Geometrieabhängiges Lead-Field-Modell für schnelle ECG‑Simulationen

Moderne Vorwärtsmodelle für das Elektrokardiogramm (ECG) setzen auf eine präzise Darstellung des Rumpfes. Der Lead‑Field‑Ansatz ermöglicht schnelle Simulationen, erfordert jedoch die vollständige Geometrie des Körpers – ein Ziel, das in der Praxis schwer zu erreichen ist, weil bildgebende Verfahren meist nur das Herz erfassen. Zudem steigt die Rechenzeit linear mit der Anzahl der Elektroden, was die Anwendung bei hochdichten Messungen erschwert.

In der vorliegenden Arbeit wird ein neues, geometriebasiertes Surrogatmodell vorgestellt, das diese Probleme gleichzeitig löst. Ein geometrie‑kodierendes Modul wandelt anatomische Formen in einen kompakten latenten Raum um, während ein geometrie‑bedingtes neuronales Netz die Lead‑Field‑Gradienten aus räumlichen Koordinaten, Elektrodenpositionen und den latenten Codes vorhersagt. Das Ergebnis ist eine hohe Genauigkeit – ein mittlerer Winkelfehler von nur 5° im Rumpf und ein relativer mittlerer quadratischer Fehler von unter 2,5 % bei den simulierten ECG‑Signalen.

Das neue Modell übertrifft die weit verbreitete Pseudo‑Lead‑Field‑Approximation, behält dabei aber einen vernachlässigbaren Inferenzaufwand bei. Damit bietet es eine effiziente, datenarme und anatomisch treue Lösung für die schnelle Simulation von ECG‑Signalen, insbesondere in hochdichten Messumgebungen.