[发明专利]一种基于注意力机制的机械通气人机异步检测识别方法

说明书

本发明涉及医疗器械智能控制技术领域，特别涉及到一种基于注意力机制的机械通气人机异步检测识别方法；本发明先后分别构建核级注意力模块与时序注意力模块，且能从波形数据的卷积核特征层面以及信号的时序层面寻找到更加利于分别不同种人机异步类型的信号特征段，给予这些特征段更强的关注度，这样就可以更好地对人机异步做出区分。

技术领域

本发明涉及医疗器械智能控制技术领域，特别涉及到一种基于注意力机制的机械通气人机异步检测识别方法。

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/通气支持，同样的能否及时在病患呼气时做相应的切换，分解开来，也即呼吸机要及时检测到患者的吸气需求，检测到患者从吸气结束切换到呼气的时机等。这些患者吸气、呼气的状态可以通过呼吸机与患者连接的通气管道中的气流速度、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供气切换动作不同步时，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较多，需要提前进行相关的培训，而人力成本比较昂贵，对于我国的优质医疗资源更是如此；大力发展基于人工智能的人机异步检测算法，必要且重要。

发明内容

本发明主要解决的技术问题是提供一种基于注意力机制的机械通气人机异步检测识别方法，构建核级注意力模块与时序注意力模块能从波形数据的卷积核特征层面以及信号的时序层面寻找到更加利于分别不同种人机异步类型的信号特征段，给予这些特征段更强的关注度，这样就可以更好地对人机异步做出区分。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于注意力机制的机械通气人机异步检测识别方法，其中，包括如下步骤：

步骤S1、针对呼吸机机械通气时的波形数据构建一维卷积神经网络模型；

步骤S2、先后分别构建核级注意力子模块和时序注意力子模块；

步骤S3、将核级注意力子模块与时序注意力子模块进行顺序串接形成一个有机集成的多注意力综合模块；

步骤S4、将多注意力综合模块嵌入集成至一维卷积神经网络模型内形成多注意力复合模型；

步骤S5、通过多注意力复合模型对呼吸机机械通气时的波形数据进行分析与判别。

作为本发明的一种改进，在步骤S2内，先构建核级注意力子模块，其核心由两个全连接层序贯串接的模型构成，对输入的卷积核的特征分别使用一维全局平均池化与一维全局最大池化进行处理，得到全局最大池化特征与全局平均池化特征，再并行经过两个序贯连接的全连接层结构后进行相应矩阵位置元素的相加后再进行转换。

作为本发明的进一步改进，在步骤S2内，构建完核级注意力子模块后再构建时序注意力子模块，对输入来自卷积核的特征，进行平均池化与最大池化操作，提取出了时序相关的平均池化和最大池化特征矩阵，再对平均池化和最大池化特征矩进行拼接得到组合的特征矩阵，经卷积网络转换。

作为本发明的更进一步改进，在步骤S3内，将核级注意力子模块与时序注意力子模块串联起来构成多注意力综合模块，输入特征经过核级注意力子模块处理后形成带核级注意力的核级输出特征矩阵，核级输出特征流经时序注意力子模块进行处理形成时序输出特征。

作为本发明的更进一步改进，在步骤S1内，波形数据包括呼吸机机械通气时流量、气道压力、容量。