[发明专利]基于一维可解释卷积神经网络的人机不同步识别方法

权利要求书

1.一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，包括以下步骤：

S1、预处理；

通过标记的包含人机不同步和非人机不同步的呼吸信号作为训练样本，先进行数据标准化，再通过重采样，将数据集中的所有样本处理成等长的序列；

S2、构建多层以一维卷积神经网络为核心的深度学习模型；

一次呼吸信号由一路流速和一路压力数据组成，构建一个双通道并行的五层一维卷积神经网络，在特征提取后通过Add层将分别提取的流速和压力维度信息相加；

S3、将样本分为训练集、验证集和测试集，将训练集输入深度学习模型进行训练，分别利用验证集和测试集来优化模型参数，评估模型分类性能；

S4、将原始呼吸信号经过步骤S1的预处理后，输入已训练的深度学习模型里，即可获得当前呼吸信号的人机不同步识别结果；

S5、基于参数推导，通过梯度加权类激活映射的方式，获得模型在分类决策过程中的可视化解释。

2.根据权利要求1所述的一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，其特征在于：S1中，由于标记的数据集中非人机不同步样本数要远多于人机不同步样本数，所以以欠采样的方式，通过随机抽取与人机不同步样本数量大致相当的非人机不同步样本，来对数据集进行样本均衡；所有样本先进行z-score标准化处理。

其中，x_i是每个独立样本中第i_th个采样点的信号幅值，是每个独立样本的信号长度，μ和σ分别是每个独立样本的信号幅值的均值和标准差。

3.根据权利要求2所述的一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，其特征在于：每个样本的数据进行重采样到300长度，使所有样本序列等长。

4.根据权利要求1所述的一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，其特征在于：

S2具体包括以下步骤：

S2-1、采用一维空洞卷积；卷积核尺寸从11逐层缩减至3，膨胀率从1逐层增加至4，卷积核数量从64逐层缩减至16；

S2-2、每一层采用以1为步长same的卷积模式；

S2-3、在每一层卷积后都放置批归一化层；

S2-4、在第一层和第四层卷积后放置池化层；

S2-5、在每一卷积层后都放置Dropout层；

S2-6、使用全连接层进行分类。

5.根据权利要求4所述的一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，其特征在于：S2-5中，随机丢失率设置为0.2。

6.根据权利要求1所述的一种基于一维可解释卷积神经网络的机械通气人机不同步识别方法，其特征在于：S3中，先将整个数据集按9:1随机划分为训练部分和测试部分的数据，再按7:3将训练部分的数据随机划分为训练集和验证集；

其中，训练集用以训练模型参数，验证集在反向传播的过程中用以优化模型参数，测试集用以衡量模型的泛化性能。