可实时预测心律失常射频消融损伤深度的方法及射频消融仪与流程

技术特征：
1.一种可实时预测心律失常射频消融损伤深度的方法，其特征在于，采用粒子群优化反向传播(pso-bp)神经网络作为预测模型，具体步骤如下：步骤一：确定pso-bp神经网络模型的输入、输出变量，其中，输入变量为射频消融时间、电极-组织接触压力(cf)以及消融功率，输出变量为射频消融损伤深度指数；步骤二：建立预测消融损伤深度指数的bp网络模型具体结构；首先根据输入变量和输出变量数量确定bp网络模型的输入层节点个数和输出层节点个数；进一步，根据输入层和输出层的复杂程度确定隐含层层数以及确定隐含层的节点个数；步骤三：根据建立的bp神经网络模型结构，对其中神经元的连接权值和阈值进行粒子化，获得相对应的粒子种群，并对该种群做初始化处理；把网络训练数据预测误差绝对值和作为每个粒子的适应度值，计算出每个粒子的适应度值，粒子的适应度值越小，该粒子越优，选取粒子中适应度值最佳的个体作为粒子群群体最优解；根据粒子群中的每个粒子的历史最优解，对每个粒子自身的速度和位置进行迭代更新；设定粒子群的最大迭代次数，当迭代次数达到预设的最大迭代次数，停止粒子的迭代更新，否则重复进行迭代；经过粒子群位置的迭代更新后，得到粒子个体适应度最优的个体，该粒子的位置信息赋予bp神经网络的连接权值和阈值，作为bp神经网络的最佳的初始连接权值和阈值；步骤四：将数据集按一定比例随机分为训练集和测试集；对经过粒子群算法优化后的bp神经网络模型进行训练和测试；设定pso-bp神经网络的训练参数，用训练集对网络进行训练，用测试集对训练好的网络进行拟合优度和预测准确度进行测试；通过不断地调整神经网络的训练参数，使网络的拟合优度和预测准确度达到较高水平，最终获得预测效果好的pso-bp神经网络模型；步骤五：把训练好的pso-bp神经网络模型用于实验采集的心律失常射频消融损伤深度的预测；将导管消融手术中的消融时间、电极-组织接触压力(cf)以及消融功率作为输入变量输入到训练好的pso-bp神经网络模型中，经过pso-bp神经网络模型实时计算消融损伤深度指数。2.根据权利要求1所述的可实时预测心律失常射频消融损伤深度的方法，其特征在于，步骤二所述建立预测消融损伤深度指数的bp网络模型具体结构，具体流程为：根据网络的输入变量和输出变量，bp网络模型拓扑结构包括输入层p1、隐含层p2以及输出层p3；其中，p1结构确定原则：根据输入变量个数，确定p1节点数为3个；p3结构确定原则：根据输出变量个数，确定p3节点数为1个；p2结构确定原则：根据输入变量和输出变量的复杂程度确定bp神经网络的隐含层的层数为1层，按公式(1)确定隐含层节点个数；式中，k为隐含层的节点个数，m为输入层的节点个数，n为输出层节点个数，l为一个取值范围在1-10之间的整数；根据隐含层和输出层的传递函数，分别求得隐含层和输出层的输入和输出关系，如式(2)、(3)所示：(2)、(3)所示：
式中：x
m
为神经网络的输入变量，w
mk
为输入层到隐含层的连接权值，θ
k
为隐含层神经元的阈值，h
k
为隐含层神经元的输出；w
k
为隐含层到输出层的连接权值，ε为输出层的阈值，y为神经网络的输出。3.根据权利要求2所述的可实时预测心律失常射频消融损伤深度的方法，其特征在于，步骤三的具体流程为：(1)对bp神经网络的神经元连接权值和阈值作粒子化处理，得到原始的粒子群，然后对粒子在可行范围内的初始位置和速度进行初始化，其初始化公式如式(4)、(5)所示：粒子在可行范围内的初始位置和速度进行初始化，其初始化公式如式(4)、(5)所示：式中，n为种群粒子数，k为粒子群中随机选取的第k个粒子，x
max
为粒子位置的上界，x
min
为粒子位置的下界；v
max
为粒子运动的最高速度，v
min
为粒子运动的最低速度；(2)由网络训练数据预测误差绝对值和作为每个粒子的适应度值，计算出每个粒子的适应度值，选取适应度值最好的个体作为群体历史最优值，粒子的适应度值f由式(6)计算得到：其中，n为输出节点个数，y
i
为bp神经网络第i个节点的期望输出，o
i
为bp神经网络第i个节点的预测输出，k为系数；根据每个粒子的适应度值，得到粒子的历史最优值；(3)根据粒子的历史最优值对粒子进行更新迭代，按照式(7)、(8)不断地更新粒子的位置和速度：置和速度：其中，i为粒子的序号，d为粒子维度序号，k为迭代次数，ω为惯性权重，c1为个体学习因子，c2为群体学习因子，r1，r2为区间[0,1]之间的随机数，增强搜索的的随机性，为粒子i在第k次迭代中第d维的速度向量，为粒子i在第k次迭代中第d维的位置向量，为粒子i在第k次迭代第d维的历史最优位置，即在第k此迭代后，第i个粒子搜索得到的最优解，群体在第k次迭代中第d维的历史最优位置，即在第k次迭代后，整个粒子群体中的最优解；粒子的速度和位置更新后，重新计算粒子的适应度值，更新个体极值和群体极值，直至迭代次数达到预设的最大迭代次数后，停止粒子的位置和速度的更新；(4)用粒子群算法进行全局优化后，获得优化后的bp神经网络的初始连接权值和阈值，把优化后的连接权值和阈值赋予bp神经网络，获得优化后的pso-bp神经网络模型。4.基于权利要求1-3所述的方法设计的可实时预测心律失常射频消融损伤深度的射频消融仪，其特征在于，该射频消融仪中移植了可实时预测心律失常射频消融损伤深度的pso-bp神经网络模型；该射频消融仪与可测量cf的消融导管电极组成可实时预测心律失常射频消融损伤深度的射频消融系统；其中，射频消融仪的输出功率可调，且可实时检测输出射频电流、电压，进而计算实际输出功率；压力导管电极与参考极板一起将射频能量施加至消融靶点，并反馈检测到的cf；可实时预测心律失常射频消融损伤深度的射频消融仪在射
频消融的实施过程中，根据实时反馈的消融电流、电压、cf以及消融时间，计算得到当前的消融损伤深度指数。

技术总结
本发明属于医疗仪器技术领域，具体为一种可实时预测心律失常射频消融损伤深度的方法及射频消融仪。本发明采用粒子群优化反向传播(PSO-BP)神经网络对消融损伤深度进行预测，通过机器学习建立消融时间、电极-组织接触压力(CF)、消融功率三个射频消融参数与消融损伤深度的量化关系，即从三个射频消融参数得到与消融损伤深度对应的“消融深度指数”。然后将消融深度指数模型移植到射频消融仪中，辅助医生在心律失常射频消融实施过程中实现对消融深度的精准控制，具有临床应用前景。具有临床应用前景。具有临床应用前景。


技术研发人员：邬小玫 李中天 鄢盛杰 党德威
受保护的技术使用者：复旦大学
技术研发日：2021.12.19
技术公布日：2022/4/5