CN113822420A - 基于容积二氧化碳图的死腔分数的模型建立方法及系统 - Google Patents

基于容积二氧化碳图的死腔分数的模型建立方法及系统 Download PDF

Info

Publication number
CN113822420A
CN113822420A CN202111135913.0A CN202111135913A CN113822420A CN 113822420 A CN113822420 A CN 113822420A CN 202111135913 A CN202111135913 A CN 202111135913A CN 113822420 A CN113822420 A CN 113822420A
Authority
CN
China
Prior art keywords
dead space
model
space fraction
patient
volume
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
Application number
CN202111135913.0A
Other languages
English (en)
Other versions
CN113822420B (zh
Inventor
闫鹏
解立新
程海博
陈虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Aerospace Science And Engineering Group 731 Hospital
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202111135913.0A priority Critical patent/CN113822420B/zh
Publication of CN113822420A publication Critical patent/CN113822420A/zh
Application granted granted Critical
Publication of CN113822420B publication Critical patent/CN113822420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/087—Measuring breath flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Pulmonology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于容积二氧化碳图的死腔分数的模型建立方法及系统，基于容积二氧化碳图的死腔分数的模型建立方法，包括以下步骤：S1、构建LSTM模型；S2、正反双向叠加LSTM网络构建BRNN模型；S3、多层叠加BRNN网络构建MBRNN模型；S4、基于MBRNN网络建立序列点内部各维度之间关系；S5、基于MBRNN网络建立相邻CO2图的隐藏层状态传递；S6、建立损失函数方程，最终确定MBRRNN模型。基于容积二氧化碳图的死腔分数的模型建立方法的系统。本发明预测精度满足需求，预测实时性可以与呼吸频率保持一致，从而避免了医疗事故的发生，因此可以在临床上推广使用。

