后，也会产生相应的v-p数据对，只不过此时的电极104t的位置信息是通过本发明所述的定位方法计算得到，因此可能是存在一定误差的。
151.在另一个实施例中，所述处理器单元40还可以将不同激励状态下所述第三位点相对于所述参考位置的电压信息与所述第三位点的空间位置组成第三类v-p数据对，从所述第三类v-p数据对中筛选出有效数据对，并根据所述有效数据对更新所述初始vp模型，得到新的vp模型。例如，电极104t处基于vp模型的定位结果可以再次组成新的v-p数据对，这些数据对在执行一定的筛选条件(例如可以将电极104t处的v-p数据对也加入神经网络的训练，如果能降低神经网络的训练误差，则为有效数据对，否则为无效数据对)后，有效数据对也会参与到初始vp模型的训练更新中。
152.通过此方法，可以基于待定位的目标区域(例如心腔)内有限位置(学习导管漫游过的位置)的信息，计算得到任意位置的空间坐标(只需要通过测量该任意位置处的电压数据即可)，如此即可完成待定位装置(导管)在心腔内的定位和跟踪。
153.用于训练vp模型的神经网络类型，可以使用误差反向传播神经网络(back propagation neural network，以下简称bp网络)，也可以使用径向基函数(radial basis function简称rbf)神经网络，也可以使用支持向量机(support vector machine,简称svm)神经网络。优选使用bp网络。
154.下面使用bp网络，以环形导管为例进一步对上述定位方法进行解释。
155.图4a展示了一个可调弯环状导管，有一个杆和一个环状结构；图4b展示了其传感器分布结构，该导管同时作为学习导管和定位导管来使用。杆上分布有两个电极104s1和104s2(即所述第二位点)以及一个磁场传感器103(即所述第一位点)，环上分布有另外10个电极，记为104t1、104t2
……
(即所述第三位点)，磁场传感器103与电极104s1和104s2的空间距离都是固定且已知的，分别记为d1和d2。采用本发明的定位设备，可以通过有限的已知
信息(磁场传感器103的位置，以及磁场传感器103与电极104s1和104s2的空间距离)，来实现其他电极(环上分布的10个电极)的定位。
156.将该导管经血管通路进入右心房，在冠状窦处放置一十极导管，使用上面一个电极作为参考电极，保持十极导管在整个手术过程中不再移动。
157.使用图1中的实施例，在体表6个位置贴有电极贴片102，使用每两个电极贴片102的组合作为一个激励轴施加激励，如此共有15个激励轴。
158.在训练阶段，通过操作手柄106将该导管末端在右心房内四处游走约1min，在每个采样时刻下采集下列数据：
159.1.磁场传感器103处的磁场强度；
160.2.杆上两个电极加环上十个电极共12个电极处，在15种激励状态下相对于参考位置处的电压信息。
161.处理器单元40会基于磁场传感器103处的磁场强度计算其位置坐标和方向矢量。在某个采样时刻t下，图4b中磁场传感器103的空间位置和单位方向矢量可由该磁场传感器103测得的磁场强度信息计算得到，假设该磁场传感器103的空间位置记为p
103
,单位方向矢量记为d
103
,方向由电极104s1指向104s2。
162.此时可以计算得到电极104s1的位置p
104s1
即为：p
104s1
＝p
103-d
103
·d104s1-103
；
163.电极104s2的位置p
104s2
为：p
104s2
＝p
103
d
103
·d103-104s2
。
164.同时，电极104s1和104s2处测得的电压分别为u
104s1
和u
104s2
。注意，每个电压都为15
×
1的向量，对应15种激励状态下的电压值。
165.如此，在每个采样时刻下可以得到两组v-p数据对。接下来介绍如何使用bp网络对训练阶段累积的v-p数据对进行训练以构建初始vp模型。
166.图5展示了本实施例使用的bp神经网络的结构图，由以下三层组成：
167.1.输入层：以各采样时刻下电极104s处测量到的电压数据作为bp网络的输入层(输入层的神经元个数由有效激励状态的个数决定，这里为15，对应15种激励状态下的电压值)；
168.2.隐层：隐层神经元的个数不能过多或过少，过少不足以描述电场的非线性畸变程度，过多则会导致计算的过度复杂，一般选择9～15个神经元，优选9个。隐层传递函数优选sigmoid函数；
169.3.输出层：以各采样时刻(采集到对应电压数据的时刻)下电极104s处的空间坐标数据作为bp网络的输出层，即输出层神经元个数固定为3(对应x、y和z三个空间坐标值)。输出层传递函数优选sigmoid函数。
170.下面对该网络的训练过程进行分步骤的具体阐述：
171.步骤一：网络初始化。确定每层网络神经元的个数，包括15个输入层神经元、9个隐层神经元和3个输出层神经元；初始化网络各层间的权值，包括输入层与隐层之间的权值w
ij
和隐层与输出层之间的权值w
jk
；初始化隐层的阈值bj和输出层阈值bk；其中，i代表输入层第i个神经元(i＝1,2
…
15)，j代表隐层第j个神经元(j＝1,2
…
9)，k代表输出层第k个神经元(k＝1,2,3)。各权值和阈值均被初始化为-1～1之间的随机数。另外，确定隐层传递函数和输出层传递函数为sigmoid函数。
172.步骤二：依次计算每层网络的输出值。假设输入电压向量为v1,v2…v15
，那么隐层
第j个神经元的输出hj为：
[0173][0174]
输出层第k个神经元的输出pk为：
[0175][0176]
其中，f()代表各层间的传递函数，即sigmoid函数。
[0177]
步骤三：计算当前训练样本的输出均方误差e，作为bp网络的目标函数：
[0178][0179]
其中，pk为神经网络的当前输出值即电极104s的计算坐标值，为神经网络的目标输出值即电极104s的实际坐标值。
[0180]
步骤四：基于梯度下降(gradient descent)策略，以目标函数的负梯度方向对网络中的各参数，即各网络层的权重w
ij
、w
jk
和阈值bj、bk的值进行调整。使用梯度下降法调整bp网络的权重和阈值的计算是通用方法，这里不再进行详细阐述。
[0181]
步骤五：不断迭代步骤二到步骤四的训练过程，直至达到预设的训练次数或预期的误差大小，即可停止迭代过程，结束该bp网络的训练。
[0182]
至此，即完成了所述初始vp模型的构建，即电极104s处测得的电压值同电极104s的位置间的映射关系。
[0183]
然后，在定位阶段，继续采集每个时刻下各电极104t在所有激励状态下的电压值，使用该初始vp模型(即执行上面步骤二中的计算)即可得到各电极104t的空间坐标值，从而完成该环形导管在心腔内的定位。图4c展示了应用此种定位方法计算出的某时刻下该环形导管在显示单元108上的形态。
[0184]
可以理解的是，当前的三维心电标测领域，高密度标测分析是越来越重要的发展趋势。而高密度标测的实现离不开高精度的导管定位。目前的导管定位技术中，基于磁场的定位技术精度较高但成本也较高。电场定位使用的普通电极可以在完成标测的同时获取完成定位功能所需数据，能够有效的降低成本。但电场在体内的非线性畸变较为强烈，使得精度难以保证。因此市面上大多应用磁电双定位的技术来控制成本的同时又能提高定位精度。但目前市面上的磁电双定位技术大都是基于电场的局部线性假设，仍旧使用线性模型对体内电场进行建模。这样要么会导致定位精度不足，要么会导致所用线性模型的极度复杂。本发明使用神经网络技术来生成电场与空间位置的非线性变换关系模型，在保证足够定位精度的同时又能有效的降低计算量。
[0185]
需要说明的是，图4a中绘制的导管仅仅是为了描述清晰所用，事实上，本发明不局限于图中的形状，也可以应用于其他形态的导管如球囊或篮状等。示例中使用bp网络来训练得到vp模型，但只要是使用神经网络方法建立了描述(某电极测量到的相应于某种激励
状态下的)电压数据同(该电极所处的空间)位置数据之间的映射关系模型来实现电极定位的方法，均在本专利保护范围内。
[0186]
另外，尽管文中所描述的实施例大部分都是应用于心腔内的电极定位，但其实也可以应用于其他场景下，如神经科手术、肿瘤消融、肺动脉血管成形术等需要介入或植入设备进行侵入诊断或治疗的手术场景。
[0187]
由以上描述可知，本发明在实际应用过程中，先使用带有磁场传感器的导管进入心腔内游走“学习”一段时间后，可以实现普通导管电极的定位。考虑到体内电场的非线性畸变效应，现有技术中的定位方法大都是基于某种局部线性假设进行的“学习”，然而这样不但会导致定位精度不足，而且为了同时满足整体非线性和局部线性的要求，还需要做较多的补偿或校准计算，进而会导致计算量的增加。本发明与现有技术的区别在于放弃了电场的局部线性假设，使用神经网络技术的非线性拟合特性构建电场和空间位置间的非线性转换模型，以解决上述问题。这样不仅可以保证定位精度，还能够有效的降低计算量。
[0188]
基于同样的发明构思，本发明还提供一种介入手术系统，包括如上文所述的介入装置的定位设备和所述介入装置。其中，所述介入装置可以为多肢导管或环状导管。
[0189]
基于同样的发明构思，本发明还提供一种介入装置的定位方法，所述介入装置包括学习器具和应用器具，所述学习器具和所述应用器具适于置入目标对象的目标区域内；
[0190]
所述方法包括：
[0191]
在训练阶段，接收在每个采样时刻下同步采集的所述学习器具上的第一位点的磁场强度信息、在所有激励状态下所述学习器具上的第二位点相对于一参考位置的电压信息，根据所述第一位点的空间位置和方向信息以及所述第一位点与所述第二位点的空间距离计算所述第二位点的空间位置信息，将不同激励状态下所述第二位点相对于所述参考位置的电压信息与所述第二位点的空间位置信息组成第一类v-p数据对，用以对一神经网络模型进行训练，得到用于描述电压-位置之间映射关系的初始vp模型，其中，所述第一位点的空间位置和方向信息是根据所述第一位点的磁场强度信息计算得到的；
[0192]
以及，在定位阶段，接收在每个采样时刻下同步采集的在所有激励状态下所述应用器具上的第三位点相对于所述参考位置的电压信息，根据不同激励状态下所述第三位点相对于所述参考位置的电压信息，利用所述初始vp模型计算得到所述第三位点的空间位置。
[0193]
优选的，所述神经网络模型包含依次连接的一输入层、若干隐层和一输出层，所述输入层的神经元个数等于所述不同激励状态的数量，所述输出层的神经元个数等于3。
[0194]
优选的，按照以下方式训练所述初始vp模型：
[0195]
将所述第一类v-p数据对中的电压信息作为所述神经网络模型的输入，计算所述输出层预测的空间位置信息；
[0196]
根据所述第一类v-p数据对中的空间位置信息与所述输出层预测的空间位置信息，计算所述神经网络模型的目标函数值；
[0197]
根据所述目标函数值对所述神经网络模型的模型参数进行优化，直至满足预设的训练结束条件，得到所述初始vp模型。
[0198]
优选的，所述应用器具上还包括第四位点和第五位点；
[0199]
所述方法还包括：
[0200]
在定位阶段，接收在每个采样时刻下同步采集的所述第四位点的磁场强度信息、在所有激励状态下所述第五位点相对于所述参考位置的电压信息，根据所述第四位点的空间位置和方向信息以及所述第四位点与所述第五位点的空间距离计算所述第五位点的空间位置信息，将不同激励状态下所述第五位点相对于所述参考位置的电压信息与所述第五位点的空间位置信息组成第二类v-p数据对，用以训练得到新的vp模型；其中，所述第四位点的空间位置和方向信息根据所述第四位点的磁场强度信息计算得到。
[0201]
优选的，所述应用器具与所述学习器具为同一器具，所述第四位点与所述第一位点为同一位点，所述第五位点与所述第二位点为同一位点。
[0202]
优选的，按照以下方式训练得到新的vp模型：
[0203]
根据所述第二类v-p数据对更新所述初始vp模型，得到新的vp模型。
[0204]
优选的，按照以下方式训练得到新的vp模型：
[0205]
根据所述第二类v-p数据对对一神经网络模型进行训练，得到新的vp模型。
[0206]
优选的，所述根据所述第二类v-p数据对对一神经网络模型进行训练，得到新的vp模型，包括：
[0207]
周期性地根据最近预设时长内的所述第二类v-p数据对对一神经网络模型进行训练，得到新的vp模型。
[0208]
优选的，所述方法还包括：
[0209]
将不同激励状态下所述第三位点相对于所述参考位置的电压信息与所述第三位点的空间位置组成第三类v-p数据对，从所述第三类v-p数据对中筛选出有效数据对，并根据所述有效数据对更新所述初始vp模型，得到新的vp模型。
[0210]
优选的，所述神经网络模型选自误差反向传播神经网络、径向基函数神经网络、支持向量机神经网络中的一种。
[0211]
优选的，所述方法还包括：
[0212]
根据对所述第三位点的定位结果确定所述应用器具在所述目标对象中的位置、形状、方向和/或所述运动轨迹，并驱动一显示单元显示所述应用器具所述目标对象中的位置、方向、形状和/或运动轨迹。
[0213]
优选的，所述第一位点设置磁场传感器，数据采集单元通过所述磁场传感器采集所述第一位点的磁场强度信息；
[0214]
所述第二位点和所述第三位点设置电压传感器，数据采集单元通过所述电压传感器采集所述第二位点和所述第三位点相对于所述参考位置的电压信息；
[0215]
所述介入装置、所述学习器具和应用器具皆为介入导管。
[0216]
优选的，所述不同激励状态包括从所述所有激励状态中筛选出的m个有效激励状态，3≤m≤n；或
[0217]
所述不同激励状态包括所述所有激励状态。
[0218]
基于同样的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上文所述的一种介入装置的定位方法。该存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0219]
基于同样的发明构思，本发明还提供一种计算机设备，包括存储器和处理器，所述
存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上文所述的介入装置的定位方法。
[0220]
具体地，在本发明实施例中，所述处理器可以为中央处理单元(centralprocessing unit，简称cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，简称dsp)、专用集成电路(application specificintegrated circuit，简称asic)、现成可编程门阵列(field programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0221]
还应理解，本发明实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，简称rom)、可编程只读存储器(programmable rom，简称prom)、可擦除可编程只读存储器(erasable prom，简称eprom)、电可擦除可编程只读存储器(electricallyeprom，简称eeprom)或闪存。易失性存储器可以是随机存取存储器(random accessmemory，简称ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称ram)可用，例如静态随机存取存储器(staticram，简称sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(synchronousdram，简称sdram)、双倍数据速率同步动态随机存取存储器(double datarate sdram，简称ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，简称esdram)、同步连接动态随机存取存储器(synchlink dram，简称sldram)和直接内存总线随机存取存储器(direct rambus ram，简称dr ram)。
[0222]
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0223]
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。