发明内容
本申请提供一种呼吸机人机异步检测方法、装置、计算机设备及存储介质,以解决现有的呼吸机状态监测需要占据大量人力的问题。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种呼吸机人机异步检测方法,包括:获取呼吸机机械通气时一个周期内通气参数的当前波形信号;将当前波形信号转换为基于平面直角坐标系的当前图像,当前图像包括X轴之上的波形图与X轴所围成的当前第一图像和X轴之下的波形图与X轴所围成的当前第二图像;将当前图像输入至预先训练好的二维卷积神经网络模型中预测,并根据预测结果确认是否出现人机异步以及人机异步类型,二维卷积神经网络模型根据预先准备的历史波形信号所转换的历史图像训练得到。
作为本申请的进一步改进,当前波形信号包括当前流量信号、当前气道压力信号和当前容量信号,当前图像包括当前流量图像、当前气道压力图像和当前容量图像,人机异步类型包括双触发异常和无效吸气异常。
作为本申请的进一步改进,将当前图像输入至预先训练好的二维卷积神经网络模型中预测,并根据预测结果确认是否出现人机异步以及人机异步类型,包括:获取预先训练好的第一二维卷积神经网络模型、第二二维卷积神经网络模型和第三二维卷积神经网络模型,第一二维卷积神经网络模型基于历史流量信号转换的历史流量图像训练得到,第二二维卷积神经网络模型基于历史气道压力信号转换的历史气道压力图像训练得到,第三二维卷积神经网络模型基于历史容量信号转换的历史容量图像训练得到;将当前流量图像输入至第一二维卷积神经网络模型进行预测得到第一预测状态,将当前气道压力图像输入至第二二维卷积神经网络模型进行预测得到第二预测状态,将当前容量图像输入至第三二维卷积神经网络模型进行预测得到第三预测状态,预测状态包括正常状态、双触发异常状态和无效吸气异常状态;确认第一预测状态、第二预测状态、第三预测状态中,正常状态、双触发异常状态和无效吸气异常状态的出现次数,并将出现次数最多的状态输出。
作为本申请的进一步改进,二维卷积神经网络模型的训练过程包括:获取历史波形信号,以及历史波形信号对应的实际状态,状态包括正常状态、双触发异常状态和无效吸气异常状态;将历史波形信号转换为基于平面直角坐标系的历史图像,历史图像包括X轴之上的波形图与X轴所围成的历史第一图像和X轴之下的波形图与X轴所围成的历史第二图像;将历史图像输入至待训练的二维卷积神经网络模型,得到历史预测状态;根据历史预测状态和实际状态,结合预设的损失函数反向传播更新二维卷积神经网络模型。
作为本申请的进一步改进,获取出现人机异步时的历史波形信号,以及历史波形信号对应的真实人机异步类型之后,还包括:对历史波形信号进行预处理。
作为本申请的进一步改进,二维卷积神经网络模型包括依次连接的二维卷积层、池化层、Dropout层、二维卷积层、池化层、Dropout层、两层二维卷积层、池化层、Dropout层、全连接层、Dropout层和全连接层。
作为本申请的进一步改进,当前第一图像和当前第二图像分别采用不同的颜色标记。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种呼吸机人机异步检测装置,包括:获取模块,用于获取呼吸机机械通气时一个周期内通气参数的当前波形信号;转换模块,用于将当前波形信号转换为基于平面直角坐标系的当前图像,当前图像包括X轴之上的波形图与X轴所围成的当前第一图像和X轴之下的波形图与X轴所围成的当前第二图像;预测模块,用于将当前图像输入至预先训练好的二维卷积神经网络模型中预测,并根据预测结果确认是否出现人机异步以及人机异步类型,二维卷积神经网络模型根据预先准备的历史波形信号所转换的历史图像训练得到。
为解决上述技术问题,本申请采用的再一个技术方案是:提供一种计算机设备,计算机设备包括处理器、与处理器耦接的存储器,存储器中存储有程序指令,程序指令被处理器执行时,使得处理器执行如上述中任一项的呼吸机人机异步检测方法的步骤。
为解决上述技术问题,本申请采用的再一个技术方案是:提供一种存储介质,存储介质存储有能够实现如上述中任一项的呼吸机人机异步检测方法的程序指令。
本申请的有益效果是:本申请的呼吸机人机异步检测方法通过获取呼吸机运行时,呼吸机通气参数的当前波形信号,再将该当前波形信号转换为基于平面直接坐标系的当前图像,再将该当前图像输入至预先训练好的二维卷积神经网络模型进行预测,从而确认呼吸机是否出现人机异步的情况,其巧妙的将波形信号转换为图像信息,将呼吸机机械通气人机异步的一维生理信号的常用处理方法拓宽、转换到图像处理的领域,由此可以引入基于人工智能的图像处理技术,以实现自动化监控呼吸机的工作情况,减少了对人力的占用。
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,所描述的实施例仅是本申请的一部分实施例,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,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”、“第三”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”、“第三”的特征可以明示或者隐含地包括至少一个该特征。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。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
图1是本发明第实施例的呼吸机人机异步检测方法的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程顺序为限。如图1所示,该方法包括步骤:
步骤S1:获取呼吸机机械通气时一个周期内通气参数的当前波形信号。
本实施例中,当前波形信号包括当前流量信号、当前气道压力信号和当前容量信号。
具体地,呼吸机机械通气时以50Hz的采样率产生流量、气道压力、容量三组数据点,在患者吸气的强度达到一定的阈值时,呼吸机得到触发给予患者一定的通气支持,当患者转换为呼气态时,呼吸机得到触发撤去通气支持。在步骤S1中,在呼吸机开始工作后,开始周期性采集呼吸机工作是通气参数的当前波形信号。本实施例中,当前波形信号包括当前流量信号、当前气道压力信号和当前容量信号。
优选地,为了提升后续模型预测的准确性,在获取到当前波形信号后,对该当前波形信号进行预处理,该预处理的过程包括对当前波形信号的分割、标准化和对齐处理。其中,具体处理方式如下:
假设某次呼吸周期的当前流量信号数据段序列为Fx=(f1,f2,…,fx),当前气道压力信号数据段序列为Px=(p1,p2,…,px),当前容量信号数据段序列为Vx=(v1,v2,…,vx),设定一个足够的呼吸长度,按这个呼吸长度对Fx、Px、Vx进行分割和补齐操作,数据序列超出呼吸长度则截断,数据序列短于呼吸长度则进行补齐,从而实现数据序列的对齐,有利于后续二维卷积神经网络模型进行分析处理。
步骤S2:将当前波形信号转换为基于平面直角坐标系的当前图像,当前图像包括X轴之上的波形图与X轴所围成的当前第一图像和X轴之下的波形图与X轴所围成的当前第二图像。
在步骤S2中,当获取到当前波形信号后,将当前波形信号转换为基于平面直角坐标系的当前图像,请一并参阅图2,图2展示了容量信号转换图像的例子,其中,图2的A中0.0表示X轴,以该X轴为标准,将X轴上方和下方的波形图与X轴围成第一图像和第二图像,从而实现了将当前波形信号转换为可视化的视觉效果图。
本实施例中,当前图像包括当前流量图像、当前气道压力图像和当前容量图像,人机异步类型包括双触发异常和无效吸气异常。
进一步的,为了加强对当前图像的识别能力,当前图像中的当前第一图像和当前第二图像分别采用不同的颜色标记。例如,当前第一图像采用黑色标记,当前第二图像采用绿色标记(图2中未区分,均以黑色展示,实际应用中为彩色展示)。
步骤S3:将当前图像输入至预先训练好的二维卷积神经网络模型中预测,并根据预测结果确认是否出现人机异步以及人机异步类型,二维卷积神经网络模型根据预先准备的历史波形信号所转换的历史图像训练得到。
在步骤S3中,在获取到可视化展示后的当前波形信号的当前图像后,将该当前图像输入至预先训练好的二维卷积神经网络模型进行识别,并根据识别结果确认呼吸机是否出现人机异步的情况,并给出人机异步类型。
进一步的,为了提升模型预测结果的鲁棒性,本实施例中,利用流量、气道压力和容量三种类型的数据分别进行预测,再将预测结果进行汇总和分析,最终得出预测结果,提高整个模型预测结果的鲁棒性,因此,步骤S3具体包括:
1、获取预先训练好的第一二维卷积神经网络模型、第二二维卷积神经网络模型和第三二维卷积神经网络模型,第一二维卷积神经网络模型基于历史流量信号转换的历史流量图像训练得到,第二二维卷积神经网络模型基于历史气道压力信号转换的历史气道压力图像训练得到,第三二维卷积神经网络模型基于历史容量信号转换的历史容量图像训练得到。
需要说明的是,第一二维卷积神经网络模型、第二二维卷积神经网络模型和第三二维卷积神经网络模型的结构相同,但训练所采用的数据不同,因此,最终训练好之后的第一二维卷积神经网络模型、第二二维卷积神经网络模型和第三二维卷积神经网络模型的相关参数不相同,即第一二维卷积神经网络模型、第二二维卷积神经网络模型和第三二维卷积神经网络模型是结构相同、参数不同的模型。
