CN114534041A - 检测人机通气不同步的呼吸波形分类模型训练方法及装置 - Google Patents

检测人机通气不同步的呼吸波形分类模型训练方法及装置 Download PDF

Info

Publication number
CN114534041A
CN114534041A CN202210107144.1A CN202210107144A CN114534041A CN 114534041 A CN114534041 A CN 114534041A CN 202210107144 A CN202210107144 A CN 202210107144A CN 114534041 A CN114534041 A CN 114534041A
Authority
CN
China
Prior art keywords
data
respiratory
waveform
airway pressure
characteristic
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.)
Pending
Application number
CN202210107144.1A
Other languages
English (en)
Inventor
仲为
李慧慧
马良
熊富海
颜延
王磊
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202210107144.1A priority Critical patent/CN114534041A/zh
Publication of CN114534041A publication Critical patent/CN114534041A/zh
Pending legal-status Critical Current

Links

Images

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
    • A61M16/0003—Accessories therefor, e.g. sensors, vibrators, negative pressure
    • 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
    • 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
    • A61M16/0003—Accessories therefor, e.g. sensors, vibrators, negative pressure
    • A61M2016/0027—Accessories therefor, e.g. sensors, vibrators, negative pressure pressure meter

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Pulmonology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Emergency Medicine (AREA)
  • Anesthesiology (AREA)
  • Hematology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及呼吸设备分析领域，具体涉及一种检测人机通气不同步的呼吸波形分类模型训练方法及装置，本发明方法通过对各类波形的观察，对每个呼吸周期的气道压数据进行升序排列后，不同呼吸类型的数据分布特点有明显的差异；所以将气道压数据进行升序排列后再提取特征就会非常有效，可以非常有效的将根据波形呼吸类型的区分；并且可以应用最基本的机器学习分类算法进行快速分类训练，本申请方法训练的呼吸波形分类模型训练检测呼吸类型的效果甚优。

Description

检测人机通气不同步的呼吸波形分类模型训练方法及装置
技术领域
本发明涉及呼吸设备分析领域，具体而言，涉及一种检测人机通气不同步的呼吸波形分类模型训练方法及装置。
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。人机不同步现象会对患者造成很多负面的影响，需要医生及时调整呼吸机参数；但从医生观察到不同步现象，直到医生做出判断和调整参数，是需要一定的时间；所以人机不同步现象的自动检测与分类，对患者有很大的益处，是非常有意义的研究方向。人机不同步的类型有很多，最常见的是无效吸气努力和双触发吸气；无效吸气努力被定义为吸气肌用力后未达到呼吸机的触发阈值，没有产生呼吸机呼吸；双触发吸气是由于过短的呼吸机送气时间与病人的神经吸气时间不协调，使得患者一次吸气努力中出现两次呼吸机送气。
现在对于人机不同步现象还是主要依靠医生来进行判断和处理，而且在现有的应用机器学习方法进行自动检测和分类的技术中，算法流程普遍非常复杂，数据维度过高，不好实现；原因主要是在数据处理以及特征提取方面没有十分有效的工作，需要输入大量的高维度原始数据进入多层的神经网络进行机器学习；这导致现有的技术中，运算量都非常大，模型非常复杂，无法进行即时有效的波形分类。
发明内容
本发明实施例提供了一种检测人机通气不同步的呼吸波形分类模型训练方法及装置，以至少解决现有人机通气不同步情况的即时检测与分类的技术问题。
根据本发明的一实施例，提供了一种检测人机通气不同步的呼吸波形分类模型训练方法，包括以下步骤：
采集连续呼吸周期的呼吸数据，呼吸数据包括气道压数据；
将气道压数据分割为若干信号段，其中每个信号段对应一次完整的呼吸周期；
根据气道压数据的波形特征进行多个不同类型的呼吸类型标注，呼吸类型标注包括正常呼吸波形、双触发吸气波形及无效吸气努力波形；
读取各个呼吸周期的气道压数据，将各个呼吸周期的气道压数据进行升序排列；
提取各个气道压数据的特征数据，将各个特征数据作为各个呼吸周期对应的特征值；
将所有特征值存储到数据表，得到所有呼吸周期的特征值数据集，并将呼吸类型标注依照特征值存储到数据表中的顺序存储到数据表，得到与特征值数据集对应的标注列表；
将特征值数据集分为训练集及测试集；
基于机器学习分类算法，应用训练集及测试集进行模型训练，以获得呼吸波形分类模型。
进一步地，采集连续呼吸周期的呼吸数据具体为：
采用Test模拟肺和迈瑞SV300呼吸机搭建实验平台进行数据数据采集。
进一步地，将气道压数据分割为若干信号段，其中每个信号段对应一次完整的呼吸具体为：
每两个波谷间划分为一个完整的呼吸周期。
进一步地，将气道压数据分割为若干信号段，其中每个信号段对应一次完整的呼吸之后包括：
分割气道压数据后，需将每段呼吸周期的气道压数据单独存为表格文件。
进一步地，提取各个气道压数据的特征数据，将各个特征数据作为各个呼吸周期对应的特征值具体为：
根据特征计算法则提取特征数据；
特征计算法则为：
把每个经升序排列后的呼吸周期分割成数量相等的10份的特征数据点；
第1个特征数据点取排序后的整组数据的最小值，另取10个特征点，并依次取每份数据点中的最大值，共加起来共11个特征点；
用计算得到的11个特征数据结合作为各个对应呼吸周期的特征值。
进一步地，基于机器学习分类算法，应用训练集及测试集，进行模型训练，获得呼吸波形分类模型具体为：
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、随机森林算法及朴素贝叶斯算法进行分类模型训练。
一种检测人机通气不同步的呼吸波形分类模型训练装置，包括：
数据采集模块，用于采集连续呼吸周期的呼吸数据，呼吸数据包括气道压数据；
数据分割模块，用于将气道压数据分割为若干信号段，其中每个信号段对应一次完整的呼吸周期；
数据标注模块，用于根据气道压数据的波形特征进行多个不同类型的呼吸类型标注；
数据排序模块，用于读取各个呼吸周期的气道压数据，将各个呼吸周期的气道压数据进行升序排列；
数据提取模块，用于提取各个气道压数据的特征数据，将各个特征数据作为各个呼吸周期对应的特征值；
数据集生成模块，用于将所有特征值存储到数据表，得到所有呼吸周期的特征值数据集，并将呼吸类型标注依照特征值存储到数据表中的顺序存储到数据表，得到与特征值数据集对应的标注列表；
数据分类模块，用于将特征值数据集分为训练集及测试集；
模型训练模块，用于基于机器学习分类算法，应用训练集及测试集，进行模型训练，获得呼吸波形分类模型。
一种呼吸波形数据即时分类的方法，应用上述任意一项的呼吸波形分类模型，包括以下步骤：
采集连续呼吸周期的呼吸数据，呼吸数据包括气道压数据；
提取采集到的气道压数据，将气道压数据进行升序排序，并分组提取气道压数据的特征数据；
将提取到的特征数据作为对应的呼吸周期的特征值，输入到已经训练好的呼吸波形分类模型中；
根据输入的特征值，呼吸波形分类模型判断此次呼吸的呼吸波形类型，呼吸波形类型包括正常呼吸波形、双触发吸气波形及无效吸气努力波形；
若输出的呼吸类型为双触发呼吸、无效吸气努力，则判断为人机不同步现象，呼吸波形类型输出现提示信息，并标明人机不同步的类型；
若输出为正常呼吸，则判断为非人机不同步现象。
一种计算机可读介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如上述任意一项的检测人机通气不同步的呼吸波形分类模型训练方法中的步骤。
一种终端设备，包括：处理器、存储器及通信总线；存储器上存储有可被处理器执行的计算机可读程序；
通信总线实现处理器和存储器之间的连接通信；
处理器执行计算机可读程序时实现如上述任意一项的检测人机通气不同步的呼吸波形分类模型训练方法中的步骤。
本发明实施例中的检测人机通气不同步的呼吸波形分类模型训练方法及装置，本发明方法通过对各类波形的观察，对每个呼吸周期的气道压数据进行升序排列后，不同呼吸类型的数据分布特点有明显的差异；所以将气道压数据进行升序排列后再提取特征就会非常有效，可以非常有效的将根据波形呼吸类型的区分；并且可以应用最基本的机器学习分类算法进行快速分类训练，本申请方法训练的呼吸波形分类模型训练检测呼吸类型的效果甚优。
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为本发明检测人机通气不同步的呼吸波形分类模型训练方法的流程图；
图2为本发明检测人机通气不同步的呼吸波形分类模型训练装置的原理图；
图3为本发明呼吸波形数据即时分类的方法的流程图；
图4为本发明一个完整呼吸周期的正常呼吸气道压波形图；
图5为本发明一个完整呼吸周期的双触发呼吸气道压波形图；
图6为本发明一个完整呼吸周期的无效吸气努力气道压波形图；
图7为本发明经升序排列后的一个完整正常呼吸气道压的排列波形图；
图8为本发明经升序排列后的双触发呼吸波形图；
图9为本发明终端设备原理图。
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，提供了一种检测人机通气不同步的呼吸波形分类模型训练方法，包括以下步骤：
S101：采集连续呼吸周期的呼吸数据，呼吸数据包括气道压数据。
具体地，用Test模拟肺和迈瑞SV300呼吸机搭建实验平台进行数据采集。此处实验数据也可采集真实患者的呼吸数据作为替代；模拟肺的呼吸模式设定为急性呼吸窘迫综合症(ARDS)；其中，采样频率为50HZ，呼吸频率为每分钟21次；设定呼吸机的通气模式为CPAP/PSV模式；Test模拟肺可输出15个通道的数据，如流量、气道压、潮气量、肺泡压、胸膜腔内压、心脏压力等。
本发明选用气道压数据进行举例分析，原因是气道压数据的波形特征明显，易于区分不同类型的波形，且数值都为正；本发明选择模拟急性呼吸窘迫综合症患者的呼吸作为实验数据，但方法和原理不限于此类疾病。
本发明在数据采集方面，采集的是急性呼吸窘迫综合症患者的模拟呼吸数据，并选用了某些参数；但选用其它参数或通过其它渠道采集的实验数据也可以应用同样的特征提取原理、分类器选用原理、实际应用原理等，所以需要保护。
在呼吸数据的选用方面，本发明中选用的呼吸数据为气道压数据；但像潮气量这样的数据虽然与气道压数据概念不同，但数据分布特点与气道压数据类似，同样也可以用本发明的方法对波的特征进行提取。
S102：将气道压数据分割为若干信号段，其中每个信号段对应一次完整的呼吸周期。
具体地，对采集到的连续呼吸信号的气道压数据进行分割处理；分割原则是每两个波谷间划分为一个完整的呼吸周期。划分后需把每段呼吸周期的气道压数据单独存为表格文件，供后续使用；在进行呼吸周期的划分时，每段呼吸数据的数据点的个数可以不同，但优选为数量不可差别太大例如，在本发明使用的实验数据中，每个划分好的呼吸周期的数据点个数在80到90个之间不等。
S103：根据气道压数据的波形特征进行多个不同类型的呼吸类型标注，呼吸类型标注包括正常呼吸波形、双触发吸气波形及无效吸气努力波形。
实施例中，把每个划分出来的呼吸周期，根据其波形特征，进行分类；本发明主要分类为正常呼吸波形(如图4)，双触发吸气波形(如图5)，无效吸气努力波形(如图6)；
具体地，在这一步操作中，共收集1200个正常呼吸波形、1500个双触发吸气波形、1400个无效吸气努力波形的气道压数据；将三种呼吸类型的数据分别存放于三个不同的文件夹，并在文件夹上标注呼吸类型，以此完成呼吸类型的分类。
S104：读取各个呼吸周期的气道压数据，将各个呼吸周期的气道压数据进行升序排列。
步骤S104包括：
根据特征计算法则提取特征数据；
特征计算法则为：
S1041：把每个经升序排列后的呼吸周期分割成数量相等的10份的特征数据点；
S1042：第1个特征数据点取排序后的整组数据的最小值，另取10个特征点，并依次取每份数据点中的最大值，共加起来共11个特征点；
S1043：用计算得到的11个特征数据结合作为各个对应呼吸周期的特征值。
具体地，使用编程软件，分别在每个文件夹中读取各个呼吸周期的气道压数据，读取的同时对每个呼吸周期的数据进行升序排列处理，共提取11个特征数据；特征数据的计算法则为：把每个经升序排列后的呼吸周期分割成数量相等的10份。第1个特征数据点取排序后整组数据的最小值，其它10个特征点依次取每份数据点中的最大值，加起来共11个特征点；11个特征点分别记为：fea1，fea2，fea3，fea4，fea5，fea6，fea7，fea8，fea9，fea10，fea11。其中fea1为整组数据的最小值，fea11为整组数据中的最大值。
在特征提取方面，本发明特征提取是使用机器学习进行分类的较为关键的一环；机器学习的方法有很多，不仅仅只有简单的机器学习分类算法，还有神经网络算法，深度学习算法等；本发明的特征提取方法，提取到的特征是可以用于任何一种机器学习算法进行有效分类的。
本发明所使用的特征计算法则提取特征数，不仅仅适用于对正常呼吸数据、双触发呼吸数据、无效吸气努力呼吸数据的特征提取；其它类型的呼吸波形数据也可用相同的原理和方法进行特征提取，并最终达到分类的效果。
本实施例中，把每个呼吸周期分成了10部分进行特征提取；在其它实施例中，也可以把每个呼吸周期平均分割成其它数量的部分并进行特征提取；此外，本发明把数据进行了升序排列，但反之降序排列后再运用同样的特征提取方法也同样可行，此处不做限制。
如图4所示，为一个完整呼吸周期的正常呼吸气道压波形；纵坐标为气道压的值(单位：)，横坐标为此周期数据点的序号。
如图5所示，一个完整呼吸周期的双触发呼吸气道压波形,；纵坐标为气道压的值(单位：)，横坐标为此周期数据点的序号。
如图6所示，一个完整呼吸周期的无效吸气努力气道压波形；纵坐标为气道压的值(单位：)，横坐标为此周期数据点的序号。
如图7所示，为经升序排列后的一个完整正常呼吸气道压的排列波形如图8所示，为经升序排列后的双触发呼吸波形。
从图4至图8可知，正常呼吸的排列后的图形形状与未排列之前不同。
S105：提取各个气道压数据的特征数据，将各个特征数据作为各个呼吸周期对应的特征值。
具体地，用计算得到的11个特征数据结合作为其对应呼吸周期的特征值，即[fea1，fea2，fea3，fea4，fea5，fea6，fea7，fea8，fea9，fea10，fea11]。
本发明在每个呼吸周期中先升序排列再分段提取特征，本实施例中使用的是排列后分组取最大值的方法；在其它实施例中，可以分组取最小值，分组取中位数，或排序后分组提取统计特征等也可实现有效的特征提取。
S106：将所有特征值存储到数据表，得到所有呼吸周期的特征值数据集，并将呼吸类型标注依照特征值存储到数据表中的顺序存储到数据表，得到与特征值数据集对应的标注列表。
具体地，按照文件读取顺序把所有呼吸周期的特征值存储到一个数据表中，这样就得到了所有呼吸周期的特征值数据集；
创建一个列表，存放呼吸波形类型的标签。在逐条存储特征值到特征数据表中时，同时也将呼吸类型的标签按相同顺序存储到此列表中；标签例如，用0标注正常呼吸波形，用1标注双触发呼吸波形，用2标注无效吸气努力波形；此时得到一个包含所有呼吸周期特征的特征数据集，以及一个有相同顺序的标注列表。
S107：将特征值数据集分为训练集及测试集。
具体地，设定特征值数据集的70％的数据作为训练集，30％的数据作为测试集；此处训练集和测试集的比例可以选择其它比例，可根据经验调整。
S108：基于机器学习分类算法，应用训练集及测试集进行模型训练，以获得呼吸波形分类模型。
具体地，把训练集与测试集输入到机器学习分类算法进行模型训练与测试；其中，本发明支持向量机算法、最邻近节点算法、逻辑回归算法、决策树算法、随机森林算法及朴素贝叶斯算法进行分类模型训练；
在本发明的测试结果中：向量机算法、最邻近节点算法、逻辑回归算法、决策树算法、随机森林算法的分类准确率高达100.00％，1230项分类任务全部分类正确，朴素贝叶斯算法的准确率为99.92％；在得到分类准确率结果后，择优选取并保存分类器模型。
本发明实施例中的检测人机通气不同步的呼吸波形分类模型训练方法及装置，本发明方法通过对各类波形的观察，对每个呼吸周期的气道压数据进行升序排列后，不同呼吸类型的数据分布特点有明显的差异；所以将气道压数据进行升序排列后再提取特征就会非常有效，可以非常有效的将根据波形呼吸类型的区分；并且可以应用最基本的机器学习分类算法进行快速分类训练，本申请方法训练的呼吸波形分类模型训练检测呼吸类型的效果甚优。
此外，本申请方法原理简单，方便应用，只需进行升序排列再分段提取最大值即可非常有效的提取每段波形数据的特征；可以使用最基本的机器学习分类算法，十分方便操作；本发明每组数据点的个数可以不同，大大提高了实际应用中的可行性，高维度的数据被降维处理，提高了运算效率。
本发明提供了一种有效的呼吸数据特征提取方法以及一套人机不同步现象的检测与分类算法，解决人机不同步情况的即时检测与分类这一问题；本发明主要把正常呼吸波形、双触发吸气波形、无效吸气努力波形进行分类；另外，其它类型的人机不同步现象波形也可以应用同样的原理进行分类。
参见图2，根据本发明的另一实施例，提供了一种检测人机通气不同步的呼吸波形分类模型训练装置，包括：
数据采集模块100，用于采集连续呼吸周期的呼吸数据，呼吸数据包括气道压数据；
数据分割模块200，用于将气道压数据分割为若干信号段，其中每个信号段对应一次完整的呼吸周期；
数据标注模块300，用于根据气道压数据的波形特征进行多个不同类型的呼吸类型标注；
数据排序模块400，用于读取各个呼吸周期的气道压数据，将各个呼吸周期的气道压数据进行升序排列；
数据提取模块500，用于提取各个气道压数据的特征数据，将各个特征数据作为各个呼吸周期对应的特征值；
数据集生成模块600，用于将所有特征值存储到数据表，得到所有呼吸周期的特征值数据集，并将呼吸类型标注依照特征值存储到数据表中的顺序存储到数据表，得到与特征值数据集对应的标注列表；
数据分类模块700，用于将特征值数据集分为训练集及测试集；
模型训练模块800，用于基于机器学习分类算法，应用训练集及测试集，进行模型训练，获得呼吸波形分类模型。
本发明实施例中的检测人机通气不同步的呼吸波形分类模型训练方法及装置，本发明装置通过对各类波形的观察，对每个呼吸周期的气道压数据进行升序排列后，不同呼吸类型的数据分布特点有明显的差异；所以将气道压数据进行升序排列后再提取特征就会非常有效，可以非常有效的将根据波形呼吸类型的区分；并且可以应用最基本的机器学习分类算法进行快速分类训练，本申请方法训练的呼吸波形分类模型训练检测呼吸类型的效果甚优。
参见图3，根据本发明的另一实施例，提供了一种呼吸波形数据即时分类的方法，应用上述任意一项的呼吸波形分类模型，包括以下步骤：
S201：采集连续呼吸周期的呼吸数据，呼吸数据包括气道压数据；
S202：提取采集到的气道压数据，将气道压数据进行升序排序，并分组提取气道压数据的特征数据；
S203：将提取到的特征数据作为对应的呼吸周期的特征值，输入到已经训练好的呼吸波形分类模型中；
S204：根据输入的特征值，呼吸波形分类模型判断此次呼吸的呼吸波形类型，呼吸波形类型包括正常呼吸波形、双触发吸气波形及无效吸气努力波形；
S205：若输出的呼吸类型为双触发呼吸、无效吸气努力，则判断为人机不同步现象，呼吸波形类型输出现提示信息，并标明人机不同步的类型；
S206：若输出为正常呼吸，则判断为非人机不同步现象。
本发明实施例中的一种呼吸波形数据即时分类的方法，能即时检测人机通气不同步现象的发生，本发明可以在患者每次呼吸后自动即时分类并输出患者的呼吸类型。
基于上述检测人机通气不同步的呼吸波形分类模型训练方法，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有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例的检测人机通气不同步的呼吸波形分类模型训练方法中的步骤。
一种终端设备，包括：处理器、存储器及通信总线；存储器上存储有可被处理器执行的计算机可读程序；通信总线实现处理器和存储器之间的连接通信；处理器执行计算机可读程序时实现上述的检测人机通气不同步的呼吸波形分类模型训练方法中的步骤。
基于上述检测人机通气不同步的呼吸波形分类模型训练方法，本申请提供了一种终端设备，如图9所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
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 (10)

1.一种检测人机通气不同步的呼吸波形分类模型训练方法，其特征在于，包括以下步骤：
采集连续呼吸周期的呼吸数据，所述呼吸数据包括气道压数据；
将所述气道压数据分割为若干信号段，其中每个所述信号段对应一次完整的呼吸周期；
根据所述气道压数据的波形特征进行多个不同类型的呼吸类型标注，所述呼吸类型标注包括正常呼吸波形、双触发吸气波形及无效吸气努力波形；
读取各个所述呼吸周期的所述气道压数据，将各个所述呼吸周期的所述气道压数据进行升序排列；
提取各个所述气道压数据的特征数据，将各个所述特征数据作为各个所述呼吸周期对应的特征值；
将所有所述特征值存储到数据表，得到所有呼吸周期的特征值数据集，并将所述呼吸类型标注依照所述特征值存储到所述数据表中的顺序存储到所述数据表，得到与所述特征值数据集对应的标注列表；
将所述特征值数据集分为训练集及测试集；
基于机器学习分类算法，应用所述训练集及测试集进行模型训练，以获得呼吸波形分类模型。
2.根据权利要求1所述的检测人机通气不同步的呼吸波形分类模型训练方法，其特征在于，所述采集连续呼吸周期的呼吸数据具体为：
采用Test模拟肺和迈瑞SV300呼吸机搭建实验平台进行数据数据采集。
3.根据权利要求1所述的检测人机通气不同步的呼吸波形分类模型训练方法，其特征在于，所述将所述气道压数据分割为若干信号段，其中每个所述信号段对应一次完整的呼吸具体为：
每两个波谷间划分为一个完整的呼吸周期。
4.根据权利要求3所述的检测人机通气不同步的呼吸波形分类模型训练方法，其特征在于，所述将所述气道压数据分割为若干信号段，其中每个所述信号段对应一次完整的呼吸之后包括：
分割所述气道压数据后，需将每段所述呼吸周期的所述气道压数据单独存为表格文件。
5.根据权利要求1所述的检测人机通气不同步的呼吸波形分类模型训练方法，其特征在于，所述提取各个所述气道压数据的特征数据，将各个所述特征数据作为各个所述呼吸周期对应的特征值具体为：
根据所述特征计算法则提取所述特征数据；
所述特征计算法则为：
把每个经升序排列后的所述呼吸周期分割成数量相等的10份的特征数据点；
第1个特征数据点取排序后的整组数据的最小值，另取10个特征点，并依次取每份数据点中的最大值，共加起来共11个特征点；
用计算得到的11个所述特征数据结合作为各个对应呼吸周期的特征值。
6.根据权利要求1所述的检测人机通气不同步的呼吸波形分类模型训练方法，其特征在于，所述基于机器学习分类算法，应用所述训练集及测试集，进行模型训练，获得呼吸波形分类模型具体为：
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、随机森林算法及朴素贝叶斯算法进行分类模型训练。
7.一种检测人机通气不同步的呼吸波形分类模型训练装置，其特征在于，包括：
数据采集模块，用于采集连续呼吸周期的呼吸数据，所述呼吸数据包括气道压数据；
数据分割模块，用于将所述气道压数据分割为若干信号段，其中每个所述信号段对应一次完整的呼吸周期；
数据标注模块，用于根据所述气道压数据的波形特征进行多个不同类型的呼吸类型标注；
数据排序模块，用于读取各个所述呼吸周期的所述气道压数据，将各个所述呼吸周期的所述气道压数据进行升序排列；
数据提取模块，用于提取各个所述气道压数据的特征数据，将各个所述特征数据作为各个所述呼吸周期对应的特征值；
数据集生成模块，用于将所有所述特征值存储到数据表，得到所有呼吸周期的特征值数据集，并将所述呼吸类型标注依照所述特征值存储到所述数据表中的顺序存储到所述数据表，得到与所述特征值数据集对应的标注列表；
数据分类模块，用于将所述特征值数据集分为训练集及测试集；
模型训练模块，用于基于机器学习分类算法，应用所述训练集及测试集，进行模型训练，获得呼吸波形分类模型。
8.一种呼吸波形数据即时分类的方法，其特征在于，应用权利要求1至6任意一项的所述呼吸波形分类模型，包括以下步骤：
采集连续呼吸周期的呼吸数据，所述呼吸数据包括气道压数据；
提取采集到的所述气道压数据，将所述气道压数据进行升序排序，并分组提取所述气道压数据的特征数据；
将提取到的所述特征数据作为对应的所述呼吸周期的特征值，输入到已经训练好的所述呼吸波形分类模型中；
根据输入的所述特征值，所述呼吸波形分类模型判断此次呼吸的呼吸波形类型，所述呼吸波形类型包括正常呼吸波形、双触发吸气波形及无效吸气努力波形；
若输出的呼吸类型为双触发呼吸、无效吸气努力，则判断为人机不同步现象，所述呼吸波形类型输出现提示信息，并标明人机不同步的类型；
若输出为正常呼吸，则判断为非人机不同步现象。
9.一种计算机可读介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-6任意一项所述的检测人机通气不同步的呼吸波形分类模型训练方法中的步骤。
10.一种终端设备，其特征在于，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1-6任意一项所述的检测人机通气不同步的呼吸波形分类模型训练方法中的步骤。
CN202210107144.1A 2022-01-28 2022-01-28 检测人机通气不同步的呼吸波形分类模型训练方法及装置 Pending CN114534041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210107144.1A CN114534041A (zh) 2022-01-28 2022-01-28 检测人机通气不同步的呼吸波形分类模型训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210107144.1A CN114534041A (zh) 2022-01-28 2022-01-28 检测人机通气不同步的呼吸波形分类模型训练方法及装置

Publications (1)

Publication Number Publication Date
CN114534041A true CN114534041A (zh) 2022-05-27

Family

ID=81674136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210107144.1A Pending CN114534041A (zh) 2022-01-28 2022-01-28 检测人机通气不同步的呼吸波形分类模型训练方法及装置

Country Status (1)

Country Link
CN (1) CN114534041A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
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

Cited By (2)

* Cited by examiner, † Cited by third party
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
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

Similar Documents

Publication Publication Date Title
Gholami et al. Replicating human expertise of mechanical ventilation waveform analysis in detecting patient-ventilator cycling asynchrony using machine learning
CN104586383B (zh) 一种心电波形分类方法及装置
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
RU2515401C2 (ru) Система и способ обнаружения респираторной недостаточности дыхания субъекта
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
CN103815897B (zh) 一种心电图特征提取方法
CN113521460A (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
CN111738305B (zh) 一种基于dba-dtw-knn的机械通气人机不同步快速识别方法
CN110151138A (zh) 基于卷积神经网络的睡眠呼吸暂停片段检测方法、设备
CN113642512B (zh) 呼吸机人机异步检测方法、装置、设备及存储介质
CN113332548B (zh) 呼吸机通气模式的调节方法、装置及计算机可读存储介质
CN114534041A (zh) 检测人机通气不同步的呼吸波形分类模型训练方法及装置
CN111563451A (zh) 基于多尺度小波特征的机械通气无效吸气努力识别方法
CN109124620A (zh) 一种房颤检测方法、装置及设备
CN108091391A (zh) 病症评估方法、终端设备及计算机可读介质
CN106840734B (zh) 一种呼吸机跟随性能的评估方法、装置以及无创呼吸机
CN109117729A (zh) 心电图室性逸搏实时判断方法、装置、系统及存储介质
CN113941061B (zh) 一种人机不同步识别方法、系统、终端以及存储介质
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
CN108919962A (zh) 基于脑机数据集中处理的辅助钢琴训练方法
CN116189311B (zh) 一种防护服穿戴标准化流程监测系统
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
CN108491487A (zh) 一种临床指南知识编码方法及系统
WO2023060478A1 (zh) 一种人机不同步识别方法、系统、终端以及存储介质
MX2022012682A (es) Analisis del electrocardiograma.

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