CN114288500B - 一种基于模糊熵特征提取的人机通气异步检测模型及装置 - Google Patents
一种基于模糊熵特征提取的人机通气异步检测模型及装置 Download PDFInfo
- Publication number
- CN114288500B CN114288500B CN202111461918.2A CN202111461918A CN114288500B CN 114288500 B CN114288500 B CN 114288500B CN 202111461918 A CN202111461918 A CN 202111461918A CN 114288500 B CN114288500 B CN 114288500B
- Authority
- CN
- China
- Prior art keywords
- waveform
- fuzzy entropy
- breathing
- matrix
- ventilation
- 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
- 238000009423 ventilation Methods 0.000 title claims abstract description 54
- 238000000605 extraction Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims description 57
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 51
- 230000000241 respiratory effect Effects 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 24
- 238000002372 labelling Methods 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 8
- 230000003434 inspiratory effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 238000010801 machine learning Methods 0.000 description 11
- 238000005399 mechanical ventilation Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010001052 Acute respiratory distress syndrome Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 201000000028 adult respiratory distress syndrome Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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
- 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
Abstract
本发明涉及医疗检测领域，具体涉及一种基于模糊熵特征提取的人机通气异步检测模型及装置，通过对采集到的具有多种人机不同现象的呼吸波形，基于模糊熵的特征提取方法，对多通道呼吸波形进行模糊熵特征提取，分别以一定的参数进行模糊熵特征计算，然后将三个维度的模糊熵特征扁平化到一维构成一个呼吸周期的特征样本，重复的将所有的呼吸周期波形进行特征提取计算，最后得到一个可同时分类多种人机不同步的现象的模型。
Description
技术领域
本发明涉及医疗检测领域，具体而言，涉及一种基于模糊熵特征提取的人机通气异步检测模型及装置。
背景技术
在重症监护室(ICU)机械通气过程中，呼吸机与患者之间的交互出现不协调的现象称为人机不同步。经过医学界和学术界长时间的研究报道，目前发现的人机不同步类型大致有以下四类八种：(1)触发类型：无效触发、重复触发、自动触发和反向触发。(2)吸气阶段：流速不匹配。(3)切换阶段：提前切换和延迟切换。(4)呼气阶段：内源性呼气末正压(PEEPi)。
当床旁医生及时发现以上任一现象发生时，可以根据自己的经验知识进行判断分类，而后更改呼吸机呼吸力学参数的设置。但是要求医生24小时注意留心患者呼吸机的波形会占用极大的人力资源且也是不现实的。因此，提高呼吸机自动识别与检测人机不同步的能力便是呼吸机功能的一项重要内容，随之而来的就是对机械通气过程中人机不同步波形检测的研究日益增多。
经过调查，现有的关于人机不同步波形检测的研究主要集中在机械通气过程中多发的无效吸气努力和双重触发，如针对无效吸气努力提出的基于小波特征的识别方法。随着机器学习的方法逐渐成熟其应用的触角也延伸到了该领域，如基于循环神经网络的机械通气人机不同步检测方法。
目前基于机器学习或深度学习的分类人机不同步现象的过程可以概括为：(1)获取从呼吸机导出的呼吸力学波形数据；(2)经过专业医师对人机不同步的波形进行标注；(3)数据预处理以及划分数据集为训练集、验证集和测试集；(4)将预处理的数据输入到已经定义好的模型中进行模型训练；(5)保存训练好的模型加以应用。
现有方案在解决机械通气过程中人机不同步方法时往往只针对一种不同步现象(常见的是无效吸气努力)进行分类，而现实情况正如前文所述，患者在一次机械通气过程中可能发生的人机不同步现象有多种，而非一成不变的如无效吸气努力。此外，医生在实施通气治疗的过程中会根据患者病情发展变化而会呼吸机通气模式作出调整，这个时候又有可能出现其它种类的不同步现象，而目前的解决方案无法适应实际的临床需要，因此，需要可以同时分类多种人机通气不同步现象的检测方法。
发明内容
本发明实施例提供了一种基于模糊熵特征提取的人机通气异步检测模型及装置，以至少解决现有技术无法同时用于检测多种人机提取不同步现象。
根据本发明的一实施例，提供了一种基于模糊熵特征提取的人机通气异步检测模型，包括以下步骤：
S1：采集当前呼吸周期的呼吸波形，选取呼吸波形中合适的通道数据，呼吸波形包括潮气量波形、气道压力时间波形及流速时间波形；
S2：对选取的呼吸波形进行标注；
S3：依次对所述潮气量波形、气道压力时间波形及流速时间波形，以形成呼吸周期内两个窗口子序列；
S4：依次对两个窗口子序列构造嵌入矩阵；
S5：基于构造的两个嵌入矩阵计算模糊熵；
S6：对气道压力时间波形及流速时间波形进行模糊熵提取，得到特征矩阵，通过对特征矩阵进行扁平化处理，得到模糊熵特征向量，模糊熵特征向量为一个呼吸周期的训练样本；
S7：将所有的呼吸周期波形重复S1-S6的过程，得到数量为N的训练样本，表示为(N，6)大小的矩阵，同时对应得到N个样本的标签，存入(N，1)大小的列向量中，其中，将双重触发、无效吸气努力及正常通气分别标记为[1，2，3]，生成人机通气异步检测模型。
进一步地，对选取的呼吸波形进行标注具体为：
对每个呼吸周期的呼吸波形均进行人机通气异步的类型标记，类型包括双重触发、无效吸气努力及正常通气。
进一步地，所述依次对所述潮气量波形、气道压力时间波形及流速时间波形，以形成呼吸周期内两个窗口子序列具体为：
窗口大小为40，步长为40。
进一步地，依次对两个窗口子序列构造嵌入矩阵具体为：
通过矩阵计算公式构造嵌入矩阵，矩阵计算公式为：
其中1<i<N-m+1，m为计算熵特征而嵌入的维度，N是子窗口下时间序列的长度。
进一步地，基于构造的两个嵌入矩阵计算模糊熵中，计算模糊熵的具体过程为：
通过无穷范数计算公式分别对构造的两个嵌入矩阵计算嵌入维度向量之间的无穷范数，无穷范数计算公式为：
其中k＝1,2,…，m；
计算相似度，定义其为如下表达式：
其中r为阈值，通常为r＝0.25*std，std为该输入波形片段的标准差，n为超参数；
计算模糊函数Φm(n,r)：
其中，取m:＝m+1；
根据模糊熵公式计算模糊熵，模糊熵公式为：
FuzzyEn(m,n,r)＝ln(Φm(n,r))-ln(Φm+1(n,r))。
进一步地，对气道压力时间波形及流速时间波形进行模糊熵提取，得到特征矩阵，通过对特征矩阵进行扁平化处理，得到模糊熵特征向量具体为：
对每个呼吸周期的每个通道的呼吸波形进行提取，得到两个模糊熵特征，形状为(2，1)特征矩阵；
重复对气道压力时间波形及流速时间波形进行相同的模糊熵提取，得到(2，3)的特征矩阵；
将所得到的特征矩阵进行扁平化后得到形如(1，6)的模糊熵特征向量。
一种基于模糊熵特征提取的人机通气异步检测装置，包括：
波形选取模块，用于采集当前呼吸周期的呼吸波形，选取呼吸波形中合适的通道数据，呼吸波形包括潮气量波形、气道压力时间波形及流速时间波形；
波形标注模块，用于对选取的呼吸波形进行标注；
波形加窗模块，用于依次对所述潮气量波形、气道压力时间波形及流速时间波形，以形成呼吸周期内两个窗口子序列；
矩阵构造模块，用于依次对两个窗口子序列构造嵌入矩阵；
模糊熵计算模块，用于基于构造的两个嵌入矩阵计算模糊熵；
样本训练模块，用于对气道压力时间波形及流速时间波形进行模糊熵提取，得到特征矩阵，通过对特征矩阵进行扁平化处理，得到模糊熵特征向量，模糊熵特征向量为一个呼吸周期的训练样本；
模型训练模块，用于将所有的呼吸周期波形重复执行波形选取模块100至样本训练模块600的过程，得到数量为N的训练样本，表示为(N，6)大小的矩阵，同时对应得到N个样本的标签，存入(N，1)大小的列向量中，其中，将双重触发、无效吸气努力及正常通气分别标记为[1，2，3]。
进一步地，波形标注模块包括：
类型标记单元，用于对每个呼吸周期的呼吸波形均进行人机通气异步的类型标记，类型包括双重触发、无效吸气努力及正常通气。
进一步地，装置还包括：
窗口设置模块，用于设置窗口大小为40，步长为40。
一种计算机可读存储介质，计算机可读存储介质存储一个或多个程序，一个或多个程序可被一个或多个处理器执行，以实现如上述任意一项的基于模糊熵特征提取的人机通气异步检测模型中的步骤。
本发明实施例中的基于模糊熵特征提取的人机通气异步检测模型及装置，通过对采集到的具有多种人机不同现象的呼吸波形，基于模糊熵的特征提取方法，对多通道呼吸波形进行模糊熵特征提取，分别以一定的参数进行模糊熵特征计算，然后将三个维度的模糊熵特征扁平化到一维构成一个呼吸周期的特征样本，重复的将所有的呼吸周期波形进行特征提取计算，最后得到一个可同时分类或检测多种人机通气不同步现象的模型。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明基于模糊熵特征提取的人机通气异步检测模型的流程图；
图2为本发明各模型在测试集上的混淆矩图；
图3为本发明基于模糊熵特征提取的人机通气异步检测装置原理图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参见图1，根据本发明一实施例，提供了一种基于模糊熵特征提取的人机通气异步检测模型，包括以下步骤：
S1：采集当前呼吸周期的呼吸波形，选取呼吸波形中合适的通道数据，呼吸波形包括潮气量波形、气道压力时间波形及流速时间波形；
S2：对选取的呼吸波形进行标注；
S3：依次对所述潮气量波形、气道压力时间波形及流速时间波形，以形成呼吸周期内两个窗口子序列；
S4：依次对两个窗口子序列构造嵌入矩阵；
S5：基于构造的两个嵌入矩阵计算模糊熵；
S6：对气道压力时间波形及流速时间波形进行模糊熵提取，得到特征矩阵，通过对特征矩阵进行扁平化处理，得到模糊熵特征向量，模糊熵特征向量为一个呼吸周期的训练样本；
S7：将所有的呼吸周期波形重复S1-S6的过程，得到数量为N的训练样本，表示为(N，6)大小的矩阵，同时对应得到N个样本的标签，存入(N，1)大小的列向量中，其中，将双重触发、无效吸气努力及正常通气分别标记为[1，2，3]，生成人机通气异步检测模型。
本发明针对常见于重病监护室机械通气过程中人机不同步现象，提出了一种新的检测分类方法，该方法可同时用于分类多种人机不同步现象。其基本内容是对由医师标注后的原始呼吸波形，包括流速波形、气道压力时间波形、潮气量时间波形，分别以一定的参数进行模糊熵特征计算，然后将三个维度的模糊熵特征扁平化到一维构成一个呼吸周期的特征样本用于后面分类模型的学习训练。
通过对采集到的具有多种人机不同现象的呼吸波形，基于模糊熵的特征提取方法，对多通道呼吸波形进行模糊熵特征提取，然后将其放入所构建的机器学习模型中进行训练，分别以一定的参数进行模糊熵特征计算，然后将三个维度的模糊熵特征扁平化到一维构成一个呼吸周期的特征样本，重复的将所有的呼吸周期波形进行特征提取计算，最后得到一个可同时分类多种人机不同步的现象的模型。
下面以具体实施例，对本发明的基于模糊熵特征提取的人机通气异步检测模型进行详细说明：
步骤一：选取合适的通道数据；考虑了波形之间的相关性、以及是否可以保证不同通气模式下特征提取分类的有效性等因素，对呼吸波形的原始数据选取三个维度的呼吸波形包括潮气量波形、气道压力时间波形和流速时间波形，分别对此三种波形提取熵特征。
步骤二：上述呼吸波形需要经过医师对其标注，标注的过程为对每个呼吸周期的波形均有一个标记，具体标记为人机不同步的类型，包括DT(双重触发)、IEE(无效吸气努力)和Normal(正常通气)。
步骤三：由于采集频率为30Hz，即在一个呼吸周期内大约有80-90个时间点；依次对所述潮气量波形、气道压力时间波形及流速时间波形，窗口大小为40，步长也为40，首先对潮气量波形的数据进行加窗，因此一个呼吸周期内就有两个窗口子序列。
步骤四：在构造嵌入矩阵中，通过矩阵计算公式构造嵌入矩阵，依次对步骤三中的两个窗口构造嵌入矩阵，矩阵计算公式的数学表达式如下：
其中1<i<N-m+1，m为计算熵特征而嵌入的维度，N是子窗口下时间序列的长度。
步骤五：基于构造的两个嵌入矩阵计算模糊熵；其中，包括以下步骤：
第一步：计算嵌入维度向量两两之间的无穷范数；通过无穷范数计算公式分别对步骤四中构造的两个嵌入矩阵计算嵌入维度向量之间的无穷范数，无穷范数计算公式如下：
其中k＝1,2,…，m。
第二步：计算相似度。定义其为如下表达式：
其中r为阈值，通常为r＝0.25*std，std为该输入波形片段的标准差，在本方案中取r＝std，n为超参数，本方案中取2。
第三步：计算模糊函数Φm(n,r)：
Φm(n,r)是模糊熵公式中的一个因子。
第四步：取m:＝m+1，重复步骤三至步骤五的第三步的过程。
m:＝m+1,表示将m更新为m+1，然后重复上述所有步骤。
第五步：根据模糊熵计算模糊熵FuzzyEn(m,n,r)，模糊熵公式为：
FuzzyEn(m,n,r)＝ln(Φm(n,r))-ln(Φm+1(n,r))
步骤六：按照步骤三至步骤五的过程，对每个呼吸周期的每个通道的波形可以得到两个模糊熵特征，形状为(2，1)矩阵，重复对气道压力时间波形及流速时间波形进行相同的模糊熵提取过程，最后可以得到(2，3)的特征矩阵，将其扁平化后可以得到形如(1，6)的模糊熵特征向量，该向量即为一个呼吸周期的训练样本。
步骤七：重复上述过程，将所有的呼吸周期波形输入到该特征提取算法中，最后可以得到的样本数为N，表示为(N，6)大小矩阵，同时对应得到N个样本的标签，存入(N，1)大小的列向量中。此处将双重触发(DT)、无效吸气努力(IEE)和正常通气(Normal)分别标记为[1,2,3]，生成人机通气异步检测模型。
此外，模型训练的过程使用现有的几种机器学习算法分别对该特征进行了学习。其中包括逻辑回归(logistic regression，LR)、支持向量机(SVM)、决策树(DecisionTree，DT)和多层感知机(MLP)。
训练后各模型的结果分别如表1所示。可以看出除了决策树的评分相对较低外，其它三个模型的结果均相差无几，这也体现出了该特征具体较好的模型适应性。
表1 各机器学习算法评分表
相较于现有的方案而言，本发明方案有以下特点：
1.以往的方案多是针对一种不同步现象进行分类，属于二分类任务，本发明的关键点在于首次将模糊熵应用在机械通气人机不同步现象多分类任务中，但不局限于本方案所实验的三分类任务，也可将分类任务数提高到四类、五类等。
2.本方案对从采集到的呼吸波形数据有选择地选取了潮气量时间波形、气道压力时间波形和流速时间波形，该选择不同于以往的二分类任务中仅以气道压力时间波形作为选项进行分类，本方案的选取方法综合考虑了波形之间的相关性、以及是否可以保证不同通气模式下特征提取分类的有效性等因素。
需要说明的是，本发明选择并不局限于仅仅选取这三个维度的波形作为特征提取的要素，也可以根据上述方法选择其它三个或多个维度的波形作为特征提取的要素。
3.本方案利用模糊熵算法对呼吸波形的求取特征的过程步骤三至步骤六的步骤，具体如下：
3-1.首先是对每个呼吸周期的信号进行加窗分成不同的子窗口序列的方法，其中包括窗口大小和步长两个参数，参数可以根据数据采样频率和数据长度进行适当选取，不局限于本方案中的数值。
3-2.本方案是针对一维时间序列分别求取模糊熵，在实现的过程中使用的顺序提取过程，也就是说依次提取潮气量时间波形、气道压力时间波形和流速时间波形的模糊熵，但是不影响算法可以同时对三个通道时间序列求取模糊熵。
3-3.对于多个通道的时间序列，使用模糊熵提取到的特征采用扁平化的方法使其降为一维，从而可以方便的作为机器学习算法的样本输入。
相较于现有的方案而言，本方案有以下明显的优点：
1.现有技术方案的计算较为复杂，本发明方案所提出的直接针对原始信号求模糊熵特征，然后作为机器学习算法的输入样本，现有技术的准确率与F1-score均低于本发明方案的96％。除此之外，本方案是针对多分类的任务而言的而前者则仅仅对无效吸气努力现象作分类。
2.使用模糊熵算法提取呼吸波形特征的方法相对简单，且具有较强的模型适应能力，正如表1所示，对大多数简单常见的机器学习模型便可轻易达到相对较高的分类准确率。
3.本发明方案使用的方法直接针对多种机械通气人机不同步现象进行学习分类，对比于目前的二分类方案，显然更具有临床实际意义。
参考图2，本发明方案采用了多种机器学习算法构造模型，并进行了实验，具体如下：
实验采用的数据集采自模拟肺中预置的患者数据，病例选择的是ARDS患者，患者自发呼吸率为21，通气模式为CPAP/PSV，数据采样率为50Hz。经过标注后的数据集中包含双重触发(DT)类型的小型有1530个周期，无效吸气努力(IEE)的波形包含1447个周期，正常波形(Normal)波形包含1360个周期。按照训练集与测试集常用的划分比例，本方案选取测试集占样本总数的20％。
实验结果表明，对于大多数的机器学习算法，本发明方案提出的特征提取方法均可作为训练样本，且有不俗的效果，证明了模糊熵提取的样本用于机械通气过程人机不同步现象多分类任务是可行的。各模型在测试集上预测后其混淆矩阵如图1所示；其中，多层感知机在训练过程中，有多个参数可以选择，因此对该算法同时测试了多个参数，最终选取了效果最好的一个参数并使其体现在表1中的结果，图2展示了各种参数下的训练过程随着迭代次数增加损失函数的变化图。
图2中，依次是四个模型测试结果的混淆矩阵，从左至右从上至下，四个模型依次是决策树模型、逻辑回归模型、多层感知机模型和支持向量机模型。表1中的结果即可以从这四个混淆矩阵中计算得出。
参考图3，根据本发明一实施例，提供了一种基于模糊熵特征提取的人机通气异步检测装置，包括：
波形选取模块100，用于采集当前呼吸周期的呼吸波形，选取呼吸波形中合适的通道数据，呼吸波形包括潮气量波形、气道压力时间波形及流速时间波形；
波形标注模块200，用于对选取的呼吸波形进行标注；
波形加窗模块300，用于依次对所述潮气量波形、气道压力时间波形及流速时间波形，以形成呼吸周期内两个窗口子序列；
矩阵构造模块400，用于依次对两个窗口子序列构造嵌入矩阵；
模糊熵计算模块500，用于基于构造的两个嵌入矩阵计算模糊熵；
样本训练模块600，用于对气道压力时间波形及流速时间波形进行模糊熵提取，得到特征矩阵，通过对特征矩阵进行扁平化处理，得到模糊熵特征向量，模糊熵特征向量为一个呼吸周期的训练样本；
模型训练模块700，用于将所有的呼吸周期波形重复S1-S6的过程，得到数量为N的训练样本，表示为(N，6)大小的矩阵，同时对应得到N个样本的标签，存入(N，1)大小的列向量中，其中，将双重触发、无效吸气努力及正常通气分别标记为[1，2，3]，生成人机通气异步检测模型。
本发明实施例中的基于模糊熵特征提取的人机通气异步检测装置，通过对采集到的具有多种人机不同现象的呼吸波形，基于模糊熵的特征提取方法，对多通道呼吸波形进行模糊熵特征提取，分别以一定的参数进行模糊熵特征计算，然后将三个维度的模糊熵特征扁平化到一维构成一个呼吸周期的特征样本，重复的将所有的呼吸周期波形进行特征提取计算，最后得到一个可同时分类多种人机不同步的现象的模型。
实施例中，波形标注模块包括：
类型标记单元，用于对每个呼吸周期的呼吸波形均进行人机通气异步的类型标记，类型包括双重触发、无效吸气努力及正常通气。
实施例中，装置还包括：
窗口设置模块，用于设置窗口大小为40，步长为40。
基于上述基于模糊熵特征提取的人机通气异步检测模型，本实施例提供了一种计算机可读存储介质，计算机可读存储介质存储一个或多个程序，一个或多个程序可被一个或多个处理器执行，以实现如上述实施例的基于模糊熵特征提取的人机通气异步检测模型中的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于模糊熵特征提取的人机通气异步检测模型，其特征在于，包括以下步骤：
S1：采集当前呼吸周期的呼吸波形，选取所述呼吸波形中合适的通道数据，所述呼吸波形包括潮气量波形、气道压力时间波形及流速时间波形；
S2：对选取的所述呼吸波形进行标注；
S3：依次对所述潮气量波形、气道压力时间波形及流速时间波形进行加窗处理，以形成呼吸周期内两个窗口子序列；
S4：依次对两个所述窗口子序列构造嵌入矩阵；
S5：基于构造的两个所述嵌入矩阵计算模糊熵；
S6：对所述气道压力时间波形及流速时间波形进行模糊熵提取，得到特征矩阵，通过对所述特征矩阵进行扁平化处理，得到模糊熵特征向量，所述模糊熵特征向量为一个呼吸周期的训练样本；
S7：将所有的呼吸周期波形重复S1-S6的过程，得到数量为N的训练样本，表示为(N，6)大小的矩阵，同时对应得到N个样本的标签，存入(N，1)大小的列向量中，其中，将双重触发、无效吸气努力及正常通气分别标记为[1，2，3]，生成人机通气异步检测模型；
所述窗口子序列中，窗口大小为40，步长为40；
所述步骤S6具体为：
对每个呼吸周期的每个通道的呼吸波形进行提取，得到两个模糊熵特征，形状为(2，1)特征矩阵；
重复对所述气道压力时间波形及流速时间波形进行相同的模糊熵提取，得到(2，3)的特征矩阵；
将所得到的所述特征矩阵进行扁平化后得到形如(1，6)的模糊熵特征向量。
2.根据权利要求1所述的基于模糊熵特征提取的人机通气异步检测模型，其特征在于，所述对选取的所述呼吸波形进行标注具体为：
对每个呼吸周期的呼吸波形均进行人机通气异步的类型标记，类型包括双重触发、无效吸气努力及正常通气。
3.根据权利要求1所述的基于模糊熵特征提取的人机通气异步检测模型，其特征在于，所述依次对两个所述窗口子序列构造嵌入矩阵具体为：
通过矩阵计算公式构造所述嵌入矩阵，所述矩阵计算公式为：
其中1<i<N-m+1，m为计算熵特征而嵌入的维度，N是子窗口下时间序列的长度。
4.根据权利要求1所述的基于模糊熵特征提取的人机通气异步检测模型，其特征在于，所述基于构造的两个所述嵌入矩阵计算模糊熵中，计算模糊熵的具体过程为：
