CN112560919A - 基于一维可解释卷积神经网络的人机不同步识别方法 - Google Patents
基于一维可解释卷积神经网络的人机不同步识别方法 Download PDFInfo
- Publication number
- CN112560919A CN112560919A CN202011431650.3A CN202011431650A CN112560919A CN 112560919 A CN112560919 A CN 112560919A CN 202011431650 A CN202011431650 A CN 202011431650A CN 112560919 A CN112560919 A CN 112560919A
- Authority
- CN
- China
- Prior art keywords
- layer
- machine
- dimensional
- neural network
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000005399 mechanical ventilation Methods 0.000 claims abstract description 21
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 14
- 230000004913 activation Effects 0.000 claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims abstract description 12
- 238000009795 derivation Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 11
- 230000000241 respiratory effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/0003—Accessories therefor, e.g. sensors, vibrators, negative pressure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/0003—Accessories therefor, e.g. sensors, vibrators, negative pressure
- A61M2016/0027—Accessories therefor, e.g. sensors, vibrators, negative pressure pressure meter
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/0003—Accessories therefor, e.g. sensors, vibrators, negative pressure
- A61M2016/003—Accessories therefor, e.g. sensors, vibrators, negative pressure with a flowmeter
- A61M2016/0033—Accessories therefor, e.g. sensors, vibrators, negative pressure with a flowmeter electrical
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Emergency Medicine (AREA)
- Pulmonology (AREA)
- Anesthesiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Hematology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，包括S1、预处理；S2、构建多层以一维卷积神经网络为核心的深度学习模型；S3、将样本分为训练集、验证集和测试集，将训练集输入深度学习模型进行训练，分别利用验证集和测试集来优化模型参数，评估模型分类性能；S4、将原始呼吸信号经过步骤S1的预处理后，输入已训练的深度学习模型里，即可获得当前呼吸信号的人机不同步识别结果；S5、基于参数推导，通过梯度加权类激活映射的方式，获得模型在分类决策过程中的可视化解释。本发明采用一维可解释卷积神经网络为核心的模型架构，不仅能自动化检测和识别人机不同步波形，并具有较好的可解释性。
Description
技术领域
本发明涉及一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法。属于技术领域。
背景技术
