[發(fā)明專(zhuān)利]一種基于注意力機(jī)制的機(jī)械通氣人機(jī)異步檢測(cè)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202111111545.6
• 申請(qǐng)日: 2021-09-23
• 公開(kāi)（公告）號(hào): CN113730755B
• 公開(kāi)（公告）日: 2023-09-05
• 發(fā)明（設(shè)計(jì)）人: 熊富海;顏延;王磊;譙小豪;李慧慧
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳先進(jìn)技術(shù)研究院;深圳理工大學(xué)（籌）
• 主分類(lèi)號(hào): A61M16/00
• 分類(lèi)號(hào): A61M16/00;G06N3/0464;G06N3/045;G06N3/048;G06N3/084
• 代理公司: 深圳市科進(jìn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44316
• 代理人: 孟潔

本發(fā)明涉及醫(yī)療器械智能控制技術(shù)領(lǐng)域，特別涉及到一種基于注意力機(jī)制的機(jī)械通氣人機(jī)異步檢測(cè)識(shí)別方法；本發(fā)明先后分別構(gòu)建核級(jí)注意力模塊與時(shí)序注意力模塊，且能從波形數(shù)據(jù)的卷積核特征層面以及信號(hào)的時(shí)序?qū)用鎸ふ业礁永诜謩e不同種人機(jī)異步類(lèi)型的信號(hào)特征段，給予這些特征段更強(qiáng)的關(guān)注度，這樣就可以更好地對(duì)人機(jī)異步做出區(qū)分。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)療器械智能控制技術(shù)領(lǐng)域，特別涉及到一種基于注意力機(jī)制的機(jī)械通氣人機(jī)異步檢測(cè)識(shí)別方法。

背景技術(shù)

呼吸機(jī)是一種重要的基于呼吸功能支持的生命設(shè)備，它被廣泛應(yīng)用于醫(yī)院的重癥監(jiān)護(hù)科室、一般性科室，一些呼吸機(jī)還進(jìn)入了家庭當(dāng)中，成為一些日常的睡眠等的輔助家用設(shè)備，為有呼吸功能障礙的人員提供重要的輔助支持。

一般而言，呼吸機(jī)最重要的一個(gè)功能是它的通氣靈敏程度，它能否在患者或用戶(hù)需要吸氣時(shí)提供同頻的供氣/通氣支持，同樣的能否及時(shí)在病患呼氣時(shí)做相應(yīng)的切換，分解開(kāi)來(lái)，也即呼吸機(jī)要及時(shí)檢測(cè)到患者的吸氣需求，檢測(cè)到患者從吸氣結(jié)束切換到呼氣的時(shí)機(jī)等。這些患者吸氣、呼氣的狀態(tài)可以通過(guò)呼吸機(jī)與患者連接的通氣管道中的氣流速度、管道壓力、通氣容量等進(jìn)行表征。

當(dāng)患者的呼吸需求與呼吸機(jī)的供氣切換動(dòng)作不同步時(shí)，管道中氣流速度(流量Flow)、氣道壓力(Paw)、通氣容量(Volume)就會(huì)表現(xiàn)出一定的模式，這些模式具備一定的規(guī)律，能為人工或算法檢測(cè)到，但人工檢測(cè)需要耗費(fèi)的時(shí)間較多，需要提前進(jìn)行相關(guān)的培訓(xùn)，而人力成本比較昂貴，對(duì)于我國(guó)的優(yōu)質(zhì)醫(yī)療資源更是如此；大力發(fā)展基于人工智能的人機(jī)異步檢測(cè)算法，必要且重要。

發(fā)明內(nèi)容

本發(fā)明主要解決的技術(shù)問(wèn)題是提供一種基于注意力機(jī)制的機(jī)械通氣人機(jī)異步檢測(cè)識(shí)別方法，構(gòu)建核級(jí)注意力模塊與時(shí)序注意力模塊能從波形數(shù)據(jù)的卷積核特征層面以及信號(hào)的時(shí)序?qū)用鎸ふ业礁永诜謩e不同種人機(jī)異步類(lèi)型的信號(hào)特征段，給予這些特征段更強(qiáng)的關(guān)注度，這樣就可以更好地對(duì)人機(jī)異步做出區(qū)分。

為解決上述技術(shù)問(wèn)題，本發(fā)明采用的一個(gè)技術(shù)方案是：提供一種基于注意力機(jī)制的機(jī)械通氣人機(jī)異步檢測(cè)識(shí)別方法，其中，包括如下步驟：

步驟S1、針對(duì)呼吸機(jī)機(jī)械通氣時(shí)的波形數(shù)據(jù)構(gòu)建一維卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟S2、先后分別構(gòu)建核級(jí)注意力子模塊和時(shí)序注意力子模塊；

步驟S3、將核級(jí)注意力子模塊與時(shí)序注意力子模塊進(jìn)行順序串接形成一個(gè)有機(jī)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(jīng)網(wǎng)絡(luò)模型內(nèi)形成多注意力復(fù)合模型；

步驟S5、通過(guò)多注意力復(fù)合模型對(duì)呼吸機(jī)機(jī)械通氣時(shí)的波形數(shù)據(jù)進(jìn)行分析與判別。

作為本發(fā)明的一種改進(jìn)，在步驟S2內(nèi)，先構(gòu)建核級(jí)注意力子模塊，其核心由兩個(gè)全連接層序貫串接的模型構(gòu)成，對(duì)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(jìn)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(jīng)過(guò)兩個(gè)序貫連接的全連接層結(jié)構(gòu)后進(jìn)行相應(yīng)矩陣位置元素的相加后再進(jìn)行轉(zhuǎn)換。

作為本發(fā)明的進(jìn)一步改進(jìn)，在步驟S2內(nèi)，構(gòu)建完核級(jí)注意力子模塊后再構(gòu)建時(shí)序注意力子模塊，對(duì)輸入來(lái)自卷積核的特征，進(jìn)行平均池化與最大池化操作，提取出了時(shí)序相關(guān)的平均池化和最大池化特征矩陣，再對(duì)平均池化和最大池化特征矩進(jìn)行拼接得到組合的特征矩陣，經(jīng)卷積網(wǎng)絡(luò)轉(zhuǎn)換。

作為本發(fā)明的更進(jìn)一步改進(jìn)，在步驟S3內(nèi)，將核級(jí)注意力子模塊與時(shí)序注意力子模塊串聯(lián)起來(lái)構(gòu)成多注意力綜合模塊，輸入特征經(jīng)過(guò)核級(jí)注意力子模塊處理后形成帶核級(jí)注意力的核級(jí)輸出特征矩陣，核級(jí)輸出特征流經(jīng)時(shí)序注意力子模塊進(jìn)行處理形成時(shí)序輸出特征。

作為本發(fā)明的更進(jìn)一步改進(jìn)，在步驟S1內(nèi)，波形數(shù)據(jù)包括呼吸機(jī)機(jī)械通氣時(shí)流量、氣道壓力、容量。