通过无穷范数计算公式分别对构造的两个所述嵌入矩阵计算嵌入维度向量之间的无穷范数，所述无穷范数计算公式为：
其中k＝1,2,…，m；
计算相似度，定义其为如下表达式：
其中r为阈值，通常为r＝0.25*std，std为输入波形片段的标准差，n为超参数；
计算模糊函数Φm(n,r)：
其中，取m:＝m+1；
根据模糊熵公式计算模糊熵，所述模糊熵公式为：
FuzzyEn(m,n,r)＝ln(Φm(n,r))-ln(Φm+1(n,r))。
5.一种基于模糊熵特征提取的人机通气异步检测装置，其特征在于，包括：
波形选取模块，用于采集当前呼吸周期的呼吸波形，选取所述呼吸波形中合适的通道数据，所述呼吸波形包括潮气量波形、气道压力时间波形及流速时间波形；
波形标注模块，用于对选取的所述呼吸波形进行标注；
波形加窗模块，用于依次对所述潮气量波形、气道压力时间波形及流速时间波形，以形成呼吸周期内两个窗口子序列；
矩阵构造模块，用于依次对两个所述窗口子序列构造嵌入矩阵；
模糊熵计算模块，用于基于构造的两个所述嵌入矩阵计算模糊熵；
样本训练模块，用于对所述气道压力时间波形及流速时间波形进行模糊熵提取，得到特征矩阵，通过对所述特征矩阵进行扁平化处理，得到模糊熵特征向量，所述模糊熵特征向量为一个呼吸周期的训练样本；
模型训练模块，用于将所有的呼吸周期波形重复执行波形选取模块100至样本训练模块600的过程，得到数量为N的训练样本，表示为(N，6)大小的矩阵，同时对应得到N个样本的标签，存入(N，1)大小的列向量中，其中，将双重触发、无效吸气努力及正常通气分别标记为[1，2，3]；
所述装置还包括：
窗口设置模块，用于设置所述窗口大小为40，步长为40；
所述样本训练模块对每个呼吸周期的每个通道的呼吸波形进行提取，得到两个模糊熵特征，形状为(2，1)特征矩阵；
重复对所述气道压力时间波形及流速时间波形进行相同的模糊熵提取，得到(2，3)的特征矩阵；
将所得到的所述特征矩阵进行扁平化后得到形如(1，6)的模糊熵特征向量。
6.根据权利要求5所述的基于模糊熵特征提取的人机通气异步检测装置，其特征在于，所述波形标注模块包括：
类型标记单元，用于对每个呼吸周期的呼吸波形均进行人机通气异步的类型标记，类型包括双重触发、无效吸气努力及正常通气。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序可被一个或多个处理器执行，以实现如权利要求1-4任意一项所述的基于模糊熵特征提取的人机通气异步检测模型中的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111461918.2A CN114288500B (zh) | 2021-12-02 | 2021-12-02 | 一种基于模糊熵特征提取的人机通气异步检测模型及装置 |
| PCT/CN2021/138106 WO2023097785A1 (zh) | 2021-12-02 | 2021-12-14 | 一种基于模糊熵特征提取的人机通气异步检测模型及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111461918.2A CN114288500B (zh) | 2021-12-02 | 2021-12-02 | 一种基于模糊熵特征提取的人机通气异步检测模型及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114288500A CN114288500A (zh) | 2022-04-08 |
| CN114288500B true CN114288500B (zh) | 2024-03-19 |
Family
ID=80966560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111461918.2A Active CN114288500B (zh) | 2021-12-02 | 2021-12-02 | 一种基于模糊熵特征提取的人机通气异步检测模型及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114288500B (zh) |
| WO (1) | WO2023097785A1 (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201980A (zh) * | 2007-12-19 | 2008-06-18 | 北京交通大学 | 一种基于语音情感识别的远程汉语教学系统 |
| CN102779510A (zh) * | 2012-07-19 | 2012-11-14 | 东南大学 | 基于特征空间自适应投影的语音情感识别方法 |
| 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 |
| CN110991364A (zh) * | 2019-12-09 | 2020-04-10 | 四川大学 | 脑电信号分类方法及系统 |
| CN111143586A (zh) * | 2019-08-09 | 2020-05-12 | 华为技术有限公司 | 一种图片处理方法及相关装置 |
| CN111476323A (zh) * | 2020-06-01 | 2020-07-31 | 合肥工业大学 | 一种轴承故障分类方法及系统 |
| CN111563451A (zh) * | 2020-05-06 | 2020-08-21 | 浙江工业大学 | 基于多尺度小波特征的机械通气无效吸气努力识别方法 |
| 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 |
| CN113642512A (zh) * | 2021-08-30 | 2021-11-12 | 深圳先进技术研究院 | 呼吸机人机异步检测方法、装置、设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018090467A1 (zh) * | 2016-11-17 | 2018-05-24 | 丹阳华神电器有限公司 | 基于模糊熵的含噪信号处理方法及迭代奇异谱软阈值去噪方法 |
| US10874811B2 (en) * | 2017-11-09 | 2020-12-29 | Autonomous Healthcare, Inc. | Clinical decision support system for patient-ventilator asynchrony detection and management |
| EP3839972A1 (en) * | 2019-12-16 | 2021-06-23 | Consorci Corporació Sanitària Parc Taulí | A device and method for respiratory monitoring in mechanically ventilated patients |
| CN113599647B (zh) * | 2021-08-18 | 2024-02-13 | 深圳先进技术研究院 | 呼吸机机械通气的通气模式匹配方法、装置和相关设备 |
-
2021
- 2021-12-02 CN CN202111461918.2A patent/CN114288500B/zh active Active
- 2021-12-14 WO PCT/CN2021/138106 patent/WO2023097785A1/zh unknown
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201980A (zh) * | 2007-12-19 | 2008-06-18 | 北京交通大学 | 一种基于语音情感识别的远程汉语教学系统 |
| CN102779510A (zh) * | 2012-07-19 | 2012-11-14 | 东南大学 | 基于特征空间自适应投影的语音情感识别方法 |
| 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 |
| CN111143586A (zh) * | 2019-08-09 | 2020-05-12 | 华为技术有限公司 | 一种图片处理方法及相关装置 |
| CN110991364A (zh) * | 2019-12-09 | 2020-04-10 | 四川大学 | 脑电信号分类方法及系统 |
| CN111563451A (zh) * | 2020-05-06 | 2020-08-21 | 浙江工业大学 | 基于多尺度小波特征的机械通气无效吸气努力识别方法 |
| CN111476323A (zh) * | 2020-06-01 | 2020-07-31 | 合肥工业大学 | 一种轴承故障分类方法及系统 |
| 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 |
| CN113642512A (zh) * | 2021-08-30 | 2021-11-12 | 深圳先进技术研究院 | 呼吸机人机异步检测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于模糊层次分析法的工程承发包模式优选决策;姜军 等;公路交通科技;20141215;第31卷(第12期);第132-137页 * |
| 应用小波多尺度特征检测机械通气人机不同步;陆云飞 等;《小型微型计算机系统》;第41卷(第12期);第2677-2682页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023097785A1 (zh) | 2023-06-08 |
| CN114288500A (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | An effective LSTM recurrent network to detect arrhythmia on imbalanced ECG dataset | |
| Çınar et al. | Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks | |
| US10959660B2 (en) | Electrocardiogram processing system for delineation and classification | |
| CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
| KR102451795B1 (ko) | 심전도 신호의 검출 방법 | |
| WO2018045623A1 (zh) | 一种基于脉搏波时间序列分析的情绪分类方法及装置 | |
| Udhayakumar et al. | Approximate entropy profile: a novel approach to comprehend irregularity of short-term HRV signal | |
| CN109864736A (zh) | 心电信号的处理方法、装置、终端设备及介质 | |
| CN111488793B (zh) | 心电信号分类方法、装置、电子设备和存储介质 | |
| CN111626114A (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
| CN111248882B (zh) | 一种预测血压的方法和装置 | |
| CN101815465A (zh) | 从心电图得出的呼吸暂停/呼吸减弱指数 | |
| CN111067503A (zh) | 一种基于心率变异性的睡眠分期方法 | |
| Xia et al. | Generative adversarial network with transformer generator for boosting ECG classification | |
| CN113539501A (zh) | 一种呼吸机人机异步分类方法、系统、终端以及存储介质 | |
| 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 | |
| CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
| CN108836269A (zh) | 一种融合心率呼吸体动的自动睡眠分期方法 | |
| CN107847146A (zh) | 在ecg数据上自动标记活动的方法和系统 | |
| US11672464B2 (en) | Electrocardiogram processing system for delineation and classification | |
| US20220164029A1 (en) | Classifying signals for movement control of an autonomous vehicle | |
| CN114191665A (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
| CN114288500B (zh) | 一种基于模糊熵特征提取的人机通气异步检测模型及装置 | |
| 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 | |
| Ji et al. | Heartbeat classification based on multifeature combination and stacking-DWKNN algorithm |
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 |