[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

说明书

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。

技术领域

本发明属于医学仪器技术领域，具体涉及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。

背景技术

心律失常是常见的心血管疾病，严重威胁人类健康。射频消融是包括房颤在内的多种快速型心律失常的重要治疗手段。据国家卫健委网上注册系统资料显示，2018年我国心律失常导管射频消融手术量为15.16万例，2010年以来的年增长率为13.2％-17.5％。消融损伤的精准控制是射频消融术实施过程中需解决的重要问题，因为消融不足导致的无效损伤，是心律失常术后复发的重要原因之一；而消融过度则可能造成心包填塞等并发症，严重的话可能危及生命。由于消融时间、电极-组织接触压力(contact force,CF)和消融功率与消融损伤深度密切相关，本发明设计了一种可实时预测心律失常射频消融损伤深度的消融仪，采用人工智能方法建立射频消融参数(消融时间、CF和消融功率)与消融损伤深度之间的定量关系，为心律失常射频消融术消融损伤深度精准控制提供依据。

发明内容

针对目前心律失常射频消融术对消融损伤深度精准控制的需求，本发明提供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(Particle Swarm Optimization-BackPropagation，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。

本发明提供的可实时预测心律失常射频消融损伤深度的方法，采用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神经网络的输入、输出变量，其中，输入变量为射频消融时间、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，当迭代次数达到了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PSO-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，最终获得预测效果好的PSO-BP神经网络预测模型；