呼吸机通气模式的调节方法、装置及计算机可读存储介质与流程

1.本申请涉及电子医疗设备领域，特别是涉及一种呼吸机通气模式的调节方法、装置及计算机可读存储介质。


背景技术：

2.医生调节呼吸机时，其中一个重要的调节参数就是调节呼吸机的通气模式。一般而言，医生会根据患者的不同病情状况在呼吸机机械通气时流量、气道压力等波形状况上的不同而选择一种比较合适的通气模式，以此来适应有呼吸障碍患者的呼吸通气需求，改善患者的生命状况，为治疗原发病提供时机。
3.现有技术中，呼吸机通气模式的预测中，需要依赖专家标注特征进行判别，此种方式，可能会耗费专家大量的时间，而且人工提取的特征在可扩展性、泛化性等方面也有待验证，现有的方案具有相当的局限性。


技术实现要素：

4.本申请提供一种呼吸机通气模式的调节方法、装置及计算机可读存储介质，能够快速准确地预测出呼吸机的通气模式，节约人工成本，且具有较高的可靠性。
5.为解决上述技术问题，本申请采用的一个技术方案是：提供一种呼吸机通气模式的调节方法，应用于呼吸机通气模式的调节装置，调节装置连接呼吸机，该调节方法包括：获取呼吸机的呼吸参数；通过自编码器对呼吸参数提取特征数据；将特征数据输入一维卷积神经网络模型中，得到呼吸参数对应的通气模式。
6.进一步地，呼吸参数包括呼吸机械通气时的流量和气道压力。
7.进一步地，获取呼吸机的呼吸参数的步骤之后，方法还包括：对呼吸机械通气时的流量进行数据划分，得到多个流量数据段；对气道压力进行数据划分得到多个气道压力数据段；通过自编码器对呼吸参数提取特征数据，包括：通过自编码器对多个流量数据段和多个气道压力数据段提取特征数据。
8.进一步地，自编码器采用输入层、隐含层和输出层三层结构，输入层和输出层神经元的个数均设为x个，隐含层取小于x个的16个神经元，用以提取流量和气道压力的特征数据。
9.进一步地，调节方法还包括：缓存预定时间段的特征数据；根据缓存的特征数据训练一维卷积神经网络模型，得到新一维卷积神经网络模型；响应于新一维卷积神经网络模型的性能满足预设条件，将一维卷积神经网络模型替换为新一维卷积神经网络模型。
10.进一步地，特征数据包括呼吸机波形特征数据。
11.进一步地，通气模式包括：容量控制模式、压力控制模式、压力支持模式、持续气道正压模式和比例辅助通气模式中的至少两种。
12.进一步地，得到呼吸参数对应的通气模式的步骤之后，调节方法还包括：将通气模式发送给呼吸机，以使呼吸机显示通气模式。
13.为解决上述技术问题，本申请采用的另一个技术方案是：提供一种呼吸机通气模式的调节装置，该调节装置包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述任一实施例的呼吸机通气模式的调节方法。
14.为解决上述技术问题，本申请采用的又一个技术方案是：提供一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现如上述任一实施例的呼吸机通气模式的调节方法。
15.本申请的有益效果是：区别于现有技术的情况，本申请的呼吸机通气模式的调节方法中，通过自编码器对呼吸参数进行特征提取，其中自编码器能够自动对呼吸参数的特征进行自动提取，无需人工先验的知识分析特征，节约人工标注成本。另外，将特征数据输入一维卷积神经网络模型中，得到呼吸参数对应的通气模式，能够低成本且高效地判别呼吸机的通气模式，给医生调节呼吸机提供帮助，且能提高调节的效率。
附图说明
16.图1是本申请提供的呼吸机通气模式的调节方法的一实施方式的流程示意图；
17.图2是本申请提供的呼吸机通气模式的调节方法的另一实施方式的流程示意图；
18.图3是本申请提供的呼吸机通气模式的调节装置的一实施例的框架示意图；
19.图4是本申请提供的计算机可读存储介质一实施例的框架示意图。
具体实施方式
20.为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
21.在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。
