[發明專利]一種模型訓練方法、機械通氣表型識別方法及呼吸機

在審

• 申請號: 202010057685.9
• 申請日: 2020-01-18
• 公開（公告）號: CN111261281A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 蘇龍翔;洪娜;隆云;鄭方蘭;周翔;賀杰;王小亭;劉淳;何懷武;馬瑩瑩;王郝;朱衛國
• 申請（專利權）人: 中國醫學科學院北京協和醫院;神州數碼醫療科技股份有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/30;G16H20/40;A61M16/00;G06K9/62
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 李飛

1.一種模型訓練方法，其特征在于，所述方法包括：

獲取被測試者的多維特征數據，其中，所述多維特征數據至少包括被測試者的基礎和評分特征、呼吸特征、循環與灌注特征和殘留特征出入量平衡；

對所述多維特征數據進行補全及關聯性分析，得到分析數據；

基于所述分析數據進行高斯混合聚類，學習模型參數，根據所述模型參數確定高斯混合模型；

根據所述高斯混合模型以及所述分析數據訓練機械通氣表型分類模型。

2.如權利要求1所述的機械通氣表型分類模型訓練方法，其特征在于，所述基于所述分析數據進行高斯混合聚類，包括：

對候選的表型類別數逐一進行對角型高斯混合聚類，并計算相應的戴維斯-鮑爾丁指數DBI；

根據所述戴維斯-鮑爾丁指數選定最小的類別數；

根據所述最小類別數進行高斯混合聚類。

3.如權利要求1所述的機械通氣表型分類模型訓練方法，其特征在于，所述對所述多維特征數據進行插值補全及關聯性分析，得到分析數據，包括：根據鏈式方程對所述多維特征數據進行多元差值插補。

4.如權利要求3所述的機械通氣表型分類模型訓練方法，其特征在于，所述多元差值插補對應的插補模型包括線性回歸模型或者分類回歸樹模型。

5.如權利要求3所述的機械通氣表型分類模型訓練方法，其特征在于，所述對所述多維特征數據進行插值補全及關聯性分析，得到分析數據，包括：對所述多維特征數據根據敏感性分析進行排序統計，以排除強關聯的所述多維特征變量。

6.如權利要求1所述的機械通氣表型分類模型訓練方法，其特征在于，所述方法還包括：對所述多維特征數據采用T分布隨機鄰域嵌入進行降維，得到兩個主特征數據。

7.一種表型識別方法，其特征在于，所述方法包括：

獲取被測試者的多維特征數據；

將所述多維特征數據輸入機械通氣表型分類模型，識別所述被測試者的機械通氣表型。

8.如權利要求7所述的表型識別方法，其特征在于，所述獲取被測試者的多維特征數據，包括：獲取被測試者的基礎和評分特征數據、呼吸特征數據、循環與灌注特征數據以及殘留特征數據。

9.如權利要求8所述的表型的方法，其特征在于，所述將所述多維特征數據輸入表型分類模型，識別所述被測試者的機械通氣表型，包括：

根據所述多維特征變量計算所述被測試者屬于具體類別的機械通氣表型的概率值；將概率值最大的表型確定為所述被測試者的機械通氣表型類型。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述程序被處理器執行時可實現權利要求1-8中任意一條權利要求所述的方法。

11.一種模型訓練裝置，其特征在于，所述裝置包括：

特征數據獲取模塊，用于獲取被測試者的多維特征數據，其中，所述多維特征數據至少包括被測試者的基礎和評分特征、呼吸特征、循環與灌注特征和殘留特征；

預處理模塊，用于對所述多維特征數據進行補全及關聯性分析，得到分析數據；

模型確定模塊，用于基于所述分析數據進行高斯混合聚類，學習模型參數，根據所述模型參數確定高斯混合模型。

12.一種疾病表型類別識別裝置，其特征在于，所述裝置包括：

信息采集模塊，用于獲取被測試者的多維特征數據，其中，所述多維特征參量至少包括被測試者的基礎和評分特征、呼吸特征、循環與灌注特征和殘留特征；

患者表型識別模塊，用于接收輸入的多維特征數據并根據高斯混合模型確定所述被測試者的機械通氣表型。