Description

基于容积二氧化碳图的死腔分数的模型建立方法及系统
技术领域
本发明涉及一种模型建立方法及系统，尤其涉及一种基于容积二氧化碳图的死腔分数的模型建立方法及系统。
背景技术
死腔分数对重症患者的预后的评估、PEEP值的调节、预测机械通气患者脱机时间、评价药物效果以及诊断肺栓塞都起着非常重要的作用，因此死腔分数的计算一直是临床专家最为关注的焦点之一。
容积二氧化碳图的AI实时监测系统硬件部分通常包含接到患者并被配置为监测患者呼出的二氧化碳水平的面罩或传感器以及用于接收、显示和分析测量以推论或识别患者不同身体状况的硬件系统。
容积二氧化碳图的AI实时监测系统软件模型研究现状如下：生理死腔最早的理论公式是通过肺泡CO2分压(PACO2)以及呼出CO2平均分压(PECO2)来计算的。随着血气分析技术的发展，采用PaCO2替代PACO2完成生理死腔计算，改良后的计算公式的各项指标相对较容易获得，因此在临床上得到应用。随着容积二氧化碳图的出现以及计算机性能提高，采用血气分析仪的PaCO2完成生理死腔分数的实时监测。为了不使用血气分析仪，有学者采用容积二氧化碳图第三阶段CO2分压(PECO2)的中位数作为PaCO2。
但是现有技术存在着以下缺陷：
1)计算死腔分数的方法基于规则的容积二氧化碳图的几何分割，具体分割如图6所示，事实上很多容积二氧化碳图并不规则，比如重症患者，强制分割会带来较大误差；
2)采用血气分析仪获取数值，但血气分析是有创检测，检测成本高，检测频率较呼吸频率相差甚远，强制将其作为实时性数据以配合容积二氧化碳图用来监测死腔分数报警会造成误报或漏报。误报会增加医疗资源浪费和错误应急方案实施，漏报会加重患者病情甚至死亡，二者都可能造成医疗事故；
3)虽然不采用血气分析仪就可计算出死腔分数，但其预测误差较大，比如采用容积二氧化碳第三阶段中位数代替位会造成死腔分数预测结果偏高。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种基于容积二氧化碳图的死腔分数的模型建立方法及系统。
为了解决以上技术问题，本发明采用的技术方案是：基于容积二氧化碳图的死腔分数的模型建立方法，包括以下步骤：
S1、构建LSTM模型；
S2、正反双向叠加LSTM网络构建BRNN模型；
S3、多层叠加BRNN网络构建MBRNN模型；
S4、基于MBRNN网络建立序列点内部各维度之间关系；
S5、基于MBRNN网络建立相邻CO2图的隐藏层状态传递；
S6、建立损失函数方程，最终确定MBRRNN模型。
优选的，步骤S4的具体过程为：
首先，将CO2分压曲线投影到横轴的区域等分为n段，并将第t(t∈[1,n])段等间距取l个值，按照l个值由小到大的顺序做横轴的垂线，l条垂线与CO2分压曲线的交点的纵坐标值序列即为一次容积CO2图的第t个序列点对应的多维序列输入Xt；
Figure BDA0003282392220000021
其中，
Figure BDA0003282392220000022
表示向量Xt的第k维数据；
其次，建立基于多维变量Xt内部各维度之间关系得到耦合变量Zt；
Zt＝WzXt+bz 公式二
其中，Wz,bz初始值为高斯分布抽样取值，模型训练不断迭代更新Wz,bz，训练结束则Wz,bz值最终确定；
最后，建立正对角线全部为0的方阵Wz，如公式三所示；
Figure BDA0003282392220000031
其中，wi,j是Wz中的一个元素，Wz∈Rl×l，当i≠j，wi,j表示第j个变量对第i个变量的影响系数；当i＝j，wi,j取值为0。
优选的，步骤S5的具体过程为：
规定数据集中每位患者的连续容积CO2图个数都为d个，所有的容积CO2图均已采用SAE进行重构；每个容积CO2图均含有PaCO2、VD/VT、VDalt/VTalt三个回归指标，现规定每个样本由连续的g个容积CO2组成，则d个连续容积CO2图从起始到结束按步骤S4的截取规则共截取d-g+1个连续样本；其中，VD/VT为生理死腔分数、VDalt/VTalt为肺泡死腔分数；
训练环节要求m个患者使用自己的样本参与训练，每次迭代每位患者拿出一个样本，初始样本为时间编号最早的那一个样本；下一次迭代使用的样本需要紧邻上一个样本，并且上一个样本的输出状态要作为当前迭代训练的隐藏层的初始状态；模型应用时，同样要将上一次预测的隐藏层输出状态作为下一次预测的隐藏层初始状态。
优选的，步骤S6中，总的损失函数如公式四所示：
Figure BDA0003282392220000041
其中：α,β为权重，α+β＝1,α≥0且β≥0，由于L1(paCO2)、L2(VD/VT)及L3(VDalt/VTalt)三者求和，所以其系数为
Figure BDA0003282392220000042
Figure BDA0003282392220000043
公式五中，
Figure BDA0003282392220000044
表示耦合变量Zt的第p个患者的样本中的第s个容积CO2图的第t个序列点的第q维的值；某个患者的样本表示的是长度为g的一个样本，该样本包含g个连续的容积CO2图；最小化损失函数L0(Z,X)，意味着迫使耦合值Zt等于Xt，保证模型充分且正确的利用序列点内部维度之间的关系。
优选的，步骤S6中，公式四中L1(paCO2)、L2(VD/VT)及L3(VDalt/VTalt)分别表示动脉血二氧化碳分压、生理死腔分数及肺泡死腔分数的损失函数，其公式如下所示：
Figure BDA0003282392220000045
Figure BDA0003282392220000046
Figure BDA0003282392220000047
其中，
Figure BDA0003282392220000048
表示第p个患者的第q个容积CO2图的动脉血二氧化碳分压真实值；
Figure BDA0003282392220000049
表示第p个患者的第q个容积CO2图的动脉血二氧化碳分压预测值；
Figure BDA0003282392220000051
表示第p个患者的第q个容积CO2图的生理死腔分数的真实值；
其中，
Figure BDA0003282392220000052
表示第p个患者的第q个容积CO2图的生理死腔分数的预测值；
Figure BDA0003282392220000053
表示第p个患者的第q个容积CO2图的肺泡死腔分数的真实值；
Figure BDA0003282392220000054
表示第p个患者的第q个容积CO2图的肺泡死腔分数的预测值。
基于容积二氧化碳图的死腔分数的模型建立方法的系统，监测系统包括与患者相接触的连接件，连接件通过导气管与呼吸机监测仪相连接，呼吸机监测仪包括流量和压力测量模块、处理器、数据库、显示器，流量和压力测量模块将检测到的信号传输给处理器，处理器与数据库双向传输。
优选的，系统的监测过程为：患者呼出的气体经连接件再经导气管输送至流量和压力测量模块，流量和压力测量模块将模拟信号转化为容积CO2图的数字信号后，传输给处理器，处理器完成数据预测后，将预测结果保存在数据库中，使用者通过有线或无线方式访问数据库，完成增删改查工作，显示器将处理器发送的监测数据实时显示出来，方便及时获取患者的预测数据。
优选的，连接件为面罩或呼吸管；处理器为带有MBRRNN模型的AI芯片处理器；数据库为带有无线或有线传输的数据库。
本发明提出构建多层双向有关系神经网络MBRRNN模型，该模型预测阶段不需使用血气分析仪的数据，并且仅依靠容积二氧化碳图自主学习得到、PaCO2、生理死腔分数VD/VT、肺泡死腔分数VDalt/VTalt三个回归指标。通过实践验证本申请的MBRRNN模型预测精度满足需求，预测实时性可以与呼吸频率保持一致，从而避免了医疗事故的发生，因此可以在临床上推广使用。
附图说明
图1为本发明MBRRNN模型的创建流程图。
图2为LSTM模型结构图。
图3为BRNN模型结构图。
图4为MBRNN模型结构图。
图5为容积CO2曲线图。
图6为容积二氧化碳几何分割图。
图7为监测系统的结构图。
图中：1、连接件；2、导气管；3、流量和压力测量模块；4、处理器；5、数据库；6、显示器；7、呼吸机监测仪。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示的基于容积二氧化碳图的死腔分数的模型建立方法，包括以下步骤：
S1、构建LSTM模型；
LSTM模型的构建为现有技术，此处不再赘述。LSTM模型具体构建过程可参考下述文献和网址：Understanding LSTM Networks Posted on August 27,2015.http://colah.github.io/posts/2015-08-Understanding-LSTMs/。
循环神经网络(Recurrent Neural Network，RNN)是专门处理序列数据的监督深度学习算法，其有多种经典变体。其中，长短记忆网络(Long Short Term Memory，LSTM)就是其应用最广泛的变体之一，LSTM模型结构如图2所示，其核心公式如下所示：
输入门：it＝δ(Wi[ht-1,xt]+bi)
遗忘门：ft＝δ(Wf[ht-1,xt]+bf)
候选记忆单元：
Figure BDA0003282392220000061
当前点记忆单元：
Figure BDA0003282392220000062
输出门：ot＝δ(Wo[ht-1,xt]+bo)
输出：ht＝ot*tanh(Ct)
在每个记忆单元(图2中的A)包括细胞状态Ct、遗忘门、输入门以及输出门。这些结构能让信息选择性通过，用来增加或者去除信息到细胞中。LSTM最大的优势是解决了标准RNN(Recurrent Neural Networks，RNN)长期依赖造成的梯度爆炸或梯度消失的问题。
S2、正反双向叠加LSTM网络构建BRNN模型；
BRNN(Bi-directional RNN)即双向循环神经网络，BRNN模型的构建为现有技术，此处不再赘述。BRNN模型可以参考网址：http://www.keraschina.com/keras_lstm/。
BRNN模型结构如图3所示，其核心公式如下所示：
Figure BDA0003282392220000071
Figure BDA0003282392220000072
Figure BDA0003282392220000073
由图3可以看出，BRNN模型是正反向LSTM网络的叠加。引入BRNN模型是因为兼顾前面若干输入和后面若干输入能提高预测准确度。
Figure BDA0003282392220000074
表示前向第t个序列点对应的隐藏层状态输出；
Figure BDA0003282392220000075
表示后向第t个序列点对应的隐藏层状态输出；yt表示第t个序列点输出层的输出。
S3、多层叠加BRNN网络构建MBRNN模型；
MBRNN(Multilayer Bi-directional RNN)即多层双向循环神经网络，MBRNN模型结构如图4所示，其核心公式如下所示：
Figure BDA0003282392220000076
Figure BDA0003282392220000077
Figure BDA0003282392220000078
增加BRNN的隐藏层的层数，实际上相当于增加网络的深度，增大神经网络深度有助于预测精度的提高。正如图4所示，图4含有三个隐藏层分别为h(1)、h(2)和h(3)。公式yt中的L表示最后一个隐藏层，就图4来说，L＝3。
S4、基于MBRNN网络建立序列点内部各维度之间关系；
图5为容积CO2图，纵坐标为CO2分压(PECO2)，横坐标为累计呼气量。
首先，将CO2分压曲线投影到横轴的区域等分为n段，并将第t(t∈[1,n])段等间距取l个值，按照l个值由小到大的顺序做横轴的垂线，l条垂线与CO2分压曲线的交点的纵坐标值序列即为一次容积CO2图的第t个序列点对应的多维序列输入Xt；
Figure BDA0003282392220000081
其中，
Figure BDA0003282392220000082
表示向量Xt的第k维数据；
向量Xt内部各维度的值
Figure BDA0003282392220000083
之间存在关系，充分利用这种关系有助于提高预测准确度。
其次，建立基于多维变量Xt内部各维度之间关系得到耦合变量Zt；
Zt＝WzXt+bz 公式二
其中，Wz,bz初始值为高斯分布抽样取值，模型训练不断迭代更新Wz,bz，训练结束则Wz,bz值最终确定；
最后，建立正对角线全部为0的方阵Wz，如公式三所示；
Figure BDA0003282392220000084
其中，wi,j是Wz中的一个元素，Wz∈Rl×l，当i≠j，wi,j表示第j个变量对第i个变量的影响系数；当i＝j，wi,j取值为0。
S5、基于MBRNN网络建立相邻CO2图的隐藏层状态传递；
基于麻省理工学院的MIMIC-IV v1.0数据库，构建了2,212个患者的容积CO2图波形图作为数据集。规定该数据集中每位患者的连续容积CO2图个数都为d个，所有的容积CO2图均已采用SAE(Stacked Auto Encoder堆叠式自动编码器)进行重构；每个容积CO2图均含有PaCO2、VD/VT、VDalt/VTalt三个回归指标，现规定每个样本由连续的g个容积CO2组成，则d个连续容积CO2图从起始到结束按步骤S4的截取规则共截取d-g+1个连续样本；其中，VD/VT为生理死腔分数、VDalt/VTalt为肺泡死腔分数；
训练环节要求m个患者使用自己的样本参与训练，每次迭代每位患者拿出一个样本，初始样本为时间编号最早的那一个样本；下一次迭代使用的样本需要紧邻上一个样本，并且上一个样本的输出状态要作为当前迭代训练的隐藏层的初始状态；模型应用时，同样要将上一次预测的隐藏层输出状态作为下一次预测的隐藏层初始状态。
S6、建立损失函数方程，最终确定MBRRNN模型。
MBRRNN(Multilayer Bidirectional Relative RNN)即多层双向有关系神经网络，总的损失函数如公式四所示：
Figure BDA0003282392220000091
其中：α,β为权重，α+β＝1,α≥0且β≥0，由于L1(paCO2)、L2(VD/VT)及L3(VDalt/VTalt)三者求和，所以其系数为
Figure BDA0003282392220000092
Figure BDA0003282392220000093
公式五中，
Figure BDA0003282392220000101
表示耦合变量Zt的第p个患者的样本中的第s个容积CO2图的第t个序列点的第q维的值；某个患者的样本表示的是长度为g的一个样本，该样本包含g个连续的容积CO2图；最小化损失函数L0(Z,X)，意味着迫使耦合值Zt等于Xt，保证模型充分且正确的利用序列点内部维度之间的关系。
公式四中L1(paCO2)、L2(VD/VT)及L3(VDalt/VTalt)分别表示动脉血二氧化碳分压、生理死腔分数及肺泡死腔分数的损失函数，其公式如下所示：
Figure BDA0003282392220000102
Figure BDA0003282392220000103
Figure BDA0003282392220000104
其中，
Figure BDA0003282392220000105
表示第p个患者的第q个容积CO2图的动脉血二氧化碳分压真实值；
Figure BDA0003282392220000106
表示第p个患者的第q个容积CO2图的动脉血二氧化碳分压预测值；
Figure BDA0003282392220000107
表示第p个患者的第q个容积CO2图的生理死腔分数的真实值；
其中，
Figure BDA0003282392220000108
表示第p个患者的第q个容积CO2图的生理死腔分数的预测值；
Figure BDA0003282392220000109
表示第p个患者的第q个容积CO2图的肺泡死腔分数的真实值；
Figure BDA00032823922200001010
表示第p个患者的第q个容积CO2图的肺泡死腔分数的预测值。
现对构建完成的MBRRNN模型进行内部测试，具体过程如下：
基于MIMIC-IV v1.0数据库共得到2,212患者的容积CO2图波形图。每位患者的连续容积CO2图个数为d＝3000个，每个容积CO2图均包含PaCO2、VD/VT及VDalt/VTalt实际值。现设定样本长度g＝10，则每位患者可构造d-g+1＝2991个连续样本。MBRRNN的其余参数取值如下：m＝20、n＝100、l＝20、α＝0.1、β＝0.9，Multiplayer＝3、HiddenNum＝60，其中，Multiplayer表示循环神经网络的层数；HiddenNum表示隐藏神经元的个数。LSTM模型、BRNN模型、MBRNN模型以及MBRRNN模型完成训练后，在测试集上的结果如表1所示。
表1 不同算法模型性能比较
算法模型 MRE MAE(mmHg)
MBRRNN 0.135 5.211
MBRNN 0.141 5.613
BRNN 0.144 5.633
LSTM 0.172 6.921
表1中，MRE表示三种回归指标相对误差绝对值的加权平均值；MAE表示三种回归指标绝对误差绝对值的加权平均值。
由表1可以看出，由MBRRNN模型预测的MRE和MAE均为最小值，所以MBRRNN模型的预测性能最优。
基于容积二氧化碳图的死腔分数的模型建立方法的系统，监测系统包括与患者相接触的连接件1，连接件1通过导气管2与呼吸机监测仪7相连接，呼吸机监测仪7包括流量和压力测量模块3、处理器4、数据库5、显示器6，流量和压力测量模块3将检测到的信号传输给处理器4，处理器4与数据库5双向传输。
作为优选，连接件1为面罩或呼吸管；处理器4为带有MBRRNN模型的AI芯片处理器；数据库5为带有无线或有线传输的数据库。为了提高训练和预测的效率，三个回归指标的实时监测系统需要有处理器。为了增强可视化效果，患者CO2水平及呼吸模式等指标可以通过图表或图的形式在触摸显示器上显示，呼吸机监测仪能够实时显示模型学习得到的、死腔分数等指标。
系统的监测过程为：患者呼出的气体经连接件1再经导气管2输送至流量和压力测量模块3，流量和压力测量模块3将模拟信号转化为容积CO2图的数字信号后，传输给处理器4，处理器4完成数据预测后，将预测结果保存在数据库5中，使用者通过有线或无线方式访问数据库5，完成增删改查工作，显示器6将处理器4发送的监测数据实时显示出来，方便及时获取患者的预测数据。
下面通过具体实施例对本发明做进一步的说明。
实施例一
为了验证MBRRNN模型的外部测试效果，中国人民解放军总医院(301医院)呼吸科组织并完成了算法模型的外部测试。测试人员按照分层抽样法，分别测试了性别组、年龄组的模型测试结果与真实值结果的对比。真实值由血气分析仪等设备提供的真实数据经计算确定。
所有参与测试人员的系统连接图结构相同，系统连接图如图7所示。患者呼出的气体经连接件1再经导气管2输送至流量和压力测量模块3，流量和压力测量模块3将模拟信号转化为容积CO2图的数字信号后，传输给处理器4，处理器4完成数据预测后，将预测结果保存在数据库5中，使用者通过有线或无线方式访问数据库5，完成增删改查等工作，显示器6将处理器4发送的监测数据实时显示出来，方便及时获取患者的预测数据。
A：性别组对照测试
分别选取男性、女性各三名。要求这6人身体状况相差不大。在已获取真实值所在时间戳上采集模型预测的回归指标值。共确定20个时间戳作为真实值和预测值的采集点。具体结果如表2所示。
表2 性别组测试结果
Figure BDA0003282392220000121
Figure BDA0003282392220000131
由表2可以看出男性MRE比女性略低。性别组MRE最大值为0.141略高于内部测试值0.135。这说明外部测试和内部测试相差很微小，算法模型完全可以应用在外部测试环境中。
B：年龄组对照测试
分别选取55～65、66～75、＞75三个年龄段各3人。要求这9人身体状况相差不大。在已获取真实值所在时间戳上采集模型预测的回归指标值。共确定20个时间戳作为真实值和预测值的采集点。具体结果如表3所示。
表3 年龄组测试结果
年龄段/身份 MRE MAE(mmHg)
55～65岁(甲) 0.137 5.351
55～65岁(乙) 0.138 5.354
55～65岁(丙) 0.138 5.353
66～75岁(丁) 0.142 5.661
66～75岁(戊) 0.144 5.690
66～75岁(己) 0.145 5.722
＞75岁(庚) 0.154 6.121
＞75岁(辛) 0.152 5.853
＞75岁(壬) 0.156 6.229
由表3可以看出，随着年龄增长，MRE和MAE均增大；MRE最大值出现在＞75岁年龄段，其值为0.156。MAE最大值为6.229。年龄组的测试说明，在外部测试环境中，算法模型预测年龄较轻的患者精度更高。总体上，算法模型可以预测不同年龄段患者的三项回归指标。
采用本申请的模型完成上述A、B测试是完全无创伤检测，不需增加额外检测成本，其实时性预测效果可以达到秒级，远超血气分析仪检测频率。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。