识别人机不同步需要医护人员长时间在床边观察呼吸机上的压力和流量时间波形。然而，长时间地观测以及各种人机不同步类型的识别，对医护人员来说无疑是一种挑战。人机不同步的半自动检测算法中，基于规则的传统检测算法，容易受到特征阈值设置合理性的影响，存在大量漏判和误判的情况；基于机器学习框架的检测算法，依赖于精细的特征工程的构造和选取，也需要重复试验来验证算法的可靠性；基于通用的处理时序信号的循环神经网络虽能自动化识别人机不同步类型，但此方法依然是个“黑盒”，医护人员不能较好理解这种检测模式。
发明内容
本发明的目的在于克服上述不足，提供了一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法。
本发明的目的是这样实现的：
一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，其特点是：包括以下步骤：
S1、预处理；
通过标记的包含人机不同步和非人机不同步的呼吸信号作为训练样本，先进行数据标准化，再通过重采样，将数据集中的所有样本处理成等长的序列；
S2、构建多层以一维卷积神经网络为核心的深度学习模型；
一次呼吸信号由一路流速和一路压力数据组成，构建一个双通道并行的五层一维卷积神经网络，在特征提取后通过Add层将分别提取的流速和压力维度信息相加；
S3、将样本分为训练集、验证集和测试集，将训练集输入深度学习模型进行训练，分别利用验证集和测试集来优化模型参数，评估模型分类性能；
S4、将原始呼吸信号经过步骤S1的预处理后，输入已训练的深度学习模型里，即可获得当前呼吸信号的人机不同步识别结果；
S5、基于参数推导，通过梯度加权类激活映射的方式，获得模型在分类决策过程中的可视化解释。
进一步的，S1中，由于标记的数据集中非人机不同步样本数要远多于人机不同步样本数，所以以欠采样的方式，通过随机抽取与人机不同步样本数量大致相当的非人机不同步样本，来对数据集进行样本均衡；所有样本先进行z-score标准化处理。
其中，xi是每个独立样本中第ith个采样点的信号幅值，是每个独立样本的信号长度，μ和σ分别是每个独立样本的信号幅值的均值和标准差。
进一步的，每个样本的数据进行重采样到300长度，使所有样本序列等长。
进一步的，S2具体包括以下步骤：
S2-1、采用一维空洞卷积；卷积核尺寸从11逐层缩减至3，膨胀率从1逐层增加至4，卷积核数量从64逐层缩减至16；
S2-2、每一层采用以1为步长same的卷积模式；
S2-3、在每一层卷积后都放置批归一化层；
S2-4、在第一层和第四层卷积后放置池化层；
S2-5、在每一卷积层后都放置Dropout层；
S2-6、使用全连接层进行分类。
进一步的，S2-5中，随机丢失率设置为0.2。
进一步的，S3中，先将整个数据集按9:1随机划分为训练部分和测试部分的数据，再按7:3将训练部分的数据随机划分为训练集和验证集；
其中，训练集用以训练模型参数，验证集在反向传播的过程中用以优化模型参数，测试集用以衡量模型的泛化性能。
进一步的，S5包括以下步骤：
S5-1、对于一次呼吸信号，
和
是序列数据经过并行的两路特征提取后最后一层卷积层的输出；
S5-2、经过融合层后，把两路卷积后提取的特征图以相加的方式合并起来，即
S5-3、对于某一类别，首先计算该类别在softmax层之前的输出结果对卷积层的输出特征图求导，即
得到对应的梯度；然后将整个特征图所有的维度加和求平均，得到最后的权重
表示每个特征维度对类别c的重要性；
其中Z＝∑t1，yc代表分类分数，fk(t)代表第k个特征图在时间t上的激活值；
S5-4、将权重与对应的特征图相乘，然后将所有的特征图相加，经过一个ReLU函数,即可得到加权类激活图；
S5-5、将加权类激活图
上采样到原始呼吸信号的维度，再以热力图的方式映射到原始呼吸数据上。
进一步的，S5-4中，使用ReLU函数去除负值对加权类激活图的影响。
与现有技术相比，本发明的有益效果是：
本发明一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，采用端到端的训练方式，避免了规则算法的阈值选择的不确定性以及机器学习显式地特征提取的过程，与传统算法相比有更高的识别精确率和抗干扰性。相比于适合分析时序信号的循环神经网络，在能达到相同精度的同时，无论是训练周期，还是检测速度，本发明提出的模型架构要优于循环神经网络。本发明基于理论推导，通过热力图的形式，可视化模型对关注的特征区域的分类过程，增强了深度学习的可解释性。
本发明一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，通过一维卷积神经网络的构建，只需简单的预处理即可自动化对呼吸波形检测是否发生人机不同步事件，辅助加快医护人员对波形的判别，及时提示查看和调整呼吸机参数设置，提高机械通气质量。其次基于深度学习理论，对模型的可视化分析，可帮助医护人员更好的理解深度学习方法以及评估方法的准确性，增强分类诊断。
本发明是一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，不限于该类人机不同步的检测，对其他类型人机不同步的识别和分析具有普遍适用性。本发明可扩展至各种一维信号的检测和分析问题上，例如心电信号。
附图说明
图1为本发明一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法的流程示意图。
图2为本发明提出的一维卷积神经网络结构示意图。
图3为本发明提出的一维卷积神经网络的可视化方案示意图。
图4为本发明的不同实施例的分类结果可视化效果图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制发明的保护范围。
为了解决人机不同步检测方法自动化程度低以及方法可解释性差等问题，本发明提出了一种基于一维卷积神经网络的机械通气人机不同步波形识别及网络可视化的方法。
参见图1-3，本发明一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，包括以下步骤：
S1、预处理；
通过标记的包含人机不同步和非人机不同步的呼吸信号作为训练样本。单次呼吸信号的序列长度可任意，先进行数据标准化，再通过重采样，将数据集中的所有样本处理成等长的序列；
呼吸波形数据由专业医生进行标注。由于标记的数据集中非人机不同步样本数要远多于人机不同步样本数，所以以欠采样的方式，通过随机抽取与人机不同步样本数量大致相当的非人机不同步样本，来对数据集进行样本均衡。数据集中各样本的数据长度可任意，所有样本先进行z-score标准化处理。
其中，xi是每个独立样本中第lth个采样点的信号幅值，是每个独立样本的信号长度，μ和σ分别是每个独立样本的信号幅值的均值和标准差。
因为一维卷积只能采用固定大小的张量作为输入，所以再对每个样本的数据进行重采样到300长度，使所有样本序列等长。
S2、构建多层以一维卷积神经网络为核心的深度学习模型；
由于一次呼吸信号由一路流速和一路压力数据组成，所以构建了一个双通道并行的五层一维卷积神经网络，在特征提取后通过Add层将分别提取的流速和压力维度信息相加。
S2-1、采用一维空洞卷积，来保证在下采样层中不丢失信息的同时来扩大感受野，提高每一层卷积后产生的特征图中包含的信息。卷积核尺寸从11逐层缩减至3，膨胀率从1逐层增加至4，卷积核数量从64逐层缩减至16。
S2-2、考虑到卷积模式以及卷积操作会使数据的位置发生相移，所以每一层采用以1为步长same的卷积模式。这样，相对于输入信号，可以保证卷积之后输出的特征图维度保持不变，从而避免了卷积操作使数据的位置信息发生偏移。
S2-3、在每一层卷积后都放置批归一化层。因为在深度学习中，随着层数的加深，上一层中即使较小的参数变化都可能会对下一层的数据输入分布产生较大的内部协变量偏移。设置批量标准化，通过计算输入批次的数据的均值和方差，将输入数据进行缩放和偏移，就可以减少这种情况。这样，既保证了网络稳定获得非线性的表达能力，又加速了神经网络的训练和收敛速度。
S2-4、在第一层和第四层卷积后放置池化层。通过池化操作来降低卷积层输出的特征向量。
S2-5、在每一卷积层后都放置Dropout层。Dropout通过概率性的减少同一层中神经元节点数来降低层与层之间的依赖性，来有效防止过拟合。在训练过程中，会随机排除网络中某些节点对数据的学习，在本实施例中，设置了0.2的随机丢弃率，迫使网络学习数据中更鲁棒的特征。
S2-6、使用全连接层进行分类。下表列出了实施例中使用的详细的网络参数的定义。
S3、样本分为训练集、验证集和测试集，将训练集输入深度学习模型进行训练，分别利用验证集和测试集来优化模型参数，评估模型分类性能；
此步骤的具体实施例为，先将整个数据集按9:1随机划分为训练部分和测试部分的数据，再按7:3将训练部分的数据随机划分为训练集和验证集。训练集用以训练模型参数，验证集在反向传播的过程中用以优化模型参数，测试集用以衡量模型的泛化性能。下表给出了实施例所训练的网络模型的分类性能。
S4、将原始呼吸信号经过步骤S1的预处理后，输入已训练的深度学习模型里，即可获得当前呼吸信号的人机不同步识别结果；
S5、基于参数推导，通过梯度加权类激活映射的方式，获得模型在分类决策过程中的可视化解释。
在卷积神经网络中，通过使用流入最后卷积层的梯度信息，为每个神经元分配权值，解释了模型所关注波形的特定部分在对分类做出决策时的重要性。
S5-1、对于一次呼吸信号，
和
是序列数据经过并行的两路特征提取后最后一层卷积层的输出，分别代表了压力数据和流速数据在时间t上被滤波单元k所激活。
S5-2、经过融合层后，
把两路卷积后提取的特征图以相加的方式合并起来。
S5-3、对于某一类别，首先计算该类别在softmax层之前的输出结果对卷积层的输出特征图求导，即
得到对应的梯度。然后将整个特征图所有的维度相加求平均，得到最后的权重
表示每个特征维度对类别x的重要性。
其中Z＝∑t1。yc代表分类分数，fk(t)代表第k个特征图在时间t上的激活值。
S5-4、将权重与对应的特征图相乘，然后将所有的特征图相加，经过一个ReLU函数,即可得到加权类激活图。
因为只需要关注特征图中的正值对最后的分类结果影响，所以使用ReLU函数去除负值对加权类激活图的影响。
S5-5、将加权类激活图
上采样到原始呼吸信号的维度，再以热力图的方式映射到原始呼吸数据上，就能观察到训练的网络在对人机不同步波形类型识别时具体依据哪块特征区域进行分类。图4展示了实施例的分类结果可视化效果图。
本发明是一种基于深度学习的一维可解释卷积神经网络的机械通气人机不同步识别方法。实施例中对周期类中周期过长进行检测、识别并做可视化分析，但本发明不限于该类人机不同步的检测，对其他类型人机不同步的识别和分析具有普遍适用性。本发明也可扩展至各种一维信号的检测和分析问题上，例如心电信号。
通过一维卷积神经网络的构建，只需简单的预处理即可自动化对呼吸波形检测是否发生人机不同步事件，辅助加快医护人员对波形的判别，及时提示查看和调整呼吸机参数设置，提高机械通气质量。其次基于深度学习理论，对模型的可视化分析，可帮助医护人员更好的理解深度学习方法以及评估方法的准确性，增强分类诊断。
在上述实施例中，仅对本发明进行示范性描述，但是本领域技术人员在阅读本专利申请后可以在不脱离本发明的精神和范围的情况下对本发明进行各种修改。
Claims (8)
1.一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，包括以下步骤：
S1、预处理；
通过标记的包含人机不同步和非人机不同步的呼吸信号作为训练样本，先进行数据标准化，再通过重采样，将数据集中的所有样本处理成等长的序列；
S2、构建多层以一维卷积神经网络为核心的深度学习模型；
一次呼吸信号由一路流速和一路压力数据组成，构建一个双通道并行的五层一维卷积神经网络，在特征提取后通过Add层将分别提取的流速和压力维度信息相加；
S3、将样本分为训练集、验证集和测试集，将训练集输入深度学习模型进行训练，分别利用验证集和测试集来优化模型参数，评估模型分类性能；
S4、将原始呼吸信号经过步骤S1的预处理后，输入已训练的深度学习模型里，即可获得当前呼吸信号的人机不同步识别结果；
S5、基于参数推导，通过梯度加权类激活映射的方式，获得模型在分类决策过程中的可视化解释。
2.根据权利要求1所述的一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，其特征在于：S1中，由于标记的数据集中非人机不同步样本数要远多于人机不同步样本数，所以以欠采样的方式，通过随机抽取与人机不同步样本数量大致相当的非人机不同步样本，来对数据集进行样本均衡；所有样本先进行z-score标准化处理。
其中，xi是每个独立样本中第ith个采样点的信号幅值，是每个独立样本的信号长度，μ和σ分别是每个独立样本的信号幅值的均值和标准差。
3.根据权利要求2所述的一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，其特征在于：每个样本的数据进行重采样到300长度，使所有样本序列等长。
4.根据权利要求1所述的一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，其特征在于：
S2具体包括以下步骤：
S2-1、采用一维空洞卷积；卷积核尺寸从11逐层缩减至3，膨胀率从1逐层增加至4，卷积核数量从64逐层缩减至16；
S2-2、每一层采用以1为步长same的卷积模式；
S2-3、在每一层卷积后都放置批归一化层；
S2-4、在第一层和第四层卷积后放置池化层；
S2-5、在每一卷积层后都放置Dropout层；
S2-6、使用全连接层进行分类。
5.根据权利要求4所述的一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，其特征在于：S2-5中，随机丢失率设置为0.2。
6.根据权利要求1所述的一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，其特征在于：S3中，先将整个数据集按9:1随机划分为训练部分和测试部分的数据，再按7:3将训练部分的数据随机划分为训练集和验证集；
其中，训练集用以训练模型参数，验证集在反向传播的过程中用以优化模型参数，测试集用以衡量模型的泛化性能。
7.根据权利要求1所述的一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，其特征在于：
S5包括以下步骤：
S5-1、对于一次呼吸信号，
和
是序列数据经过并行的两路特征提取后最后一层卷积层的输出；
S5-2、经过融合层后，把两路卷积后提取的特征图以相加的方式合并起来，即
S5-3、对于某一类别，首先计算该类别在softmax层之前的输出结果对卷积层的输出特征图求导，即
得到对应的梯度；然后将整个特征图所有的维度相加求平均，得到最后的权重
表示每个特征维度对类别c的重要性；
其中Z＝∑t1，yC代表分类分数，fk(t)代表第k个特征图在时间t上的激活值；
S5-4、将权重与对应的特征图相乘，然后将所有的特征图相加，经过一个ReLU函数，即可得到加权类激活图；
S5-5、将加权类激活图
上采样到原始呼吸信号的维度，再以热力图的方式映射到原始呼吸数据上。
8.根据权利要求7所述的一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，其特征在于：S5-4中，使用ReLU函数去除负值对加权类激活图的影响。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011431650.3A CN112560919A (zh) | 2020-12-07 | 2020-12-07 | 基于一维可解释卷积神经网络的人机不同步识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011431650.3A CN112560919A (zh) | 2020-12-07 | 2020-12-07 | 基于一维可解释卷积神经网络的人机不同步识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112560919A true CN112560919A (zh) | 2021-03-26 |
Family
ID=75059971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011431650.3A Pending CN112560919A (zh) | 2020-12-07 | 2020-12-07 | 基于一维可解释卷积神经网络的人机不同步识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560919A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221973A (zh) * | 2021-04-26 | 2021-08-06 | 武汉科技大学 | 一种可解释的空调系统深度神经网络故障诊断方法 |
| CN113313045A (zh) * | 2021-06-11 | 2021-08-27 | 浙江工业大学 | 基于多任务学习和类激活图反馈的人机不同步识别方法 |
| CN113332548A (zh) * | 2021-04-16 | 2021-09-03 | 深圳先进技术研究院 | 呼吸机通气模式的调节方法、装置及计算机可读存储介质 |
| CN113499081A (zh) * | 2021-07-06 | 2021-10-15 | 中山大学 | 基于双通道深度神经网络的驾驶员房颤检测方法及系统 |
| CN113599647A (zh) * | 2021-08-18 | 2021-11-05 | 深圳先进技术研究院 | 呼吸机机械通气的通气模式匹配方法、装置和相关设备 |
| CN113730755A (zh) * | 2021-09-23 | 2021-12-03 | 深圳先进技术研究院 | 一种基于注意力机制的机械通气人机异步检测识别方法 |
| CN113951868A (zh) * | 2021-10-29 | 2022-01-21 | 北京富通东方科技有限公司 | 机械通气患者人机不同步检测方法及装置 |
| CN114726802A (zh) * | 2022-03-31 | 2022-07-08 | 山东省计算中心（国家超级计算济南中心） | 一种基于不同数据维度的网络流量识别方法及装置 |
| WO2022267382A1 (zh) * | 2021-06-25 | 2022-12-29 | 中国科学院深圳先进技术研究院 | 一种呼吸机人机异步分类方法、系统、终端以及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
| CN109893732A (zh) * | 2019-02-28 | 2019-06-18 | 杭州智瑞思科技有限公司 | 一种基于循环神经网络的机械通气人机不同步检测方法 |
| CN110579354A (zh) * | 2019-10-16 | 2019-12-17 | 西安交通大学 | 一种基于卷积神经网络的轴承检测方法 |
| CN111178495A (zh) * | 2018-11-10 | 2020-05-19 | 杭州凝眸智能科技有限公司 | 用于检测图像中极小物体的轻量卷积神经网络 |
