[发明专利]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

权利要求书

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：

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。