Der Artikel präsentiert einen neuartigen hybriden Modellierungsansatz, um personalisierte virtuelle Herzmodelle zu erstellen, die die Elektrophysiologie (EP) des Herzens beschreiben. Dieser Ansatz, genannt HyPer-EP, kombiniert physikbasierte Modelle mit datengetriebenen neuronalen Netzwerken, um die Stärken beider Paradigmen zu nutzen.
Im ersten Beispiel verwendet HyPer-EP das einfache Eikonal-Modell als physikbasierte Komponente, um die Ausbreitungsgeschwindigkeit der Erregungswelle zu beschreiben, und ergänzt es mit einem neuronalen Netzwerk, um die realistische räumlich-zeitliche Dynamik des Aktionspotenzials zu modellieren.
Im zweiten Beispiel wird HyPer-EP als eine allgemeine Formulierung eines hybriden Differenzialgleichungsmodells dargestellt, bei dem der bekannte Teil der Gleichung durch ein partielles Differenzialgleichungsmodell und der unbekannte Teil durch ein neuronales Netzwerk repräsentiert wird.
Beide Instantiierungen von HyPer-EP nutzen einen neuartigen Meta-Lernansatz, um die Parameter des physikbasierten und des neuronalen Modellteils separat zu identifizieren, ohne auf direkte Überwachung der modellierten Variablen angewiesen zu sein. Die Leistungsfähigkeit von HyPer-EP wird in synthetischen Experimenten demonstriert und zeigt Vorteile gegenüber rein physikbasierten oder rein datengetriebenen Modellierungsansätzen.
To Another Language
from source content
arxiv.org
Djupare frågor