| CA3124755A1 (en) * | 2018-12-26 | 2020-07-02 | Analytics For Life Inc. | Methods and systems to configure and use neural networks in characterizing physiological systems |
| CN111476259A (zh) * | 2019-11-22 | 2020-07-31 | 上海大学 | 一种基于卷积神经网络的齿痕舌识别算法 |
| CN111563451A (zh) * | 2020-05-06 | 2020-08-21 | 浙江工业大学 | 基于多尺度小波特征的机械通气无效吸气努力识别方法 |
| CN111671423A (zh) * | 2020-06-18 | 2020-09-18 | 四川大学 | 一种eeg信号的表示方法、分类方法、可视化方法及介质 |
| WO2020215236A1 (zh) * | 2019-04-24 | 2020-10-29 | 哈尔滨工业大学（深圳） | 图像语义分割方法和系统 |
-
2020
- 2020-12-07 CN CN202011431650.3A patent/CN112560919A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
| CN111178495A (zh) * | 2018-11-10 | 2020-05-19 | 杭州凝眸智能科技有限公司 | 用于检测图像中极小物体的轻量卷积神经网络 |
| CA3124755A1 (en) * | 2018-12-26 | 2020-07-02 | Analytics For Life Inc. | Methods and systems to configure and use neural networks in characterizing physiological systems |
| CN109893732A (zh) * | 2019-02-28 | 2019-06-18 | 杭州智瑞思科技有限公司 | 一种基于循环神经网络的机械通气人机不同步检测方法 |
| WO2020215236A1 (zh) * | 2019-04-24 | 2020-10-29 | 哈尔滨工业大学（深圳） | 图像语义分割方法和系统 |
| CN110579354A (zh) * | 2019-10-16 | 2019-12-17 | 西安交通大学 | 一种基于卷积神经网络的轴承检测方法 |
| CN111476259A (zh) * | 2019-11-22 | 2020-07-31 | 上海大学 | 一种基于卷积神经网络的齿痕舌识别算法 |
| CN111563451A (zh) * | 2020-05-06 | 2020-08-21 | 浙江工业大学 | 基于多尺度小波特征的机械通气无效吸气努力识别方法 |
| CN111671423A (zh) * | 2020-06-18 | 2020-09-18 | 四川大学 | 一种eeg信号的表示方法、分类方法、可视化方法及介质 |
Non-Patent Citations (4)
| Title |
|---|
| HAOFAN WANG 等: "Improved Visual Explanations Via Score-Weighted Class Activation Mapping", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
| 化盈盈等: "深度学习模型可解释性的研究进展", 《信息安全学报》 * |
| 化盈盈等: "深度学习模型可解释性的研究进展", 《信息安全学报》, no. 03, 15 May 2020 (2020-05-15) * |
| 张俊鹏 等: "卷积神经网络在轴承故障诊断中的可解释性探讨", 《轴承》, no. 7 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113332548A (zh) * | 2021-04-16 | 2021-09-03 | 深圳先进技术研究院 | 呼吸机通气模式的调节方法、装置及计算机可读存储介质 |
| CN113221973B (zh) * | 2021-04-26 | 2022-04-19 | 武汉科技大学 | 一种可解释的空调系统深度神经网络故障诊断方法 |
| CN113221973A (zh) * | 2021-04-26 | 2021-08-06 | 武汉科技大学 | 一种可解释的空调系统深度神经网络故障诊断方法 |
| CN113313045A (zh) * | 2021-06-11 | 2021-08-27 | 浙江工业大学 | 基于多任务学习和类激活图反馈的人机不同步识别方法 |
| WO2022267382A1 (zh) * | 2021-06-25 | 2022-12-29 | 中国科学院深圳先进技术研究院 | 一种呼吸机人机异步分类方法、系统、终端以及存储介质 |
| CN113499081A (zh) * | 2021-07-06 | 2021-10-15 | 中山大学 | 基于双通道深度神经网络的驾驶员房颤检测方法及系统 |
| CN113599647A (zh) * | 2021-08-18 | 2021-11-05 | 深圳先进技术研究院 | 呼吸机机械通气的通气模式匹配方法、装置和相关设备 |
| CN113599647B (zh) * | 2021-08-18 | 2024-02-13 | 深圳先进技术研究院 | 呼吸机机械通气的通气模式匹配方法、装置和相关设备 |
| CN113730755A (zh) * | 2021-09-23 | 2021-12-03 | 深圳先进技术研究院 | 一种基于注意力机制的机械通气人机异步检测识别方法 |
| CN113730755B (zh) * | 2021-09-23 | 2023-09-05 | 深圳先进技术研究院 | 一种基于注意力机制的机械通气人机异步检测识别方法 |
| CN113951868A (zh) * | 2021-10-29 | 2022-01-21 | 北京富通东方科技有限公司 | 机械通气患者人机不同步检测方法及装置 |
| CN113951868B (zh) * | 2021-10-29 | 2024-04-09 | 北京富通东方科技有限公司 | 机械通气患者人机不同步检测方法及装置 |
| CN114726802A (zh) * | 2022-03-31 | 2022-07-08 | 山东省计算中心（国家超级计算济南中心） | 一种基于不同数据维度的网络流量识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560919A (zh) | 基于一维可解释卷积神经网络的人机不同步识别方法 | |
| CN112819093B (zh) | 基于小数据集与卷积神经网络的人机不同步识别方法 | |
| CN113313045A (zh) | 基于多任务学习和类激活图反馈的人机不同步识别方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
| CN110147732A (zh) | 指静脉识别方法、装置、计算机设备及存储介质 | |
| CN110135459B (zh) | 一种基于双三元组深度度量学习网络的零样本分类方法 | |
| CN114509266B (zh) | 一种基于故障特征融合的轴承健康监测方法 | |
| CN110705812A (zh) | 一种基于模糊神经网络的工业故障分析系统 | |
| CN109389057A (zh) | 一种基于多尺度高级语义融合网络的物体检测方法 | |
| CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
| CN109492708A (zh) | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 | |
| CN110502277A (zh) | 一种基于bp神经网络的代码坏味检测方法 | |
| CN114818579B (zh) | 基于一维卷积长短期记忆网络的模拟电路故障诊断方法 | |
| CN115391670B (zh) | 一种基于知识图谱的互联网行为分析方法与系统 | |
| Jiang et al. | A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals | |
| CN112836719A (zh) | 一种融合二分类和三元组的示功图相似性检测方法 | |
| CN115824519B (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
| CN114707571A (zh) | 基于增强隔离森林的信用数据异常检测方法 | |
| CN112087443A (zh) | 一种大规模工业传感网络信息物理攻击下传感数据异常智能化检测方法 | |
| CN114169398A (zh) | 基于随机森林算法的光伏直流电弧故障识别方法及装置 | |
| CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
| CN114298299A (zh) | 基于课程学习的模型训练方法、装置、设备及存储介质 | |
| CN106096634B (zh) | 基于自适应滑动窗口算法与区间折半算法的故障检测方法 | |
| CN109977400A (zh) | 一种校验处理的方法、装置、计算机存储介质及终端 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |