CN109893732A - 一种基于循环神经网络的机械通气人机不同步检测方法 - Google Patents

Abstract

一种基于循环神经网络的机械通气人机不同步检测方法，包括以下步骤：a采集机械通气时的呼吸记录，并由专家标注人机不同步类型；b采用标注后的呼吸记录训练和测试多通道循环神经网络模型；c采用多模型集成架构，检测各类人机不同步的发生。本发明采用多通道的模型结构，充分提取呼吸记录压力波形和流量波形的特征，特征融合后使用循环神经网络模型检测人机不同步的发生。采用多模型集成的架构，可以同时检测呼吸记录中的多类人机不同步的发生。

Description

一种基于循环神经网络的机械通气人机不同步检测方法

技术领域

本发明涉及循环神经网络技术，具体涉及一种检测方法，基于循环神经网络模型检测机械通气时的人机不同步。

背景技术

机械通气是指当呼吸器官不能维持正常的气体交换，即发生呼吸衰竭时，以呼吸机代替或辅助呼吸肌的工作。机械通气为临床上各种原因所致呼吸衰竭，以及其它各类需要呼吸功能支持的疾病争取治疗时间和创造条件。

在呼吸机普及的今天，许多临床医生仅仅关注其在缓解呼吸肌肉疲劳，改善通气及氧合等基本的功能上。虽然患者的生命体征得以维持，血气指标得以改善，但是患者的主观感受以及肺组织的通气是否安全合理却常常被忽略。辅助通气模式的应用已超二十年，但仍有四分之一的有创机械通气患者会出现严重的人机不同步现象，无创通气更是高达40％。文献显示不同步指数(单位时间内不同步呼吸次数/(总触发及未触发的呼吸次数)*100％)超过10％会显著延长机械通气时间、住ICU时间及总住院时间，增加病死率。

发明内容

针对现有技术中机械通气中的人机不同步现象，本发明提出了一种基于循环神经网络的机械通气人机不同步检测方法。

为了解决上述问题，本发明通过以下技术方案实现：

一种基于循环神经网络的机械通气人机不同步检测方法，包括以下步骤：

a采集机械通气时的呼吸记录，并由专家标注人机不同步类型；

b采用标注后的呼吸记录训练和测试多通道循环神经网络模型；

c采用多模型集成架构，检测各类人机不同步的发生，过程如下：

c1将呼吸记录同时输入到流速类模型、触发类模型、周期类模型和其他类模型中，检测呼吸记录中是否存在这四大类人机不同步；

c2如果流速模型检测出呼吸记录中存在流速不同步，则使用流速子模型将其分为流速不足或流速过高；

c3如果触发模型检测出呼吸记录中存在触发不同步，则使用触发子模型将其分为双触发、误触发、漏触发、延迟触发或反向触发；

c4如果周期模型检测出呼吸记录中存在周期不同步，则使用周期子模型将其分为吸气时间过长或吸气时间过短。

c5如果其他类模型检测出呼吸记录中存在其他类不同步，则使用其他类子模型将其分为矛盾呼吸或积水。

c6如果流速模型、触发模型、周期模型和其他类模型均未检测出人机不同步，则该呼吸记录被分为正常类。

进一步，所述步骤b中，所述的循环神经网络模型特征如下：

b1模型可输入不同长度的呼吸记录以应对不同类型人机不同步的检测需求；

b2采用双通道模型结构，使用门控循环神经单元(GRU)同时提取压力波形和流量波形的特征，一条通道提取压力波形的特征表达，另一条通道提取流量波形的特征表达；

b3采用拼接的融合方式，对两种特征表达进行融合，假设fea₁为压力波形的特征表达，fea₂为流量波形的特征表达，则fea₁⊕fea₂为融合后的特征表达，其中⊕代表向量直接拼接操作；

b4特征融合后，使用两层的双向门控循环神经单元(BGRU)模型进一步提取高维度特征；

b5使用softmax神经网络层得到呼吸记录的分类。

再进一步，所述步骤a中，使用采集系统采集患者机械通气时的呼吸记录，包含以下数据：

a1机械通气时的压力波形、流量波形和容量波形；

a2机械通气时的测量参数、设置参数和警报设置参数。

采集呼吸记录后由专家进行人机不同步类别的标注，标注数据用于训练和测试循环神经网络模型。

本发明的有益效果如下：采用多通道的模型结构，充分提取呼吸记录压力波形和流量波形的特征，特征融合后使用循环神经网络模型检测人机不同步的发生。采用多模型集成的架构，可以同时检测呼吸记录中的多类人机不同步的发生。

附图说明

图1为本发明基于循环神经网络的机械通气人机不同步检测方法的架构示意图。

图2为本发明中多通道循环神经网络的示意图。

图3为模型训练示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

参照图1～图3，一种基于循环神经网络的机械通气人机不同步检测方法，包括以下步骤：

a采集机械通气时的呼吸记录，并由专家标注人机不同步类型；

b采用标注后的呼吸记录训练和测试多通道循环神经网络模型；

c采用多模型集成架构，检测各类人机不同步的发生，过程如下：

c1将呼吸记录同时输入到流速类模型、触发类模型、周期类模型和其他类模型中，检测呼吸记录中是否存在这四大类人机不同步；

c2如果流速模型检测出呼吸记录中存在流速不同步，则使用流速子模型将其分为流速不足或流速过高；

c3如果触发模型检测出呼吸记录中存在触发不同步，则使用触发子模型将其分为双触发、误触发、漏触发、延迟触发或反向触发；

c4如果周期模型检测出呼吸记录中存在周期不同步，则使用周期子模型将其分为吸气时间过长或吸气时间过短。

c5如果其他类模型检测出呼吸记录中存在其他类不同步，则使用其他类子模型将其分为矛盾呼吸或积水。

c6如果流速模型、触发模型、周期模型和其他类模型均未检测出人机不同步，则该呼吸记录被分为正常类。

进一步，所述步骤b中，所述的循环神经网络模型特征如下：

b1模型可输入不同长度的呼吸记录以应对不同类型人机不同步的检测需求；

b2采用双通道模型结构，使用门控循环神经单元(GRU)同时提取压力波形和流量波形的特征，一条通道提取压力波形的特征表达，另一条通道提取流量波形的特征表达；

b3采用拼接的融合方式，对两种特征表达进行融合，假设fea₁为压力波形的特征表达，fea₂为流量波形的特征表达，则fea₁⊕fea₂为融合后的特征表达，其中⊕代表向量直接拼接操作；

b4特征融合后，使用两层的双向门控循环神经单元(BGRU)模型进一步提取高维度特征；

b5使用softmax神经网络层得到呼吸记录的分类。

再进一步，所述步骤a中，使用采集系统采集患者机械通气时的呼吸记录，包含以下数据：

a1机械通气时的压力波形、流量波形和容量波形；

a2机械通气时的测量参数、设置参数和警报设置参数。

采集呼吸记录后由专家进行人机不同步类别的标注，标注数据用于训练和测试循环神经网络模型。

本实施例的检测方法，采用多模型集成的架构，可同时检测多类人机不同步的发生。图1为本方法的架构示意图。将呼吸记录同时输入到流速模型、触发模型、周期模型和其他类模型中，检测呼吸记录中是否存在这四大类人机不同步。如果流速模型检测出呼吸记录中存在流速不同步，则使用流速子模型将其分为流速不足或流速过高；如果触发模型检测出呼吸记录中存在触发不同步，则使用触发子模型将其分为双触发、误触发、漏触发、延迟触发或反向触发；如果周期模型检测出呼吸记录中存在周期不同步，则使用周期子模型将其分为吸气时间过长或吸气时间过短。如果其他类模型检测出呼吸记录中存在其他类不同步，则使用其他类子模型将其分为矛盾呼吸或积水。如果流速模型、触发模型、周期模型和其他类模型均未检测出人机不同步，则该呼吸记录被分为正常类。

实施例中所提供的多通道循环神经网络模型结构如图2所示。本实例，主要通过GRU提取压力波形和流量波形的高维特征，特征融合后，使用BGRU结构对呼吸记录进行分类。本实例中使用GRU提取特征，两层BGRU结构分类检测。但本发明不限于与GRU模型结合，而是具有普遍适用性，可与各种循环神经网络模型结合。

实例中，采用经专家标注的呼吸记录训练和测试循环神经网络模型。模型训练流程如图3所示，将呼吸记录分为训练集用于模型训练，测试集用于测试模型性能。通过参数优化改进模型性能获得最终模型并用于呼吸记录分类，从而检测人机不同步的发生。

结合多模型集成的框架和循环神经网络模型，基于循环神经网络的机械通气人机不同步检测方法能同时检测呼吸记录中多类人机不同步的发生，帮助临床医生更合理地设置呼吸机参数，从而改善患者主观感受，减少机械通气时间、住ICU时间及总住院时间，降低病死率。

Claims (3)

1.一种基于循环神经网络的机械通气人机不同步检测方法，其特征在于，所述方法包括以下步骤：

a采集机械通气时的呼吸记录，并由专家标注人机不同步类型；

b采用标注后的呼吸记录训练和测试多通道循环神经网络模型；

c采用多模型集成架构，检测各类人机不同步的发生，过程如下：

c1将呼吸记录同时输入到流速类模型、触发类模型、周期类模型和其他类模型中，检测呼吸记录中是否存在这四大类人机不同步；

c2如果流速模型检测出呼吸记录中存在流速不同步，则使用流速子模型将其分为流速不足或流速过高；

c3如果触发模型检测出呼吸记录中存在触发不同步，则使用触发子模型将其分为双触发、误触发、漏触发、延迟触发或反向触发；

c4如果周期模型检测出呼吸记录中存在周期不同步，则使用周期子模型将其分为吸气时间过长或吸气时间过短；

c5如果其他类模型检测出呼吸记录中存在其他类不同步，则使用其他类子模型将其分为矛盾呼吸或积水；

c6如果流速模型、触发模型、周期模型和其他类模型均未检测出人机不同步，则该呼吸记录被分为正常类。

2.如权利要求1所述的一种基于循环神经网络的机械通气人机不同步检测方法，其特征在于，所述步骤b中，所述的循环神经网络模型特征如下：

b1模型可输入不同长度的呼吸记录以应对不同类型人机不同步的检测需求；

b2采用双通道模型结构，使用门控循环神经单元(GRU)同时提取压力波形和流量波形的特征，一条通道提取压力波形的特征表达，另一条通道提取流量波形的特征表达；

b3采用拼接的融合方式，对两种特征表达进行融合，假设fea₁为压力波形的特征表达，fea₂为流量波形的特征表达，则fea₁⊕fea₂为融合后的特征表达，其中⊕代表向量直接拼接操作；

b4特征融合后，使用两层的双向门控循环神经单元(BGRU)模型进一步提取高维度特征；

b5使用softmax神经网络层得到呼吸记录的分类。

3.如权利要求1或2所述的一种基于循环神经网络的机械通气人机不同步检测方法，其特征在于，所述步骤a中，使用采集系统采集患者机械通气时的呼吸记录，包含以下数据：

a1机械通气时的压力波形、流量波形和容量波形；

a2机械通气时的测量参数、设置参数和警报设置参数；

采集呼吸记录后由专家进行人机不同步类别的标注，标注数据用于训练和测试循环神经网络模型。