[发明专利]基于多任务学习和类激活图反馈的人机不同步识别方法

说明书

本发明提供了一种基于多任务学习和类激活图反馈的人机不同步识别方法，通过利用多任务学习以参数硬共享的方式训练深度学习模型，通过类激活映射的方式，获得训练好的深度学习模型对输出结果的可视化解释；同时根据每种人机不同步类型的类激活图激活域设定特征区域。再将实际采集的原始呼吸信号输入已训练的深度学习模型里，获得当前呼吸信号的识别结果；最后根据人机不同步类型设定的特征区域对识别结果作修正。本发明以多任务结合参数硬共享的方式只训练一个网络模型，使得一次前向计算即可同时输出识别的多种人机不同步类型，提高了现有方法的识别效率。基于类激活图反馈的自修正分类结果，使得方法具有高准确度和可解释性。

技术领域

本发明涉及一种基于多任务学习和类激活图反馈的机械通气中多人机不同步类型识别方法。属于机械通气人机不同步自动化识别领域。

背景技术

随着深度学习理论的发展和完善，神经网络被广泛应用于医学领域。在机械通气人机不同步自动化识别方面，有学者提出基于循环神经网络、一维卷积神经网络和二维卷积神经网络的人机不同步识别方法。但在该领域，目前大多数基于神经网络的检测方法都是单任务学习的二分类网络，只能完成某种特定人机不同步类型的识别。如果想要将方法模块化嵌入分析平台来识别多种人机不同步类型，只能后期将算法集成，这无疑会增加方法在前向计算阶段消耗的时间成本。虽然在二分类网络的研究上取得了一定的成果，但现有方法做到真正落地临床，在性能上还有很大的提升空间。同时，类激活图或梯度类激活图被引入神经网络来可视化分类决策过程，增强方法在临床的可解释性。然而现有方法都只是通过可视化类激活图作为网络输出分类结果的依据，忽视了其能作为人机不同步波形特征区域的定位功能以此来进一步提升网络识别精度的可能性。

发明内容

本发明的目的是为了端到端的集成多个二分类网络以缩短网络在前向计算阶段耗费的时间以及通过类激活图修正网络分类结果降低分类假阳性率，提供了一种多任务学习和类激活图反馈的机械通气中多人机不同步类型识别方法。其中多任务学习是指一个一维卷积神经网络结构主体以参数硬共享的方式学习多种人机不同步的二分类模式。

本发明的目的是这样实现的：

一种基于多任务学习和类激活图反馈的人机不同步识别方法，该方法包括：

用于人机不同步类型识别的深度学习模型训练和多种人机不同步类型的类激活图特征区域限定规则获取步骤：

采集标记的包含多种人机不同步类型和其他类型的呼吸信号，所述呼吸信号由一路流速和一路压力数据组成。对每个呼吸信号先进行数据标准化，再通过重采样，将数据集中的所有样本处理成等长的序列；

根据采集的数据所属的类别，构建多组训练标签，以呼吸信号为输入、类别为输出，采用多任务学习的方式训练获得用于人机不同步类型识别的深度学习模型；

通过类激活映射的方式，获得训练好的深度学习模型对每个样本输出结果的可视化解释；同时根据所有样本的类激活图激活域和标准特征区域设定特征区域的限定规则。所述特征区域的限定规则为类激活图激活域的阈值。

根据训练好的深度学习模型和特征区域的限定规则进行人机不同步类型识别步骤：

将原始呼吸信号经过预处理后，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；同时通过类激活映射的方式，获得识别结果中识别类型的类激活图；若识别类型的类激活图的激活域满足对应人机不同步类型的特征区域的限定规则，则判为相应的人机不同步类型，否则，判为其他类型。

进一步地，以欠采样的方式，通过随机抽取与人机不同步样本数量相当的非人机不同步样本，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个采样点的信号幅值，L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。