CN113521460A - 机械通气人机异步检测方法、装置及计算机可读存储介质 - Google Patents
机械通气人机异步检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113521460A CN113521460A CN202110553820.3A CN202110553820A CN113521460A CN 113521460 A CN113521460 A CN 113521460A CN 202110553820 A CN202110553820 A CN 202110553820A CN 113521460 A CN113521460 A CN 113521460A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- encoder
- machine
- self
- 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.)
- Granted
Links
- 238000005399 mechanical ventilation Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 50
- 238000009423 ventilation Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 46
- 238000005070 sampling Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000003434 inspiratory effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 230000000241 respiratory effect Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010001052 Acute respiratory distress syndrome Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- 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
- A61M2205/00—General characteristics of the apparatus
- A61M2205/50—General characteristics of the apparatus with microprocessors or computers
-
- 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
- A61M2205/00—General characteristics of the apparatus
- A61M2205/50—General characteristics of the apparatus with microprocessors or computers
- A61M2205/52—General characteristics of the apparatus with microprocessors or computers with memories providing a history of measured variating parameters of apparatus or patient
Abstract
本申请公开了机械通气人机异步检测方法、装置及计算机可读存储介质,涉及呼吸机机械通气技术领域,该机械通气人机异步检测方法包括:获取呼吸机进行机械通气时的通气数据;将通气数据输入预设的自编码器,以提取通气数据的特征数据;将特征数据输入预设的卷积神经网络,以输出呼吸机的人机异步状态。通过上述方式,有利于提高机械通气人机异步检测方法的效率和准确度。
Description
技术领域
本申请涉及呼吸机机械通气技术领域,特别是涉及机械通气人机异步检测方法、装置及计算机可读存储介质。
背景技术
现有技术中,在检测呼吸机对用户进行的供气是否出现异步(即与用户的呼气或吸气不同步)时,常常需要本领域专家对各种异步情况下和正常情况下的特征信息进行人工提取和判别,以确定当前呼吸机供气和停止供气的动作是否分别与患者吸气和呼气的动作均同步。
现有技术的缺陷在于,人工提取特征以及对特征信息进行判断以确定呼吸机对用户进行的供气是否出现异步,效率较低,且人工处理特征信息以得到检测结果的准确度较低。
发明内容
本申请提供机械通气人机异步检测方法、装置及计算机可读存储介质,以解决现有技术中机械通气人机异步检测方法的效率和准确度较低的技术问题。
为解决上述技术问题,本申请提供的第一个技术方案为:一种机械通气人机异步检测方法,包括:获取呼吸机进行机械通气时的通气数据;将通气数据输入预设的自编码器,以提取通气数据的特征数据;将特征数据输入预设的卷积神经网络,以输出呼吸机的人机异步状态。
本申请提供的第二个技术方案为:一种机械通气人机异步检测装置,包括:存储器和处理器;存储器用于存储程序指令,处理器用于执行程序指令以实现上述机械通气人机异步检测方法。
本申请提供的第三个技术方案为:一种计算机可读存储介质,所述计算机可读存储介质存储有程序指令,所述程序指令被处理器执行时实现上述机械通气人机异步检测方法。
本申请提供的机械通气人机异步检测方法,通过获取呼吸机进行机械通气时的通气数据;将通气数据输入预设的自编码器,以提取通气数据的特征数据;将特征数据输入预设的卷积神经网络,以输出呼吸机的人机异步状态。本申请通过先基于预设的自编码器对通气数据的特征数据进行提取,再将该特征数据输入预设的卷积神经网络,以识别该通气数据所对应的人机异步状态,避免了人工提取特征或人工识别人机异步状态的步骤,降低了的人力资源的消耗,提高了机械通气人机异步检测方法的效率和准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本申请的机械通气人机异步检测方法的一实施例的流程示意图;
图2是本申请的自编码器的一实施例的结构示意图;
图3是本申请的一维卷积神经网络的一实施例的结构示意图;
图4是本申请的机械通气人机异步检测方法的另一实施例的流程示意图;
图5是图4所示机械通气人机异步检测方法中的步骤S22的一实施例的具体流程示意图;
图6是本申请的自编码器的一实施例的训练损失与训练迭代次数关系示意图;
图7是本申请的机械通气人机异步检测方法的一实施例的混淆矩阵结果示意图;
图8是本申请的机械通气人机异步检测装置的一实施例的结构示意图;
图9是本申请的计算机可读存储介质的一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,均属于本申请保护的范围。
本申请中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请首先提出一种机械通气人机异步检测方法,如图1所示,图1是本申请的机械通气人机异步检测方法的一实施例的流程示意图。
需要说明的是,呼吸机是一种重要的用于呼吸功能支持的生命设备,被广泛应用于医院的重症监护科室、一般性科室或家庭中,是具有呼吸功能障碍的人员的重要辅助支持设备。呼吸机的主要功能是在检测到患者需要吸气时对患者进行供气,并在患者需要呼气时停止对患者的供气。若呼吸机在患者需要吸气时停止供气而在患者需要呼气时对患者进行供气,则可认为该呼吸机对患者的供气过程中出现了异步。
本实施例机械通气人机异步检测方法具体包括以下步骤:
步骤S11:获取呼吸机进行机械通气时的通气数据。
本实施例中,可采用预设采样频率(如:50赫兹)对正在进行机械通气的呼吸机采集其通气数据。通气数据可至少包括气流流速数据、气流通道压力数据和气流量数据中的一种,其中,气流流速数据用于描述呼吸机在进行机械通气时的气流流动的速度,气流通道压力用于描述呼吸机在进行机械通气时的输送气流通道内的气压,气流量数据用于描述呼吸机在进行机械通气时所述送的气流的量。举例说明,可在呼吸机对患者进行供气时使用的供气管道中设置相关的传感器,以获得呼吸机在机械通气时的气流流速数据、气流通道压力数据和气流量数据。
步骤S12:将通气数据输入预设的自编码器,以提取通气数据的特征数据。
本实施例中,可将步骤S11中所获取的通气数据输入已预先完成相关训练的自编码器中,以使自编码器对通气数据中的特征信息进行提取而生成特征数据。基于自编码器进行特征信息的提取不仅可节省大量宝贵的人力资源,还可避免因人为失误所导致的错误出现,进而可大大提高提取特征信息的效率和准确度。
可选的,如图2所示,图2是本申请的自编码器的一实施例的结构示意图。自编码器20包括:自编码器输入层201、第一隐层202、第二隐层203、第三隐层204、第四隐层205、第五隐层206和自编码器输出层207;
自编码器输入层201、第一隐层202、第二隐层203、第三隐层204、第四隐层205、第五隐层206和自编码器输出层207依次连接,自编码器输入层201用于接收通气数据,自编码器输出层207为自编码器在训练时的输出层,第三隐层204用于输出特征数据。
步骤S13:将特征数据输入预设的卷积神经网络,以输出呼吸机的人机异步状态。
本实施例中,可将步骤S12中所提取的特征数据输入已预先完成相关训练的卷积神经网络中,以使卷积神经网络通过对特征数据的处理识别人机异步状态,进而可通过人机异步状态确定呼吸机的供气是否存在异步。人机异步状态至少包括双触发状态、无效吸气努力状态和正常状态,还可包括其它类型的人机异步状态,此处不作限定。举例说明:第一种情况,患者呼吸较为急促,呼吸机可能会连续捕捉到两次患者的吸气动作,进而将连续触发两次对患者进行机械通气的动作,从而造成过量供气的状况发生,此时的呼吸机就处于双触发状态;第二种情况,患者呼吸力度较弱,呼吸机可能始终或经常捕捉不到患者的吸气动作,进而无法触发对患者进行机械通气的动作,从而造成患者窒息的危险,此时的呼吸机就处于无效吸气努力状态;第三种情况,呼吸机正常在患者需要吸气时供气,在患者需要呼气时停止供气,此时的呼吸机就处于正常状态。本申请的机械通气人机异步检测方法可快速、准确识别出上述三种情况下的异常状态(双触发状态和无效吸气努力状态)或正常状态。
可选的,如图3所示,图3是本申请的一维卷积神经网络的一实施例的结构示意图。
卷积神经网络为一维卷积神经网络30;
一维卷积神经网络30包括:一维卷积神经网络输入层301、第一一维卷积层302、第一最大池化层303、第二一维卷积层304、第二最大池化层305、第三一维卷积层306、第一全连接层307、第二全连接层308和一维卷积神经网络输出层309;
一维卷积神经网络输入层301、第一一维卷积层302、第一最大池化层303、第二一维卷积层304、第二最大池化层305、第三一维卷积层306、第一全连接层307、第二全连接层308和一维卷积神经网络输出层309依次连接,一维卷积神经网络输入层301用于接收特征数据,一维卷积神经网络输出层309用于输出人机异步状态。
可选的,如图4所示,图4是本申请的机械通气人机异步检测方法的另一实施例的流程示意图。本实施例呼吸监测方法具体还包括以下步骤:
步骤S21:获取训练数据。
本实施例中,可基于对真实的呼吸事件的了解,采用呼吸机与模拟肺,仿真模拟具有急性呼吸窘迫综合征(acuterespiratory distress syndrome,ARDS)的患者在使用呼吸机时面对不同人机异步状态(至少包括:双触发状态、无效吸气努力状态和正常状态)时的呼吸事件,之后基于多个呼吸事件获取在呼吸机处于不同人机异步状态时的模拟通气数据,并将该不同呼吸事件下的模拟通气数据作为训练数据。
步骤S22:对训练数据进行预处理;其中,预处理至少包括对训练数据进行人机异步状态标注。
步骤S23:将预处理之后的训练数据输入自编码器,以对自编码器进行训练。
本实施例中,可先对训练数据进行预处理(至少包括对训练数据进行各训练数据所对应人机异步状态的标注),之后再基于预处理之后的训练数据对自编码器进行训练,并在训练完毕后以训练的自编码器的第三隐层(中间层)的输出数据作为通气数据的特征数据。
可选的,如图4所示,图4是本申请的机械通气人机异步检测方法的另一实施例的流程示意图。步骤S22具体可包括:将训练数据划分为多个数据段,对每一数据段进行人机异步状态标注。
步骤S23具体可包括:分别将每一人机异步状态对应的数据输入自编码器,以对自编码器进行训练。
进一步的,如图5所示,图5是图4所示机械通气人机异步检测方法中的步骤S22的具体流程示意图。步骤S22具体可包括以下步骤:
步骤S221:将训练数据划分为多个数据段。
步骤S222:对每一数据段进行采样点补齐,以使每一数据段的采样点数量相同。
步骤S223:利用每一数据段中各个采样点数据的均值和标准差,对每一数据段的数据进行标准化处理。
步骤S224:对标准化处理之后的每一数据段进行人机异步状态标注。
本实施例中,上述采样点补齐可以是对每一段数据进行补零或截断,以使每一数据段的数量相同(长度相同),举例说明,可将每一数据段通过补零或删除过多部分的采样点的方式使其均具备100个采样点数据。
例如,在实际中,最长呼吸周期信号长度计算公式如下:
maxLen=max(len(P1,P2,…,PL));
L=lentrainset+lentestset;
式中,maxLen为最长呼吸周期信号长度,lentrainset为训练数据的数据段数量,lentestset为测试数据的数据段数量,Px为一训练数据或测试数据的数据段,测试数据用于对自编码器和卷积神经网络进行测试之用。
可基于上述最长呼吸周期信号长度计算公式计算出最长呼吸周期信号长度,若该最长呼吸周期信号长度为100,则可将每一数据段通过补零或删除过多部分的采样点的方式使其均具备100个采样点数据。
在对每一数据段进行采样点补齐后再基于每一数据段中各个采样点数据的均值和标准差(或方差)分别对每一段数据段进行标准化处理,基于经标准化处理和标注划分的训练数据对自编码器和卷积神经网络进行训练,有利于进一步提高自编码器和卷积神经网络在进行特征提取和/或识别人机异步状态的效率和准确度。
具体的,所述标准化处理的公式如下:
在一实际应用场景中,训练数据和通气数据均可包括气流流速数据、气流通道压力数据和气流量数据三种类型的数据,可形成三维数据。例如,某次呼吸周期的气流流速数据的一数据段序列为Fx=(f1,f2,…,fx),气流通道压力数据的一数据段序列为Px=(p1,p2,…,px),气流量数据的一数据段序列为Vx=(v1,v2,…,vx)。那么,在对Fx、Px、Vx执行标准化后,上述标准化处理的公式中的N可指代F、P、V三者中的任一种。
自编码器可包括:自编码器输入层、第一隐层、第二隐层、第三隐层、第四隐层、第五隐层和自编码器输出层;自编码器输入层、第一隐层、第二隐层、第三隐层、第四隐层、第五隐层和自编码器输出层依次连接。其中,第一隐层、第二隐层、第三隐层、第四隐层、第五隐层的神经元数目分别是128、64、32、64、128,在训练自编码器时,将训练数据同时作为自编码器输入层的输入数据和自编码器输出层的输出数据,以进行训练。在实际使用自编码器时,可将第三隐层输出的数据作为自编码器基于通气数据所提取的特征数据,以提取作为三维数据的通气数据的特征,形成一维特征数据,实现了特征数据的提取及降维,有利于后续卷积神经网络对该特征数据的快速处理。
卷积神经网络为一维卷积神经网络;一维卷积神经网络包括:一维卷积神经网络输入层、第一一维卷积层、第一最大池化层、第二一维卷积层、第二最大池化层、第三一维卷积层、第一全连接层、第二全连接层和一维卷积神经网络输出层;一维卷积神经网络输入层、第一一维卷积层、第一最大池化层、第二一维卷积层、第二最大池化层、第三一维卷积层、第一全连接层、第二全连接层和一维卷积神经网络输出层依次连接,其中,在所述第一全连接层和所述第二全连接层之间还可包括一Dropout层,以降低卷积神经网络中过拟合的风险。在训练一维卷积神经网络时,可将自编码器基于训练数据提取的一维特征数据输入一维卷积神经网络输入层,并将该训练数据所对应的标注信息(用于标注该训练数据所对应的人机异步状态的信息)作为一维卷积神经网络输出层的输出,以进行训练。在实际使用一维卷积神经网络时,可采取与训练时类似的步骤,将自编码器基于通气数据提取的一维特征数据输入一维卷积神经网络输入层,以使一维卷积神经网络输出对应的人机异步状态(即与所获取的通气数据所对应的人机异步状态)。基于上述方式,在呼吸监测过程中采用一维卷积神经网络处理一维数据,可大大提高呼吸监测的效率。
如图6所示,图6是本申请的自编码器训练损失与训练迭代次数关系示意图。A为气流流速数据的训练损失曲线,B为气流通道压力数据的训练损失曲线,C为气流量数据的训练损失曲线。随着训练过程中的训练迭代次数的增长,自编码器的训练损失(train loss)越来越小,在训练迭代次数达到一百次以上时,训练损失就已降至接近收敛值了,收敛速度较快。
如图7所示,图7是本申请的机械通气人机异步检测方法的混淆矩阵结果示意图。可见,本申请的机械通气人机异步检测方法在经一定量训练数据的训练后,对于双触发状态或无效吸气努力状态的准确检测概率均为100%,而对于正常状态的准确检测概率为97%,有3%的几率会将正常状态识别为双触发状态,可见,本申请机械通气人机异步检测方法的准确率极高,且随训练数据的增加,该准确率仍能不断提高。
本申请提供的机械通气人机异步检测方法,通过获取呼吸机进行机械通气时的通气数据;将通气数据输入预设的自编码器,以提取通气数据的特征数据;将特征数据输入预设的卷积神经网络,以输出呼吸机的人机异步状态。本申请通过先基于预设的自编码器对通气数据的特征数据进行提取,再将该特征数据输入预设的卷积神经网络,以识别该通气数据所对应的人机异步状态,避免了人工提取特征或人工识别人机异步状态的步骤,降低了的人力资源的消耗,提高了机械通气人机异步检测方法的效率和准确度。
本申请进一步提出一种机械通气人机异步检测装置,如图8所示,图8是本申请的机械通气人机异步检测装置的一实施例的结构示意图。本实施例的机械通气人机异步检测装置80包括:处理器81、存储器82以及总线83。
该处理器81、存储器82分别与总线83相连,该存储器82中存储有程序指令,处理器81用于执行程序指令以实现上述实施例中的机械通气人机异步检测方法。
在本实施例中,处理器81还可以称为CPU(Central Processing Unit,中央处理单元)。处理器81可能是一种集成电路芯片,具有信号的处理能力。处理器81还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器81也可以是任何常规的处理器等。
上述机械通气人机异步检测装置可以是独立于呼吸机以外的检测装置,也可以是呼吸机的一部分,此处不作限定。
本申请提供的机械通气人机异步检测方法,通过获取呼吸机进行机械通气时的通气数据;将通气数据输入预设的自编码器,以提取通气数据的特征数据;将特征数据输入预设的卷积神经网络,以输出呼吸机的人机异步状态。本申请通过先基于预设的自编码器对通气数据的特征数据进行提取,再将该特征数据输入预设的卷积神经网络,以识别该通气数据所对应的人机异步状态,避免了人工提取特征或人工识别人机异步状态的步骤,降低了的人力资源的消耗,提高了机械通气人机异步检测方法的效率和准确度。
本申请进一步提出一种计算机可读存储介质,如图9所示,图9是本申请的计算机可读存储介质的一实施例的结构示意图计算机可读存储介质90其上存储有程序指令91,程序指令91被处理器(图未示)执行时实现上述实施例中的机械通气人机异步检测方法。
本实施例计算机可读存储介质90可以是但不局限于U盘、SD卡、PD光驱、移动硬盘、大容量软驱、闪存、多媒体记忆卡、服务器等。
本申请提供的机械通气人机异步检测方法,通过获取呼吸机进行机械通气时的通气数据;将通气数据输入预设的自编码器,以提取通气数据的特征数据;将特征数据输入预设的卷积神经网络,以输出呼吸机的人机异步状态。本申请通过先基于预设的自编码器对通气数据的特征数据进行提取,再将该特征数据输入预设的卷积神经网络,以识别该通气数据所对应的人机异步状态,避免了人工提取特征或人工识别人机异步状态的步骤,降低了的人力资源的消耗,提高了机械通气人机异步检测方法的效率和准确度。
在本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(可以是个人计算机,服务器,网络设备或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种机械通气人机异步检测方法,其特征在于,包括:
获取呼吸机进行机械通气时的通气数据;
将所述通气数据输入预设的自编码器,以提取所述通气数据的特征数据;
将所述特征数据输入预设的卷积神经网络,以输出所述呼吸机的人机异步状态。
2.根据权利要求1所述的机械通气人机异步检测方法,其特征在于,
所述通气数据至少包括气流流速数据、气流通道压力数据和气流量数据中的一种。
3.根据权利要求1所述的机械通气人机异步检测方法,其特征在于,
所述人机异步状态至少包括双触发状态、无效吸气努力状态和正常状态中的一种。
4.根据权利要求1所述的机械通气人机异步检测方法,其特征在于,
所述方法还包括:
获取训练数据;
对所述训练数据进行预处理;其中,所述预处理至少包括对所述训练数据进行人机异步状态标注;
将预处理之后的所述训练数据输入所述自编码器,以对所述自编码器进行训练。
5.根据权利要求4所述的机械通气人机异步检测方法,其特征在于,
所述对所述训练数据进行预处理,包括:
将所述训练数据划分为多个数据段;
对每一所述数据段进行人机异步状态标注;以及
所述将预处理之后的所述训练数据输入所述自编码器,以对所述自编码器进行训练,包括:
分别将每一人机异步状态对应的数据输入所述自编码器,以对所述自编码器进行训练。
6.根据权利要求5所述的机械通气人机异步检测方法,其特征在于,
所述将所述训练数据划分为多个数据段之后,还包括:
对每一所述数据段进行采样点补齐,以使每一所述数据段的采样点数量相同;
利用每一所述数据段中各个采样点数据的均值和标准差,对每一所述数据段的数据进行标准化处理。
7.根据权利要求1至6任一项所述的机械通气人机异步检测方法,其特征在于,所述自编码器包括:自编码器输入层、第一隐层、第二隐层、第三隐层、第四隐层、第五隐层和自编码器输出层;
所述自编码器输入层、所述第一隐层、所述第二隐层、所述第三隐层、所述第四隐层、所述第五隐层和所述自编码器输出层依次连接,所述自编码器输入层用于接收所述通气数据,所述自编码器输出层为所述自编码器在训练时的输出层,所述第三隐层用于输出所述特征数据。
8.根据权利要求1至6任一项所述的机械通气人机异步检测方法,其特征在于,所述卷积神经网络为一维卷积神经网络;
所述一维卷积神经网络包括:一维卷积神经网络输入层、第一一维卷积层、第一最大池化层、第二一维卷积层、第二最大池化层、第三一维卷积层、第一全连接层、第二全连接层和一维卷积神经网络输出层;
所述一维卷积神经网络输入层、所述第一一维卷积层、所述第一最大池化层、所述第二一维卷积层、所述第二最大池化层、所述第三一维卷积层、所述第一全连接层、所述第二全连接层和所述一维卷积神经网络输出层依次连接,所述一维卷积神经网络输入层用于接收所述特征数据,所述一维卷积神经网络输出层用于输出人机异步状态。
9.一种机械通气人机异步检测装置,其特征在于,包括:存储器和处理器;
所述存储器用于存储程序指令,所述处理器用于执行所述程序指令以实现如权利要求1至8任一项所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有程序指令,所述程序指令被处理器执行时实现如权利要求1至8任一项所述方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553820.3A CN113521460B (zh) | 2021-05-20 | 2021-05-20 | 机械通气人机异步检测方法、装置及计算机可读存储介质 |
PCT/CN2021/137606 WO2022242123A1 (zh) | 2021-05-20 | 2021-12-13 | 机械通气人机异步检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553820.3A CN113521460B (zh) | 2021-05-20 | 2021-05-20 | 机械通气人机异步检测方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113521460A true CN113521460A (zh) | 2021-10-22 |
CN113521460B CN113521460B (zh) | 2024-02-23 |
Family
ID=78094653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110553820.3A Active CN113521460B (zh) | 2021-05-20 | 2021-05-20 | 机械通气人机异步检测方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113521460B (zh) |
WO (1) | WO2022242123A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114712643A (zh) * | 2022-02-21 | 2022-07-08 | 深圳先进技术研究院 | 基于图神经网络的机械通气人机异步检测方法、装置 |
WO2022242123A1 (zh) * | 2021-05-20 | 2022-11-24 | 深圳先进技术研究院 | 机械通气人机异步检测方法、装置及计算机可读存储介质 |
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 |
WO2023097780A1 (zh) * | 2021-12-01 | 2023-06-08 | 中国科学院深圳先进技术研究院 | 机械通气过程中人机异步现象的分类方法和分类装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070000494A1 (en) * | 1999-06-30 | 2007-01-04 | Banner Michael J | Ventilator monitor system and method of using same |
CN109498952A (zh) * | 2018-11-30 | 2019-03-22 | 深圳市科曼医疗设备有限公司 | 呼吸机比例阀流量控制方法、装置、计算机设备 |
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 |
CN110251137A (zh) * | 2019-06-05 | 2019-09-20 | 长沙湖湘医疗器械有限公司 | 一种用于无创呼吸机的入睡检测方法及使用该方法的呼吸机 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105125215B (zh) * | 2015-10-08 | 2018-05-11 | 湖南明康中锦医疗科技发展有限公司 | 基于神经网络的呼吸机状态分析方法和装置 |
CN109480783B (zh) * | 2018-12-20 | 2022-02-18 | 深圳和而泰智能控制股份有限公司 | 一种呼吸暂停检测方法、装置及计算设备 |
CN113521460B (zh) * | 2021-05-20 | 2024-02-23 | 深圳先进技术研究院 | 机械通气人机异步检测方法、装置及计算机可读存储介质 |
-
2021
- 2021-05-20 CN CN202110553820.3A patent/CN113521460B/zh active Active
- 2021-12-13 WO PCT/CN2021/137606 patent/WO2022242123A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070000494A1 (en) * | 1999-06-30 | 2007-01-04 | Banner Michael J | Ventilator monitor system and method of using same |
CN101500633A (zh) * | 2006-06-05 | 2009-08-05 | 佛罗里达大学研究基金公司 | 呼吸器监控系统和使用同样系统的方法 |
CN109498952A (zh) * | 2018-11-30 | 2019-03-22 | 深圳市科曼医疗设备有限公司 | 呼吸机比例阀流量控制方法、装置、计算机设备 |
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 |
CN110251137A (zh) * | 2019-06-05 | 2019-09-20 | 长沙湖湘医疗器械有限公司 | 一种用于无创呼吸机的入睡检测方法及使用该方法的呼吸机 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022242123A1 (zh) * | 2021-05-20 | 2022-11-24 | 深圳先进技术研究院 | 机械通气人机异步检测方法、装置及计算机可读存储介质 |
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 |
WO2023097780A1 (zh) * | 2021-12-01 | 2023-06-08 | 中国科学院深圳先进技术研究院 | 机械通气过程中人机异步现象的分类方法和分类装置 |
CN114712643A (zh) * | 2022-02-21 | 2022-07-08 | 深圳先进技术研究院 | 基于图神经网络的机械通气人机异步检测方法、装置 |
WO2023155601A1 (zh) * | 2022-02-21 | 2023-08-24 | 深圳先进技术研究院 | 基于图神经网络的机械通气人机异步检测方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113521460B (zh) | 2024-02-23 |
WO2022242123A1 (zh) | 2022-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113521460B (zh) | 机械通气人机异步检测方法、装置及计算机可读存储介质 | |
CN109893732B (zh) | 一种基于循环神经网络的机械通气人机不同步检测方法 | |
CN103458784B (zh) | 自动化呼吸描记图分析和解释 | |
EP2536333B1 (en) | Nitric oxide measurement method and apparatus | |
CN111563451B (zh) | 基于多尺度小波特征的机械通气无效吸气努力识别方法 | |
WO2022267381A1 (zh) | 一种呼吸机人机异步分类方法、系统、终端以及存储介质 | |
CN109480783B (zh) | 一种呼吸暂停检测方法、装置及计算设备 | |
WO2022267382A1 (zh) | 一种呼吸机人机异步分类方法、系统、终端以及存储介质 | |
US20220313155A1 (en) | Flow-based sleep stage determination | |
CN113642512B (zh) | 呼吸机人机异步检测方法、装置、设备及存储介质 | |
US11676713B2 (en) | Data processing system for classifying keyed data representing inhaler device operation | |
Zulfiqar et al. | Abnormal respiratory sounds classification using deep CNN through artificial noise addition | |
WO2014045257A1 (en) | System and method for determining a person's breathing | |
US20160220147A1 (en) | Determining respiratory gas exchange in a subject | |
CN112426147A (zh) | 睡眠呼吸事件检测模型处理方法、系统和存储介质 | |
CN106840734B (zh) | 一种呼吸机跟随性能的评估方法、装置以及无创呼吸机 | |
CN108024759A (zh) | 具有决策支持系统架构的二氧化碳描记 | |
CN114534041A (zh) | 检测人机通气不同步的呼吸波形分类模型训练方法及装置 | |
CN113941061B (zh) | 一种人机不同步识别方法、系统、终端以及存储介质 | |
CN113689948A (zh) | 呼吸机机械通气的人机异步检测方法、装置和相关设备 | |
US20160287822A1 (en) | Systems and Methods for Detection of Respiratory Events Using Pattern Recognition | |
US20230029547A1 (en) | Assistance in the detection of pulmonary diseases | |
CN111080625A (zh) | 肺部影像条索检测模型的训练方法及其训练装置 | |
CN114288500B (zh) | 一种基于模糊熵特征提取的人机通气异步检测模型及装置 | |
CN115804585B (zh) | 一种基于机械通气波形检测气道高阻力的方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |