申请/专利权人：北京智源人工智能研究院

申请日：2024-02-07

公开（公告）日：2024-04-26

公开（公告）号：CN117717352B

主分类号：A61B5/361

分类号：A61B5/361;A61B5/367;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明公开了非侵入式房颤颤源定位的方法和所用扩散模型的训练方法，属于生命科学技术领域。训练方法包括：获取训练数据，包括心电图数据和心脏电生理信号；通过对比学习得到心电图数据和心脏电生理信号的映射关系；基于心电图数据和心脏电生理信号的映射关系，利用混合高斯分布对扩散模型进行迭代训练，得到训练好的扩散模型，以便在训练好的扩散模型的反向过程中，输入心电图数据，输出对应的心脏电生理信号。通过建立体表心电和心脏内部电活动的关系，无创地反演出患者的心脏电活动，能够在术前估算房颤颤源位置。该方法不仅可以协助临床医生制定手术方案，还可以显著提升射频消融手术的效率和准确度，从而为房颤患者提供更好的预后效果。

主权项：1.一种用于非侵入式房颤颤源定位的扩散模型的训练方法，其特征在于，包括：获取训练数据，所述训练数据包括心电图数据和心脏电生理信号；通过对比学习得到心电图数据和心脏电生理信号的映射关系；基于心电图数据和心脏电生理信号的映射关系，利用混合高斯分布对扩散模型进行迭代训练，得到训练好的扩散模型，以便在训练好的扩散模型的反向过程中，输入心电图数据，输出对应的心脏电生理信号；其中，所述基于心电图数据和心脏电生理信号的映射关系，利用混合高斯分布对扩散模型进行迭代训练，得到训练好的扩散模型包括：在扩散模型的前向过程中，将输入的心脏电生理信号和心电图数据拼接成为一个输入矩阵，并保持心电图数据作为不变的条件向量，向输入的心脏电生理信号中多次加入高斯噪声，得到心脏电生理信号-高斯噪声的混合分布；在扩散模型的反向过程中，对以心电图数据为条件向量的心脏电生理信号-高斯噪声的混合分布多次进行去噪处理，得到生成的心脏电生理信号；利用训练数据中的心脏电生理信号与生成的心脏电生理信号计算损失函数，迭代优化所述扩散模型的参数，得到训练好的扩散模型。

全文数据：

权利要求：

百度查询： 北京智源人工智能研究院 非侵入式房颤颤源定位的方法和所用扩散模型的训练方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD