机械通气过程中人机异步现象的分类方法和分类装置

1.本发明属于电生理检测监护技术领域，具体地讲，涉及一种机械通气过程中人机异步现象的分类方法、分类装置、计算机可读存储介质、计算机设备。


背景技术：

2.呼吸机作为各大医院重症监护病房(intensive care unit,icu)中的重要设备，其在生命支持系统中扮演着极其重要的角色。呼吸机与患有呼吸系统疾病患者的交互过程称为机械通气(mechanical ventilation,mv)，该过程主要有两种模式：1)控制模式，这种模式下往往患者会被注射镇静剂或麻醉剂，此时由呼吸机控制患者的呼吸节律，如压力控制通气(pressure control ventilation,pcv)和容量控制通气(volume control ventilation,vcv)；2)辅助模式，如压力支持通气(pressure support ventilation,psv)等，这种模式下，患者存在一定程度的呼吸努力，呼吸机起到了辅助患者呼吸的作用，这样可以减小患者的呼吸做功。然而无论是哪种情况，二者之间的交互都不会那么顺利，均会出现一定程度上的不协调，这种不协调被普遍地称之为人机异步(patient-ventilator asynchrony,pva)。
3.由于不同的患者拥有不同的病情，甚至是同一个患者在机械通气过程随着时间的推移其病情也会发生变化，因此在机械通气发展的几十年中，直到现在一共发现了多种类型的人机异步，如常见的双触发(double triggering,dt)、无效努力(ineffective effort,ie)、提前切换(premature cycling,pc)、延迟切换(delayed cycling,dc)及反向触发(reverse triggering,rt)等，图1展示了以上四种常见异步典型的波形图。随着医学界多年的观察研究，发现人机异步往往会带来不断增加地呼吸机诱发肺损伤发生几率、延长住院时间甚至导致患者icu中死亡率增加。因此，人机异步的识别与应对不断吸引着从临床医生到相关专业人员的研究兴趣。
4.临床上最为常用的方法为观察法，即床旁医生观察呼吸机屏幕上的通气波形，包括气道压力时间波形、流速时间波形以及潮气量时间波形，来判断到底发生了哪种异步，然后根据自己的专业训练作出相应的应对动作。而也有研究使用基于规则的算法，即结合使用临床专业知识以及机械通气过程中的元数据共同制定相关的检测规则，如计算呼气过程的潮气量与呼气过程中的潮气量之比，吸气时间与呼气时间之比等。
5.由于观察法往往是耗时的，且对护理人员的专业知识能力要求较高，需要受到一定训练的人才能快速且准确地识别当前所面对的呼吸周期是否包含异步波形。而基于规则的方法往往需要根据临床人员的专业知识设定阈值，且该阈值的选择仅仅只能作为当前样本的决策依据，无法灵活地适应更多的场景。
6.目前学术界将研究人机异步的焦点放在基于机器学习与深度学习的算法，即将大量的呼吸波形数据按照呼吸周期分割，然后从中提取特征，将特征作为算法模型的输入，利用现有的计算资源优势，通过有监督的学习，最终让模型学习到识别各种人机异步的能力。
7.以下是目前该领域相关研究的调查：
8.1、毛科栋等人在专利(cn201910149798.9)《一种基于循环神经网络的机械通气人机异步检测方法》中提到了使用循环神经网络的算法来检测人机异步，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异步类型的分类结果。在这篇专利中，他们的数据集标注由专业医生标注，共检测四大类人机异步：流速、触发、周期和其它。
9.2、李冰等人在专利(cn202011431650.3)《基于一维可解释卷积神经网络的人机异步识别方法》中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。
10.3、潘清等人在专利(cn202110208054.7)《基于小数据集与卷积神经网络的人机异步识别方法》中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。
11.4、葛慧青等人在专利(cn202010474275.4)《一种基于dba-dtw-knn的机械通气人机异步快速识别方法》中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。此发明用于判断人机异步现象中无效吸气努力。
12.5、曹锐等人在专利(cn201610289472.2)《一种基于模糊熵的癫痫脑电信号分类方法》中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。
13.6、陆云飞等人在期刊文章《应用小波多尺度特征检测机械通气人机异步》中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，该发明仍仅分类无效吸气努力这一种人机异步现象，属于二分类任务。
14.研究发现，机器学习和深度学习二者在分类效果上性能相似，差别是机器学习算法的性能受到特征选择的影响，而且目前特征的选择多是统计特征及临床上的一些数据组合构成；而深度学习算法的模型建立相对前者更为复杂。重要的是，关于人机异步现象多种通气模式的多分类任务现有的研究基本没有。


技术实现要素：

15.(一)本发明所要解决的技术问题
16.本发明解决的技术问题是：如何实现可同时分类多种通气模式下的多种人机异步类型。
17.(二)本发明所采用的技术方案
18.一种机械通气过程中人机异步现象的分类方法，所述分类方法包括：
19.获取待测对象在机械通气过程中的实时呼吸波形数据；
20.提取所述实时呼吸波形数据的庞加莱图特征；
21.将所述庞加莱图特征输入至预先训练好的分类模型，分类模型输出所述实时呼吸波形数据对应的人机异步类型。
22.优选地，所述分类方法还包括：
23.获取机械通气过程中的历史呼吸波形数据；
24.对所述历史呼吸波形数据进行波形分割和数据标注，获得多个周期的呼吸波形数据，其中多个周期的呼吸波形数据对应多种不同人机异步类型；
25.依次提取每个周期的呼吸波形数据的庞加莱图特征，构成训练样本；
26.利用训练样本对待训练的分类模型进行训练，获得训练好的分类模型。
27.优选地，依次对压力时间波形数据、流量时间波形数据和容量时间波形数据三个通道的波形数据进行庞加莱图特征提取操作，获得每个通道的波形数据对应的庞加莱图特征，以构成当前周期的训练样本。
28.优选地，对每个通道的波形数据进行庞加莱图特征提取操作包括如下步骤：
29.将当前通道的波形数据划分为n段数据，n≥2；
30.依次计算每一段数据的短时标准差、长时标准差以及短时标准差与长时标准差的比值，获得n*3维的特征数据，作为当前通道的波形数据对应的庞加莱图特征。
31.优选地，所述短时标准差sd1的计算公式如下：
[0032][0033][0034]
其中，x(i)表示当前段第i个采样点的信号，n表示当前段数据的长度。
[0035]
优选地，所述长时标准差的计算公式如下：
[0036][0037][0038]
其中，x(i)表示当前段第i个采样点的信号，表示当前段信号的均值，n表示当前段数据的长度。
[0039]
优选地，多种不同人机异步类型至少包括双触发类型、无效努力类型、提前切换类型、延迟切换类型。
[0040]
本技术还公开了一种机械通气过程中人机异步现象的分类装置，所述分类装置包括：
[0041]
波形获取单元，用于获取待测对象在机械通气过程中的实时呼吸波形数据；
[0042]
特征提取单元，用于提取所述实时呼吸波形数据的庞加莱图特征；
[0043]
类型预测单元，用于根据输入的所述庞加莱图特征预测得到所述实时呼吸波形数据对应的人机异步类型。
[0044]
本技术还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有机械通气过程中人机异步现象的分类程序，所述机械通气过程中人机异步现象的分类程序被处理器执行时实现上述的机械通气过程中人机异步现象的分类方法。
[0045]
本技术还公开了一种计算机设备，所述计算机设备包括计算机可读存储介质、处
理器和存储在所述计算机可读存储介质中的机械通气过程中人机异步现象的分类程序，所述机械通气过程中人机异步现象的分类程序被处理器执行时实现上述的机械通气过程中人机异步现象的分类方法。
[0046]
(三)有益效果
[0047]
本发明公开了一种机械通气过程中人机异步现象的分类方法和分类装置，相对于现有方法，具有如下技术效果：
[0048]
1、本方法使用庞加莱图从原始波形中提取特征，不依赖于波形之外的其它因素，只与波形的形态有关，提取的特征更可以反映波形的形态变化等信息；
[0049]
2、使用本方法搭建的机器学习模型相较于深度学习模型更为简单，更易于部署；
[0050]
3、本方法提出将搭建好的机器学习模型直接用于多种机械通气模式下的多种人机异步分类任务，避免了反复建模的过程。
附图说明
[0051]
图1为四种常见异步典型的波形图；
[0052]
图2为本发明的实施例一的机械通气过程中人机异步现象的分类方法的流程图；
[0053]
图3为本发明的实施例一的机械通气过程中人机异步现象的分类模型的训练过程图；
[0054]
图4为本发明的实施例一的呼吸波形数据的庞加莱特征图的提取过程示意图；
[0055]
图5为本发明的实施例二的机械通气过程中人机异步现象的分类装置的结构示意图；
[0056]
图6为本发明的实施例四的计算机设备示意图。
具体实施方式
[0057]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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。
[0058]
在详细描述本技术的各个实施例之前，首先简单描述本技术的发明构思：现有的判断人机异步现象的方法包括观察法和基于机器学习的方法，前者一般仅适用于当前个体，不具有适用性，且高度依赖于医生的经验，后者依赖于所提取的特征，目前所采用的特征多是统计特征及临床数据组合，训练得到的模型准确率不高，且多数适用于二分类任务，未实现多分类任务。为此，本技术提供了一种机械通气过程中人机异步现象的分类方法，提取多种类型人机异步对应的原始呼吸波形数据的庞加莱图特征，构成训练样本，对现有的机器学习模型进行训练，得到可同时对多种人机异步现象进行分类的分类模型，接着利用该分类模型对机械通气过程中的实时呼吸波形数据进行预测，获得对应的人机异步类型。
[0059]
如图2所示，本实施例一公开了机械通气过程中人机异步现象的分类方法包括如下步骤：
[0060]
步骤s11：获取待测对象在机械通气过程中的实时呼吸波形数据；
[0061]
步骤s12：提取所述实时呼吸波形数据的庞加莱图特征；
[0062]
步骤s13：将所述庞加莱图特征输入至预先训练好的分类模型，分类模型输出所述
实时呼吸波形数据对应的人机异步类型。
[0063]
进一步地，如图3所示，本实施例一公开了机械通气过程中人机异步现象的分类方法还包括如下步骤：
[0064]
步骤s21：获取机械通气过程中的历史呼吸波形数据；
[0065]
步骤s22：对所述历史呼吸波形数据进行波形分割和数据标注，获得多个周期的呼吸波形数据，其中多个周期的呼吸波形数据至少对应四种不同人机异步类型；
[0066]
步骤s23：依次提取每个周期的呼吸波形数据的庞加莱图特征，构成训练样本；
[0067]
步骤s24：利用训练样本对待训练的分类模型进行训练，获得训练好的分类模型。
[0068]
具体来说，本实施例一公开了机械通气过程中人机异步现象的分类方法包括模型训练即步骤s21至步骤s24，以及模型预测即步骤s11至步骤s13两部分，下面着重描述模型训练部分。
[0069]
在步骤s21中，首先使用testlung(一种模拟肺设备)模拟患有呼吸疾病的病人，通过调节不同的参数，可以模拟不同呼吸频率、不同呼吸强度且不同呼吸疾病的患者。然后使用呼吸机与testlung进行机械通气，调节呼吸机通气模式配置便可得到不同通气模式下不同的人机异步数据。testlung的呼吸波形数据可以通过软件导出。本实施例一使用的历史呼吸波形数据为压力时间波形、流速时间波形以及容量时间波形三种通道的数据。
[0070]
在步骤s22中对历史呼吸波形数据进行波形分割的方法为：将步骤s21中得到的数据按照呼吸周期分割。本实施例一所采集的历史呼吸波形数据中包含的人机异步类型有双触发类型(dt)、无效努力类型(ie)、提前切换类型(pc)和延迟切换类型(dc)四种常见的异步类型，对于这四种异步类型分别通过观察后制定分割规则，然后编写相应的代码进行分割，分割后的数据有部分是无法辨别其异步类型的，这类数据通常会舍弃，最终分割得到的将是一个一个的呼吸周期，每个呼吸周期的数据按照出现的顺序分别保存到csv文件中，文件名则按出现顺序由1开始命名。
[0071]
在步骤s22中对历史呼吸波形数据进行数据标注的方法为：由于问题的性质决定了需要使用有监督学习的方式来训练模型，因此对于分割后的数据还需要进行标注，即为每个周期的波形添加标签。添加标签的过程由三位经过人机异步识别训练的相关专业人员完成，并且每个标签的标注均会经过一个人标注另外一个人审查的过程，如果标注意见不一致则会舍弃该周期数据。其中，对上述提到的四种异步加上other类型共五种类型的标签数字化为0-4，其中other类型是由不属于dt、ie、pc和dc中的任何一种构成。
[0072]
标注过程，首先将每个周期的数据使用代码读出，其次将三个通道的数据按照压力、流量和容量的顺序画在一幅图中，然后由标注人员观察该图形的形态，并判断该周期属于哪一类异步。当标注完成后，由代码生成一个csv文件，文件由两列构成，一列为每个呼吸周期的文件名称，另一列对应为该周期的标签。
[0073]
在步骤s23中，依次提取每个周期的呼吸波形数据的庞加莱图特征，构成训练样本的方法为：依次对压力时间波形数据、流量时间波形数据和容量时间波形数据三个通道的波形数据进行庞加莱图特征提取操作，获得每个通道的波形数据对应的庞加莱图特征，以构成当前周期的训练样本。
[0074]
具体来讲，不直接使用原始波形作为模型的输入有两个原因，一个是原始数据的维度过大，直接输入模型会增加训练难度；二是由于通常每个数据周期的长度也不一致，对
于模型来说一般是不允许的。因此对原始数据提取关键特征来降低数据维度，而且最终可以得到一致的维度作为模型的输入。我们利用庞加莱图算法对标注好的每个呼吸周期数据提取特征，其中分别从每个通道中提取3个特征然后扁平化作为该呼吸周期三个通常波形的整体特征，最后这些特征将作为机器学习模型的训练样本。
[0075]
在步骤s23中，如4所示，庞加莱图特征提取操作包括如下步骤：
[0076]
将当前通道的波形数据划分为n段数据，n≥2；
[0077]
依次计算每一段数据的短时标准差、长时标准差以及短时标准差与长时标准差的比值，获得n*3维的特征数据，作为当前通道的波形数据对应的庞加莱图特征。最终获得当前周期的三个通道的波形数据对应的庞加莱图特征，即n*3*3维的特征数据，作为当前周期的训练样本。
[0078]
其中，短时标准差sd1的计算公式如下：
[0079][0080][0081]
长时标准差的计算公式如下：
[0082][0083][0084]
其中，x(i)表示当前段第i个采样点的信号，表示当前段信号的均值，n表示当前段的长度。
[0085]
短时标准差与长时标准差的比值ratio＝sd1/sd2。
[0086]
在步骤s24中，利用训练样本对待训练的分类模型进行训练的具体过程为：利用现有的机器学习框架搭建多种机器学习模型，包括随机森林、支持向量机和逻辑回归等模型。将步骤s23得到的训练样本的80％划分成训练集和其余20％划分为测试集，使用训练集对模型进行训练，使用测试集对模型进行评估，获得性能最优的分类模型。
[0087]
经过实验验证，经过逻辑回归模型(logistic regression)、支持向量机模型(svm)、随机森林模型(random forest)、voting模型和xgboost模型的训练和测试，结果表明对于一般的模型均能达到80％以上的准确率，对于绝大多数模型而言，该方案所提取的特征可使人机异步的分类总体准确率95％以上，结果如表1所示。
[0088]
表1各模型测试集结果
[0089]
序号模型accuracycohenkappa1logisticregression0.82940.78682randomforest0.95380.94223svm0.90760.88454voting0.95620.94525xgboost0.95500.9437
[0090]
进一步地，在利用步骤s21至步骤s24的方法训练得到分类模型之后，采用步骤s11
至步骤s13的方法预测得到待测对象在机械通气过程中的实时呼吸波形数据对应的人机异步类型。
[0091]
如图5所示，本实施例二还公开了一种机械通气过程中人机异步现象的分类装置，该分类装置包括波形获取单元100、特征提取单元200和类型预测单元300。该波形获取单元100用于获取待测对象在机械通气过程中的实时呼吸波形数据；特征提取单元200用于提取所述实时呼吸波形数据的庞加莱图特征；类型预测单元300用于根据输入的所述庞加莱图特征预测得到所述实时呼吸波形数据对应的人机异步类型。
[0092]
其中，类型预测单元300为预先训练好的分类模型，分类模型的训练过程参考实施例一中的步骤s21至步骤s24的方法训练得到，在此不进行赘述。
[0093]
本实施例三还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有机械通气过程中人机异步现象的分类程序，所述机械通气过程中人机异步现象的分类程序被处理器执行时实现实施例一的机械通气过程中人机异步现象的分类方法。
[0094]
本实施例四还公开了一种计算机设备，在硬件层面，如图6所示，该终端包括处理器12、内部总线13、网络接口14、计算机可读存储介质11。处理器12从计算机可读存储介质中读取对应的计算机程序然后运行，在逻辑层面上形成请求处理装置。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。所述计算机可读存储介质11上存储有机械通气过程中人机异步现象的分类程序，所述机械通气过程中人机异步现象的分类程序被处理器执行时实现实施例一的机械通气过程中人机异步现象的分类方法。
[0095]
计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0096]
上面对本发明的具体实施方式进行了详细描述，虽然已表示和描述了一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改和完善，这些修改和完善也应在本发明的保护范围内。