CN113951868A - 机械通气患者人机不同步检测方法及装置 - Google Patents
机械通气患者人机不同步检测方法及装置 Download PDFInfo
- Publication number
- CN113951868A CN113951868A CN202111268925.0A CN202111268925A CN113951868A CN 113951868 A CN113951868 A CN 113951868A CN 202111268925 A CN202111268925 A CN 202111268925A CN 113951868 A CN113951868 A CN 113951868A
- Authority
- CN
- China
- Prior art keywords
- data
- respiratory
- patient
- flow rate
- mechanically ventilated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000000241 respiratory effect Effects 0.000 claims abstract description 67
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 50
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 238000005399 mechanical ventilation Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 206010036790 Productive cough Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000001976 improved effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 210000003802 sputum Anatomy 0.000 description 3
- 208000024794 sputum Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- 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
- A61B5/72—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Pulmonology (AREA)
- Fuzzy Systems (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种机械通气患者人机不同步检测方法及装置，包括：采集机械通气患者呼吸数据，所述呼吸数据包括呼吸流速数据和上气道压数据；构建机械通气患者呼吸数据集；构建多层以二维卷积神经网络为核心的卷积神经网络模型；将所述机械通气患者呼吸数据集中的数据输入所述卷积神经网络模型；输出所述机械通气患者正常和/或人机不同步的概率值。通过上述方法，实现对机械通气患者人机不同步的准确识别，为临床医生调整呼吸机设置的决策提供实时支持。
Description
技术领域
本发明涉及智慧医疗、医疗健康技术领域，特别是涉及一种机械通气患者人机不同步检测方法及装置。
背景技术
呼吸道疾病已经成为世界上最致命的疾病之一，为了给人们提供必要的生命支持，机械通气(Mechanical Ventilation，MV)在临床治疗中的应用和研究越来越受到专家的重视。对于不能自主呼吸的患者，机械通气是最重要的生命支持治疗之一。在机械通气期间，当呼吸机输送的呼吸相位与患者呼吸输出的相位不匹配时，或者当患者的需求与呼吸机提供的帮助不匹配时，就会发生人机不同步(Patient-Ventilator Asynchrony，PVA)。PVA是一种常见的自主呼吸受限的患者经历的一种状况。这种不良的PVA影响了高达43%的机械通气患者，并导致了一些不良现象，如呼吸困难、机械通气持续时间延长、呼吸机损伤、死亡率。因此，PVA的研究和临床评估对机械通气过程至关重要。
发明内容
为解决上述问题，本发明提供一种机械通气患者人机不同步检测方法，实现对机械通气患者人机不同步的准确识别，为临床医生调整呼吸机设置的决策提供实时支持。
本发明采用的一个技术方案是：一种机械通气患者人机不同步检测方法，包括：
采集机械通气患者呼吸数据，所述呼吸数据包括呼吸流速数据和上气道压数据；
构建机械通气患者呼吸数据集；
构建多层以二维卷积神经网络为核心的卷积神经网络模型；
将所述机械通气患者呼吸数据集中的数据输入所述卷积神经网络模型；
输出所述机械通气患者正常和/或人机不同步的概率值。
进一步的，
选取患者的所述呼吸流速数据和上气道压数据，从所述呼吸流速数据和上气道压数据的呼吸流速和上气道压波形中，寻找波峰并在所述波峰处前移一设定时间对所述波形进行切分，切分形成对应每一口呼吸的波形，从所述切分形成对应每一口呼吸的波形中标识随机选取不连续的第一设定数量口典型的正常呼吸波形和第二设定数量口发生人机不同步的呼吸波形。
进一步的，
所述对所述波形进行切分，从连续、周期性变化的气道压力、流速变化波形中，对流速信号值进行顺序遍历；
首先获取所有过零点值并记录时间索引，过零点值定义为t时刻信号值小于0，t+1时刻信号值大于0；
然后根据记录的时间索引进行切片获取每段呼吸信号值；
切片具体步骤为：
S1、取第n和n+1个过零点值时间索引，其中1≤n<N-1，N为所有过零点值时间索引总个数；
S2、根据步骤1获取的两个时间索引对气道压力数据和流速变化数据进行切分，从而得到每口呼吸的气道压力数据和流速变化数据。进一步的，
所述构建机械通气患者呼吸数据集包括：对所述呼吸数据进行重采样处理，选取实验最优结果的采样值进行采样，将所述呼吸流速数据和上气道压数据采样后合并，转换为多通道数据。
进一步的，
所述选取实验最优结果的采样值进行采样，包括：下采样利用随机采样法，上采样利用插值采样法，保证每段序列长短一致。
进一步的，
所述构建多层以二维卷积神经网络为核心的卷积神经网络模型，包括：
使用带标识的数据对所述卷积神经网络模型进行训练，得到一个分类器；
使用所述分类器对未带标识的数据进行分类预测；
根据所述分类预测的结果，将高置信度的未带标识数据，以增量方式添加到带有分类标识的训练数据中；
重复迭代直到所述模型收敛。
进一步的，
将所述多通道数据输入所述卷积神经网络模型。
进一步的，
所述标识随机选取不连续的第一设定数量口典型的正常呼吸波形以及第二设定数量口发生人机不同步的呼吸波形为通过专家标识。
进一步的，
所述选取患者的所述呼吸流速数据和上气道压数据，包括：所述呼吸流速数据和上气道压数据包含患者发生人机不同步整个时间段的呼吸流速数据和上气道压数据；所有患者均使用相同呼吸机进行机械通气，呼吸流速数据和上气道压数据的采样频率和时长相同。
依据上述方法，本发明对应还提供一种机械通气患者人机不同步检测装置，包括：
数据采集模块，用于采集机械通气患者呼吸数据，所述呼吸数据包括呼吸流速数据和上气道压数据；
数据集构建模块，用于构建机械通气患者呼吸数据集；
模型构建模块，用于构建多层以二维卷积神经网络为核心的卷积神经网络模型；
输入模块，用于将所述机械通气患者呼吸数据集中的数据输入所述卷积神经网络模型；
输出模块，用于输出所述机械通气患者正常和/或人机不同步的概率值。
本发明的有益效果是：通过上述技术方案的方法或者装置，本发明可以通过筛选正常呼吸来检测PVA的发生，所有模型识的非正常呼吸被判断为PVA，从而规避部分罕见PVA检测模型未学习而无法识别的情形，进而可以促进深度学习在实际临床环境中PVA检测中的应用，为临床医生调整呼吸机设置的决策提供实时支持。
附图说明
图1本发明实施例一种机械通气患者人机不同步检测方法流程示意图。
图2本发明实施例一种机械通气患者人机不同步检测装置示意图。
具体实施方式
在本申请实施例提供的技术方案中，通过采集机械通气患者呼吸数据，所述呼吸数据包括呼吸流速数据和上气道压数据；构建机械通气患者呼吸数据集；构建多层以二维卷积神经网络为核心的卷积神经网络模型；将所述机械通气患者呼吸数据集中的数据输入所述卷积神经网络模型；输出所述机械通气患者正常和/或人机不同步的概率值。可以规避部分罕见PVA检测模型未学习而无法识别的情形，进而可以促进深度学习在实际临床环境中PVA检测中的应用，为临床医生调整呼吸机设置的决策提供实时支持。
下面结合附图对本申请实施例技术方案的主要实现原理、具体实施方式及其对应能够达到的有益效果进行详细的阐述。
实施例一
请参考图1，本申请实施例提供一种机械通气患者人机不同步检测方法，所述包括：
S101：采集机械通气患者呼吸数据，所述呼吸数据包括呼吸流速数据和上气道压数据；
S102：构建机械通气患者呼吸数据集；
S103：构建多层以二维卷积神经网络为核心的卷积神经网络模型；
S104：将所述机械通气患者呼吸数据集中的数据输入所述卷积神经网络模型；
S105：输出所述机械通气患者正常和/或人机不同步的概率值。
本发明所采用的机械通气患者人机不同步检测方法，可以应用于以智能电子设备，如智能手机等，该智能电子设备具有数据输入和输出部分，并具有数据处理能力。上述方法也可以应用于服务器和计算机系统。
该方法在智能电子设备、服务器或者计算机系统上执行时，执行S101采集机械通气患者呼吸数据，所述呼吸数据包括呼吸流速数据和上气道压数据。
采集机械通气患者呼吸数据的一般方法是选取原始研究中接受压力支持通气(Pressure Support Ventilation，PSV)一定数量例患者的机械通气患者呼吸数据，如选取100例患者的数据，机械通气患者呼吸数据包含患者发生PVA整个时间段的呼吸流速数据和上气道压数据。所有患者均使用例如AVEA呼吸机（CareFusion Co.，USA）进行机械通气。呼吸和食道压数据采样频率均为100HZ，每段记录时长为15分钟。为了避免断开呼吸机吸痰，翻身等对呼吸机波形及食道压监测的影响，记录开始前进行充分吸痰，在记录过程中避免不必要的翻身、吸痰等护理操作。所有数据采样定制软件进行离线分析。
通过选取患者的所述呼吸流速数据和上气道压数据，包含患者发生人机不同步整个时间段的呼吸流速数据和上气道压数据；所有患者均使用相同呼吸机进行机械通气，呼吸流速数据和上气道压数据的采样频率和时长相同。
具体的，从所述呼吸流速数据和上气道压数据连续、周期性变化的的呼吸流速和上气道压波形中，寻找波峰并在所述波峰处前移一设定时间（如50ms）对所述波形进行切分，切分形成对应每一口呼吸的波形，从所述切分形成对应每一口呼吸的波形中标识随机选取不连续的第一设定数量口（如4-8口）典型的正常呼吸波形和第二设定数量口（如1-2口）发生人机不同步的呼吸波形。
上述标识随机选取不连续的第一设定数量口典型的正常呼吸波形以及第二设定数量口发生人机不同步的呼吸波形可以为通过专家标识，具体的，对于上述每一口呼吸的波形，通过设定数量的人类专家投票决定某一特定呼吸是否正常，当超过多数专家认为正常时，该呼吸波形被标记为正常呼吸波形；对于发生PVA的单口呼吸，确定为人机不同步的呼吸波形，其所属的PVA类型由专家讨论确定。
采集机械通气患者呼吸数据并对上述数据进行标识处理后，执行步骤S102：构建机械通气患者呼吸数据集。上述构建数据集的过程是将上述标识处理的数据进行存储，上述数据可以储存至本地或者云端。
S103：构建多层以二维卷积神经网络为核心的卷积神经网络模型。
步骤S103可以在之前的步骤任意时段执行，对于多层以二维卷积神经网络为核心的卷积神经网络模型，该神经模型可输入经重采样的呼吸流速和上气道压数据应对不同类型的PVA需求；模型采用9层网络结构设计，其中包含6个卷积层、2个最大池化层、输出层。1、3、5、7层卷积操作后放置Dropout层防止模型过拟合，2、5、6层卷积操作后放置BatchNormalization层使每一层神经网络的输入保持相同的分布；输出层采用Softmax层计算概率值进行分类。
构建模型过程中，使用带标识的数据对所述卷积神经网络模型进行训练，得到一个分类器；使用所述分类器对未标识的数据进行分类预测；根据所述分类预测的结果，将高置信度的未标识数据，以增量方式添加到带有分类标识的训练数据中；重复迭代直到所述模型收敛。
具体的，首先模型使用带标记的数据进行训练，得到一个分类器。然后使用这个分类器对未标记的数据进行分类预测。根据分类预测结果，将高置信度的未标记数据，以增量方式将其添加到带有分类标识的训练数据中，从而扩大训练数据的规模。重复迭代这个过程直到模型收敛。上述构建的模型的体系结构表如下表1所示：
表1
在构建好模型后，执行S104：将所述机械通气患者呼吸数据集中的数据输入所述卷积神经网络模型。
其中，输入的数据需要进行预处理，对所述呼吸数据进行重采样处理，选取实验最优结果的采样值进行采样，将所述呼吸流速数据和上气道压数据采样后合并，转换为多通道数据，并将所述多通道数据输入所述卷积神经网络模型。
可选的，对数据进行重采样处理，选取实验最优结果为400的采样值进行采样，其中下采样利用随机采样法，上采样利用插值采样法，保证每段序列长短一致。将流速数据和上气道压数据进行重采样后合并作为输入，合并后每个数据样本维度为(400，2)，并转换成（20，20，2）的多通道数据。
在输入将所述机械通气患者呼吸数据集中的数据输入所述卷积神经网络模型后，该模型执行步骤S105：输出所述机械通气患者正常以及人机不同步的概率值。
针对上述方法，申请人对其进行了评估，由于本方法主要目的是筛查正常呼吸对PVA进行提前预警，因此不考虑区分具体PVA类型。但是为了避免表述上的歧义仍然将PVA数据定义为阳性样本。对于检测模型，申请人选用准确率(Accuracy)、敏感性(Sensitivity)、特异性(Specificity)和F1值(F1-Score)对模型进行评估。准确率定义为
,敏感性定义为
，特异性定义为
，F1值定义为
。评价指标的相关参数如下表2所示:
| 参数 | 说明 |
| TP | 真阳性，真实为阳，预测结果为阳 |
| TN | 真阴性，真实为阴，预测结果为阴 |
| FP | 假阳性，真实为阴，预测结果为阳 |
| FN | 假阴性，真实为阳，预测结果为阴 |
表2
训练集选取正常数据513个，异常数据69个；测试集选取正常数据48个，异常数据24个。将流速数据和上气道压数据进行重采样后合并作为输入，合并后每个数据样本维度为(400，2)，并转换成（20，20，2）的多通道数据，输出为正常和异常呼吸信号概率。然后将无标记数据喂入模型，根据分类预测结果，将概率值大于95%的未标记数据按正常:异常=1:1方式以增量方式将其添加到有标记的训练数据中。
将本申请的检测模型与传统CNN和半监督生成对抗网络(Semi-SuperviseGenerative Adversarial Networks, SGAN)进行对比实验。本文使用的半监督CNN在多通道数据上测试集准确率92.9%，特异性97.9%，敏感性78.3%，与CNN模型相比，分别提升了3.8%、3.9%、2.7%。与SGAN模型相比，分别提升了1.9%，4.9%，1.6%。多通道数据相比单通道数据特征更丰富，效果略有提升。模型特异性为97.9%，对正常呼吸识别率较高。
实施例二
请参考图2，基于上述实施例一的方法，本发明对应还提供一机械通气患者人机不同步检测装置，包括：
数据采集模块，用于采集机械通气患者呼吸数据，所述呼吸数据包括呼吸流速数据和上气道压数据；
数据集构建模块，用于构建机械通气患者呼吸数据集；
模型构建模块，用于构建多层以二维卷积神经网络为核心的卷积神经网络模型；
输入模块，用于将所述机械通气患者呼吸数据集中的数据输入所述卷积神经网络模型；
输出模块，用于输出所述机械通气患者正常和/或人机不同步的概率值。
本发明的方法和装置通过筛选正常呼吸来检测PVA的发生，所有模型识的非正常呼吸被判断为PVA，从而规避部分罕见PVA检测模型未学习而无法识别的情形。这些贡献可以促进深度学习在实际临床环境中PVA检测中的应用，为临床医生调整呼吸机设置的决策提供实时支持。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种机械通气患者人机不同步检测方法，其特征在于，包括：
采集机械通气患者呼吸数据，所述呼吸数据包括呼吸流速数据和上气道压数据；
构建机械通气患者呼吸数据集；
构建多层以二维卷积神经网络为核心的卷积神经网络模型；
将所述机械通气患者呼吸数据集中的数据输入所述卷积神经网络模型；
输出所述机械通气患者正常和/或人机不同步的概率值。
2.一种如权利要求1所述的机械通气患者人机不同步检测方法，其特征在于，所述采集机械通气患者呼吸数据，包括：
选取患者的所述呼吸流速数据和上气道压数据，从所述呼吸流速数据和上气道压数据的呼吸流速和上气道压波形中，寻找波峰并在所述波峰处前移一设定时间对所述波形进行切分，切分形成对应每一口呼吸的波形，从所述切分形成对应每一口呼吸的波形中标识随机选取不连续的第一设定数量口典型的正常呼吸波形和第二设定数量口发生人机不同步的呼吸波形。
3.一种如权利要求1所述的机械通气患者人机不同步检测方法，其特征在于，
所述对所述波形进行切分，从连续、周期性变化的气道压力、流速变化波形中，对流速信号值进行顺序遍历；
首先获取所有过零点值并记录时间索引，过零点值定义为t时刻信号值小于0，t+1时刻信号值大于0；
然后根据记录的时间索引进行切片获取每段呼吸信号值；
切片具体步骤为：
S1、取第n和n+1个过零点值时间索引，其中1≤n<N-1，N为所有过零点值时间索引总个数；
S2、根据步骤1获取的两个时间索引对气道压力数据和流速变化数据进行切分，从而得到每口呼吸的气道压力数据和流速变化数据。
4.一种如权利要求1所述的机械通气患者人机不同步检测方法，其特征在于，
所述构建机械通气患者呼吸数据集包括：对所述呼吸数据进行重采样处理，选取实验最优结果的采样值进行采样，将所述呼吸流速数据和上气道压数据采样后合并，转换为多通道数据。
5.一种如权利要求4所述的机械通气患者人机不同步检测方法，其特征在于，
所述选取实验最优结果的采样值进行采样，包括：下采样利用随机采样法，上采样利用插值采样法，保证每段序列长短一致。
6.一种如权利要求1所述的机械通气患者人机不同步检测方法，其特征在于，
所述构建多层以二维卷积神经网络为核心的卷积神经网络模型，包括：
使用带标识数据对所述卷积神经网络模型进行训练，得到一个分类器；
使用所述分类器对未带标识的数据进行分类预测；
根据所述分类预测的结果，将高置信度的未带标识数据，以增量方式添加到带有分类标识的训练数据中；
重复迭代直到所述模型收敛。
7.一种如权利要求4所述的机械通气患者人机不同步检测方法，其特征在于，
将所述多通道数据输入所述卷积神经网络模型。
8.一种如权利要求2所述的机械通气患者人机不同步检测方法，其特征在于，
所述标识随机选取不连续的第一设定数量口典型的正常呼吸波形以及第二设定数量口发生人机不同步的呼吸波形为通过专家标识。
9.一种如权利要求2所述的机械通气患者人机不同步检测方法，其特征在于，
所述选取患者的所述呼吸流速数据和上气道压数据，包括：所述呼吸流速数据和上气道压数据包含患者发生人机不同步整个时间段的呼吸流速数据和上气道压数据；所有患者均使用相同呼吸机进行机械通气，呼吸流速数据和上气道压数据的采样频率和时长相同。
10.一种机械通气患者人机不同步检测装置，其特征在于，包括：
数据采集模块，用于采集机械通气患者呼吸数据，所述呼吸数据包括呼吸流速数据和上气道压数据；
数据集构建模块，用于构建机械通气患者呼吸数据集；
模型构建模块，用于构建多层以二维卷积神经网络为核心的卷积神经网络模型；
输入模块，用于将所述机械通气患者呼吸数据集中的数据输入所述卷积神经网络模型；
输出模块，用于输出所述机械通气患者正常和/或人机不同步的概率值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268925.0A CN113951868B (zh) | 2021-10-29 | 2021-10-29 | 机械通气患者人机不同步检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268925.0A CN113951868B (zh) | 2021-10-29 | 2021-10-29 | 机械通气患者人机不同步检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113951868A true CN113951868A (zh) | 2022-01-21 |
| CN113951868B CN113951868B (zh) | 2024-04-09 |
Family
ID=79468211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111268925.0A Active CN113951868B (zh) | 2021-10-29 | 2021-10-29 | 机械通气患者人机不同步检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113951868B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115804585A (zh) * | 2023-02-08 | 2023-03-17 | 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 |
| CN115814222A (zh) * | 2023-01-17 | 2023-03-21 | 中国科学院深圳先进技术研究院 | 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 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120073574A1 (en) * | 2010-09-28 | 2012-03-29 | Guillermo Gutierrez | Method and system to detect respiratory asynchrony |
| CN104820687A (zh) * | 2015-04-22 | 2015-08-05 | 中国科学院信息工程研究所 | 一种有向链接式分类器构造方法及分类方法 |
| CN106840734A (zh) * | 2017-04-11 | 2017-06-13 | 湖南明康中锦医疗科技发展有限公司 | 一种呼吸机跟随性能的评估方法、装置以及无创呼吸机 |
| CN206896579U (zh) * | 2016-12-07 | 2018-01-19 | 杭州电子科技大学 | 一种智能康复呼吸机 |
| US20180285771A1 (en) * | 2017-03-31 | 2018-10-04 | Drvision Technologies Llc | Efficient machine learning method |
| 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 |
| CN109977094A (zh) * | 2019-01-30 | 2019-07-05 | 中南大学 | 一种用于结构化数据的半监督学习的方法 |
| CN110753564A (zh) * | 2018-05-02 | 2020-02-04 | 深圳迈瑞生物医疗电子股份有限公司 | 呼吸机和呼吸机的通气控制方法 |
| CN111414942A (zh) * | 2020-03-06 | 2020-07-14 | 重庆邮电大学 | 一种基于主动学习和卷积神经网络的遥感图像分类方法 |
| CN112560919A (zh) * | 2020-12-07 | 2021-03-26 | 杭州智瑞思科技有限公司 | 基于一维可解释卷积神经网络的人机不同步识别方法 |
| US20210142168A1 (en) * | 2019-11-07 | 2021-05-13 | Nokia Technologies Oy | Methods and apparatuses for training neural networks |
| CN112819093A (zh) * | 2021-02-24 | 2021-05-18 | 浙江工业大学 | 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) * | 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 |
| CN113539501A (zh) * | 2021-06-25 | 2021-10-22 | 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 |
-
2021
- 2021-10-29 CN CN202111268925.0A patent/CN113951868B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120073574A1 (en) * | 2010-09-28 | 2012-03-29 | Guillermo Gutierrez | Method and system to detect respiratory asynchrony |
| CN104820687A (zh) * | 2015-04-22 | 2015-08-05 | 中国科学院信息工程研究所 | 一种有向链接式分类器构造方法及分类方法 |
| CN206896579U (zh) * | 2016-12-07 | 2018-01-19 | 杭州电子科技大学 | 一种智能康复呼吸机 |
| US20180285771A1 (en) * | 2017-03-31 | 2018-10-04 | Drvision Technologies Llc | Efficient machine learning method |
| CN106840734A (zh) * | 2017-04-11 | 2017-06-13 | 湖南明康中锦医疗科技发展有限公司 | 一种呼吸机跟随性能的评估方法、装置以及无创呼吸机 |
| CN110753564A (zh) * | 2018-05-02 | 2020-02-04 | 深圳迈瑞生物医疗电子股份有限公司 | 呼吸机和呼吸机的通气控制方法 |
| CN109977094A (zh) * | 2019-01-30 | 2019-07-05 | 中南大学 | 一种用于结构化数据的半监督学习的方法 |
| 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 |
| US20210142168A1 (en) * | 2019-11-07 | 2021-05-13 | Nokia Technologies Oy | Methods and apparatuses for training neural networks |
| CN111414942A (zh) * | 2020-03-06 | 2020-07-14 | 重庆邮电大学 | 一种基于主动学习和卷积神经网络的遥感图像分类方法 |
| CN112560919A (zh) * | 2020-12-07 | 2021-03-26 | 杭州智瑞思科技有限公司 | 基于一维可解释卷积神经网络的人机不同步识别方法 |
| CN112819093A (zh) * | 2021-02-24 | 2021-05-18 | 浙江工业大学 | 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) * | 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 |
| CN113539501A (zh) * | 2021-06-25 | 2021-10-22 | 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 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115814222A (zh) * | 2023-01-17 | 2023-03-21 | 中国科学院深圳先进技术研究院 | 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 |
| CN115814222B (zh) * | 2023-01-17 | 2023-04-14 | 中国科学院深圳先进技术研究院 | 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 |
| CN115804585A (zh) * | 2023-02-08 | 2023-03-17 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113951868B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113951868B (zh) | 机械通气患者人机不同步检测方法及装置 | |
| CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
| CN111685774B (zh) | 基于概率集成回归模型的osahs诊断方法 | |
| CN111493828B (zh) | 基于全卷积网络的序列到序列的睡眠障碍检测方法 | |
| CN111493822A (zh) | 一种基于睡眠脑电的快速眼动期睡眠行为障碍分类方法 | |
| WO2023098303A1 (zh) | 面向癫痫视频脑电图检查的癫痫发作实时检测监控系统 | |
| CN116821809B (zh) | 基于人工智能的生命体征数据采集系统 | |
| CN112294341A (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统 | |
| Thill et al. | Anomaly Detection in Electrocardiogram Readings with Stacked LSTM Networks. | |
| CN113576472B (zh) | 一种基于全卷积神经网络的血氧信号分割方法 | |
| Sun et al. | Research on recognition method of broiler overlapping sounds based on random forest and confidence interval | |
| CN111481193B (zh) | 一种跌倒风险评估与预警方法及系统 | |
| CN107085655B (zh) | 基于属性的约束概念格的中医数据处理方法及系统 | |
| CN116778275A (zh) | 基于卷积长短时记忆神经网络的车削刀具寿命预测方法 | |
| CN117009900A (zh) | 一种基于图神经网络的物联网信号异常检测方法和系统 | |
| CN116543154A (zh) | 一种基于多层次语义特征的医学影像分割方法 | |
| CN114881941A (zh) | 一种基于大数据的脊柱健康变化预测方法及系统 | |
| CN114120035A (zh) | 一种医学影像识别训练方法 | |
| CN115512272A (zh) | 一种针对多事件实例视频的时序事件检测方法 | |
| CN112465054B (zh) | 一种基于fcn的多变量时间序列数据分类方法 | |
| CN117473351B (zh) | 基于物联网的电源信息远程传输系统 | |
| CN110647870A (zh) | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 | |
| CN116350227B (zh) | 一种脑磁图棘波的个体化检测方法、系统及储存介质 | |
| CN113598810B (zh) | 一种基于分割网络的胎心率基线自动计算方法 | |
| CN115050479B (zh) | 多中心研究的数据质量评价方法、系统及设备 |
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 |