[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

说明书

本发明公开了一种呼吸机‑患者通气异步现象智能识别分类方法，针对现有临床中呼吸机的人机异步现象自动化检测程度不高，检测准确度不足的问题，提供一套高精度、高准确率的识别及分类方法。本发明基于对呼吸机波形数据的特征提取和智能识别，深度挖掘了呼吸机波形数据，可行性和普适性较高，且无需对患者进行有创的食道电极导管技术等数据采集方式，不会影响正在进行的患者治疗进程。同时能够智能识别患者在通气过程中的吸气和呼气的起始时间，可发掘出更多有效信息，且基于临床诊断标准对不同的人机异步现象进行准确定义，实现呼吸机‑患者通气异步现象的高精度识别及准确分类。

技术领域

本发明涉及生物医学工程技术领域，更具体的说是涉及一种呼吸机-患者通气异步现象智能识别分类方法。

背景技术

机械通气是指利用呼吸机协助病人呼吸，维持病人氧合功能，为原发病治疗争取时间的一种医疗手段，在新冠肺炎、非典型肺炎、慢性阻塞性肺病、急性呼吸系统综合征等呼吸系统疾病的治疗过程中，以及危重症患者呼吸衰竭的呼吸支持中，都发挥着至关重要的作用。

然而，在患者的机械通气过程中，呼吸机与患者之间的异步现象会直接影响患者的机械通气治疗过程，无法保证足够的呼吸支持，从而延缓脱机甚至造成患者的呼吸机并发症。人机异步现象识别的难点在于对患者自身呼吸努力程度的识别，临床上通过呼吸机波形识别人机异步现象需要内科医生充足的临床经验，国内外也有通过食道电极检测患者的膈肌电信号，进行信号处理和分析后，检测患者自身呼吸努力程度及每段呼吸的起始点的方法。然而该方法对患者自身存在损害，不利于机械通气的治疗进程，且不具备普适性。

此外，还有利用机器学习等人工智能技术进行识别，可采取一种基于长短期记忆人工神经网络(LSTM)的识别模型，对人机异步现象进行识别与分类，然而该方法对患者呼吸努力程度的识别灵敏度和精度较低。

通过对已标定临床数据的检测验证，本项目的识别方法具有更高的人机异步识别准确率。

因此，如何在避免对患者产生损害的基础上，提高呼吸机的人机异步现象识别的准确性是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种呼吸机-患者通气异步现象智能识别分类方法，针对现有临床中呼吸机的人机异步现象自动化检测程度不高，检测准确度不足的问题，提供一套高精度、高准确率的呼吸机在对患者机械通气过程中存在的人机异步现象的识别及分类方法。本发明基于对呼吸机波形数据的特征提取和智能识别，深度挖掘了呼吸机波形数据，可行性和普适性较高，且无需对患者进行有创的食道电极导管技术等数据采集方式，不会影响正在进行的患者治疗进程。同时能够智能识别患者在通气过程中的吸气和呼气的起始时间，可发掘出更多有效信息，且基于临床诊断标准对不同的人机异步现象进行准确定义，实现呼吸机-患者通气异步现象的高精度识别及准确分类。

为了实现上述目的，本发明采用如下技术方案：

一种呼吸机-患者通气异步现象智能识别分类方法，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，然后依次经过标准化和批量化处理；重采样确保临床及仿真获得的呼吸数据采样频率统一为1kHz；

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；