CN114216712B - 一种机械通气人机异步数据获取方法、检测方法及其设备 - Google Patents
一种机械通气人机异步数据获取方法、检测方法及其设备 Download PDFInfo
- Publication number
- CN114216712B CN114216712B CN202111536377.5A CN202111536377A CN114216712B CN 114216712 B CN114216712 B CN 114216712B CN 202111536377 A CN202111536377 A CN 202111536377A CN 114216712 B CN114216712 B CN 114216712B
- Authority
- CN
- China
- Prior art keywords
- man
- machine
- simulated
- asynchronous
- simulated lung
- 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
- 238000005399 mechanical ventilation Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 210000004072 lung Anatomy 0.000 claims abstract description 94
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 45
- 230000000241 respiratory effect Effects 0.000 claims abstract description 16
- 238000012512 characterization method Methods 0.000 claims description 23
- 230000003993 interaction Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 244000144985 peep Species 0.000 claims description 3
- 230000036391 respiratory frequency Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000036387 respiratory rate Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 206010001052 Acute respiratory distress syndrome Diseases 0.000 description 1
- 208000000782 Intrinsic Positive-Pressure Respiration Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 201000000028 adult respiratory distress syndrome Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003434 inspiratory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
Abstract
本申请提供了一种机械通气人机异步数据获取方法、检测方法及其设备。该机械通气人机异步数据获取方法包括:开启并连接呼吸机和模拟肺;通过模拟肺控制软件按照预设类型的内置病例设置所述模拟肺的模拟呼吸模式;调节所述呼吸机的机械通气模式与所述模拟肺的模拟呼吸模式不匹配,使得所述呼吸机与所述模拟肺之间产生人机异步现象;在所述人机异步现象稳定时,通过所述模拟肺控制软件导出相关的人机异步数据。通过上述方式,本申请的异步数据获取方法能够通过呼吸机和模拟肺的配合,快速、高效、大量、多种类地获取不同的人机异步数据,为相关的教学、研究、应用提供重要的前置基础。
Description
技术领域
本申请涉及医疗检测技术领域,特别是涉及一种机械通气人机异步数据获取方法、检测方法及其设备。
背景技术
现有的机械通气人机异步检测的相关研究主要基于临床数据,而临床数据由于对患者的隐私保护等原因具有难以获取性,不同医院的机械通气数据也不便相互开放访问权限。这些实际的原因阻碍了机械通气人机异步数据的获取,更不必说获取大量、种类丰富的人机异步数据。此外,现有的人机异步检测算法,一般都较少对输入信号波形中的特征点进行充分的多阶关联、表征,因而在识别效度、性能上存在一定的可提升之处。
同时,目前采用呼吸机与模拟肺等两种设备采集机械通气人机异步数据的相关技术介绍文献还比较少。但对机械通气时的人机异步情况的研究却是逐渐增多。患者在使用呼吸机时,呼吸机的机械通气时机与患者的需求相匹配,也即人机同步是机械通气追求的目标,但异步(不同步)时常会发生,因此及时准确地检测出人机异步现象然后施以干预措施对于患者的康复而言非常重要。
发明内容
本申请提供了一种机械通气人机异步数据获取方法、检测方法及其设备。
本申请提供了一种机械通气人机异步数据获取方法,所述异步数据获取方法包括:
开启并连接呼吸机和模拟肺;
通过模拟肺控制软件按照预设类型的内置病例设置所述模拟肺的模拟呼吸模式;
调节所述呼吸机的机械通气模式与所述模拟肺的模拟呼吸模式不匹配,使得所述呼吸机与所述模拟肺之间产生人机异步现象;
在所述人机异步现象稳定时,通过所述模拟肺控制软件导出相关的人机异步数据。
其中,所述通过模拟肺控制软件按照预设类型的内置病例设置所述模拟肺的模拟呼吸模式,包括:
通过所述模拟肺控制软件设置所述模拟肺的内置病例;
通过所述模拟肺控制软件调节所述模拟肺的模拟呼吸模式,包括呼吸频率、呼吸量。
其中,所述通过模拟肺控制软件按照预设类型的内置病例设置所述模拟肺的模拟呼吸模式之后,所述异步数据获取方法还包括:
切换到所述模拟肺控制软件的测量界面;
通过所述测量界面显示所述模拟肺的实时通信信息,包括潮气量、气道压力、流量。
其中,所述调节所述呼吸机的机械通气模式与所述模拟肺的模拟呼吸模式不匹配,包括:
获取预设的人机异步类型,其中,所述人机异步类型包括提前切换、延迟切换、内源性PEEP、双触发、无效吸气努力;
基于选择的人机异步类型对所述呼吸机的机械通气模式进行调节,以使所述呼吸机的机械通气模式和所述模拟肺的模拟呼吸模式不匹配,形成所述人机异步类型对应的人机异步现象。
本申请还提供了一种机械通气人机异步类型检测方法,所述异步类型检测方法包括:
获取人机异步数据,其中,所述人机异步数据通过上述的异步数据获取方法获取;
提取所述人机异步数据的低阶特征交互表征和高阶特征交互表征;
基于所述低阶特征交互表征和高阶特征交互表征的拼接联合结果判断所述人机异步数据对应的人机异步类型。
其中,所述异步类型检测方法应用于FM_DNN模型,所述FM_DNN模型包括FM模块和DNN模块;所述FM模块用于提取所述人机异步数据的低阶特征交互表征,所述DNN模块用于提取所述人机异步数据的高阶特征交互表征。
其中,所述FM_DNN模型还包括Embeddings层,所述Embeddings层用于提取所述人机异步数据的低阶特征向量和高阶特征向量,将所述低阶特征向量输入所述FM模块,将所述高阶特征向量输入所述DNN模块。
其中,所述获取人机异步数据之后,所述异步类型检测方法还包括:
选择所述人机异步数据其中一个通道的异步通道数据,其中,所述通道包括气道压力、流量或容量;
对所述异步通道数据进行数据的对齐后,再进行KBinsDiscretizer离散化处理。
本申请还提供了一种终端设备,所述终端设备包括存储器和处理器,其中,所述存储器与所述处理器耦接;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现上述的机械通气人机异步数据获取方法和/或机械通气人机异步类型检测方法。
本申请还提供了一种计算机存储介质,所述计算机存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现上述的机械通气人机异步数据获取方法和/或机械通气人机异步类型检测方法。
本申请的有益效果是:终端设备开启并连接呼吸机和模拟肺;通过模拟肺控制软件按照预设类型的内置病例设置所述模拟肺的模拟呼吸模式;调节所述呼吸机的机械通气模式与所述模拟肺的模拟呼吸模式不匹配,使得所述呼吸机与所述模拟肺之间产生人机异步现象;在所述人机异步现象稳定时,通过所述模拟肺控制软件导出相关的人机异步数据。通过上述方式,本申请的异步数据获取方法能够通过呼吸机和模拟肺的配合,快速、高效、大量、多种类地获取不同的人机异步数据,为相关的教学、研究、应用提供重要的前置基础。
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他的附图。其中:
图1是本申请提供的机械通气人机异步数据获取方法一实施例的流程示意图;
图2是本申请提供的机械通气人机异步数据获取方法一实施例的框架示意图;
图3是本申请提供的机械通气人机异步类型检测方法一实施例的流程示意图;
图4是本申请提供的机械通气人机异步研究的整体流程示意图;
图5是本申请提供的FM_DNN模型一实施例的框架示意图;
图6是本申请提供的终端设备一实施例的结构示意图;
图7是本申请提供的计算机存储介质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。
为解决上述技术问题,本申请提供了一种机械通气人机异步数据获取方法,具体请参阅图1和图2,图1是本申请提供的机械通气人机异步数据获取方法一实施例的流程示意图,图2是本申请提供的机械通气人机异步数据获取方法一实施例的框架示意图。
具体而言,图2展示使用呼吸机和模拟肺仿真人机异步的流程框架图。
在使用呼吸机和模拟肺仿真人机异步情况之前,需要对人机异步相关信息和数据进行准备。对于工作人员而言,需要进行呼吸机、模拟肺以及人机异步操作基础技能的积累和熟练使用。具体可以通过查看呼吸机的使用说明书,定位提取出与待仿真的人机异步类型相关的操作、说明、解释、插图等,仔细提炼、分析出其中的要点,以待后续在呼吸机上验证释疑。
另外,需要训练对呼吸机和模拟肺仿真出人机异步波形特征的识别和理解。具体可查阅人机异步波形数据外形特征的文献,逐渐做到对几组待仿真的人机异步类型(诸如提前切换、延迟切换、内源性PEEP、双触发、无效吸气努力、其他)波形特征的熟练区分与理解,并理解其产生机制。
其次,进行模拟肺设置与部分呼吸机设置的调研。查阅文献,查阅容易产生人机异步现象的几种典型疾病(譬如ARDS、COPD等)的患者在使用呼吸机时通常所做的参数(如支持压力、呼末正压、流速触发、呼气触发、上升时间、呼吸频率等)设置,以便后续的检测结果有所因循,拥有坚实的理论基础。
经过上述理论的学习和积累之后,即可开始真正执行机械通气人机异步数据获取方法,结合图1和图2所示,本申请实施例的机械通气人机异步数据获取方法具体包括以下步骤:
步骤S11:开启并连接呼吸机和模拟肺。
在本申请实施例中,终端设备进行呼吸机与模拟肺的实际操作准备。具体地,开启呼吸机,对呼吸机进行自检,以确定呼吸机整体工作正常;对模拟肺进行开启,操作模拟肺控制软件将模拟肺调节到一定状态,模拟肺控制软件可以调节模肺的呼吸频率、数据采样率,病例的子类型等等。
步骤S12:通过模拟肺控制软件按照预设类型的内置病例设置模拟肺的模拟呼吸模式。
在本申请实施例中,终端设备进行呼吸机与模拟肺的实际操作。具体地,将呼吸机与模拟肺通过通气导管连接好,模拟肺使用模拟肺控制软件调节控制好。模拟肺需要通过模拟肺控制软件按照预设类型的内置病例设置模拟肺的模拟呼吸模式,可选择该内置病例的子状态,依次模拟出病患患病是不同状态的呼吸情况。终端设备将模拟肺设置到内置病例对应的模拟呼吸模式后,还可以对模拟呼吸模式中的具体参数进行调节,例如模拟肺的呼吸频率、呼吸量等。
进一步地,终端设备还可以切换到模拟肺控制软件的测量界面,利用该测量界面可以同步查看机械通气时模拟肺一端的潮气量、气道压力、流量等维度的波形数据,以此也能在模拟肺一端方便的基于前置的资料知识判别出是否出现了人机异步现象。
步骤S13:调节呼吸机的机械通气模式与模拟肺的模拟呼吸模式不匹配,使得呼吸机与模拟肺之间产生人机异步现象。
在本申请实施例中,终端设备调节完模拟肺之后,还需要调节呼吸机的机械通气模式,以使得呼吸机的机械通气模式与模拟肺的模拟呼吸模式产生供需不匹配的情况,甚至还可以调节至呼吸机和模拟肺发生对抗的情况,从而高效地模拟产生出人机异步现象。
具体地,在调节呼吸机的机械通气模式时,终端设备还可以选择预设的一种人机异步类型,以该人机异步类型为调节目的对呼吸机的机械通气模式进行调节,以产生该人机异步类型的人机异步现象。
工作人员可以在终端设备内事先预设好多种人机异步类型,包括但不限于:提前切换、延迟切换、内源性PEEP、双触发、无效吸气努力等人机异步类型。
终端设备通过大致拟定要仿真的机械通气人机异步类型是哪些,可以先选择简单的异步类型进行仿真,后面再逐渐增加要仿真的异步类型,只要一种类型仿真成功了,后面整套仿真流程大体可以复用,细节处还可加以适当的变换补充进行适配。
步骤S14:在人机异步现象稳定时,通过模拟肺控制软件导出相关的人机异步数据。
在本申请实施例中,当上述步骤实现的人机异步现象稳定时,终端设备即可通过模拟肺控制软件导出相关的人机异步数据。具体地,待呼吸机与模拟肺产生的人机异步(对抗)现象趋近稳定后,可通过模拟肺端的控制软件导出流量、气道压力、容量等波形数据,以供后续对人机异步事件进行分析使用,即可以供给后续的FM_DNN模型进行训练或检测。
在本申请实施例中,终端设备开启并连接呼吸机和模拟肺;通过模拟肺控制软件按照预设类型的内置病例设置所述模拟肺的模拟呼吸模式;调节所述呼吸机的机械通气模式与所述模拟肺的模拟呼吸模式不匹配,使得所述呼吸机与所述模拟肺之间产生人机异步现象;在所述人机异步现象稳定时,通过所述模拟肺控制软件导出相关的人机异步数据。通过上述方式,本申请的异步数据获取方法能够通过呼吸机和模拟肺的配合,快速、高效、大量、多种类地获取不同的人机异步数据,为相关的教学、研究、应用提供重要的前置基础。
请继续参阅图3和图4,图3是本申请提供的机械通气人机异步类型检测方法一实施例的流程示意图,图4是本申请提供的机械通气人机异步研究的整体流程示意图。
如图4所示,本申请通过机械通气人机异步仿真模块可以获取大量的人机异步数据,以供后续的人机异步训练和人机异步识别使用,即将大量的人机异步数据输入人机异步数据处理模块以及FM_DNN识别模块对人机异步数据进行识别,最后输出人机异步识别结果。
如图3所示,本申请实施例的机械通气人机异步类型检测方法具体包括以下步骤:
步骤S21:获取人机异步数据,其中,人机异步数据通过上述的异步数据获取方法获取。
在本申请实施例中,终端设备通过上述实施例的人机异步数据获取方法采集到大量的人机异步数据。
具体地,终端设备选择大量人机异步数据中某一个通道的人机异步数据,其中,通道类型包括但不限于:气道压力、流量和容量等。终端设备将一个通道的人机异步数据进行数据的对齐之后,再进行KBinsDiscretizer离散化,以得到后续FM_DNN模型的初级输入。
步骤S22:提取人机异步数据的低阶特征交互表征和高阶特征交互表征。
在本申请实施例中,人机异步数据方法可以应用于一种具体的FM_DNN模型,FM_DNN模型的具体框架结果请参阅图5。如图5所示,FM_DNN模型包括初始输入层、Embeddings层、FM模块、DNN模块以及输出层。
人机异步数据经过步骤S21处理后,输入到初始输入层,初始输入层对于大量的人机异步数据进行特征提取,然后将提取到的特征输入到Embeddings层。Embeddings层的主要功能在于将特征转换为向量,在其他实施例中也可以使用1层全连接层对Embeddings层进行替换。Embeddings层经过特征转换后,将人机异步数据的低阶特征向量输入FM模块,将高阶特征向量输入DNN模块。FM模块用于提取人机异步数据的低阶特征交互表征,DNN模块用于提取人机异步数据的高阶特征交互表征。
具体地,FM模块,主要用于提取低阶组合特征,用于对低阶特征进行充分的交互表征,主要是针对第一阶特征、第二阶特征进行交叉。这里具体使用的是二阶的FM模块,该FM模块可以使用公式表示为:
其中w0表示一阶特征的偏置量,n表示数据的特征数量,xi表示第i个特征,wi表示相应的一阶特征xi的权重;xjxi表示特征xj与特征xi的组合,wij=<vi,vj>,该二次项参数wij组成了一个对称矩阵W,对W进行矩阵分解,即可得到W=VTV,vi是第i维特征的隐向量,<·,·>表示向量的点积,隐向量的长度为k。其中,k<<n,例如,本申请实施例中的的FM模型中k取值为8,n取值为257。
DNN模型主要用于提取高阶的较为相邻的组合特征,DNN模型采用2个隐藏层,一个隐藏层的神经元数量设置为64,另一个隐藏层的神经元数量设置为32。DNN模型的激活函数采用ReLU函数,神经元丢弃率为0.5。
其中,本申请实施例的FM_DNN模型的整体学习率为0.001,迭代次数为20次,训练的批次大小为30。本申请实施例的FM_DNN模型就能同时提取低阶特征组合与高阶特征组合,这种多阶特征组合的模型优于单一类型特征组合的模型,而且该模型还能省却使用专业的特征组合方式等领域知识来做特征工程的需求。
步骤S23:基于低阶特征交互表征和高阶特征交互表征的拼接联合结果判断人机异步数据对应的人机异步类型。
在本申请实施例中,FM_DNN模型将低阶特征交互表征和高阶特征交互表征的拼接,并输入到softmax,即输出层中进行多分类,即可识别出人机异步的类型。其中,输出层的神经元数量表示FM_DNN模型可以区分人机异步类型的数量。
综上,FM_DNN模型的整体结构可以采用以下公式进行体现:
与现有常规的从临床上采集患者在使用呼吸机进行机械通气过程中发生的人机异步数据的方式相比而言,本申请提供的人机异步数据获取方法具有相当的优势。采用本申请提供的人机异步数据获取方法利用呼吸机、模拟肺等设备仿真人机异步数据的方法,可以在短时间内高效率地采集不同的人机异步数据,并且具有很高的可靠性、可信度,以及可用性。本申请提供的人机异步数据获取方法采集的人机异步数据还具有较高的可重现性,能较为稳定地仿真出模拟肺设置的病例与呼吸机设定的相应参数所体现的临床中机械通气人机异步过程。
另外,本申请提供的人机异步类型检测方法提出的基于FM_DNN的人机异步检测模型,具备快捷有效检测出人机异步的功能,其中的FM模块与DNN模块能从特征的低阶与高阶两个层面进行充分的交互、关联,从而FM_DNN模型能更有效地区分出不同的人机异步类型。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
为实现上述实施例的机械通气人机异步数据获取方法和/或机械通气人机异步类型检测方法,本申请还提出了一种终端设备,具体请参阅图6,图6是本申请提供的终端设备一实施例的结构示意图。
本申请实施例的终端设备500包括存储器51和处理器52,其中,存储器51和处理器52耦接。
存储器51用于存储程序数据,处理器52用于执行程序数据以实现上述实施例所述的机械通气人机异步数据获取方法和/或机械通气人机异步类型检测方法。
在本实施例中,处理器52还可以称为CPU(Central Processing Unit,中央处理单元)。处理器52可能是一种集成电路芯片,具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(DSP,Digital Signal Process)、专用集成电路(ASIC,ApplicationSpecific Integrated Circuit)、现场可编程门阵列(FPGA,Field ProgrammableGateArray)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52也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质,如图7所示,计算机存储介质600用于存储程序数据61,程序数据61在被处理器执行时,用以实现如上述实施例所述的机械通气人机异步数据获取方法和/或机械通气人机异步类型检测方法。
本申请还提供一种计算机程序产品,其中,上述计算机程序产品包括计算机程序,上述计算机程序可操作来使计算机执行如本申请实施例所述的机械通气人机异步数据获取方法和/或机械通气人机异步类型检测方法。该计算机程序产品可以为一个软件安装包。
本申请上述实施例所述的机械通气人机异步数据获取方法和/或机械通气人机异步类型检测方法,在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时,可以存储在装置中,例如一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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。
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 (8)
1.一种机械通气人机异步类型检测方法,其特征在于,所述异步类型检测方法包括:
获取人机异步数据,其中,所述人机异步数据通过异步数据获取方法获取;
提取所述人机异步数据的低阶特征交互表征和高阶特征交互表征;
基于所述低阶特征交互表征和高阶特征交互表征的拼接联合结果判断所述人机异步数据对应的人机异步类型;
其中,所述异步类型检测方法应用于FM_DNN模型,所述FM_DNN模型包括FM模块和DNN模块;所述FM模块用于提取所述人机异步数据的低阶特征交互表征,所述DNN模块用于提取所述人机异步数据的高阶特征交互表征;
其中,所述异步数据获取方法包括:
开启并连接呼吸机和模拟肺;
通过模拟肺控制软件按照预设类型的内置病例设置所述模拟肺的模拟呼吸模式;
调节所述呼吸机的机械通气模式与所述模拟肺的模拟呼吸模式不匹配,使得所述呼吸机与所述模拟肺之间产生人机异步现象;
在所述人机异步现象稳定时,通过所述模拟肺控制软件导出相关的人机异步数据。
2.根据权利要求1所述的异步类型检测方法,其特征在于,
所述FM_DNN模型还包括Embeddings层,所述Embeddings层用于提取所述人机异步数据的低阶特征向量和高阶特征向量,将所述低阶特征向量输入所述FM模块,将所述高阶特征向量输入所述DNN模块。
3.根据权利要求1所述的异步类型检测方法,其特征在于,
所述获取人机异步数据之后,所述异步类型检测方法还包括:
选择所述人机异步数据其中一个通道的异步通道数据,其中,所述通道包括气道压力、流量或容量;
对所述异步通道数据进行数据的对齐后,再进行KBinsDiscretizer离散化处理。
4.根据权利要求1所述的异步类型检测方法,其特征在于,
所述通过模拟肺控制软件按照预设类型的内置病例设置所述模拟肺的模拟呼吸模式,包括:
通过所述模拟肺控制软件设置所述模拟肺的内置病例;
通过所述模拟肺控制软件调节所述模拟肺的模拟呼吸模式,包括呼吸频率、呼吸量。
5.根据权利要求1或4所述的异步类型检测方法,其特征在于,
所述通过模拟肺控制软件按照预设类型的内置病例设置所述模拟肺的模拟呼吸模式之后,所述异步数据获取方法还包括:
切换到所述模拟肺控制软件的测量界面;
通过所述测量界面显示所述模拟肺的实时通信信息,包括潮气量、气道压力、流量。
6.根据权利要求1所述的异步类型检测方法,其特征在于,
所述调节所述呼吸机的机械通气模式与所述模拟肺的模拟呼吸模式不匹配,包括:
获取预设的人机异步类型,其中,所述人机异步类型包括提前切换、延迟切换、内源性PEEP、双触发、无效吸气努力;
基于选择的人机异步类型对所述呼吸机的机械通气模式进行调节,以使所述呼吸机的机械通气模式和所述模拟肺的模拟呼吸模式不匹配,形成所述人机异步类型对应的人机异步现象。
7.一种终端设备,其特征在于,所述终端设备包括存储器和处理器,其中,所述存储器与所述处理器耦接;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现权利要求1-6任一项所述的机械通气人机异步类型检测方法。
8.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现权利要求1-6任一项所述的机械通气人机异步类型检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111536377.5A CN114216712B (zh) | 2021-12-15 | 2021-12-15 | 一种机械通气人机异步数据获取方法、检测方法及其设备 |
PCT/CN2022/137501 WO2023109637A1 (zh) | 2021-12-15 | 2022-12-08 | 一种机械通气人机异步数据获取方法、检测方法及其设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111536377.5A CN114216712B (zh) | 2021-12-15 | 2021-12-15 | 一种机械通气人机异步数据获取方法、检测方法及其设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114216712A CN114216712A (zh) | 2022-03-22 |
CN114216712B true CN114216712B (zh) | 2024-03-08 |
Family
ID=80702551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111536377.5A Active CN114216712B (zh) | 2021-12-15 | 2021-12-15 | 一种机械通气人机异步数据获取方法、检测方法及其设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114216712B (zh) |
WO (1) | WO2023109637A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114216712B (zh) * | 2021-12-15 | 2024-03-08 | 深圳先进技术研究院 | 一种机械通气人机异步数据获取方法、检测方法及其设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5975748A (en) * | 1996-09-30 | 1999-11-02 | Ihc Health Services, Inc. | Servo lung simulator and related control method |
CN104700697A (zh) * | 2015-03-17 | 2015-06-10 | 中山大学 | 一种人体呼吸道仿真系统 |
CN110929206A (zh) * | 2019-11-20 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 点击率预估方法、装置、计算机可读存储介质和设备 |
CN111383030A (zh) * | 2020-05-28 | 2020-07-07 | 支付宝(杭州)信息技术有限公司 | 一种交易风险的检测方法、装置及设备 |
CN111506811A (zh) * | 2020-03-19 | 2020-08-07 | 上海理工大学 | 一种基于深度残差网络的点击率预测方法 |
CN112119440A (zh) * | 2018-04-17 | 2020-12-22 | 纽新股份公司 | 用于教学和培训的肺模拟器 |
CN112699268A (zh) * | 2020-12-31 | 2021-04-23 | 腾讯音乐娱乐科技(深圳)有限公司 | 训练评分模型的方法、设备及存储介质 |
CN113539398A (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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5403192A (en) * | 1993-05-10 | 1995-04-04 | Cae-Link Corporation | Simulated human lung for anesthesiology simulation |
CN109893732B (zh) * | 2019-02-28 | 2021-04-06 | 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 |
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 |
CN114216712B (zh) * | 2021-12-15 | 2024-03-08 | 深圳先进技术研究院 | 一种机械通气人机异步数据获取方法、检测方法及其设备 |
-
2021
- 2021-12-15 CN CN202111536377.5A patent/CN114216712B/zh active Active
-
2022
- 2022-12-08 WO PCT/CN2022/137501 patent/WO2023109637A1/zh unknown
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5975748A (en) * | 1996-09-30 | 1999-11-02 | Ihc Health Services, Inc. | Servo lung simulator and related control method |
CN104700697A (zh) * | 2015-03-17 | 2015-06-10 | 中山大学 | 一种人体呼吸道仿真系统 |
CN112119440A (zh) * | 2018-04-17 | 2020-12-22 | 纽新股份公司 | 用于教学和培训的肺模拟器 |
CN110929206A (zh) * | 2019-11-20 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 点击率预估方法、装置、计算机可读存储介质和设备 |
CN111506811A (zh) * | 2020-03-19 | 2020-08-07 | 上海理工大学 | 一种基于深度残差网络的点击率预测方法 |
CN111383030A (zh) * | 2020-05-28 | 2020-07-07 | 支付宝(杭州)信息技术有限公司 | 一种交易风险的检测方法、装置及设备 |
CN112699268A (zh) * | 2020-12-31 | 2021-04-23 | 腾讯音乐娱乐科技(深圳)有限公司 | 训练评分模型的方法、设备及存储介质 |
CN113539398A (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 |
Non-Patent Citations (2)
Title |
---|
呼吸机通气质量检测及质量评估方法;肖胜春等;中国医疗设备;第23卷(第01期);第40-43页 * |
基于主动模拟肺的呼吸机测试系统设计;张坤等;医疗卫生装备(第04期);第6-8页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2023109637A1 (zh) | 2023-06-22 |
CN114216712A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marafioti et al. | Adversarial generation of time-frequency features with application in audio synthesis | |
CN107492382B (zh) | 基于神经网络的声纹信息提取方法及装置 | |
Pakdaman et al. | Relaxation and self-sustained oscillations in the time elapsed neuron network model | |
CN110444208A (zh) | 一种基于梯度估计和ctc算法的语音识别攻击防御方法及装置 | |
Taylor et al. | Exact post-selection inference for forward stepwise and least angle regression | |
CN110069886A (zh) | 基于vmd和cnn的电缆早期故障识别与分类方法 | |
CN114216712B (zh) | 一种机械通气人机异步数据获取方法、检测方法及其设备 | |
CN107112029A (zh) | 用于检测言语模式和错误的方法和装置 | |
US20220027774A1 (en) | Quantum control pulse generation method, device, and storage medium | |
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 | |
Ganseman et al. | Source separation by score synthesis | |
CN105023570B (zh) | 一种实现声音转换的方法及系统 | |
Wang et al. | Approximation of the Boltzmann collision operator based on Hermite spectral method | |
Hu et al. | Partially linear transformation cure models for interval-censored data | |
CN113539398A (zh) | 一种呼吸机人机异步分类方法、系统、终端以及存储介质 | |
Barrena et al. | Combining mention context and hyperlinks from wikipedia for named entity disambiguation | |
CN115631825A (zh) | 利用自然语言模型自动生成结构化报告的方法及相关设备 | |
Gram-Hansen et al. | Hijacking malaria simulators with probabilistic programming | |
CN110738986B (zh) | 一种长语音标注装置及方法 | |
CN110415722A (zh) | 语音信号处理方法、存储介质、计算机程序和电子设备 | |
Rytgaard et al. | One-step TMLE for targeting cause-specific absolute risks and survival curves | |
Bak et al. | High-level Hybrid Systems Analysis with Hypy. | |
Dai et al. | Multilingual i-Vector Based Statistical Modeling for Music Genre Classification. | |
Beguš | Artificial sound change: Language change and deep convolutional neural networks in iterative learning | |
CN109977777A (zh) | 基于新型RF-Net模型的手势识别方法 |
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 |