[发明专利]一种呼吸机-患者通气异步现象智能识别分类方法

权利要求书

1.一种呼吸机-患者通气异步现象智能识别分类方法，其特征在于，具体步骤如下：

步骤1：获取呼吸机在机械通气过程中的波形数据，并对所述波形数据进行标定，标定每周期吸气开始时间和呼气开始时间；基于主动呼吸患者的机械通气模型获取不同患者参数下的机械通气模拟数据；利用所述波形数据和所述机械通气模拟数据构建数据库；

步骤2：根据设定采样频率对所述数据库进行重采样，然后对采样数据依次经过标准化和批量化处理；

步骤3：根据处理后的采样数据采用UNet神经网络的深度学习算法建立患者自主呼吸识别模型；

步骤4：采集待识别呼吸机的待识别波形数据及控制参数，根据所述控制参数获得待识别呼吸机每周期的呼吸支持触发时间和吸-呼气切换时间；

步骤5：将待识别波形数据输入所述患者自主呼吸识别模型中，计算获得待识别呼吸机对应的患者的自主呼吸起始点时间戳；自主呼吸起始点时间戳包括患者生理上自主吸气起始时间和自主呼气起始时间；计算患者自主呼吸起始点时间戳分别与呼吸支持触发时间、吸-呼气切换时间的时间差；

步骤6：根据预设的人机异步现象分类标准，与时间差、待识别波形数据进行对比判别，获得智能分类结果。

2.根据权利要求1所述的、一种呼吸机-患者通气异步现象智能识别分类方法，其特征在于，波形数据包括呼吸机的压力数据、流量数据和潮气量数据；数据的重采样频率取决于呼吸机本身的采样频率或者波形数据采集设备的采样频率。

3.根据权利要求1所述的、一种呼吸机-患者通气异步现象智能识别分类方法，其特征在于，采用Z-Score标准化方法进行标准化处理，对呼吸机作用的同一患者单次采集到的机械通气过程中的波形数据进行分别处理；根据均值和标准差进行标准化处理，公式为：

其中，y为标准化后数据；x为标准化前数据；mean为均值；σ为标准差。

4.根据权利要求1所述的、一种呼吸机-患者通气异步现象智能识别分类方法，其特征在于，采用Mini-Batch方法进行批量化处理，批量化处理中设定批的长度为512个采样点，在步骤3采用UNet神经网络训练所述患者自主呼吸识别模型时以批为单位输入数据。

5.根据权利要求1所述的、一种呼吸机-患者通气异步现象智能识别分类方法，其特征在于，所述患者自主呼吸识别模型包括下采样部分、拼接部分和上采样部分，基于卷积神经网络搭建UNet模型结构，构建患者自主呼吸识别模型；

其中，下采样部分提取浅层特征信息，通过卷积层，对数据信息进行压缩，采用了4层压缩；上采样部分提取深层特征信息，通过反卷积层对数据信息进行扩张，采用了4层扩张；

每一卷积层的激活函数为线性整流函数，输出层的卷积层为1，激活函数为归一化指数函数，在卷积层中间，加入Dropout层进行正则化；

拼接部分融合深层特征信息和浅层特征信息。

6.根据权利要求1所述的、一种呼吸机-患者通气异步现象智能识别分类方法，其特征在于，采用Adam优化器对所述患者自主呼吸识别模型的训练过程进行优化，Adam优化器参数为：α＝0.001，β₁＝0.9，β₂＝0.999，∈＝1e^-8。

7.根据权利要求1所述的、一种呼吸机-患者通气异步现象智能识别分类方法，其特征在于，所述患者自主呼吸识别模型的损失函数采用交叉熵函数，将专家标定的自主呼吸起始点时间戳作为所述患者自主呼吸识别模型真值；并采用十字交叉验证。

8.根据权利要求1所述的、一种呼吸机-患者通气异步现象智能识别分类方法，其特征在于，人机异步现象分类标准包括延迟吸气、早期切换，延迟切换和无效触发；

延迟吸气：为步骤5中呼吸机的呼吸支持触发时间比患者生理上自主吸气起始时间延迟250毫秒；

早期切换：为步骤5中呼吸机吸-呼气切换时间比患者生理上自主呼气起始时间提前100毫秒；

延迟切换：为步骤5中呼吸机吸-呼气切换时间比患者生理上自主呼气起始时间延迟300毫秒；

无效触发：为待识别波形数据低于预设支持水平值。