Claims (8)

1.基于容积二氧化碳图的死腔分数的模型建立方法，其特征在于：所述方法包括以下步骤：
S1、构建LSTM模型；
S2、正反双向叠加LSTM网络构建BRNN模型；
S3、多层叠加BRNN网络构建MBRNN模型；
S4、基于MBRNN网络建立序列点内部各维度之间关系；
S5、基于MBRNN网络建立相邻CO2图的隐藏层状态传递；
S6、建立损失函数方程，最终确定MBRRNN模型。
2.根据权利要求1所述的基于容积二氧化碳图的死腔分数的模型建立方法，其特征在于：所述步骤S4的具体过程为：
首先，将CO2分压曲线投影到横轴的区域等分为n段，并将第t(t∈[1,n])段等间距取l个值，按照l个值由小到大的顺序做横轴的垂线，l条垂线与CO2分压曲线的交点的纵坐标值序列即为一次容积CO2图的第t个序列点对应的多维序列输入Xt；
Figure FDA0003282392210000011
其中，
Figure FDA0003282392210000012
表示向量Xt的第k维数据；
其次，建立基于多维变量Xt内部各维度之间关系得到耦合变量Zt；
Zt＝WzXt+bz 公式二
其中，Wz,bz初始值为高斯分布抽样取值，模型训练不断迭代更新Wz,bz，训练结束则Wz,bz值最终确定；
最后，建立正对角线全部为0的方阵Wz，如公式三所示；
Figure FDA0003282392210000021
其中，wi,j是Wz中的一个元素，Wz∈Rl×l，当i≠j，wi,j表示第j个变量对第i个变量的影响系数；当i＝j，wi,j取值为0。
3.根据权利要求1所述的基于容积二氧化碳图的死腔分数的模型建立方法，其特征在于：所述步骤S5的具体过程为：
规定数据集中每位患者的连续容积CO2图个数都为d个，所有的容积CO2图均已采用SAE进行重构；每个容积CO2图均含有PaCO2、VD/VT、VDalt/VTalt三个回归指标，现规定每个样本由连续的g个容积CO2组成，则d个连续容积CO2图从起始到结束按步骤S4的截取规则共截取d-g+1个连续样本；其中，VD/VT为生理死腔分数、VDalt/VTalt为肺泡死腔分数；
训练环节要求m个患者使用自己的样本参与训练，每次迭代每位患者拿出一个样本，初始样本为时间编号最早的那一个样本；下一次迭代使用的样本需要紧邻上一个样本，并且上一个样本的输出状态要作为当前迭代训练的隐藏层的初始状态；模型应用时，同样要将上一次预测的隐藏层输出状态作为下一次预测的隐藏层初始状态。
4.根据权利要求1所述的基于容积二氧化碳图的死腔分数的模型建立方法，其特征在于：所述步骤S6中，总的损失函数如公式四所示：
Figure FDA0003282392210000022
其中：α,β为权重，α+β＝1,α≥0且β≥0，由于L1(paCO2)、L2(VD/VT)及L3(VDalt/VTalt)三者求和，所以其系数为
Figure FDA0003282392210000023
Figure FDA0003282392210000031
公式五中，
Figure FDA0003282392210000032
表示耦合变量Zt的第p个患者的样本中的第s个容积CO2图的第t个序列点的第q维的值；某个患者的样本表示的是长度为g的一个样本，该样本包含g个连续的容积CO2图；最小化损失函数L0(Z,X)，意味着迫使耦合值Zt等于Xt，保证模型充分且正确的利用序列点内部维度之间的关系。
5.根据权利要求1所述的基于容积二氧化碳图的死腔分数的模型建立方法，其特征在于：所述步骤S6中，公式四中L1(paCO2)、L2(VD/VT)及L3(VDalt/VTalt)分别表示动脉血二氧化碳分压、生理死腔分数及肺泡死腔分数的损失函数，其公式如下所示：
Figure FDA0003282392210000033
Figure FDA0003282392210000034
Figure FDA0003282392210000035
其中，
Figure FDA0003282392210000036
表示第p个患者的第q个容积CO2图的动脉血二氧化碳分压真实值；
Figure FDA0003282392210000037
表示第p个患者的第q个容积CO2图的动脉血二氧化碳分压预测值；
Figure FDA0003282392210000038
表示第p个患者的第q个容积CO2图的生理死腔分数的真实值；
其中，
Figure FDA0003282392210000041
表示第p个患者的第q个容积CO2图的生理死腔分数的预测值；
Figure FDA0003282392210000042
表示第p个患者的第q个容积CO2图的肺泡死腔分数的真实值；
Figure FDA0003282392210000043
表示第p个患者的第q个容积CO2图的肺泡死腔分数的预测值。
6.根据权利要求1所述的基于容积二氧化碳图的死腔分数的模型建立方法的系统，其特征在于：所述监测系统包括与患者相接触的连接件(1)，所述连接件(1)通过导气管(2)与呼吸机监测仪(7)相连接，所述呼吸机监测仪(7)包括流量和压力测量模块(3)、处理器(4)、数据库(5)、显示器(6)，所述流量和压力测量模块(3)将检测到的信号传输给处理器(4)，所述处理器(4)与数据库(5)双向传输。
7.根据权利要求6所述的基于容积二氧化碳图的死腔分数的模型建立方法的系统，其特征在于：所述系统的监测过程为：患者呼出的气体经连接件(1)再经导气管(2)输送至流量和压力测量模块(3)，流量和压力测量模块(3)将模拟信号转化为容积CO2图的数字信号后，传输给处理器(4)，处理器(4)完成数据预测后，将预测结果保存在数据库(5)中，使用者通过有线或无线方式访问数据库(5)，完成增删改查工作，显示器(6)将处理器(4)发送的监测数据实时显示出来，方便及时获取患者的预测数据。
8.根据权利要求6所述的基于容积二氧化碳图的死腔分数的模型建立方法的系统，其特征在于：所述连接件(1)为面罩或呼吸管；所述处理器(4)为带有MBRRNN模型的AI芯片处理器；所述数据库(5)为带有无线或有线传输的数据库。
CN202111135913.0A 2021-09-27 2021-09-27 基于容积二氧化碳图的死腔分数的模型建立方法及系统 Active CN113822420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111135913.0A CN113822420B (zh) 2021-09-27 2021-09-27 基于容积二氧化碳图的死腔分数的模型建立方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111135913.0A CN113822420B (zh) 2021-09-27 2021-09-27 基于容积二氧化碳图的死腔分数的模型建立方法及系统

