當讓心臟肌肉保持同步的電脈沖“交響曲”變得混亂時，心率失常便會出現(xiàn)。盡管其癥狀通常很少被注意到，但在美國，心律不齊每年導致幾十萬人死于突然的心臟驟停。限制預測此類事件的模型建立的一個主要問題是，無法測量并且監(jiān)控組合在一起讓心臟跳動的上百個變量。

兩名德國馬普學會動力學和自組織研究所的研究人員開發(fā)了一種利用人工智能精確建立心臟肌肉電興奮模型的算法。

這項研究利用了描述激發(fā)介質的偏微分方程和一項被稱為回聲狀態(tài)神經(jīng)網(wǎng)絡（ESN）的技術，交叉預測了關于心臟組織中混亂的電波傳播的變量。

“這是一個眾所周知但頗具挑戰(zhàn)性的問題。我們提供了一種利用機器學習方法的新解決方案?！闭撐淖髡咧弧⒃撗芯克镝t(yī)學物理學研究小組成員Ulrich Parlitz表示。

由于機器學習技術已經(jīng)變得更加強大，因此諸如ESN等特定神經(jīng)網(wǎng)絡能代表動力系統(tǒng)并且隨著時間流逝留下事件記憶。這有助于理解心律不齊的電信號是如何失去同步的。

研究人員建立的模型填補了動態(tài)觀測器的空白。

在讓該算法接受了關于物理模型產生的數(shù)據(jù)集方面的訓練后，Parlitz和搭檔Roland Zimmermann向ESN輸入了新的被測量的時間序列。這一過程使觀測器得以交叉預測狀態(tài)向量。例如，假設研究人員知道某個時間點上特定心臟區(qū)域的電壓，他們便能重構鈣電流的流動?！半m然論文描述的是交叉預測問題，但ESN還可被用于預測未來行為。”Parlitz表示，理解心臟的電屬性只是一部分內容。

Parlitz介紹，他和同事正在研究將心臟內部機械動力學的超聲測量結果包括進來。該團隊希望，或許有一天他們能將不同形式的測量結果同心臟跳動的電學和機械學特征模型結合起來，從而改善心臟疾病的診斷和治療。