22.呼吸机的机械通气最早可追溯到十八世纪，经过了早期正压通气，后面经过以“铁肺”为标志的负压通气，最终又发展到了当前应用广泛的正压通气。近年来临床上主要常用的通气模式仍然是正压通气，随着对呼吸生理学以及相关技术的深入研究，形成了许多的机械通气模式。
23.随着对呼吸生理学认识等提高，以及物理学、电子学、微型传感学、微型电子计算机技术和快速反应的活瓣(阀门)技术的飞快发展，机械通气模式也在不断地改进与更新，要求通气方式更符合生理性、低压、低创、迅速响应等，使人机协调性得到进一步的提高。
24.现有通气模式虽然比较多，但医生常用的通气模式并不会很多，一般常用的只有几种。本申请的调节方法主要预测医生比较常用的通气模式，为医生的调节呼吸机提供参考与帮助。下面将对本申请的具体内容进行详细描述。
25.本申请提供一种呼吸机通气模式的调节方法，该调节方法应用于呼吸机通气模式的调节装置，以下简称调节装置，调节装置连接呼吸机，并对呼吸机的通气模式给出预测。请参阅图1所示，图1是本申请提供的呼吸机通气模式的调节方法的一实施方式的流程示意图，具体地，该调节方法包括：
26.s11：获取呼吸机的呼吸参数。
27.当需要通过调节装置预测呼吸机的通气模式时，将调节装置与呼吸机建立连接，以使调节装置和呼吸机之间能够进行交互数据。其中，呼吸机和调节装置之间的可以建立有线连接，在其他实施例中，调节装置也可以和呼吸机之间建立无线连接，例如，红外连接、蓝牙连接、wifi连接等。
28.当调节装置与呼吸机建立连接后，就获取呼吸机的呼吸参数。其中，本实施例中，呼吸参数包括呼吸机械通气时的流量和气道压力。在其他实施例中，呼吸参数还可以包括呼吸机的一些设置信息等参数。
29.s12：通过自编码器对呼吸参数提取特征数据。
30.调节装置在获取到呼吸机的呼吸参数后，通过自编码器对呼吸机的呼吸参数提取特征数据。
31.自编码器是一种能够通过无监督学习，学到输入数据高效表示的人工神经网络。输入数据的这一高效表示称为编码，其维度一般远小于输入数据，使得自编码器可用于降维。更重要的是，自编码器可作为强大的特征检测器，应用于深度神经网络的预训练。
32.自编码器通过简单地学习将输入复制到输出，这一任务(就是输入训练数据，再输出训练数据的任务)听起来似乎微不足道，但通过不同方式对神经网络增加约束，可以使这一任务变得极其困难。这些限制条件防止自编码器机械地将输入复制到输出，并强制它学习数据的高效表示。简而言之，编码(就是输入数据的高效表示)是自编码器在一些限制条件下学习恒等函数的副产品。
33.自编码器是一种经典的特征提取、降维的工具，将其应用到呼吸机机械通气的数据特征的提取上是比较新颖的工作。本申请创新性地将自编码器应用到对呼吸机机械通气时的呼吸参数进行特征提取，从而不需通过专家知识人工抽取特征，能够较大地节省昂贵的人工标注成本。
34.可选地，特征数据包括呼吸机波形特征数据。当呼吸参数包括呼吸机械通气时的流量和气道压力时，自编码器则分别对流量和气道压力数据提取波形特征数据。
35.具体地，呼吸机机械通气时，以一定的采样率产生流量、气道压力数据点；在患者需要吸气时，呼吸机给予通气支持，这里有一个时间戳，在患者呼气时，呼吸机撤去通气支持。
36.本申请中，调节装置对呼吸机机械通气时的流量和气道压力数据进行划分，划分为一段段的呼吸数据段。具体地，对呼吸机械通气时的流量进行数据划分，得到多个流量数据段；对气道压力进行数据划分得到多个气道压力数据段。并通过自编码器对多个流量数据段和多个气道压力数据段提取特征数据。
37.例如，某次呼吸的流量数据段序列为f
x
＝(f1，f2，
…
，f
x
)，气道压力数据段序列为p
x
＝(p1，p2，
…
，p
x
)。
38.针对流量数据序列fx、气道压力数据序列px应用自编码器提取特征，该自编码器采用输入层i、隐含层h、输出层o三层的经典结构。输入层、输出层神经元的个数均设为x个，与流量、气道压力数据点的个数等同，隐含层取小于x个的16个神经元，用以提取通气时流量、气道压力呼吸机波形的有效特征。分别对流量、气道压力数据使用自编码器提取特征，总共可以提取出两组共计32个特征。对每个呼吸事件段都执行这组提特征的过程。本方法
中，神经元个数较少，所耗时间也比较短。
39.进一步地，自编码器特征提取的过程用公式可描述为，h
w，b
(x)≈x，其中x为输入，本申请中x指代流量数据段序列或气道压力数据段序列，h代表隐含层，下标w指代输入层到隐含层的权重矩阵，b指代输入层到隐含层的隐藏神经元的偏置变量；然后采用最小化损失函数通过最小化损失函数即可得出隐含层的输出特征，以供后续的卷积神经网络使用。
40.s13：将特征数据输入一维卷积神经网络模型中，得到呼吸参数对应的通气模式。
41.自编码器在对呼吸参数提取特征数据后，然后将特征数据输入到一维卷积神经网络模型中，以得到该呼吸参数对应的通气模式。一维卷积神经网络模型可以很好地应用于数据的时间序列分析，同样也可以很好地用于分析具有固定长度周期的信号数据等。
42.具体地，将自编码器提取出的流量、气道压力特征看作呼吸信号数据的两个通道，然后将该数据送入一个具有3个卷积层的一维卷积神经网络结构中。对于训练过程中，可以做相关的训练，测试或部署应用时，一维卷积神经网络的参数一般不改变。
43.本申请是采用一维卷积神经网络模型来进一步加工分析自编码过程中提取出的流量、气道压力的有效波形特征，为高效判别呼吸机的通气模式提供有力帮助。一维卷积神经网络能比较有效地处理一维信号的特征信息，能够较好地适用于呼吸机的通气模式的预测。本实施例中，自编码器用于编码、抽取流量和气道压力的特征，然后将这些有效的特征输送到一维卷积神经网络模型进行训练，即可得到一个判别某次呼吸信号所属通气模式的算法模型。通过此种方式，能够使调节装置快速准确地预测呼吸机的通气模式。
44.其中，通气模式包括：容量控制模式、压力控制模式、压力支持模式、持续气道正压模式和比例辅助通气模式中的至少两种。比如，呼吸机的通气模式可以包括上述五种以供医生进行选择。
45.在其他实施例中，通气模式还可以包括间歇指令通气、同步间歇强制通气、指令(最小)分钟通气、容量支撑通气、辅助控制通气或神经调节辅助通气等。本申请的调节方法具体可以预测调节医生比较常用的通气模式，为医生的调节提供参考与帮助。
46.综上所述，区别于现有技术的情况，本申请的调节方法根据呼吸机流量、气道压力来判断和调节呼吸机需设置的通气模式。具体地，该调节方法基于自编码器和一维卷积神经网络模型实现，其中自编码器用于编码、抽取呼吸机流量和气道压力的波形特征，然后将这些有效的特征输送到一维卷积神经网络模型，即可得到一个判别某次呼吸信号所属的通气模式。本实施例的调节方法简单，节约人力成本，且具有较高的可靠性。
47.本申请提供另一实施例的调节方法，请参阅图2所示，图2是本申请提供的呼吸机通气模式的调节方法的另一实施例的流程示意图，具体地，该调节方法包括：
48.s21：获取呼吸机的呼吸参数。
49.步骤s21与步骤s11相同，在此不再赘述。
50.s22：通过自编码器对呼吸参数提取特征数据。
51.步骤s22与步骤s12相同，在此不再赘述。
52.s23：将特征数据输入一维卷积神经网络模型中，得到呼吸参数对应的通气模式。
53.步骤s23与步骤s13相同，在此不再赘述。
54.s24：将通气模式发送给呼吸机，以使呼吸机显示通气模式。
55.调节装置在预测出呼吸机的通气模式后，将所预测的通气模式发送给呼吸机，以使呼吸机能够向医生显示该通气模式。比如，调节装置根据自编码器和一维卷积神经网络模型得到的呼吸参数对应的通气模式为容量控制模式，调节装置则将预测结果“容量控制模式”发送给呼吸机，呼吸机则可通过显示屏显示出“容量控制模式”，以供医生查看和参考。
56.通过此种方式，能够有效地提高医生手动设置患者所应调节或适配到的机械通气模式的效率，能给医生的设置工作提供一定的便利性。
57.s25：缓存预定时间段的特征数据。
58.调节装置在经过一段时间的运行后，会缓存预定时间段的特征数据，比如缓存12小时或者24小时内的呼吸机的特征数据，比如呼吸机的流量、气道压力的波形特征数据。以便于调节装置通过缓存的特征数据重新训练一维卷积神经网络模型。
59.对呼吸机每次机械通气时不同呼吸状态时的流量、气道压力波形信息，自编码器都要分析提取其中的有效特征，这是一种细粒度的个性化功能。每隔预定时间段，譬如以12小时为例，调节装置能够缓存不同时刻、不同患者个体的流量、气道压力的特征以及从呼吸机获取的相应的机械通气模式设置信息，以作为一维卷积神经网络模型更新训练的标签。
60.即，调节装置可以定时记录医生的设定的呼吸机通气模式、呼吸机通气时间戳等信息，并据此进行不同个体呼吸信号特征等的在线更新，以使得调节装置的识别功能更加个性化。
61.s26：根据缓存的特征数据训练一维卷积神经网络模型，得到新一维卷积神经网络模型。
62.调节装置能够结合调节装置缓存的特征数据重新对一维卷积神经网络模型进行训练，从而得到新一维卷积神经网络模型。
63.具体地，一维卷积神经网络模型能结合缓存的不同时刻、不同患者个体的流量、气道压力的特征以及从呼吸机获取的相应的机械通气模式设置信息作为模型更新训练的标签，如此可同步进行一维卷积神经网络模型参数的训练，待模型训练完毕后，可以按需求对原一维卷积神经网络模型进行更新。
64.s27：响应于新一维卷积神经网络模型的性能满足预设条件，将一维卷积神经网络模型替换为新一维卷积神经网络模型。
65.当调节装置通过缓存的特征数据对一维卷积神经网络模型进行重新训练得到新一维卷积神经网络模型后，将新一维卷积神经网络模型和原一维卷积神经网络模型进行性能比较测试，以找出性能较优的模型。
66.具体地，可以通过部分历史数据对新一维卷积神经网络模型和原一维卷积神经网络模型进行性能测试。
67.如果新一维卷积神经网络模型性能更好，则替换原一维卷积神经网络模型，以对模型进行更新，如果原一维卷积神经网络模型的性能更好，则不做变动，即不对模型进行更新。如此能够实现对一维卷积神经网络模型的更新，也实现了更粗粒度的个性化操作。
68.区别于上一实施例，本实施例中，一维卷积神经网络模型具备本地在线更新的功能，能更好的适应新的患者个体、新的情况。
69.本申请还提供一种呼吸机通气模式的调节装置，请参阅图3，图3是本申请提供的呼吸机通气模式的调节装置的一实施例的框架示意图。呼吸机通气模式的调节装置80包括相互耦接的存储器81和处理器82，处理器82用于执行存储器81中存储的程序指令，以实现上述任一实施例的呼吸机通气模式的调节方法的步骤。
70.具体而言，处理器82还可以称为cpu(central processing unit，中央处理单元)。处理器82可能是一种集成电路芯片，具有信号的处理能力。处理器82还可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、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82也可以是任何常规的处理器等。另外，处理器82可以由集成电路芯片共同实现。
71.上述调节装置80能够快速地预测出呼吸机的通气模式，给医生对呼吸机的调节提供参考。
72.本申请还提供一种计算机可读存储介质，请参阅图4所示，图4是本申请提供的计算机可读存储介质一实施例的框架示意图。计算机可读存储介质90存储有能够被处理器运行的程序指令91，程序指令91用于实现上述任一实施例的呼吸机通气模式的调节方法的步骤。
73.其中，该程序指令91可以以软件产品的形式存储在上述计算机可读存储介质90中，包括若干指令用以使得一个设备或处理器执行本申请各个实施方式方法的全部或部分步骤。
74.计算机可读存储介质90是计算机存储器中用于存储某种不连续物理量的媒体。其中，计算机可读存储介质90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，random access memory)、磁碟或者光盘等各种可以存储程序指令91代码的介质。
75.上述方案，能够快速地预测出呼吸机的通气模式，给医生对呼吸机的调节提供参考。
76.在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
77.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
78.另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
79.集成的单元如果以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。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)执行本申请各个实施方式方法的全部或部分步骤。