CN115814222B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115814222B
CN115814222B CN202310058842.1A CN202310058842A CN115814222B CN 115814222 B CN115814222 B CN 115814222B CN 202310058842 A CN202310058842 A CN 202310058842A CN 115814222 B CN115814222 B CN 115814222B
Authority
CN
China
Prior art keywords
ventilation mode
convolution
mechanical ventilation
waveform
data
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
Application number
CN202310058842.1A
Other languages
English (en)
Other versions
CN115814222A (zh
Inventor
颜延
马良
熊富海
刘语诗
闫旭东
黄意春
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 CN202310058842.1A priority Critical patent/CN115814222B/zh
Priority to PCT/CN2023/075074 priority patent/WO2024152392A1/zh
Publication of CN115814222A publication Critical patent/CN115814222A/zh
Application granted granted Critical
Publication of CN115814222B publication Critical patent/CN115814222B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pulmonology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Hematology (AREA)
  • Anesthesiology (AREA)
  • Emergency Medicine (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种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，所述方法包括：采集定压型通气模式和定容型通气模式下包含人机不同步的机械通气波形，所述机械通气波形选取气道压力、流量和潮气量三个通道；将所述机械通气波形进行数据分割、数据标注和数据变换后得到呼吸周期波形；构建相空间重建‑卷积神经网络模型，基于所述相空间重建‑卷积神经网络模型根据输入的所述呼吸周期波形识别定压型与定容量型通气模式混合下的人机不同步现象。本发明构建的相空间重建‑卷积神经网络模型具有良好的泛化性能，可以准确识别定压型与定容量型通气模式混合下的人机不同步现象，对呼吸机的智能化和生理闭环控制具有重要的意义。

Description

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
技术领域
本发明涉及电生理检测监护技术领域，尤其涉及一种混合机械通气模式下人机不同步波形识别方法、系统、终端及计算机可读存储介质。
背景技术
在呼吸机和患者的交互过程称为机械通气，即呼吸机给患者输送氧气，患者通过管路将二氧化碳排出的过程。人机不同步（Patient-Ventilator Asynchrony，PVA）现象是呼吸机与患者之间的交互过程中的一种不协调，过程的这种不协调可能会延长机械通气的时间甚至危害患者的生命。因此及时发现并采取有效措施防止PVA的发生对患者的临床治疗有着重要的意义。
目前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）。
在机械通气的临床实践中，医生往往根据患者病情及经验来确定通气模式（Ventilation Mode, VM）。传统的通气模式主要分为两大类，（一）定压型通气模式（包括压力控制模式（Pressure Controlled Ventilation，PCV）和压力支持模式（PressureSupport Ventilation，PSV）等）和（二）定容型通气模式（包括容量控制通气（VolumeControlled Ventilation，VCV）和容量控制辅助通气（Volume Control AssistedVentilation，VC-AV）等），如图1所示，图1中（a）和（d）为正常的通气周期波形，图1中（b）和（e）为无效吸气努力周期波形，如箭头所示，图1中（c）和（f）为提前切换周期波形，如箭头所示，图1中(a)-(c) 为定容型通气模式下的波形；图1中(d)-(f)为定压型通气模式下的波形。
两种类型的通气模式各有优缺点。定压型通气模式的优势是峰压较低，较少出现气压伤；但潮气量受系统顺应性和粘性组织的影响较大；与之相反的是定容型通气模式能够保证潮气量的供给有利于呼吸肌的休息，但是易导致气压伤。两种通气模式均有一定概率造成人机交互的不同步，且迄今没有关于哪种模式更优的定论。
然而，现在市场上已经有许多呼吸机应用了具有肺保护通气策略的通气模式，如压力控制同步间歇指令通气模式（Pressure Controlled - Synchronized IntermittentMandatory ventilation，PC-SIMV）、可变压力支持通气模式和容量控制同步间歇指令通气模式，这些模式产生的波形的一个特点是它们从形态学上考虑更像是定压型和定容型通气模式的混合。因此探索识别分类在混合通气模式下的PVA分类的算法模型对呼吸机的智能化和生理闭环控制具有重要的意义。
目前的PVA分类过程可以概括为：（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。
例如现有技术提到了使用循环神经网络的算法来检测人机不同步，两个通道的GRU（门控循环单元）分别提取压力波形特征和流速时间波形特征，然后将两种特征融合后使用BGRU（双向门控循环神经单元）提取更高维的特征，最后使用softmax全连接层得到对人机不同步类型的分类结果。数据集标注由专业医生标注，共检测四大类人机不同步：流速、触发、周期和其它。例如提出将由医生标注的数据集经过预处理后输入到一维卷积神经网络中进行学习训练，得到一个基于神经网络的预测模型。在预测过程中，通过梯度加权类激活映射的方式，可以获得该模型分类决策的可视化解释。例如通过把采集到的原始呼吸信号转换成二维图像，先使用公开的图像数据集ImageNet训练二维图像多分类的模型，之后以迁移学习的方式，将呼吸波形构成的二维图像输入到模型中并对最后一层的全连接层以上层的权重作微调，得到可用于呼吸波形分类的卷积神经网络。例如实时读取呼吸波形数据构成测试序列，经过标准化之后计算测试序列与训练集里面的所有序列的DTW距离，而后用DTW计算相似性距离，再结合KNN的聚类思想，对测试序列进行分类；用于判断人机不同步现象中无效吸气努力。例如使用模糊熵对脑电信号分析，接着通过特征选择提取出反应脑电信号特征的对应电极下模糊熵作为输入特征，最后将特征用于分类，该发明解决的属于二分类问题。例如首先采用小波尺度变换对原始呼吸波形作一次变换，在此基础上使用多种熵特征提取非线性特征，使用前项选择算法选择出最佳的特征组合后，将其作为支持向量机分类算法的输入进行分类，仍仅分类无效吸气努力这一种人机不同步现象，属于二分类任务。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种混合机械通气模式下人机不同步波形识别方法、系统、终端及计算机可读存储介质，旨在解决现有技术中各种识别算法在进行分类任务时，所利用到的通气数据均采集于单一的通气模式，且无法有效识别人机不同步现象的问题。
为实现上述目的，本发明提供一种混合机械通气模式下人机不同步波形识别方法，所述混合机械通气模式下人机不同步波形识别方法包括如下步骤：
采集定压型通气模式和定容型通气模式下包含人机不同步的机械通气波形，所述机械通气波形选取气道压力、流量和潮气量三个通道；
将所述机械通气波形进行数据分割、数据标注和数据变换后得到呼吸周期波形；
构建相空间重建-卷积神经网络模型，基于所述相空间重建-卷积神经网络模型根据输入的所述呼吸周期波形识别定压型与定容量型通气模式混合下的人机不同步现象。
所述的混合机械通气模式下人机不同步波形识别方法，其中，所述数据分割具体为：
将采集到的所述机械通气波形按呼吸周期分割，对每个呼吸周期提取特征或将一个呼吸周期的数据视作样本输入到深度模型。
所述的混合机械通气模式下人机不同步波形识别方法，其中，所述数据标注具体为：
将每个呼吸周期的机械通气波形进行标签标注。
所述的混合机械通气模式下人机不同步波形识别方法，其中，所述数据变换具体为：
将不同通道的所述机械通气波形进行数据变换，所述数据变换使用z变换：
Figure SMS_1
；
其中，
Figure SMS_2
是时间序列
Figure SMS_3
的均值，
Figure SMS_4
是
Figure SMS_5
的标准差，
Figure SMS_6
表示第
Figure SMS_7
个数据。
所述的混合机械通气模式下人机不同步波形识别方法，其中，所述构建相空间重建-卷积神经网络模型具体为：
若一维时间序列
Figure SMS_8
的长度为N，根据确定的时延参量
Figure SMS_9
和嵌入维度
Figure SMS_10
，得到对
Figure SMS_11
应用延时嵌入技术后的延时向量：
Figure SMS_12
；
Figure SMS_13
为
Figure SMS_14
维相空间中的一个点，表示延时向量，
Figure SMS_15
为相空间中轨迹点的个数，
Figure SMS_16
，
Figure SMS_17
指一维时间序列
Figure SMS_18
的长度，
Figure SMS_19
指嵌入维度；
最终得到相空间轨迹矩阵：
Figure SMS_20
；
其中，
Figure SMS_21
指的是第L个轨迹点的第
Figure SMS_22
个维度的数值。
所述的混合机械通气模式下人机不同步波形识别方法，其中，根据平均互信息确定时延参量
Figure SMS_23
：
将一维时间序列
Figure SMS_24
和时延版本
Figure SMS_25
的平均互信息
Figure SMS_26
作为量化两序列独立性的指标，如下公式所示，根据互信息的第一个最小点选取确定最优时延参量
Figure SMS_27
：
Figure SMS_28
；
其中，t是时间变量，
Figure SMS_29
指
Figure SMS_30
和
Figure SMS_31
中对应各信息的联合分布概率，
Figure SMS_32
和
Figure SMS_33
指当前信息的概率；
根据伪近邻确定嵌入维度
Figure SMS_34
：若一维时间序列点之间的距离小于第一预设距离则称为近邻，若将时间序列在一定时延下进行
Figure SMS_35
维嵌入，则计算
Figure SMS_36
维相空间的点的距离，如果距离发生的变化大于第二预设距离，则称为伪近邻，继续改变嵌入维度
Figure SMS_37
直到距离变化小于第三预设距离，则将此时
Figure SMS_38
视为嵌入维度的估计；
构建相空间重建-卷积神经网络模型：
在每个通道的末尾补上足够数量的0使得输入到卷积神经网络的数据大小相同，补0之后的大小为
Figure SMS_39
；经过相空间重建后的输入数据大小为
Figure SMS_40
，
Figure SMS_41
指相空间重建后点的个数；
呼吸周期波形经过重构后得到的相空间输入卷积结构中；卷积神经网络共设置两个卷积层用于提取特征，第一个卷积层包括一个二维卷积、非线性变换和最大池化；第二个卷积层包括一维卷积和非线性变换；两个卷积层使用的激活函数均为整流线性单元；卷积层提取完特征后，经由一个全连接层输出分类标签。
所述的混合机械通气模式下人机不同步波形识别方法，其中，在原始呼吸波形经过相空间重建后，得到的波形维度为
Figure SMS_42
，在输入卷积神经网络时，包括：
一维相空间卷积：将m维的相空间中的轨迹点按照维度依次进行一维卷积，卷积核大小为1*K1，步长为S1，K1表示第一个卷积层卷积核的大小；将卷积后得到的特征合并为一个维度，再进行一次一维卷积，卷积核大小为1*K2，步长为S2，K2为第二个卷积层卷积核的大小；将得到的特征输入到全连接层再经过softmax函数得到分类概率；
二维相空间卷积：按轨迹点进行二维卷积，卷积核大小为m*K1，步长为S2；将卷积得到特征合并为一个维度，再进行一次一维卷积，卷积核大小为1*K2，步长为S2；将得到的特征输入到全连接层再经过softmax函数得到分类概率。
此外，为实现上述目的，本发明还提供一种混合机械通气模式下人机不同步波形识别系统，其中，所述混合机械通气模式下人机不同步波形识别系统包括：
数据采集模块，用于采集定压型通气模式和定容型通气模式下包含人机不同步的机械通气波形，所述机械通气波形选取气道压力、流量和潮气量三个通道；
数据处理模块，用于将所述机械通气波形进行数据分割、数据标注和数据变换后得到呼吸周期波形；
数据识别模块，用于构建相空间重建-卷积神经网络模型，基于所述相空间重建-卷积神经网络模型根据输入的所述呼吸周期波形识别定压型与定容量型通气模式混合下的人机不同步现象。
此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的混合机械通气模式下人机不同步波形识别程序，所述混合机械通气模式下人机不同步波形识别程序被所述处理器执行时实现如上所述的混合机械通气模式下人机不同步波形识别方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有混合机械通气模式下人机不同步波形识别程序，所述混合机械通气模式下人机不同步波形识别程序被处理器执行时实现如上所述的混合机械通气模式下人机不同步波形识别方法的步骤。
本发明中，采集定压型通气模式和定容型通气模式下包含人机不同步的机械通气波形，所述机械通气波形选取气道压力、流量和潮气量三个通道；将所述机械通气波形进行数据分割、数据标注和数据变换后得到呼吸周期波形；构建相空间重建-卷积神经网络模型，基于所述相空间重建-卷积神经网络模型根据输入的所述呼吸周期波形识别定压型与定容量型通气模式混合下的人机不同步现象。本发明构建的相空间重建-卷积神经网络模型具有良好的泛化性能，可以准确识别定压型与定容量型通气模式混合下的人机不同步现象，对呼吸机的智能化和生理闭环控制具有重要的意义。
附图说明
图1是机械通气波形示意图；
图2是本发明混合机械通气模式下人机不同步波形识别方法的较佳实施例的流程图；
图3是本发明混合机械通气模式下人机不同步波形识别方法的较佳实施例中延时嵌入相空间的示意图；
图4是本发明混合机械通气模式下人机不同步波形识别方法的较佳实施例中相空间重建-卷积神经网络结构示意图；
图5是本发明混合机械通气模式下人机不同步波形识别系统的较佳实施例的原理示意图；
图6为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
现在市场上已经有许多呼吸机应用了具有肺保护通气策略的通气模式，如压力控制同步间歇指令通气模式（Pressure Controlled - Synchronized IntermittentMandatory ventilation，PC-SIMV）、可变压力支持通气模式和容量控制同步间歇指令通气模式，这些模式产生的波形的一个特点是它们从形态学上考虑更像是定压型和定容型通气模式的混合。因此探索识别分类在混合通气模式下的PVA分类的算法模型对呼吸机的智能化和生理闭环控制具有重要的意义。
本发明较佳实施例所述的混合机械通气模式下人机不同步波形识别方法，如图2所示，所述混合机械通气模式下人机不同步波形识别方法包括以下步骤：
步骤S10、采集定压型通气模式和定容型通气模式下包含人机不同步的机械通气波形，所述机械通气波形选取气道压力、流量和潮气量三个通道。
具体地，收集不同通气模式（定压型通气模式和定容型通气模式）下的包含人机不同步的机械通气波形（例如这些数据从呼吸机自动导出），波形选取气道压力、流量和潮气量三个通道。
步骤S20、 将所述机械通气波形进行数据分割、数据标注和数据变换后得到呼吸周期波形。
具体地，数据分割：数据分割是指将采集到的所述机械通气波形（原始数据）按呼吸周期（呼吸周期的长短通常根据患者病情不同而不同，一般是3-5秒，但是在波形中，由于采样频率的不同，一个呼吸周期的点的个数也不尽相同，比如采样频率是50HZ，一个呼吸周期是3秒，那么这个周期的点的个数就是150个点）分割，最终将对每个呼吸周期提取特征或将一个呼吸周期的数据视作样本输入深度模型。
具体地，数据标注：将每个呼吸周期的机械通气波形进行标签标注，其中，所述标签包括无效触发、重复触发、自动触发、反向触发、流速不匹配、提前切换、延迟切换、内源性呼气末正压和正常。
具体地，数据变换：将不同通道（量纲）的所述机械通气波形进行数据变换（因为采集的数据来自不同通道，这些通道数据的单位是不一样的，比如，气道压力的单位是cm/H2O，流速的单位是L/min），以保证深度模型的收敛性和收敛速度，本发明中，所述数据变换使用z变换：
Figure SMS_43
；
其中，
Figure SMS_44
是时间序列
Figure SMS_45
的均值，
Figure SMS_46
是
Figure SMS_47
的标准差，
Figure SMS_48
表示第
Figure SMS_49
个数据。
步骤S30、 构建相空间重建-卷积神经网络模型，基于所述相空间重建-卷积神经网络模型根据输入的所述呼吸周期波形识别定压型与定容量型通气模式混合下的人机不同步现象。
具体地，若观察到的一维时间序列
Figure SMS_50
的长度为N，根据确定的时延参量
Figure SMS_51
和嵌入维度
Figure SMS_52
，可以得到对
Figure SMS_53
应用延时嵌入技术后的延时向量：
Figure SMS_54
；
Figure SMS_55
为
Figure SMS_56
维相空间中的一个点，它表示延时向量，
Figure SMS_57
为相空间中轨迹点的个数，
Figure SMS_58
，
Figure SMS_59
指一维时间序列
Figure SMS_60
的长度，
Figure SMS_61
指嵌入维度。
最终可以得到如下相空间轨迹矩阵（相空间重建的结果，该结果是原始一维时间序列的另一种表现，通过该转化，可以使得卷积神经网络模型可以提取到原始系统的重建后的相空间中的信息，该信息从原来的一维时间序列中无法提取到，且该信息有利于提高分类结果）：
Figure SMS_62
；
其中，
Figure SMS_63
指的是第L个轨迹点的第
Figure SMS_64
个维度的数值。该相空间轨迹矩阵的每一行，都是相空间中的一个轨迹点，这个点有m个维度，一共有L行，即L个轨迹点。
如图3所示，图3给出了延时嵌入相空间的示意图，其中令嵌入维度
Figure SMS_65
为3，时延参量
Figure SMS_66
为1，最终得到三个通道的3维相空间。
具体地，根据平均互信息确定时延参量
Figure SMS_67
：
将一维时间序列
Figure SMS_68
（即一维时间序列X）和时延版本
Figure SMS_69
的平均互信息
Figure SMS_70
作为量化两序列独立性的指标，如下公式所示，根据互信息的第一个最小点选取确定最优时延参量
Figure SMS_71
：
Figure SMS_72
；
其中，t是时间变量，
Figure SMS_73
指
Figure SMS_74
和
Figure SMS_75
中对应各信息的联合分布概率，
Figure SMS_76
和
Figure SMS_77
指当前信息的概率。
具体地，根据伪近邻确定嵌入维度
Figure SMS_78
：若一维时间序列点之间的距离小于第一预设距离则称为近邻（即若点之间的距离很近则称为近邻），若将时间序列在一定时延下进行
Figure SMS_79
维嵌入，则计算
Figure SMS_80
维相空间的点的距离，如果距离发生的变化大于第二预设距离（即距离发生很大变化），则称为伪近邻，继续改变嵌入维度
Figure SMS_81
直到距离变化小于第三预设距离（即距离变化不再剧烈），则将此时
Figure SMS_82
视为嵌入维度的估计。
具体地，构建相空间重建-卷积神经网络模型：
在输入卷积神经网络前，首先为了保证输入到深度模型的数据结构一致，对数据做了补0操作，即在每个通道的末尾补上足够数量的0使得输入到卷积神经网络的数据大小相同，补0之后的大小为
Figure SMS_83
；经过相空间重建后的输入数据大小为
Figure SMS_84
，
Figure SMS_85
指相空间重建后点的个数，3指的是3个通道。
呼吸周期波形经过重构后得到的相空间输入卷积结构中；如图4所示，卷积神经网络共设置两个卷积层用于提取特征，第一个卷积层包括一个二维卷积、非线性变换和最大池化；第二个卷积层包括一维卷积和非线性变换；两个卷积层使用的激活函数均为整流线性单元（Rectified Linear Units，ReLU）；卷积层提取完特征后，经由一个全连接层输出分类标签。
需要注意的是，在原始呼吸波形经过相空间重建后，得到的波形维度为，在输入卷积神经网络时，有两种不同的方式：
（1）一维相空间卷积：将m维的相空间中的轨迹点按照维度依次进行一维卷积，卷积核大小为1*K1，步长为S1，K1表示第一个卷积层卷积核的大小；将卷积后得到的特征合并为一个维度，再进行一次一维卷积，卷积核大小为1*K2，步长为S2，K2为第二个卷积层卷积核的大小；将得到的特征输入到全连接层再经过softmax函数得到分类概率。
（2）二维相空间卷积：按轨迹点进行二维卷积，卷积核大小为m*K1，步长为S2；将卷积得到特征合并为一个维度，再进行一次一维卷积，卷积核大小为1*K2，步长为S2；将得到的特征输入到全连接层再经过softmax函数得到分类概率。
上述两种方式的差别为卷积是否提取相空间的空间特性信息。
模型训练与评估：模型的训练与评估过程是为了找到一个模型在合适的参数的可以在各项指标中达到最好的过程，此过程中需要设置留一法交叉验证实验检验模型泛化性能，即将每个病例的数据集依次作为测试集，其余病例的数据作为训练集。训练过程通常是将数据依次输入到本发明的所提出的模型中，并设置好训练的【回合次数】参数，然后运行计算机算法即可。每一个回合，程序都会输出当前的准确率和F1-score两个指标，用于判断当前模型的性能。前面提到留一法交叉验证实验，这是一种常见的模型选择方法，通过设置该实验可以得到公认的具有良好泛化性的模型。泛化性能指一个模型在遇到未见过的数据时它所表现出的识别能力。采取准确率和F1-score作为评价指标检验模型泛化性能。各项指标的数值越大，则说明模型泛化性越好。
模型的部署：训练好的模型可以通过各种编程语言部署在呼吸机中或服务器中为各项应用提供服务。
进一步地，设置了留一法交叉验证实验，并对比了基于特征的机器学习模型和未进行相空间重建的卷积神经网络模型在准确度（Accuracy）、灵敏度（Sensitivity）、特异性（Specificity）和F1-score四个指标上的差异。
留一法交叉验证实验过程中，个别病例的阳性样本过少，因此数据集仅作为训练集，而不用于测试集。最终得到的实验结果如下表所示：
Figure SMS_86
表：实验结果（p<0.01）
上表结果均为重复试验50次后得到的，并进行了t检验，显著性水平
Figure SMS_87
。PSR-CNN指本发明提出的模型；CNN指未进行相空间重建但是与PSR-CNN具有相同网络结构的卷积神经网络模型；时域-RF指基于时域特征的随机森林模型；频域-RF指基于频域特征的随机森林模型。
上表的结果显示，本发明提出的模型在各种指标中均其它模型，显示了相空间重建-卷积神经网络模型良好的泛化性能。
进一步地，3个通道可以增加为多个（多于3个）通道，该数据值的变化同时改变相空间重建过程。关于卷积层的结构，则不限于仅使用卷积，还可改变非线性变换函数和增减最大池化层。
进一步地，如图5所示，基于上述混合机械通气模式下人机不同步波形识别方法，本发明还相应提供了一种混合机械通气模式下人机不同步波形识别系统，其中，所述混合机械通气模式下人机不同步波形识别系统包括：
数据采集模块51，用于采集定压型通气模式和定容型通气模式下包含人机不同步的机械通气波形，所述机械通气波形选取气道压力、流量和潮气量三个通道；
数据处理模块52，用于将所述机械通气波形进行数据分割、数据标注和数据变换后得到呼吸周期波形；
数据识别模块53，用于构建相空间重建-卷积神经网络模型，基于所述相空间重建-卷积神经网络模型根据输入的所述呼吸周期波形识别定压型与定容量型通气模式混合下的人机不同步现象。
进一步地，如图6所示，基于上述混合机械通气模式下人机不同步波形识别方法和系统，本发明还相应提供了一种终端，所述终端包括处理器10、存储器20及显示器30。图6仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有混合机械通气模式下人机不同步波形识别程序40，该混合机械通气模式下人机不同步波形识别程序40可被处理器10所执行，从而实现本申请中混合机械通气模式下人机不同步波形识别方法。
所述处理器10在一些实施例中可以是一中央处理器（Central Processing Unit,CPU），微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述混合机械通气模式下人机不同步波形识别方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中混合机械通气模式下人机不同步波形识别程序40时实现以下步骤：
采集定压型通气模式和定容型通气模式下包含人机不同步的机械通气波形，所述机械通气波形选取气道压力、流量和潮气量三个通道；
将所述机械通气波形进行数据分割、数据标注和数据变换后得到呼吸周期波形；
构建相空间重建-卷积神经网络模型，基于所述相空间重建-卷积神经网络模型根据输入的所述呼吸周期波形识别定压型与定容量型通气模式混合下的人机不同步现象。
其中，所述数据分割具体为：
将采集到的所述机械通气波形按呼吸周期分割，对每个呼吸周期提取特征或将一个呼吸周期的数据视作样本输入到深度模型。
其中，所述数据标注具体为：
将每个呼吸周期的机械通气波形进行标签标注。
其中，所述数据变换具体为：
将不同通道的所述机械通气波形进行数据变换，所述数据变换使用z变换：
Figure SMS_88
；
其中，
Figure SMS_89
是时间序列
Figure SMS_90
的均值，
Figure SMS_91
是
Figure SMS_92
的标准差，
Figure SMS_93
表示第
Figure SMS_94
个数据。
其中，所述构建相空间重建-卷积神经网络模型具体为：
若一维时间序列
Figure SMS_95
的长度为N，根据确定的时延参量
Figure SMS_96
和嵌入维度
Figure SMS_97
，得到对
Figure SMS_98
应用延时嵌入技术后的延时向量：
Figure SMS_99
；
Figure SMS_100
为
Figure SMS_101
维相空间中的一个点，表示延时向量，
Figure SMS_102
为相空间中轨迹点的个数，
Figure SMS_103
，
Figure SMS_104
指一维时间序列
Figure SMS_105
的长度，
Figure SMS_106
指嵌入维度；
最终得到相空间轨迹矩阵：
Figure SMS_107
；
其中，
Figure SMS_108
指的是第L个轨迹点的第
Figure SMS_109
个维度的数值。
其中，根据平均互信息确定时延参量
Figure SMS_110
：
将一维时间序列
Figure SMS_111
和时延版本
Figure SMS_112
的平均互信息
Figure SMS_113
作为量化两序列独立性的指标，如下公所示，根据互信息的第一个最小点选取确定最优时延参量
Figure SMS_114
：
Figure SMS_115
；
其中，t是时间变量，
Figure SMS_116
指
Figure SMS_117
和
Figure SMS_118
中对应各信息的联合分布概率，
Figure SMS_119
和
Figure SMS_120
指当前信息的概率；
根据伪近邻确定嵌入维度
Figure SMS_121
：若一维时间序列点之间的距离小于第一预设距离则称为近邻，若将时间序列在一定时延下进行
Figure SMS_122
维嵌入，则计算
Figure SMS_123
维相空间的点的距离，如果距离发生的变化大于第二预设距离，则称为伪近邻，继续改变嵌入维度
Figure SMS_124
直到距离变化小于第三预设距离，则将此时
Figure SMS_125
视为嵌入维度的估计；
构建相空间重建-卷积神经网络模型：
在每个通道的末尾补上足够数量的0使得输入到卷积神经网络的数据大小相同，补0之后的大小为
Figure SMS_126
；经过相空间重建后的输入数据大小为
Figure SMS_127
，
Figure SMS_128
指相空间重建后点的个数；
呼吸周期波形经过重构后得到的相空间输入卷积结构中；卷积神经网络共设置两个卷积层用于提取特征，第一个卷积层包括一个二维卷积、非线性变换和最大池化；第二个卷积层包括一维卷积和非线性变换；两个卷积层使用的激活函数均为整流线性单元；卷积层提取完特征后，经由一个全连接层输出分类标签。
其中，在原始呼吸波形经过相空间重建后，得到的波形维度为
Figure SMS_129
，在输入卷积神经网络时，包括：
一维相空间卷积：将m维的相空间中的轨迹点按照维度依次进行一维卷积，卷积核大小为1*K1，步长为S1，K1表示第一个卷积层卷积核的大小；将卷积后得到的特征合并为一个维度，再进行一次一维卷积，卷积核大小为1*K2，步长为S2，K2为第二个卷积层卷积核的大小；将得到的特征输入到全连接层再经过softmax函数得到分类概率；
二维相空间卷积：按轨迹点进行二维卷积，卷积核大小为m*K1，步长为S2；将卷积得到特征合并为一个维度，再进行一次一维卷积，卷积核大小为1*K2，步长为S2；将得到的特征输入到全连接层再经过softmax函数得到分类概率。
本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有混合机械通气模式下人机不同步波形识别程序，所述混合机械通气模式下人机不同步波形识别程序被处理器执行时实现如上所述的混合机械通气模式下人机不同步波形识别方法的步骤。
综上所述，本发明提供一种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，所述方法包括：采集定压型通气模式和定容型通气模式下包含人机不同步的机械通气波形，所述机械通气波形选取气道压力、流量和潮气量三个通道；将所述机械通气波形进行数据分割、数据标注和数据变换后得到呼吸周期波形；构建相空间重建-卷积神经网络模型，基于所述相空间重建-卷积神经网络模型根据输入的所述呼吸周期波形识别定压型与定容量型通气模式混合下的人机不同步现象。本发明构建的相空间重建-卷积神经网络模型具有良好的泛化性能，可以准确识别定压型与定容量型通气模式混合下的人机不同步现象，对呼吸机的智能化和生理闭环控制具有重要的意义。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件（如处理器，控制器等）来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种混合机械通气模式下人机不同步波形识别方法，其特征在于，所述混合机械通气模式下人机不同步波形识别方法包括：
采集定压型通气模式和定容型通气模式下包含人机不同步的机械通气波形，所述机械通气波形选取气道压力、流量和潮气量三个通道；
将所述机械通气波形进行数据分割、数据标注和数据变换后得到呼吸周期波形；
构建相空间重建-卷积神经网络模型，基于所述相空间重建-卷积神经网络模型根据输入的所述呼吸周期波形识别定压型与定容量型通气模式混合下的人机不同步现象。
2.根据权利要求1所述的混合机械通气模式下人机不同步波形识别方法，其特征在于，所述数据分割具体为：
将采集到的所述机械通气波形按呼吸周期分割，对每个呼吸周期提取特征或将一个呼吸周期的数据视作样本输入到深度模型。
3.根据权利要求2所述的混合机械通气模式下人机不同步波形识别方法，其特征在于，所述数据标注具体为：
将每个呼吸周期的机械通气波形进行标签标注。
4.根据权利要求3所述的混合机械通气模式下人机不同步波形识别方法，其特征在于，所述数据变换具体为：
将不同通道的所述机械通气波形进行数据变换，所述数据变换使用z变换：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
是时间序列
Figure QLYQS_3
的均值，
Figure QLYQS_4
是
Figure QLYQS_5
的标准差，
Figure QLYQS_6
表示第
Figure QLYQS_7
个数据。
5.根据权利要求4所述的混合机械通气模式下人机不同步波形识别方法，其特征在于，所述构建相空间重建-卷积神经网络模型具体为：
若一维时间序列
Figure QLYQS_8
的长度为N，根据确定的时延参量
Figure QLYQS_9
和嵌入维度
Figure QLYQS_10
，得到对
Figure QLYQS_11
应用延时嵌入技术后的延时向量：
Figure QLYQS_12
；
Figure QLYQS_13
为
Figure QLYQS_14
维相空间中的一个点，表示延时向量，
Figure QLYQS_15
为相空间中轨迹点的个数，
Figure QLYQS_16
，
Figure QLYQS_17
指一维时间序列
Figure QLYQS_18
的长度，
Figure QLYQS_19
指嵌入维度；
最终得到相空间轨迹矩阵：
Figure QLYQS_20
；
其中，
Figure QLYQS_21
指的是第L个轨迹点的第
Figure QLYQS_22
个维度的数值。
6.根据权利要求5所述的混合机械通气模式下人机不同步波形识别方法，其特征在于，根据平均互信息确定时延参量
Figure QLYQS_23
：
将一维时间序列
Figure QLYQS_24
和时延版本
Figure QLYQS_25
的平均互信息
Figure QLYQS_26
作为量化两序列独立性的指标，如下公式所示，根据互信息的第一个最小点选取确定最优时延参量
Figure QLYQS_27
：
Figure QLYQS_28
；
其中，t是时间变量，
Figure QLYQS_29
指
Figure QLYQS_30
和
Figure QLYQS_31
中对应各信息的联合分布概率，
Figure QLYQS_32
和
Figure QLYQS_33
指当前信息的概率；
根据伪近邻确定嵌入维度
Figure QLYQS_34
：若一维时间序列点之间的距离小于第一预设距离则称为近邻，若将时间序列在一定时延下进行
Figure QLYQS_35
维嵌入，则计算
Figure QLYQS_36
维相空间的点的距离，如果距离发生的变化大于第二预设距离，则称为伪近邻，继续改变嵌入维度
Figure QLYQS_37
直到距离变化小于第三预设距离，则将此时
Figure QLYQS_38
视为嵌入维度的估计；
构建相空间重建-卷积神经网络模型：
在每个通道的末尾补上足够数量的0使得输入到卷积神经网络的数据大小相同，补0之后的大小为
Figure QLYQS_39
；经过相空间重建后的输入数据大小为
Figure QLYQS_40
，
Figure QLYQS_41
指相空间重建后点的个数；
呼吸周期波形经过重构后得到的相空间输入卷积结构中；卷积神经网络共设置两个卷积层用于提取特征，第一个卷积层包括一个二维卷积、非线性变换和最大池化；第二个卷积层包括一维卷积和非线性变换；两个卷积层使用的激活函数均为整流线性单元；卷积层提取完特征后，经由一个全连接层输出分类标签。
7.根据权利要求6所述的混合机械通气模式下人机不同步波形识别方法，其特征在于，在原始呼吸波形经过相空间重建后，得到的波形维度为
Figure QLYQS_42
，在输入卷积神经网络时，包括：
一维相空间卷积：将m维的相空间中的轨迹点按照维度依次进行一维卷积，卷积核大小为1*K1，步长为S1，K1表示第一个卷积层卷积核的大小；将卷积后得到的特征合并为一个维度，再进行一次一维卷积，卷积核大小为1*K2，步长为S2，K2为第二个卷积层卷积核的大小；将得到的特征输入到全连接层再经过softmax函数得到分类概率；
二维相空间卷积：按轨迹点进行二维卷积，卷积核大小为m*K1，步长为S2；将卷积得到特征合并为一个维度，再进行一次一维卷积，卷积核大小为1*K2，步长为S2；将得到的特征输入到全连接层再经过softmax函数得到分类概率。
8.一种混合机械通气模式下人机不同步波形识别系统，其特征在于，所述混合机械通气模式下人机不同步波形识别系统包括：
数据采集模块，用于采集定压型通气模式和定容型通气模式下包含人机不同步的机械通气波形，所述机械通气波形选取气道压力、流量和潮气量三个通道；
数据处理模块，用于将所述机械通气波形进行数据分割、数据标注和数据变换后得到呼吸周期波形；
数据识别模块，用于构建相空间重建-卷积神经网络模型，基于所述相空间重建-卷积神经网络模型根据输入的所述呼吸周期波形识别定压型与定容量型通气模式混合下的人机不同步现象。
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的混合机械通气模式下人机不同步波形识别程序，所述混合机械通气模式下人机不同步波形识别程序被所述处理器执行时实现如权利要求1-7任一项所述的混合机械通气模式下人机不同步波形识别方法的步骤。
10.一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有混合机械通气模式下人机不同步波形识别程序，所述混合机械通气模式下人机不同步波形识别程序被处理器执行时实现如权利要求1-7任一项所述的混合机械通气模式下人机不同步波形识别方法的步骤。
CN202310058842.1A 2023-01-17 2023-01-17 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 Active CN115814222B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310058842.1A CN115814222B (zh) 2023-01-17 2023-01-17 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
PCT/CN2023/075074 WO2024152392A1 (zh) 2023-01-17 2023-02-08 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310058842.1A CN115814222B (zh) 2023-01-17 2023-01-17 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

Publications (2)

Publication Number Publication Date
CN115814222A CN115814222A (zh) 2023-03-21
CN115814222B true CN115814222B (zh) 2023-04-14

Family

ID=85520758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310058842.1A Active CN115814222B (zh) 2023-01-17 2023-01-17 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

Country Status (2)

Country Link
CN (1) CN115814222B (zh)
WO (1) WO2024152392A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117045913B (zh) * 2023-07-14 2024-04-30 南通大学附属医院 一种基于呼吸变量监测的机械通气模式智能切换系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019094736A1 (en) * 2017-11-09 2019-05-16 Autonomous Healthcare, Inc. Clinical decision support system for patient-ventilator asynchrony detection and management
CN113951868A (zh) * 2021-10-29 2022-01-21 北京富通东方科技有限公司 机械通气患者人机不同步检测方法及装置
WO2022267381A1 (zh) * 2021-06-25 2022-12-29 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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230000445A1 (en) * 2009-04-22 2023-01-05 Alton Reich Cardiovascular state determination apparatus and method of use thereof
US20150090258A1 (en) * 2013-10-01 2015-04-02 Covidien Lp Ventilator-initiated prompt or setting regarding detection of asynchrony during ventilation
CN106453293B (zh) * 2016-09-30 2019-03-26 重庆邮电大学 一种基于改进bpnn的网络安全态势预测方法
CN110555468A (zh) * 2019-08-15 2019-12-10 武汉科技大学 一种联合递归图和cnn的脑电信号识别方法及系统
US12073945B2 (en) * 2020-06-30 2024-08-27 Cerner Innovation, Inc. Patient ventilator asynchrony detection
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
CN113521460B (zh) * 2021-05-20 2024-02-23 深圳先进技术研究院 机械通气人机异步检测方法、装置及计算机可读存储介质
CN114154551A (zh) * 2021-10-19 2022-03-08 中山大学 一种基于深度学习的多元时间序列分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019094736A1 (en) * 2017-11-09 2019-05-16 Autonomous Healthcare, Inc. Clinical decision support system for patient-ventilator asynchrony detection and management
WO2022267381A1 (zh) * 2021-06-25 2022-12-29 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
CN113951868A (zh) * 2021-10-29 2022-01-21 北京富通东方科技有限公司 机械通气患者人机不同步检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘青华等.一种呼吸机人机异步的识别与改善方法.《液压与气动》.2022,第46卷(第7期),全文. *

Also Published As

Publication number Publication date
WO2024152392A1 (zh) 2024-07-25
CN115814222A (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
Zhi et al. A comprehensive survey on automatic facial action unit analysis
WO2021143353A1 (zh) 一种手势信息处理方法、装置、电子设备及存储介质
Abdullah et al. Lung cancer prediction and classification based on correlation selection method using machine learning techniques
Hachaj et al. Rule-based approach to recognizing human body poses and gestures in real time
Rudovic et al. Context-sensitive dynamic ordinal regression for intensity estimation of facial action units
Keogh et al. Finding the most unusual time series subsequence: algorithms and applications
CN111046731B (zh) 基于表面肌电信号进行手势识别的迁移学习方法和识别方法
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
US20220029986A1 (en) Methods and systems of biometric identification in telemedicine using remote sensing
Samadani et al. Discriminative functional analysis of human movements
CN114519401B (zh) 一种图像分类方法及装置、电子设备、存储介质
WO2023097780A1 (zh) 机械通气过程中人机异步现象的分类方法和分类装置
Zahra et al. Camera-based interactive wall display using hand gesture recognition
Wang et al. Iterative self-training based domain adaptation for cross-user semg gesture recognition
Li et al. Recognizing hand gestures using the weighted elastic graph matching (WEGM) method
Zhou et al. Classification of upper limb motion trajectories using shape features
CN112329633B (zh) 基于张量分解的情感识别方法、装置、介质及电子设备
Huang et al. Identifying user-specific facial affects from spontaneous expressions with minimal annotation
CN110263620B (zh) 一种基于l2,1偏标记学习的年龄估计方法
Hayashi et al. Patient deterioration detection using one-class classification via cluster period estimation subtask
Hu et al. Maximisation of mutual information for gait-based soft biometric classification using Gabor features
US11037679B1 (en) Methods and systems of biometric identification in telemedicine using remote sensing
CN112289444B (zh) 一种患者潜在重要信息的确定方法和装置
Luo et al. MDDD: Manifold-based Domain Adaptation with Dynamic Distribution for Non-Deep Transfer Learning in Cross-subject and Cross-session EEG-based Emotion Recognition
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

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