CN116172688A - 基于支撑向量回归的射频消融损伤深度预测模型和*** - Google Patents

基于支撑向量回归的射频消融损伤深度预测模型和*** Download PDF

Info

Publication number
CN116172688A
CN116172688A CN202211549908.9A CN202211549908A CN116172688A CN 116172688 A CN116172688 A CN 116172688A CN 202211549908 A CN202211549908 A CN 202211549908A CN 116172688 A CN116172688 A CN 116172688A
Authority
CN
China
Prior art keywords
ablation
svr
radio frequency
model
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211549908.9A
Other languages
English (en)
Inventor
邬小玫
李中天
鄢盛杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yiwu Research Institute Of Fudan University
Fudan University
Original Assignee
Yiwu Research Institute Of Fudan University
Fudan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yiwu Research Institute Of Fudan University, Fudan University filed Critical Yiwu Research Institute Of Fudan University
Priority to CN202211549908.9A priority Critical patent/CN116172688A/zh
Publication of CN116172688A publication Critical patent/CN116172688A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00315—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for treatment of particular body parts
    • A61B2018/00345—Vascular system
    • A61B2018/00351—Heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00571—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for achieving a particular surgical effect
    • A61B2018/00577—Ablation
    • A61B2018/00583—Coblation, i.e. ablation using a cold plasma
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00642—Sensing and controlling the application of energy with feedback, i.e. closed loop control
    • A61B2018/00648—Sensing and controlling the application of energy with feedback, i.e. closed loop control using more than one sensed parameter
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00696—Controlled or regulated parameters
    • A61B2018/00702—Power or energy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00773—Sensed parameters
    • A61B2018/00875—Resistance or impedance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Otolaryngology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Plasma & Fusion (AREA)
  • Physics & Mathematics (AREA)
  • Instructional Devices (AREA)

Abstract

本发明属于医疗仪器技术领域，具体为一种基于支撑向量回归的射频消融损伤深度预测模型和***。本发明首先建立SVR消融损伤深度预测模型，包括根据射频消融参数：时间、CF、功率和阻抗以及消融损伤深度信息建立SVR参数模型；采用GA算法对SVR模型的惩罚因子C和核函数参数g进行优化；然后，消融实验获取的数据集对优化后的SVR模型进行训练，得到可预测射频消融损伤深度的GA‑SVR模型。最后，把GA‑SVR预测模型植入到射频消融仪中，实现射频消融实施过程中的消融损伤深度预测***。本发明可以指导医生开展射频消融术，具有很高的临床应用价值。

Description

基于支撑向量回归的射频消融损伤深度预测模型和***
技术领域
本发明属于医疗仪器技术领域，具体涉及基于支撑向量回归的射频消融损伤深度预测模型和***
背景技术
心房颤动是最为常见的心律失常，严重危害人们的身体健康。射频消融是治疗房颤等快速型心律失常的重要手段。据国家卫健委网上注册***资料显示，2018年我国心律失常射频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％。消融不足导致无效损伤可能会导致心率失常术后复发；过度消融则可能导致心包填塞等危及生命的并发症。由于射频消融对心肌组织破坏并非有选择的、人为可控的，因而实时监测射频消融对心肌组织的损伤程度对手术的成功至关重要。
截至2017年底，科学界在开发实时监测射频消融损伤深度的技术方面做了大量工作。这些技术通过热消融组织特性的包括电、声和光学的一些变化，来预测射频消融损伤。但是这些技术在临床上有着很多缺陷，如电学特性需要将一些额外的电极放置在患者体内，声学成像技术要求医生在消融过程中握住成像探头。
此外，消融指数(ablation index，AI)是评估消融损伤的一种新的积分公式，将CF、功率和消融时间纳入了加权公式，但是AI在预测高功率和超高功率的射频消融损伤深度时并不适用。所以亟待寻求一种更准确、适用更广泛的射频消融损伤深度预测方法。
本发明设计了一种射频消融损伤深度预测模型和***，采用支持向量回归(support vector regression,SVR)构建射频消融参数(消融时间、CF、功率、时间和阻抗)与消融损伤深度之间的非线性关系，对消融深度进行回归预测。通过智能寻优遗传算法(Genetic Algorithm，GA)对SVR模型进行优化，较快地获得最优模型参数，提高模型的训练速度。本发明提出的GA-SVR消融损伤深度预测模型，能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
本发明的目的在于提出一种射频消融损伤深度预测模型和***，以解决射频消融手术过程中实时预测消融损伤深度这个难题。
本发明通过机器学习算法建立射频消融参数(时间、CF、功率和阻抗)与消融损伤深度之间的非线性量化关系，即预测消融损伤深度的GA-SVR模型，该GA-SVR模型可以通过射频消融过程中4个消融参数的值预测射频消融的损伤深度。
本发明进一步把预测消融损伤深度的GA-SVR模型植入到射频消融仪中，组成可以实时预测消融损伤的射频消融***，实现射频消融术过程中消融损伤深度的精准控制。
消融损伤深度预测GA-SVR模型的构建，具体步骤如下：
步骤一：确定GA-SVR模型的输入、输出变量。
其中，GA-SVR模型的输入变量为射频消融时间、CF、消融功率和阻抗；模型的输出变量为消融损伤深度。
步骤二：建立SVR参数模型；
根据动物离体实验获取消融实验的数据集，由于获得的原始数据4个消融参数数据的单位不同，不利于模型的训练，所以对数据进行归一化处理。根据步骤一的输入量和输出量建立SVR参数模型。具体地：
构建射频消融参数：时间、CF、功率和阻抗，与射频消融损伤深度的数据集。对数据集做归一化处理：
Figure BDA0003980562800000021
其中，X为数据样本向量，Xmin为样本向量的最小值，Xmax为样本向量的最大值，Xn为归一化后的样本向量。
将射频消融参数：时间、CF、功率和阻抗，作为SVR模型的输入向量，记为X＝[X1,X2,X3,X4]，SVR模型的输出量为消融参数向量X对应的消融损伤深度Y。基于输入量和输出量，建立SVR模型(如图2所示)，SVR模型的表达式如式(2)所示。
f(X)＝WT·X+b (2)
其中，W为权重系数向量，b为偏置项，X为输入向量，f(X)为输出量。
SVR模型回归问题就是计算出合适的权重向量W和偏置项b，所有样本点离超平面的距离最小。故SVR回归问题又等价为求解最小值优化问题，求解最小值的目标函数如式(3)所示。
Figure BDA0003980562800000022
s.t.Yi＝WTXi+b+ξi
其中，C为惩罚因子，n为样本的个数，ξ为引入的不敏感损失，引入不敏感损失后，就允许SVR预测值与真实值的误差绝对值大于某个阈值才计算损失，它可以忽略真实值在某个上下范围内的误差，确保全局最小解的存在和可靠泛化界的优化，且ξ≧0，C>0。
由于数据样本向量在低维空间无法进行拟合回归，所以引入核函数把样本从低维空间映射到高维空间，使数据样本可以在高维空间可线性回归，实现超平面对非线性数据样本进行回归分析。核函数采用径向基高斯核函数，径向基高斯核函数如式(4)所示：
Figure BDA0003980562800000031
其中，Xi,Xj是两个样本向量，K(Xi,Xj)是这两个向量映射到特征空间后的内积，g为径向基高斯核函数的带宽。
步骤三：采用遗传算法GA对SVR模型进行参数优化，构建GA-SVR消融损伤深度预测模型。
由于SVR模型的关键参数—惩罚因子C和核函数的系数g的设置对模型的训练影响很大，很难人为设置最优参数。所以通过GA对SVR模型的参数C和g进行智能优化选择，找出SVR模型预测消融损伤深度的最优参数。将SVR模型的最佳参数代入到SVR模型中，构建出GA-SVR消融损伤深度预测模型。遗传算法优化后SVR模型减少了参数选择上的反复尝试，能快速地找到最合适的参数，降低了模型的训练时间同时也提升了模型的预测性能。
步骤四：对GA-SVR模型的训练和测试
将步骤二中的数据集按一定比例分成训练集和测试集，用于GA-SVR模型的训练和测试，用训练集对GA-SVR模型进行训练，用测试集对训练好模型的拟合度和预测精度进行测试，最终获得可以预测射频消融损伤深度的GA-SVR预测模型。
将步骤四中获取的训练好的GA-SVR预测模型，应用在临床上心率失常射频消融损伤深度的预测。临床上在进行导管射频消融手术时，将消融过程中的消融参数(时间、CF、功率和阻抗)输入到训练好的GA-SVR预测模型中，经过GA-SVR模型实时计算预测射频消融损伤深度。
进一步的，本发明将提出的射频消融损伤深度预测模型--GA-SVR模型作为消融损伤深度预测模块移植到射频消融仪中，组成可以预测射频消融损伤深度的射频消融***。
可预测射频消融损伤深度的射频消融***，由射频消融仪和可测量CF的消融导管电极(简称压力导管)以及消融损伤深度预测模型模块组成。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。射频消融仪可根据需要调整消融功率，且可实时检测射频消融过程的射频电流、电压，进而计算出消融功率和阻抗。移植了消融损伤深度预测模块的射频消融仪在射频消融的过程中，可根据实时检测的消融功率、CF、消融时间以及阻抗，累计计算并显示当前的消融损伤深度预测值。
本发明设计了一种可预测消融损伤深度的射频消融***。该***植入了射频消融损伤深度预测模型--GA-SVR模型模块，在导管射频消融手术时，根据***的消融参数(时间、CF、功率和阻抗)实时预测射频消融损伤深度，实现对消融损伤深度的精准控制，有很好的临床应用前景。
附图说明
图1为本发明的可预测消融损伤深度的射频消融***构建流程示意图。
图2为本发明的SVR算法结构示意图。
图3为本发明的GA算法寻优过程示意图。
图4为本发明的GA-SVR预测值与真实值对比图。
图5为本发明的可预测消融损伤深度的射频消融***结构图。
具体实施方式
下面结合具体实例和附图，进一步介绍本发明。但是，此实例仅仅用于说明本发明而不用于限制本发明的范围。基于此原理还有很对其他的实例没有展示出来，故本发明的保护范围并不仅仅局限于此实例，熟悉本领域的技术人员在基于本发明原理，做一些简单的等价替换或是修改而创造出其他实例，都应该属于本发明的保护范围。具体本发明所保护的范围以权利要求书的为准。
下面结合附图1-4具体介绍实施例。
图1为本实施例提供的可预测消融损伤深度的射频消融***构建流程示意图，如图1所示，分为S1-S5这5个步骤。
S1：确定模型的输入量和输出量。
将导管消融手术中的消融时间、CF、消融功率和阻抗作为GA-SVR预测模型的4个输入特征；将射频消融损伤深度作为GA-SVR预测模型的输出量。
S2：建立SVR参数模型。
对猪的心肌组织做离体射频消融实验，构建射频消融参数(时间、CF、功率和阻抗)与射频消融损伤深度的数据集。将实验所获得的数据集按照8:2的比例分成训练集和测试集，训练集用于预测模型的训练，测试集用于对模型预测精度的验证。为了使数据的基本度量单位统一，更利于模型的训练，对数据集做了归一化处理。数据归一化过程如公式(1)所示：
Figure BDA0003980562800000041
其中，X为数据样本向量，Xmin为样本向量的最小值，Xmax为样本向量的最大值，Xn为归一化后的样本向量。
将射频消融参数(时间、CF、功率和阻抗)作为SVR模型的输入向量X＝[X1,X2,X3,X4]，SVR模型的输出量为消融参数向量X对应的消融损伤深度Y。基于输入量和输出量，建立如图2所示的SVR模型，SVR模型超平面的表达式如式(2)所示。
f(X)＝WT·X+b (2)
其中，W为权重系数向量，b为偏置项，X为输入向量，f(X)为输出量。
SVR模型回归问题就是计算出合适的权重向量W和偏置项b，所有样本点离超平面的距离最小。故SVR回归问题又等价为求解最小值优化问题，求解最小值的目标函数如式(3)所示。
Figure BDA0003980562800000051
s.t.Yi＝WTXi+b+ξi
其中，C为惩罚因子，n为样本的个数，ξ为不敏感损失误差，引入不敏感损失后，就允许SVR预测值与真实值的误差绝对值大于某个阈值才计算损失，它可以忽略真实值在某个上下范围内的误差，确保全局最小解的存在和可靠泛化界的优化，且ξ≧0，C>0。
由于数据样本向量在低维空间无法进行拟合回归，所以引入核函数把样本从低维空间映射到高维空间，使数据样本可以在高维空间可线性回归，实现超平面对非线性数据样本进行回归分析。核函数采用径向基高斯核函数，径向基高斯核函数如式(4)所示：
Figure BDA0003980562800000052
其中，Xi,Xj是两个样本向量，K(Xi,Xj)是这两个向量映射到特征空间后的内积，g为径向基高斯核函数的带宽。
S3：采用GA算法对SVR模型参数优化，获取最佳参数C和g。
由于SVR模型的惩罚因子C和核函数参数g的选取对模型的拟合结果影响很大，因此采用全局寻优算法GA算法对SVR模型的参数C和g进行参数寻优，通过GA算法模仿自然界的优胜劣汰的法则，经过选择、交叉、变异操作，可以对SVR模型的参数C和g进行全局寻优，找出最佳的参数C和g。从而获得优化后的GA-SVR预测模型。具体的GA算法对SVR模型进行参数寻优的过程如图3所示，共分为S301、S302、S303、S304、S305这5个步骤。
步骤S301：参数编码，种群初始化。
采用实数编码作为个体编码方式，随机产生n个染色体，分别标号为M1、M2、……Mn，每个染色染中都包含SVR模型的惩罚因子C和核函数参数g，所以遗传算法的个体编码长度为2，即每个染色体Mi中包含了Ci和gi对应的编码信息。
具体的步骤S302：计算适应度值。
在步骤301中已经对SVR模型的惩罚因子C和核函数参数g进行了染色体个体编码，选择SVR预测值与真实值之间的平均绝对误差作为染色体个体的适应度，适应度计算公式如式(5)所示。
Figure BDA0003980562800000053
其中,n为样本的数量，Yj为第j个样本对应的真实输出值，SVR(Xj)为第j个样本SVR模型预测值。
步骤S303：选择、交叉、变异后重新计算适应度。
选择操作是从旧染色体种群中以一定的概率挑选表现优秀的染色特个体组成新的染色特种群，染色体的个体选择概率是个体的适应度值来决定的，染色体的个体适应度越低，被选择的概率越大。选择轮盘赌法作为GA算法的选择操作，每个染色体个体被选择的概率如式(6)。
Figure BDA0003980562800000061
其中，N为染色体种群数量，Fi为染色体个体的适应度值，k为系数。
跟自然界的生物繁衍的基因遗传类似，GA算法需要通过交叉操作，将随机的两个染色体个体通过编码交换组合，把优秀的基因特征遗传给子代，产生新的优秀个体。采用实数交叉法作为GA算法的交叉操作方法，两个染色体个体交叉操作方法如式(7)、(8)所示。
Ril＝Ril(1-b)+Rjlb (7)
Rjl＝Rjl(1-b)+Rilb (8)
其中，Ril表示第i号染色体的l位，Rjl表示第j号染色体的l位，b为[0,1]间的随机数。
为了使GA算法能够实现全局寻优，防止陷入局部最优解，须对染色体个体进行变异操作。
例如将第i号的染色体的j号基因进行变异操作，变异操作方法如式(9)所示。
Figure BDA0003980562800000062
其中，Rmax为染色体Rij的上界，Rmin为染色体Rij的下界，g为当前迭代次数，Gmax为最大迭代次数，r2是一个随机数，r是[0,1]的随机数。
GA算法经过以上步骤不断迭代更新出新的种群，并重新计算新的种群的适应度，当达到设定的最大迭代次数后停止迭代更新。
步骤S304：获取最优参数C和g。
通过GA算法的不断迭代寻优得到SVR模型的最优参数C和g，并把参数代入SVR模型建立GA-SVR预测模型。
S4：对GA-SVR模型进行训练和测试，得到消融损伤深度预测模型。
用步骤S2中获得的训练集的测试集对GA-SVR模型进行学***均绝对误差(MAE)、决定系数(R2)作为GA-SVR模型预测性能的评价指标。模型预测能评价指标分别为：均方误差(MSE)为0.031908，平均绝对误差(MAE)为0.09375、决定系数(R2)为0.83722。
S5：将训练好的GA-SVR射频消融损伤深度预测模型移植到射频消融仪中，实现射频消融损伤深度预测***。
把可预测射频消融损伤深度的算法移植到射频消融仪中，这样就可以在进行射频消融术的过程中实时预测射频消融损伤深度。可预测消融损伤深度的射频消融***结构如图4所示：包括：M1模块，射频消融***的控制核心—STM32F407芯片，芯片中植入了GA-SVR射频消融损伤预测算法模型；M2模块，为开关电源；M3模块，为射频功率发生器；M4模块，为压力导管电极；M5模块，为射频功率(电流、电压)检测电路；M6模块，为多通道高速ADC模块；M7模块，为人机交互界面；
在M7模块人机交互界面中设定消融工作功率，通过UART通信传输给M1模块。M1模块通过DAC输出可控直流电压信号，控制M2模块开关电压产生0-100V的直流电压。M3模块将M2模块中的直流电压逆变为射频电压，通过M4模块的压力导管电极按照设定的消融功率将射频电压作用在消融组织。M5模块的射频功率检测电路检测消融过程中的实际的工作电压和电流，并将电压和电流信号传输给M6模块。M4模块压力导管电极中的压力传感器也将检测到的CF值传输给M6模块。M6模块将采集到的电压、电流和CF信号转换成数字量传输给M1模块，M1模块根据电压和电流计算出实际工作功率和阻抗，通过比较实际输出功率以及设置功率调整输出控制实际工作功率稳定在设置工作功率。M1模块中的GA-SVR射频消融损伤深度预测模型模块结合M6模块中传输消融功率、CF和M1模块中计时器记录的消融时间，计算当前的射频消融损伤深度，并在M7模块人机交互界面中显示出来。
由S4所述测试结果可见，该方法可以根据消融参数准确预测消融损伤深度，为提高心律失常消融的安全性和有效性提供有价值的参考信息。

Claims (4)

1.一种基于支撑向量回归的射频消融损伤深度预测模型，其特征在于，通过机器学习算法建立射频消融参数：时间、CF、功率和阻抗，与消融损伤深度之间的非线性量化关系，即GA-SVR模型，该GA-SVR模型通过射频消融过程中4个消融参数的值预测射频消融的损伤深度；该GA-SVR模型由如下步骤构建得到：
步骤一：确定GA-SVR模型的输入、输出变量；
其中，GA-SVR模型的输入变量为射频消融时间、CF、消融功率和阻抗；模型的输出变量为消融损伤深度；
步骤二：建立SVR参数模型；
获取射频消融参数：时间、CF、功率和阻抗，与射频消融损伤深度的数据集；对数据集做归一化处理：
Figure FDA0003980562790000011
其中，X为数据样本向量，Xmin为样本向量的最小值，Xmax为样本向量的最大值，Xn为归一化后的样本向量；
将射频消融参数：时间、CF、功率和阻抗，作为SVR模型的输入向量，记为X＝[X1,X2,X3,X4]，SVR模型的输出量为消融参数向量X对应的消融损伤深度Y；基于输入量和输出量，建立SVR模型，SVR模型的表达式如式(2)所示：
f(X)＝WT·X+b (2)
其中，W为权重系数向量，b为偏置项，X为输入向量，f(X)为输出量；
SVR模型回归问题就是计算出合适的权重向量W和偏置项b，所有样本点离超平面的距离最小；故SVR回归问题等价为求解最小值优化问题，求解最小值的目标函数如式(3)所示：
Figure FDA0003980562790000012
s.t.Yi＝WTXi+b+ξi
其中，C为惩罚因子，n为样本的个数，ξ为引入的不敏感损失，所谓不敏感损失，是指SVR预测值与真实值的误差绝对值大于某个阈值才计算损失，即可以忽略真实值在某个上下范围内的误差，确保全局最小解的存在和可靠泛化界的优化；且ξ≧0，C>0；
引入核函数把样本从低维空间映射到高维空间，使数据样本在高维空间可线性回归，实现超平面对非线性数据样本进行回归分析；核函数采用径向基高斯核函数，径向基高斯核函数如式(4)所示：
Figure FDA0003980562790000021
其中，Xi,Xj是两个样本向量，K(Xi,Xj)是这两个向量映射到特征空间后的内积，g为径向基高斯核函数的带宽；
步骤三：采用遗传算法GA对SVR模型参数进行优化，构建GA-SVR消融损伤深度预测模型；具体为通过GA对SVR模型的参数C和g进行智能优化选择，找出SVR模型预测消融损伤深度的最优参数；将最优参数代入到SVR模型中，构建出GA-SVR消融损伤深度预测模型；
步骤四：对GA-SVR模型的训练和测试
将步骤二中的数据集按一定比例分成训练集和测试集，用于GA-SVR模型的训练和测试，用训练集对GA-SVR模型进行训练，用测试集对训练好模型的拟合度和预测精度进行测试，最终获得可以预测射频消融损伤深度的GA-SVR预测模型。
2.根据权利要求1所述的射频消融损伤深度预测模型，其特征在于，步骤三中所述采用GA算法对SVR模型参数优化，获取最佳参数C和g，具体是通过GA算法模仿自然界的优胜劣汰的法则，经过选择、交叉、变异操作，对SVR模型的参数C和g进行全局寻优，找出最佳的参数C和g，具体流程为：
S301：参数编码，种群初始化；
采用实数编码作为个体编码方式，随机产生n个染色体，分别标号为M1、M2、……Mn，每个染色染中都包含SVR模型的惩罚因子C和核函数参数g，所以遗传算法的个体编码长度为2，即每个染色体Mi中包含Ci和gi对应的编码信息；
S302：计算适应度值；
S301中已经对SVR模型的惩罚因子C和核函数参数g进行了染色体个体编码，选择SVR预测值与真实值之间的平均绝对误差作为染色体个体的适应度，适应度计算公式如式(5)所示：
Figure FDA0003980562790000022
其中,n为样本的数量，Yj为第j个样本对应的真实输出值，SVR(Xj)为第j个样本SVR模型预测值；
S303：选择、交叉、变异后重新计算适应度；
选择操作是从旧染色体种群中以一定的概率挑选表现优秀的染色特个体组成新的染色特种群，染色体的个体选择概率是个体的适应度值来决定的，染色体的个体适应度越低，被选择的概率越大；选择轮盘赌法作为GA算法的选择操作，每个染色体个体被选择的概率如式(6)：
Figure FDA0003980562790000023
其中，N为染色体种群数量，Fi为染色体个体的适应度值，k为系数；
跟自然界的生物繁衍的基因遗传类似，GA算法需要通过交叉操作，将随机的两个染色体个体通过编码交换组合，把优秀的基因特征遗传给子代，产生新的优秀个体；采用实数交叉法作为GA算法的交叉操作方法，两个染色体个体交叉操作方法如式(7)、(8)所示：
Ril＝Ril(1-b)+Rjlb (7)
Rjl＝Rjl(1-b)+Rilb (8)
其中，Ril表示第i号染色体的l位，Rjl表示第j号染色体的l位，b为[0,1]间的随机数；
为了使GA算法能够实现全局寻优，防止陷入局部最优解，对染色体个体进行变异操作；将第i号的染色体的j号基因进行变异操作，变异操作方法如式(9)所示：
Figure FDA0003980562790000031
其中，Rmax为染色体Rij的上界，Rmin为染色体Rij的下界，g为当前迭代次数，Gmax为最大迭代次数，r2是一个随机数，r是[0,1]的随机数；
GA算法经过以上步骤不断迭代更新出新的种群，并重新计算新的种群的适应度，当达到设定的最大迭代次数后停止迭代更新；
S304：获取最优参数C和g；
通过GA算法的不断迭代寻优，得到SVR模型的最优参数C和g，并把参数代入SVR模型建立GA-SVR预测模型。
3.一种基于权利要求1或2所述射频消融损伤深度预测模型的可预测射频消融损伤深度的射频消融***，由射频消融仪和可测量CF的消融导管电极以及消融损伤深度预测模型--GA-SVR模型模块组成；所述导管电极用于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；所述射频消融仪用于根据需要调整消融功率，且可实时检测射频消融过程的射频电流、电压，进而计算出消融功率和阻抗；所述GA-SVR模型模块射频消融仪在射频消融的过程中，根据实时检测的消融功率、CF、消融时间以及阻抗，累计计算并显示当前的消融损伤深度预测值。
4.根据权利要求3所述的可预测射频消融损伤深度的射频消融***，其特征在于，具体包括：
M1模块，射频消融***的控制核心—STM32F407芯片，芯片中植入了GA-SVR射频消融损伤预测算法模型；M2模块，为开关电源；M3模块，为射频功率发生器；M4模块，为压力导管电极；M5模块，为射频功率检测电路；M6模块，为多通道高速ADC模块；M7模块，为人机交互界面；
在M7模块中设定消融工作功率，通过UART通信传输给M1模块；M1模块通过DAC输出可控直流电压信号，控制M2模块开关电压产生0-100V的直流电压；M3模块将M2模块中的直流电压逆变为射频电压，通过M4模块按照设定的消融功率将射频电压作用在消融组织；M5模块检测消融过程中的实际的工作电压和电流，并将电压和电流信号传输给M6模块；M4模块中的压力传感器也将检测到的CF值传输给M6模块；M6模块将采集到的电压、电流和CF信号转换成数字量传输给M1模块，M1模块根据电压和电流计算出实际工作功率和阻抗，通过比较实际输出功率以及设置功率调整输出控制实际工作功率稳定在设置工作功率；M1模块中的GA-SVR模型模块结合M6模块中传输消融功率、CF和M1模块中计时器记录的消融时间，计算当前的射频消融损伤深度，并在M7模块中显示出来。
CN202211549908.9A 2022-12-05 2022-12-05 基于支撑向量回归的射频消融损伤深度预测模型和*** Pending CN116172688A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211549908.9A CN116172688A (zh) 2022-12-05 2022-12-05 基于支撑向量回归的射频消融损伤深度预测模型和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211549908.9A CN116172688A (zh) 2022-12-05 2022-12-05 基于支撑向量回归的射频消融损伤深度预测模型和***

Publications (1)

Publication Number Publication Date
CN116172688A true CN116172688A (zh) 2023-05-30

Family

ID=86439184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211549908.9A Pending CN116172688A (zh) 2022-12-05 2022-12-05 基于支撑向量回归的射频消融损伤深度预测模型和***

Country Status (1)

Country Link
CN (1) CN116172688A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117731390A (zh) * 2024-02-19 2024-03-22 南京康友医疗科技有限公司 一种射频消融控制***
CN117838284A (zh) * 2024-03-07 2024-04-09 上海微创电生理医疗科技股份有限公司 脉冲消融导管的控制方法及脉冲消融导管

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117731390A (zh) * 2024-02-19 2024-03-22 南京康友医疗科技有限公司 一种射频消融控制***
CN117838284A (zh) * 2024-03-07 2024-04-09 上海微创电生理医疗科技股份有限公司 脉冲消融导管的控制方法及脉冲消融导管
CN117838284B (zh) * 2024-03-07 2024-05-28 上海微创电生理医疗科技股份有限公司 脉冲消融导管的控制方法及脉冲消融导管

Similar Documents

Publication Publication Date Title
JP6280997B1 (ja) 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法
CN112488235A (zh) 一种基于深度学习的电梯时序数据的异常诊断方法
CN113723007B (zh) 基于drsn和麻雀搜索优化的设备剩余寿命预测方法
CN107462875B (zh) 基于iga-np算法的认知雷达最大mi波形优化方法
CN116172688A (zh) 基于支撑向量回归的射频消融损伤深度预测模型和***
CN111461187B (zh) 一种建筑物沉降智能检测***
Wang et al. Diabetes Risk Analysis Based on Machine Learning LASSO Regression Model
CN112101418B (zh) 一种乳腺肿瘤类型识别方法、***、介质及设备
CN108460462A (zh) 一种基于区间参数优化的区间神经网络学习方法
CN112215259B (zh) 基因选择方法和装置
CN103123669A (zh) 一种基于遗传算法的人体体成分分析方法
CN103637800A (zh) 基于八段阻抗模型的人体成分分析的方法
CN113012766A (zh) 一种基于在线选择性集成的自适应软测量建模方法
CN115906638A (zh) 建立火控***故障预测模型、故障预测方法及相关装置
Sluijterman et al. How to evaluate uncertainty estimates in machine learning for regression?
CN117556198A (zh) 基于全波形井地电法的视电阻率去噪计算方法
CN115115038B (zh) 一种基于单导联心电信号的模型构建方法及性别识别方法
CN116736214A (zh) 一种cvt稳定性评估方法和***
CN113033064B (zh) 一种基于支持向量机的电力设备冲击负荷模拟方法
Putluri et al. Identification of protein coding region in DNA sequence using novel adaptive exon predictor
KR102527149B1 (ko) 질량 분석 및 기계 학습에 기초한 암 진단에 사용하는 분류 모델 최적화 장치 및 그 방법
Chakraborty et al. Bayesian neural networks for bivariate binary data: An application to prostate cancer study
CN113393931A (zh) 一种基于***动力学的乳腺癌诊断与治疗方法
CN107067017B (zh) 基于caga与svm的近红外光谱的烧伤深度预测***
CN114271927B (zh) 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

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination