[發明專利]一種基于注意力機制的機械通氣人機異步檢測識別方法

有效

• 申請號: 202111111545.6
• 申請日: 2021-09-23
• 公開（公告）號: CN113730755B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: 熊富海;顏延;王磊;譙小豪;李慧慧
• 申請（專利權）人: 深圳先進技術研究院;深圳理工大學（籌）
• 主分類號: A61M16/00
• 分類號: A61M16/00;G06N3/0464;G06N3/045;G06N3/048;G06N3/084
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙) 44316
• 代理人: 孟潔

1.一種基于注意力機制的機械通氣人機異步檢測識別方法，其特征在于，包括如下步驟：

步驟S1、針對呼吸機機械通氣時的波形數據構建一維卷積神經網絡模型；

步驟S2、先后分別構建核級注意力子模塊和時序注意力子模塊；

步驟S3、將核級注意力子模塊與時序注意力子模塊進行順序串接形成一個有機集成的多注意力綜合模塊；

步驟S4、將多注意力綜合模塊嵌入集成至一維卷積神經網絡模型內形成多注意力復合模型；

步驟S5、通過多注意力復合模型對呼吸機機械通氣時的波形數據進行分析與判別；

在步驟S2內，先構建核級注意力子模塊，其核心由兩個全連接層序貫串接的模型構成，對輸入的卷積核的特征分別使用一維全局平均池化與一維全局最大池化進行處理，得到全局最大池化特征與全局平均池化特征，再并行經過兩個序貫連接的全連接層結構后進行相應矩陣位置元素的相加后再進行轉換；

在步驟S2內，構建完核級注意力子模塊后再構建時序注意力子模塊，對輸入來自卷積核的特征，進行平均池化與最大池化操作，提取出了時序相關的平均池化和最大池化特征矩陣，再對平均池化和最大池化特征矩進行拼接得到組合的特征矩陣，再經卷積網絡轉換。

2.根據權利要求1所述的一種基于注意力機制的機械通氣人機異步檢測識別方法，其特征在于，在步驟S3內，將核級注意力子模塊與時序注意力子模塊串聯起來構成多注意力綜合模塊，輸入特征經過核級注意力子模塊處理后形成帶核級注意力的核級輸出特征矩陣，核級輸出特征流經時序注意力子模塊進行處理形成時序輸出特征。

3.根據權利要求2所述的一種基于注意力機制的機械通氣人機異步檢測識別方法，其特征在于，在步驟S1內，波形數據包括呼吸機機械通氣時流量、氣道壓力、容量。

4.根據權利要求3所述的一種基于注意力機制的機械通氣人機異步檢測識別方法，其特征在于，在步驟S1內，收集呼吸機的正常呼吸、雙觸發與無效吸氣努力的呼吸機機械通氣過程中的人機異步事件中流量、氣道壓力、容量的全部數據，對收集的全部數據進行預處理，并且進行分割標注。

5.根據權利要求4所述的一種基于注意力機制的機械通氣人機異步檢測識別方法，其特征在于，一維卷積神經網絡模型按從前至后的順序由卷積層、最大池化層、卷積層、最大池化層、卷積層、全連接層、全連接層序貫構成。

6.根據權利要求5所述的一種基于注意力機制的機械通氣人機異步檢測識別方法，其特征在于，在步驟S4內，將多注意力綜合模塊嵌入集成至一維卷積神經網絡模型內形成多注意力復合模型，多注意力復合模型按從前至后的順序由卷積層、最大池化層、第一多注意力層、卷積層、最大池化層、第二多注意力層、卷積層、全連接層、全連接層序貫構成，所述第一多注意力層與第二多注意力層包括核級注意力層和時序注意力層。

7.根據權利要求6所述的一種基于注意力機制的機械通氣人機異步檢測識別方法，其特征在于，在步驟S5內，通過多注意力復合模型對呼吸機機械通氣時的波形數據進行分析與判別，當檢測到波形數據為雙觸發或無效吸氣努力的呼吸機機械通氣過程中的人機異步事件中的數據，則可以判定為雙觸發或無效吸氣努力的人機異步事件。

8.根據權利要求4所述的一種基于注意力機制的機械通氣人機異步檢測識別方法，其特征在于，在步驟S1內，對全量的呼吸機機械通氣時的流量、氣道壓力、容量數據段進行預處理和分割標注，對分割標注后的數據段進行標準化、補零對齊，然后將這些統一處理后的全量數據按照7:3的比例劃分為訓練集和測試集。