2、将当前流量图像输入至第一二维卷积神经网络模型进行预测得到第一预测状态,将当前气道压力图像输入至第二二维卷积神经网络模型进行预测得到第二预测状态,将当前容量图像输入至第三二维卷积神经网络模型进行预测得到第三预测状态,预测状态包括正常状态、双触发异常状态和无效吸气异常状态。
3、确认第一预测状态、第二预测状态、第三预测状态中,正常状态、双触发异常状态和无效吸气异常状态的出现次数,并将出现次数最多的状态输出。
具体地,在利用二维卷积神经网络模型进行预测时,会得到正常状态、双触发异常状态和无效吸气异常状态三个状态各自对应的概率值,而概率值最高的状态即可作为预测结果输出。在本实施例中,将当前流量图像输入至第一二维卷积神经网络模型进行预测,得到正常状态、双触发异常状态和无效吸气异常状态各自对应的概率值,再将其中概率值最高的状态作为第一预测状态;将当前气道压力图像输入至第二二维卷积神经网络模型进行预测,再得到正常状态、双触发异常状态和无效吸气异常状态各自对应的概率值,再将其中概率值最高的状态作为第二预测状态;将当前容量图像输入至第三二维卷积神经网络模型进行预测,又得到正常状态、双触发异常状态和无效吸气异常状态各自对应的概率值,再将其中概率值最高的状态作为第三预测状态;再将三次预测结果中出现次数最多的状态作为最终结果输出。进一步,当三个状态均出现时,则选择概率值最高的状态输出。
进一步的,二维卷积神经网络模型的训练过程包括:
1、获取历史波形信号,以及历史波形信号对应的实际状态,状态包括正常状态、双触发异常状态和无效吸气异常状态。
2、将历史波形信号转换为基于平面直角坐标系的历史图像,历史图像包括X轴之上的波形图与X轴所围成的历史第一图像和X轴之下的波形图与X轴所围成的历史第二图像。
3、将历史图像输入至待训练的二维卷积神经网络模型,得到历史预测状态。
4、根据历史预测状态和实际状态,结合预设的损失函数反向传播更新二维卷积神经网络模型。
需要说明的是,损失函数采用ReLU函数来实现。
进一步的,获取出现人机异步时的历史波形信号,以及历史波形信号对应的真实人机异步类型之后,还包括:对历史波形信号进行预处理。
具体地,该预处理的过程包括对当前波形信号的分割、标准化和对齐处理。
进一步的,请参阅图3,二维卷积神经网络模型包括依次连接的二维卷积层、池化层、Dropout层、二维卷积层、池化层、Dropout层、两层二维卷积层、池化层、Dropout层、全连接层、Dropout层和全连接层。
具体地,该二维卷积神经网络模型总共有4个二维卷积层,3个池化层,4个Dropout层,2个全连接层,其中,输入的当前图像的大小为128×128×3的尺寸,二维卷积层的二维卷积核大小均为5×5,池化层的池化尺寸均为2×2,Dropout层均设值为0.25,四个二维卷积层的二维卷积核数目依次为16、32、64、128。
本发明实施例的呼吸机人机异步检测方法通过获取呼吸机运行时,呼吸机通气参数的当前波形信号,再将该当前波形信号转换为基于平面直接坐标系的当前图像,再将该当前图像输入至预先训练好的二维卷积神经网络模型进行预测,从而确认呼吸机是否出现人机异步的情况,其巧妙的将波形信号转换为图像信息,将呼吸机机械通气人机异步的一维生理信号的常用处理方法拓宽、转换到图像处理的领域,由此可以引入基于人工智能的图像处理技术,以实现自动化监控呼吸机的工作情况,减少了对人力的占用。
图4是本发明实施例的呼吸机人机异步检测装置的功能模块示意图。如图4所示,该呼吸机人机异步检测装置40包括获取模块41、转换模块42和预测模块43。
获取模块41,用于获取呼吸机机械通气时一个周期内通气参数的当前波形信号;
转换模块42,用于将当前波形信号转换为基于平面直角坐标系的当前图像,当前图像包括X轴之上的波形图与X轴所围成的当前第一图像和X轴之下的波形图与X轴所围成的当前第二图像;
预测模块43,用于将当前图像输入至预先训练好的二维卷积神经网络模型中预测,并根据预测结果确认是否出现人机异步以及人机异步类型,二维卷积神经网络模型根据预先准备的历史波形信号所转换的历史图像训练得到。
可选地,当前波形信号包括当前流量信号、当前气道压力信号和当前容量信号,当前图像包括当前流量图像、当前气道压力图像和当前容量图像,人机异步类型包括双触发异常和无效吸气异常。
可选地,预测模块43执行将当前图像输入至预先训练好的二维卷积神经网络模型中预测,并根据预测结果确认是否出现人机异步以及人机异步类型的操作还可以为:获取预先训练好的第一二维卷积神经网络模型、第二二维卷积神经网络模型和第三二维卷积神经网络模型,第一二维卷积神经网络模型基于历史流量信号转换的历史流量图像训练得到,第二二维卷积神经网络模型基于历史气道压力信号转换的历史气道压力图像训练得到,第三二维卷积神经网络模型基于历史容量信号转换的历史容量图像训练得到;将当前流量图像输入至第一二维卷积神经网络模型进行预测得到第一预测状态,将当前气道压力图像输入至第二二维卷积神经网络模型进行预测得到第二预测状态,将当前容量图像输入至第三二维卷积神经网络模型进行预测得到第三预测状态,预测状态包括正常状态、双触发异常状态和无效吸气异常状态;确认第一预测状态、第二预测状态、第三预测状态中,正常状态、双触发异常状态和无效吸气异常状态的出现次数,并将出现次数最多的状态输出。
可选地,该呼吸机人机异步检测装置40还包括训练模块,用于训练二维卷积神经网络模型,具体用于:获取历史波形信号,以及历史波形信号对应的实际状态,状态包括正常状态、双触发异常状态和无效吸气异常状态;将历史波形信号转换为基于平面直角坐标系的历史图像,历史图像包括X轴之上的波形图与X轴所围成的历史第一图像和X轴之下的波形图与X轴所围成的历史第二图像;将历史图像输入至待训练的二维卷积神经网络模型,得到历史预测状态;根据历史预测状态和实际状态,结合预设的损失函数反向传播更新二维卷积神经网络模型。
可选地,训练模块执行获取出现人机异步时的历史波形信号,以及历史波形信号对应的真实人机异步类型的操作之后,还用于:对历史波形信号进行预处理。
可选地,二维卷积神经网络模型包括依次连接的二维卷积层、池化层、Dropout层、二维卷积层、池化层、Dropout层、两层二维卷积层、池化层、Dropout层、全连接层、Dropout层和全连接层。
可选地,当前第一图像和当前第二图像分别采用不同的颜色标记。
关于上述实施例呼吸机人机异步检测装置中各模块实现技术方案的其他细节,可参见上述实施例中的呼吸机人机异步检测方法中的描述,此处不再赘述。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
请参阅图5,图5为本发明实施例的计算机设备的结构示意图。如图5所示,该计算机设备50包括处理器51及和处理器51耦接的存储器52,存储器52中存储有程序指令,程序指令被处理器51执行时,使得处理器51执行如下步骤:
获取呼吸机机械通气时一个周期内通气参数的当前波形信号;
将当前波形信号转换为基于平面直角坐标系的当前图像,当前图像包括X轴之上的波形图与X轴所围成的当前第一图像和X轴之下的波形图与X轴所围成的当前第二图像;
将当前图像输入至预先训练好的二维卷积神经网络模型中预测,并根据预测结果确认是否出现人机异步以及人机异步类型,二维卷积神经网络模型根据预先准备的历史波形信号所转换的历史图像训练得到。
其中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51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)或者其他可编程逻辑器件、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也可以是任何常规的处理器等。
参阅图6,图6为本发明实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序指令61,该程序指令61被执行时实现如下步骤:
获取呼吸机机械通气时一个周期内通气参数的当前波形信号;
将当前波形信号转换为基于平面直角坐标系的当前图像,当前图像包括X轴之上的波形图与X轴所围成的当前第一图像和X轴之下的波形图与X轴所围成的当前第二图像;
将当前图像输入至预先训练好的二维卷积神经网络模型中预测,并根据预测结果确认是否出现人机异步以及人机异步类型,二维卷积神经网络模型根据预先准备的历史波形信号所转换的历史图像训练得到。
其中,该程序指令61可以以软件产品的形式存储在上述存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等计算机设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的计算机设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。以上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。