Publications (2)

Publication Number Publication Date
CN113822420A true CN113822420A (zh) 2021-12-21
CN113822420B CN113822420B (zh) 2024-04-19

Family

ID=78915639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111135913.0A Active CN113822420B (zh) 2021-09-27 2021-09-27 基于容积二氧化碳图的死腔分数的模型建立方法及系统

Country Status (1)

Country Link
CN (1) CN113822420B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115732041A (zh) * 2022-12-07 2023-03-03 中国石油大学(北京) 二氧化碳捕获量预测模型构建方法、智能预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5402796A (en) * 1990-09-19 1995-04-04 University Of Melbourne Arterial CO2 Monitor and closed loop controller
KR101886374B1 (ko) * 2017-08-16 2018-08-07 재단법인 아산사회복지재단 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램
CN108829683A (zh) * 2018-06-29 2018-11-16 北京百度网讯科技有限公司 混合标注学习神经网络模型及其训练方法、装置
CN113190632A (zh) * 2020-12-23 2021-07-30 南京未来网络产业创新有限公司 一种轨迹复原算法的模型建立方法及系统
WO2021151353A1 (zh) * 2020-10-20 2021-08-05 平安科技（深圳）有限公司 医学实体关系抽取方法、装置、计算机设备及可读存储介质
US20210244900A1 (en) * 2020-02-06 2021-08-12 Loewenstein Medical Technology S.A. Method for operating a ventilator for artificial ventilation of a patient, and such a ventilator

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5402796A (en) * 1990-09-19 1995-04-04 University Of Melbourne Arterial CO2 Monitor and closed loop controller
KR101886374B1 (ko) * 2017-08-16 2018-08-07 재단법인 아산사회복지재단 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램
CN108829683A (zh) * 2018-06-29 2018-11-16 北京百度网讯科技有限公司 混合标注学习神经网络模型及其训练方法、装置
US20210244900A1 (en) * 2020-02-06 2021-08-12 Loewenstein Medical Technology S.A. Method for operating a ventilator for artificial ventilation of a patient, and such a ventilator
WO2021151353A1 (zh) * 2020-10-20 2021-08-05 平安科技（深圳）有限公司 医学实体关系抽取方法、装置、计算机设备及可读存储介质
CN113190632A (zh) * 2020-12-23 2021-07-30 南京未来网络产业创新有限公司 一种轨迹复原算法的模型建立方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115732041A (zh) * 2022-12-07 2023-03-03 中国石油大学(北京) 二氧化碳捕获量预测模型构建方法、智能预测方法及装置
CN115732041B (zh) * 2022-12-07 2023-10-13 中国石油大学(北京) 二氧化碳捕获量预测模型构建方法、智能预测方法及装置

Also Published As

Publication number Publication date
CN113822420B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
Hammarberg Penn inventory for posttraumatic stress disorder: psychometric properties.
Sharp et al. Toward respiratory assessment using depth measurements from a time-of-flight sensor
Ding et al. Mortality prediction for ICU patients combining just-in-time learning and extreme learning machine
Enache et al. Ability of pulmonary function decline to predict death in amyotrophic lateral sclerosis patients
CN111081379B (zh) 一种疾病概率决策方法及其系统
CN107610009B (zh) 一种基于神经网络的三位一体招生录取概率预测方法
CN111261300A (zh) 肺功能参数正常预计值的获取方法
CN110289061A (zh) 一种创伤失血性休克伤情的时间序列预测方法
Qiu et al. Process monitoring ROC curve for evaluating dynamic screening methods
Yarnell et al. Do thresholds for invasive ventilation in hypoxemic respiratory failure exist? A cohort study
Wang et al. A time-series feature-based recursive classification model to optimize treatment strategies for improving outcomes and resource allocations of COVID-19 patients
Yang et al. Application of regression model combined with computer technology in the construction of early warning model of sepsis infection in children
CN113822420B (zh) 基于容积二氧化碳图的死腔分数的模型建立方法及系统
Juang et al. Explainable fuzzy neural network with easy-to-obtain physiological features for screening obstructive sleep apnea-hypopnea syndrome
WO2022178947A1 (zh) 基于多维度的监测预警方法、装置、设备及存储介质
EP3790016A1 (en) Disease network construction method considering stratification according to confounding variable of cohort data and occurrence time between diseases, method for visualizing same, and computer-readable recording medium recording same
Wu et al. Developing and evaluating a machine-learning-based algorithm to predict the incidence and severity of ARDS with continuous non-invasive parameters from ordinary monitors and ventilators
Ratnagiri et al. Machine learning for automatic identification of thoracoabdominal asynchrony in children
Koch et al. Reference values for respiratory pressures in a general adult population–results of the Study of Health in Pomerania (SHIP)
Wang et al. Accuracy of stroke volume variation and pulse pressure variation in predicting fluid responsiveness undergoing one-lung ventilation during thoracic surgery: a systematic review and meta-analysis
CN116030987A (zh) 系统性硬化病食管动力的评估模型的构建方法
Melese et al. Deep learning based algorithms for detecting chronic obstructive pulmonary disease
Shoukri Measurement of agreement
Chatchumni et al. Performance of the Simple Clinical Score (SCS) and the Rapid Emergency Medicine Score (REMS) to predict severity level and mortality rate among patients with sepsis in the emergency department
Cheng et al. Mining discriminative patterns to predict health status for cardiopulmonary patients

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
TA01 Transfer of patent application right

Effective date of registration: 20240329

Address after: 100071 No. 3, gangnanli, Yungang Town, Fengtai District, Beijing

Applicant after: China Aerospace Science and Engineering Group 731 Hospital

Country or region after: China

Address before: 100091 17 Heishanhu Road, Haidian District, Beijing

Applicant before: Yan Peng

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant