心电图是当前心脏疾病诊断的主要手段之一,然而心电图无法提供直观的心脏图像,心脏电功能成像技术就是解决这一弊端的有效方式。心脏电功能成像问题研究可以根据心脏模型的几何结构信息和体表电位分布实现对心脏电活动信息的实时成像,其本质是一个基于横跨膜电位的心电逆问题,即根据身体表面电位(BSP)无创地重建心脏跨膜电位(TMP),从而更好地反映出心脏电活动信息的细节。心电逆问题可视为一种多输入多输出的非线性回归问题(即根据多个体表电位分布输入通过回归模型重构多个心脏跨膜电位分布输出),而基于数据驱动的机器学习算法是解决非线性回归问题的一种有效手段。深度学习作为一类强大的机器学习算法是当前人工智能领域研究的前沿和热门方向,使用深度学习解决非线性回归任务可以实现更准确的预测精度和更良好的泛化能力。本文通过卷积神经网络(CNN)构建深度学习模型,使用Caffe框架对模型进行GPU并行训练。本文使用CNN构建深度学习模型。CNN具有强大的特征学习和表达能力,可以对心脏跨膜电位实现良好的逼近。实验结果表明,与极限学习机(ELM)和核极限学习机(ELM-kernel)方法相比,CNN方法具有更高的预测精度和泛化能力,能够更加准确地重构心脏电活动信息。使用常规CNN模型解决心电逆问题虽然能达到良好的精度,但训练过程收敛缓慢,内存开销大,计算时间复杂度高。本文进一步地提出了缓解在硬件能力受限的情况下CNN训练困难的解决方案,即使用核主成份分析(KPCA)方法对输入样本数据进行大幅度的降维处理,并在CNN网络结构中使用Maxout等稀疏策略,构建KPCA-CNN深度神经网络模型。KPCA-CNN模型相比于常规CNN模型大大降低了计算的时间复杂度而且更加蕴含稀疏性,这将提高特征提取的效率,实现快速收敛以及节约运算成本。实验结果证明KPCA-CNN模型比常规的CNN模型有着更好的收敛性能和计算效能。