The numerical tools to simulate the bidomain model in cardiac electrophysiology are constantly developing due to the great clinical interest and scientific advances in mathematical models and computational power. The bidomain model consists of an elliptic partial differential equation (PDE) and a non-linear parabolic PDE of reaction-diffusion type, where the reaction term is described by a set of ordinary differential equations (ODEs). We propose and analyze a suite of numerical strategies for the efficient and accurate simulation of cardiac electrophysiology, with a particular focus on ventricular fibrillation in realistic geometries. Specifically, we develop and compare a fully coupled strategy, a traditional decoupled strategy, and a novel partitioned strategy. The centerpiece of this work is a bidomain partitioned strategy enhanced with spectral deferred correction, designed to balance numerical stability and computational efficiency. To address the substantial memory requirements posed by biophysically detailed ionic models, we adopt a compile-time memory-efficient sparse matrix technique. This enables the efficient solution of the coupled nonlinear parabolic PDE and the associated large systems of ODEs that govern ionic gating and concentration dynamics. We perform comprehensive numerical experiments using the Luo-Rudy and Ten Tusscher cell models in both two- and three-dimensional geometries. In addition, we demonstrate the applicability of our approach to bidomain-bath coupling scenarios. The results confirm that the proposed partitioned strategy achieves high accuracy and efficiency compared to standard decoupled strategies. Our findings support the use of advanced partitioned strategies for large-scale simulations in cardiac electrophysiology and highlight their potential for future investigations into cardiac arrhythmias and other pathological conditions.


翻译:暂无翻译

0
下载
关闭预览

相关内容

神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
74+阅读 · 2020年8月2日
【ACL2020】多模态信息抽取,365页ppt
专知会员服务
150+阅读 · 2020年7月6日
强化学习最新教程,17页pdf
专知会员服务
182+阅读 · 2019年10月11日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
41+阅读 · 2019年10月9日
基于深度元学习的因果推断新方法
图与推荐
12+阅读 · 2020年7月21日
【ICML2020】图神经网络谱聚类
专知
10+阅读 · 2020年7月7日
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Layer Normalization原理及其TensorFlow实现
深度学习每日摘要
32+阅读 · 2017年6月17日
时延神经网络(TDNN)原理及其TensorFlow实现
深度学习每日摘要
56+阅读 · 2017年5月19日
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
VIP会员
相关资讯
基于深度元学习的因果推断新方法
图与推荐
12+阅读 · 2020年7月21日
【ICML2020】图神经网络谱聚类
专知
10+阅读 · 2020年7月7日
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Layer Normalization原理及其TensorFlow实现
深度学习每日摘要
32+阅读 · 2017年6月17日
时延神经网络(TDNN)原理及其TensorFlow实现
深度学习每日摘要
56+阅读 · 2017年5月19日
相关基金
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
Top
微信扫码咨询专知VIP会员