[发明专利]呼吸机人机异步检测方法、装置、设备及存储介质

说明书

本发明公开了一种呼吸机人机异步检测方法、装置、设备及存储介质，其中方法包括：获取呼吸机机械通气时一个周期内通气参数的当前波形信号；将当前波形信号转换为基于平面直角坐标系的当前图像，当前图像包括X轴之上的波形图与X轴所围成的当前第一图像和X轴之下的波形图与X轴所围成的当前第二图像；将当前图像输入至预先训练好的二维卷积神经网络模型中预测，并根据预测结果确认是否出现人机异步以及人机异步类型，二维卷积神经网络模型根据预先准备的历史波形信号所转换的历史图像训练得到。本发明通过将通气参数的波形信号转换为波形图，再结合机器学习模型决策的方式来进行图像识别，从而快速确认呼吸机机械通气是否出现异常。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种呼吸机人机异步检测方法、装置、设备及存储介质。

背景技术

呼吸机是一种重要的基于呼吸功能支持的生命设备，它被广泛应用于医院的重症监护科室、一般性科室，一些呼吸机还进入了家庭当中，成为一些日常的睡眠等的辅助家用设备，为有呼吸功能障碍的人员提供重要的辅助支持。

一般而言，呼吸机最重要的一个功能是它的通气灵敏程度，它能否在患者或用户需要吸气时提供同频的供气/充气支持，同样的能否及时在病患呼气时做及时的切换。分解开来，也即呼吸机要及时检测到患者的吸气需求，检测到吸气结束切换到呼气的时机等等。这些患者吸气、呼气的状态可以通过呼吸机与患者连接的管道的气流速度、管道压力、通气容量等进行表征。当患者的呼吸需求与呼吸机的保持切换动作不同步时，管道中气流速度(流量Flow)、气道压力(Paw)、通气容量(Volume)就会表现出一定的模式，这些模式具备一定的规律，能为人工或算法检测到。但人工检测需要耗费的时间比较多，需要提前进行相关的培训，而人力成本在医院是非常昂贵的。

发明内容

本申请提供一种呼吸机人机异步检测方法、装置、计算机设备及存储介质，以解决现有的呼吸机状态监测需要占据大量人力的问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种呼吸机人机异步检测方法，包括：获取呼吸机机械通气时一个周期内通气参数的当前波形信号；将当前波形信号转换为基于平面直角坐标系的当前图像，当前图像包括X轴之上的波形图与X轴所围成的当前第一图像和X轴之下的波形图与X轴所围成的当前第二图像；将当前图像输入至预先训练好的二维卷积神经网络模型中预测，并根据预测结果确认是否出现人机异步以及人机异步类型，二维卷积神经网络模型根据预先准备的历史波形信号所转换的历史图像训练得到。

作为本申请的进一步改进，当前波形信号包括当前流量信号、当前气道压力信号和当前容量信号，当前图像包括当前流量图像、当前气道压力图像和当前容量图像，人机异步类型包括双触发异常和无效吸气异常。

作为本申请的进一步改进，将当前图像输入至预先训练好的二维卷积神经网络模型中预测，并根据预测结果确认是否出现人机异步以及人机异步类型，包括：获取预先训练好的第一二维卷积神经网络模型、第二二维卷积神经网络模型和第三二维卷积神经网络模型，第一二维卷积神经网络模型基于历史流量信号转换的历史流量图像训练得到，第二二维卷积神经网络模型基于历史气道压力信号转换的历史气道压力图像训练得到，第三二维卷积神经网络模型基于历史容量信号转换的历史容量图像训练得到；将当前流量图像输入至第一二维卷积神经网络模型进行预测得到第一预测状态，将当前气道压力图像输入至第二二维卷积神经网络模型进行预测得到第二预测状态，将当前容量图像输入至第三二维卷积神经网络模型进行预测得到第三预测状态，预测状态包括正常状态、双触发异常状态和无效吸气异常状态；确认第一预测状态、第二预测状态、第三预测状态中，正常状态、双触发异常状态和无效吸气异常状态的出现次数，并将出现次数最多的状态输出。