CN113941061B - 一种人机不同步识别方法、系统、终端以及存储介质 - Google Patents
一种人机不同步识别方法、系统、终端以及存储介质 Download PDFInfo
- Publication number
- CN113941061B CN113941061B CN202111193691.8A CN202111193691A CN113941061B CN 113941061 B CN113941061 B CN 113941061B CN 202111193691 A CN202111193691 A CN 202111193691A CN 113941061 B CN113941061 B CN 113941061B
- Authority
- CN
- China
- Prior art keywords
- data
- respiratory
- respiration
- machine
- breathing
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 129
- 230000000241 respiratory effect Effects 0.000 claims abstract description 112
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000007635 classification algorithm Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000003434 inspiratory effect Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 5
- 206010001052 Acute respiratory distress syndrome Diseases 0.000 description 3
- 201000000028 adult respiratory distress syndrome Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000013616 Respiratory Distress Syndrome Diseases 0.000 description 2
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 201000004193 respiratory failure Diseases 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
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
- A61M16/021—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes operated by electrical means
- A61M16/022—Control means therefor
- A61M16/024—Control means therefor including calculation means, e.g. using a processor
-
- 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
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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
-
- 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
- A61M2230/00—Measuring parameters of the user
- A61M2230/40—Respiratory characteristics
Abstract
本申请涉及一种人机不同步识别方法、系统、终端以及存储介质。包括：获取当前呼吸周期内的呼吸数据；将所述呼吸数据划分为具有相同数据点个数的至少两段数据，并分别计算每段数据的方差，将所述每段数据的方差计算结果作为所述呼吸数据的特征值；将所述特征值输入训练好的呼吸波形分类模型，通过所述呼吸波形分类模型对所述呼吸数据的呼吸类型进行分类，根据所述呼吸类型分类结果对人机不同步现象进行识别。本申请实施例通过对每个呼吸周期的呼吸数据进行分段，并计算分段方差，将分段方差作为对应呼吸周期的特征值，并通过机器学习分类算法进行呼吸类型的分类，根据分类结果对人机不同步现象进行识别，可以实时准确的识别出人机不同步现象。
Description
技术领域
本申请属于生理数据分析技术领域，特别涉及一种人机不同步识别方法、系统、终端以及存储介质。
背景技术
在现代临床医学中，呼吸机作为一项能人工替代自主通气功能的有效手段，已普遍应用于各种原因所致的呼吸衰竭、大手术期间的麻醉呼吸管理、呼吸支持治疗和急救复苏中，在现代医学领域内占有十分重要的位置。呼吸机是一种能够起到预防和治疗呼吸衰竭，减少并发症，挽救及延长病人生命的至关重要的医疗设备。然而，在用呼吸机给患者进行机械通气的过程中，往往会出现通气异常导致的人机不同步现象，例如无效吸气努力、双触发吸气、触发延迟、短循环、长循环、反向触发等。人机不同步现象会对患者造成很多负面的影响，通常需要依靠医生进行判断，并及时调整呼吸机参数，效率较为低下。
随着机器学习的发展，应用机器学习方法对人机不同步现象进行自动检测和分类可以大大提高检测效率。机器学习方法在数据处理以及特征提取方面需要输入大量的原始数据进入多层的神经网络进行机器学习，算法流程普遍非常复杂，运算量非常大，无法进行即时有效的波形分类。
发明内容
本申请提供了一种人机不同步识别方法、系统、终端以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本申请提供了如下技术方案：
一种人机不同步识别方法，包括：
获取当前呼吸周期内的呼吸数据；
将所述呼吸数据划分为具有相同数据点个数的至少两段数据，并分别计算每段数据的方差，将所述每段数据的方差计算结果作为所述呼吸数据的特征值；
将所述特征值输入训练好的呼吸波形分类模型，通过所述呼吸波形分类模型对所述呼吸数据的呼吸类型进行分类，根据所述呼吸类型分类结果对人机不同步现象进行识别。
本申请实施例采取的技术方案还包括：所述将所述呼吸数据划分为具有相同数据点个数的至少两段数据包括：
如果所述呼吸数据的数据点个数为奇数，则按照向下或向上取整的方式对所述呼吸数据进行划分。
本申请实施例采取的技术方案还包括：所述将所述特征值输入训练好的呼吸波形分类模型包括：
获取用于训练模型的数据集，采用机器学习分类算法对所述数据集进行训练，得到训练好的呼吸波形分类模型；所述机器学习分类算法包括支持向量机算法、最邻近节点算法或朴素贝叶斯算法。
本申请实施例采取的技术方案还包括：所述获取用于训练模型的数据集具体为：
采集连续呼吸波形信号；所述连续呼吸波形信号包括模拟呼吸信号或真实呼吸信号；
按照每两个波谷间的呼吸数据为一个完整呼吸周期的分割原则，将所述连续呼吸信号划分为具有多个呼吸周期的呼吸数据，并根据波形特征对各个呼吸周期的呼吸数据进行分类及标注，依次将所有呼吸数据的标签存入一个标签列表中；
分别将每个呼吸周期的呼吸数据划分为具有相同数据点个数的至少两段数据，分别计算每段数据的方差，将方差计算结果作为对应呼吸周期的特征值，并依次将所有呼吸周期的特征值存入一个特征值列表中；
将所述标签列表与特征值列表中的呼吸类型与特征值一一对应，生成用于模型训练的数据集。
本申请实施例采取的技术方案还包括：
所述呼吸数据为气道压数据；
所述呼吸类型包括正常呼吸或异常呼吸，所述异常呼吸包括双触发吸气或无效吸气努力。
本申请实施例采取的技术方案还包括：所述根据所述呼吸类型分类结果对人机不同步现象进行识别包括：
如果呼吸类型分类结果为正常呼吸，则判定不存在人机不同步现象；
如果输出的呼吸类型为异常呼吸，则判定存在人机不同步现象，并发出人机不同步提示信息。
本申请实施例采取的另一技术方案为：一种人机不同步识别系统，包括：
数据获取模块：用于获取当前呼吸周期内的呼吸数据；
特征值计算模块：用于将所述呼吸数据划分为具有相同数据点个数的至少两段数据，并分别计算每段数据的方差，将所述每段数据的方差计算结果作为所述呼吸数据的特征值；
波形分类模块：用于将所述特征值输入训练好的呼吸波形分类模型，通过所述呼吸波形分类模型对所述呼吸数据的呼吸类型进行分类，根据所述呼吸类型分类结果对人机不同步现象进行识别。
本申请实施例采取的又一技术方案为：一种终端，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现所述人机不同步识别方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制人机不同步识别。
本申请实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述人机不同步识别方法。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的人机不同步识别方法、系统、终端以及存储介质通过对每个呼吸周期的呼吸数据进行分段，并计算分段方差，将分段方差作为对应呼吸周期的特征值，并通过机器学习分类算法对特征值进行呼吸类型的分类，根据分类结果对人机不同步现象进行识别。本申请实施例操作简单，可以实时准确的识别出人机不同步现象，从而辅助医护人员对人机不同步现象进行监测与加速判断，大大提高了实际应用中的可行性。
附图说明
图1是本申请实施例的人机不同步识别方法的流程图；
图2为一个完整呼吸周期的正常呼吸气道压波形图；
图3为一个完整呼吸周期的双触发呼吸气道压波形图；
图4为一个完整呼吸周期的无效吸气努力气道压波形图；
图5为本申请实施例的人机不同步识别系统结构示意图；
图6为本申请实施例的终端结构示意图；
图7为本申请实施例的存储介质的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
请参阅图1，是本申请实施例的人机不同步识别方法的流程图。本申请实施例的人机不同步识别方法包括以下步骤：
S10：采集连续呼吸波形信号；
本步骤中，采集的连续呼吸波形信号包括模拟呼吸信号或者患者的真实呼吸信号。本申请实施例中以采集急性呼吸窘迫综合症(Acute Respiratory DistressSyndrome,简称为ARDS)患者的模拟呼吸信号为例，可以理解，本申请同样适用于其他呼吸机应用场景的人机不同步识别。连续呼吸波形信号的采集方式具体为：将模拟肺的呼吸模式设定为，呼吸机通气模式设定为CPAP/PSV模式，采样频率为50HZ，呼吸频率为每分钟21次。Test模拟肺可输出流量、气道压、潮气量、肺泡压、胸膜腔内压、心脏压力等15个通道的呼吸数据，由于气道压数据的波形特征较为明显，易于区分不同类型的波形，且数值都为正，因此本发明以下实施例中以选用气道压数据为例进行分类模型的训练。具体如图2至图4所示，图2为一个完整呼吸周期的正常呼吸气道压波形图，图3为一个完整呼吸周期的双触发呼吸气道压波形图，图4为一个完整呼吸周期的无效吸气努力气道压波形图。图中纵坐标为气道压的值(单位：cmH2O)，横坐标为此周期数据点的序号。从图中可以看出，气道压数据的波形特征较为明显，易于区分不同呼吸类型的波形。可以理解，本发明同样适用于潮气量等其他呼吸数据的人机不同步识别。
S20：将连续呼吸信号分割为具有多个呼吸周期的呼吸数据，并根据波形特征对各个呼吸周期的呼吸数据进行分类及标注，依次将所有呼吸数据的标签存入一个标签列表中；
本步骤中，呼吸数据的分割原则为：将每两个波谷间的呼吸数据作为一个完整的呼吸周期进行分割。在进行呼吸周期的划分时，每段呼吸数据的数据点个数可以不同，但数据点差值需在设定阈值范围(本申请实施例设定该阈值范围为1～10)内，作为优选，本申请实施例设定每段呼吸数据的数据点个数分别在80到90之间。由于每段呼吸数据的数据点的个数可以不同，可以大大提高实际应用中的可行性。在完成数据划分后，将每个呼吸周期的呼吸数据单独存为表格文件。呼吸类型包括正常呼吸以及触发延迟、短循环、长循环、反向触发、双触发吸气、无效吸气努力等异常呼吸，为便于说明，本申请实施例仅以正常呼吸、双触发吸气以及无效吸气努力三种类型为例，三种类型的呼吸数据的数量分别为1000个。将三种类型的呼吸数据分别存放在三个不同的文件夹中，并分别在文件夹上标注对应的呼吸类型，例如：将正常呼吸的呼吸数据标注为0，将双触发呼吸的呼吸数据标注为1，将无效吸气努力的呼吸数据标注为2。
S30：分别将每个呼吸周期的呼吸数据划分为具有相同数据点个数的至少两段数据，并分别计算每段数据的方差，将方差计算结果作为对应呼吸周期的特征值，并将所有呼吸周期的特征值依次存入一个特征值列表中；
本步骤中，以将每个呼吸周期的呼吸数据划分为两段为例，呼吸数据划分方式为：如果某段呼吸数据的数据点个数为奇数，则前段数据向下取整，后段数据向上取整；然后分别计算前段数据和后段数据的方差，并将方差计算结果记为：Var前、Var后，将特征值记为[Var前、Var后]。可以理解，还可以通过计算前段数据和后段数据的标准差或均值作为方差的替代方案。
S40：将标签列表与特征值列表中的呼吸类型与特征值一一对应，生成用于模型训练的数据集，并将数据集分为训练集与测试集；
本步骤中，随机将数据集的67％划分为训练集，33％划分为测试集，具体划分比例可根据实际应用进行调整。
S50：采用机器学习分类算法对训练集与测试集进行训练与测试，得到训练好的呼吸波形分类模型；
本步骤中，机器学习分类算法包括但不限于支持向量机算法、最邻近节点算法、朴素贝叶斯算法等。
S60：通过训练好的呼吸波形分类模型对患者的呼吸数据进行波形分类，得到患者的呼吸类型，根据呼吸类型对人机不同步现象进行识别；
本步骤中，在进行呼吸类型分类前，根据不同的呼吸机型号提前设置自动采样点的规则。在进行呼吸类型分类时，获取患者的原始呼吸信号，并在每一次呼吸过程结束时即时提取出原始呼吸信号中的气道压数据，计算出气道压数据的分段方差，作为此次呼吸的特征值，将特征值输入训练好的呼吸波形分类模型，通过呼吸波形分类模型输出本次呼吸的呼吸类型分类结果。如果输出的呼吸类型为正常呼吸，则判定不存在人机不同步现象。如果输出的呼吸类型为双触发呼吸或无效吸气努力等异常呼吸，则判定当前呼吸机存在人机不同步现象，并发出提示信息，提醒医生及时调整呼吸机参数，或预先对呼吸机进行配置，使呼吸机收到人机不同步提示信息时自行调整呼吸机参数，从而实现人机不同步现象的即时检测与分类。
为了证明本申请实施例的可行性和有效性，通过实验对本申请的识别效果进行验证。在实验中，共选取1000个正常呼吸周期的数据、1000个双触发呼吸周期的数据以及1000个无效吸气努力周期的数据。经过本申请提出的特征值提取操作后，分别使用支持向量机算法、最邻近节点算法、逻辑回归算法、决策树算法、朴素贝叶斯算法、随机森林算法检验分类效果，实验结果证明，支持向量机算法、最邻近节点算法、逻辑回归算法的分类准确率高达100.00％，990项分类任务全部分类正确。决策树算法的准确率为99.90％。朴素贝叶斯算法的准确率为99.49％。随机森林算法的准确率为98.48％。在得到分类准确率结果后，可择优选取并保存呼吸波形分类模型。
基于上述，本申请实施例的人机不同步识别方法通过对每个呼吸周期的呼吸数据进行分段，并计算分段方差，将分段方差作为对应呼吸周期的特征值，并通过机器学习分类算法对特征值进行呼吸类型的分类，根据分类结果对人机不同步现象进行识别。本申请实施例操作简单，可以实时准确的识别出人机不同步现象，从而辅助医护人员对人机不同步现象进行监测与加速判断，大大提高了实际应用中的可行性。本申请实施例对于各种类型的人机不同步识别和分析具有普遍适用性，本发明还可扩展至心电信号等一维信号的检测与分析。
请参阅图5，为本申请实施例的人机不同步识别系统结构示意图。本申请实施例的人机不同步识别系统40包括：
数据获取模块41：用于获取当前呼吸周期内的呼吸数据；
特征值计算模块42：用于将呼吸数据划分为具有相同数据点个数的至少两段数据，并分别计算每段数据的方差，将每段数据的方差计算结果作为呼吸数据的特征值；
波形分类模块43：用于将特征值输入训练好的呼吸波形分类模型，通过呼吸波形分类模型对呼吸数据的呼吸类型进行分类，根据呼吸类型分类结果对人机不同步现象进行识别；其中，如果输出的呼吸类型为正常呼吸，则判定不存在人机不同步现象。如果输出的呼吸类型为双触发呼吸或无效吸气努力等异常呼吸，则判定当前呼吸机存在人机不同步现象，并发出提示信息，提醒医生及时调整呼吸机参数，或预先对呼吸机进行配置，使呼吸机收到人机不同步提示信息时自行调整呼吸机参数，从而实现人机不同步现象的即时检测与分类。
本申请实施例的人机不同步识别系统通过对每个呼吸周期的呼吸数据进行分段，并计算分段方差，将分段方差作为对应呼吸周期的特征值，并通过机器学习分类算法对特征值进行呼吸类型的分类，根据分类结果对人机不同步现象进行识别。本申请实施例操作简单，可以实时准确的识别出人机不同步现象，从而辅助医护人员对人机不同步现象进行监测与加速判断，大大提高了实际应用中的可行性。
请参阅图6，为本申请实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述人机不同步识别方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制人机不同步识别。
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)、现成可编程门阵列(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。
请参阅图7，为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件61，其中，该程序文件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)执行本发明各个实施方式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，Random Access 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、平板等终端设备。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种人机不同步识别方法，其特征在于，包括：
获取当前呼吸周期内的呼吸数据；
将所述呼吸数据划分为具有相同数据点个数的至少两段数据，并分别计算每段数据的方差，将所述每段数据的方差计算结果作为所述呼吸数据的特征值；
将所述特征值输入训练好的呼吸波形分类模型，通过所述呼吸波形分类模型对所述呼吸数据的呼吸类型进行分类，根据所述呼吸类型分类结果对人机不同步现象进行识别；
其中，所述将所述特征值输入训练好的呼吸波形分类模型包括：
获取用于训练模型的数据集，采用机器学习分类算法对所述数据集进行训练，得到训练好的呼吸波形分类模型；所述机器学习分类算法包括支持向量机算法、最邻近节点算法或朴素贝叶斯算法；
所述获取用于训练模型的数据集具体为：
采集连续呼吸波形信号；所述连续呼吸波形信号包括模拟呼吸信号或真实呼吸信号；
按照每两个波谷间的呼吸数据为一个完整呼吸周期的分割原则，将所述连续呼吸波形信号划分为具有多个呼吸周期的呼吸数据，并根据波形特征对各个呼吸周期的呼吸数据进行分类及标注，依次将所有呼吸数据的标签存入一个标签列表中；
分别将每个呼吸周期的呼吸数据划分为具有相同数据点个数的至少两段数据，分别计算每段数据的方差，将方差计算结果作为对应呼吸周期的特征值，并依次将所有呼吸周期的特征值存入一个特征值列表中；
将所述标签列表与特征值列表中的呼吸类型与特征值一一对应，生成用于模型训练的数据集。
2.根据权利要求1所述的人机不同步识别方法，其特征在于，所述将所述呼吸数据划分为具有相同数据点个数的至少两段数据包括：
如果所述呼吸数据的数据点个数为奇数，则按照向下或向上取整的方式对所述呼吸数据进行划分。
3.根据权利要求2所述的人机不同步识别方法，其特征在于，
所述呼吸数据为气道压数据；
所述呼吸类型包括正常呼吸或异常呼吸，所述异常呼吸包括双触发吸气或无效吸气努力。
4.根据权利要求3所述的人机不同步识别方法，其特征在于，所述根据所述呼吸类型分类结果对人机不同步现象进行识别包括：
如果呼吸类型分类结果为正常呼吸，则判定不存在人机不同步现象；
如果输出的呼吸类型为异常呼吸，则判定存在人机不同步现象，并发出人机不同步提示信息。
5.一种人机不同步识别系统，其特征在于，包括：
数据获取模块：用于获取当前呼吸周期内的呼吸数据；
特征值计算模块：用于将所述呼吸数据划分为具有相同数据点个数的至少两段数据，并分别计算每段数据的方差，将所述每段数据的方差计算结果作为所述呼吸数据的特征值；
波形分类模块：用于将所述特征值输入训练好的呼吸波形分类模型，通过所述呼吸波形分类模型对所述呼吸数据的呼吸类型进行分类，根据所述呼吸类型分类结果对人机不同步现象进行识别；
其中，所述将所述特征值输入训练好的呼吸波形分类模型包括：
获取用于训练模型的数据集，采用机器学习分类算法对所述数据集进行训练，得到训练好的呼吸波形分类模型；所述机器学习分类算法包括支持向量机算法、最邻近节点算法或朴素贝叶斯算法；
所述获取用于训练模型的数据集具体为：
采集连续呼吸波形信号；所述连续呼吸波形信号包括模拟呼吸信号或真实呼吸信号；
按照每两个波谷间的呼吸数据为一个完整呼吸周期的分割原则，将所述连续呼吸波形信号划分为具有多个呼吸周期的呼吸数据，并根据波形特征对各个呼吸周期的呼吸数据进行分类及标注，依次将所有呼吸数据的标签存入一个标签列表中；
分别将每个呼吸周期的呼吸数据划分为具有相同数据点个数的至少两段数据，分别计算每段数据的方差，将方差计算结果作为对应呼吸周期的特征值，并依次将所有呼吸周期的特征值存入一个特征值列表中；
将所述标签列表与特征值列表中的呼吸类型与特征值一一对应，生成用于模型训练的数据集。
6.一种终端，其特征在于，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现权利要求1-4任一项所述的人机不同步识别方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制人机不同步识别。
7.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1至4任一项所述人机不同步识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111193691.8A CN113941061B (zh) | 2021-10-13 | 2021-10-13 | 一种人机不同步识别方法、系统、终端以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111193691.8A CN113941061B (zh) | 2021-10-13 | 2021-10-13 | 一种人机不同步识别方法、系统、终端以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113941061A CN113941061A (zh) | 2022-01-18 |
| CN113941061B true CN113941061B (zh) | 2023-12-29 |
Family
ID=79329591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111193691.8A Active CN113941061B (zh) | 2021-10-13 | 2021-10-13 | 一种人机不同步识别方法、系统、终端以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113941061B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115804585B (zh) * | 2023-02-08 | 2023-06-13 | 浙江大学 | 一种基于机械通气波形检测气道高阻力的方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112368042A (zh) * | 2018-08-21 | 2021-02-12 | 深圳迈瑞生物医疗电子股份有限公司 | 一种通气检测方法及装置、通气设备、存储介质 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102021000315A1 (de) * | 2020-02-13 | 2021-08-19 | Löwenstein Medical Technology S.A. | Auswertesystem für ein Beatmungsgerät und Verfahren |
-
2021
- 2021-10-13 CN CN202111193691.8A patent/CN113941061B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112368042A (zh) * | 2018-08-21 | 2021-02-12 | 深圳迈瑞生物医疗电子股份有限公司 | 一种通气检测方法及装置、通气设备、存储介质 |
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113941061A (zh) | 2022-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN105342563B (zh) | 睡眠状况的检测 | |
| 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 | |
| CN107106028B (zh) | 用于心肺睡眠阶段分类的系统和方法 | |
| Andreotti et al. | Non-invasive fetal ECG signal quality assessment for multichannel heart rate estimation | |
| CN112675393B (zh) | 一种呼吸机撤机管理系统及方法 | |
| 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 | |
| Gutta et al. | Cardiorespiratory model-based data-driven approach for sleep apnea detection | |
| Stanculescu et al. | A Hierarchical Switching Linear Dynamical System Applied to the Detection of Sepsis in Neonatal Condition Monitoring. | |
| Casaseca-de-la-Higuera et al. | Weaning from mechanical ventilation: a retrospective analysis leading to a multimodal perspective | |
| CN107887032A (zh) | 一种数据处理方法及装置 | |
| WO2022242123A1 (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 | |
| CN108091391A (zh) | 病症评估方法、终端设备及计算机可读介质 | |
| Chaw et al. | Sleep apnea detection using deep learning | |
| CN113941061B (zh) | 一种人机不同步识别方法、系统、终端以及存储介质 | |
| De Chazal et al. | Sleep apnoea classification using heart rate variability, ECG derived respiration and cardiopulmonary coupling parameters | |
| CN109887595A (zh) | 基于深度学习技术的心搏异常识别算法 | |
| CN108305688A (zh) | 病症评估方法、终端设备及计算机可读介质 | |
| CN108198617A (zh) | 病症评估方法、终端设备及计算机可读介质 | |
| WO2023060478A1 (zh) | 一种人机不同步识别方法、系统、终端以及存储介质 | |
| EP4031003A1 (en) | System and method for determining sleep stages based on non-cardiac body signals | |
| CN115814222B (zh) | 混合机械通气模式下人机不同步波形识别方法及相关设备 | |
| CN115414026A (zh) | 一种基于流速波形的呼吸自动切分方法及其系统 | |
| CN108182974A (zh) | 病症评估方法、终端设备及计算机可读介质 | |
| Fahruzi et al. | Classification of Sleep Disorder from Single Lead Non-overlapping of ECG-apnea based Non-Linear Analysis using Ensemble Approach |
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 |