当让心脏肌肉保持同步的电脉冲"交响曲"变得混乱时，心率失常便会出现。尽管其症状通常很少被注意到，但在美国，心律不齐每年导致几十万人死于突然的心脏骤停。限制预测此类事件的模型建立的一个主要问题是，无法测量并且监控组合在一起让心脏跳动的上百个变量。

两名德国马普学会动力学和自组织研究所的研究人员开发了一种利用人工智能精确建立心脏肌肉电兴奋模型的算法。这项日前发表于美国物理联合会（AIP）出版集团所属《混沌学》杂志的研究，利用了描述激发介质的偏微分方程和一项被称为回声状态神经网络（ESN）的技术，交叉预测了关于心脏组织中混乱的电波传播的变量。"这是一个众所周知但颇具挑战性的问题。我们提供了一种利用机器学习方法的新解决方案。"论文作者之一、该研究所生物医学物理学研究小组成员Ulrich Parlitz表示。

由于机器学习技术已经变得更加强大，因此诸如ESN等特定神经网络能代表动力系统并且随着时间流逝留下事件记忆。这有助于理解心律不齐的电信号是如何失去同步的。研究人员建立的模型填补了动态观测器的空白。

在让该算法接受了关于物理模型产生的数据集方面的训练后，Parlitz和搭档Roland Zimmermann向ESN输入了新的被测量的时间序列。这一过程使观测器得以交叉预测状态向量。例如，假设研究人员知道某个时间点上特定心脏区域的电压，他们便能重构钙电流的流动。"虽然论文描述的是交叉预测问题，但ESN还可被用于预测未来行为。"Parlitz表示，理解心脏的电属性只是一部分内容。Parlitz还介绍说，他和同事正在研究将心脏内部机械动力学的超声测量结果包括进来。该团队希望，或许有一天他们能将不同形式的测量结果同心脏跳动的电学和机械学特征模型结合起来，从而改善心脏疾病的诊断和治疗。

来源： 中国科学报