[发明专利]一种基于模糊熵特征提取的人机通气异步检测模型及装置

说明书

本发明涉及医疗检测领域，具体涉及一种基于模糊熵特征提取的人机通气异步检测模型及装置，通过对采集到的具有多种人机不同现象的呼吸波形，基于模糊熵的特征提取方法，对多通道呼吸波形进行模糊熵特征提取，分别以一定的参数进行模糊熵特征计算，然后将三个维度的模糊熵特征扁平化到一维构成一个呼吸周期的特征样本，重复的将所有的呼吸周期波形进行特征提取计算，最后得到一个可同时分类多种人机不同步的现象的模型。

技术领域

本发明涉及医疗检测领域，具体而言，涉及一种基于模糊熵特征提取的人机通气异步检测模型及装置。

背景技术

在重症监护室(ICU)机械通气过程中，呼吸机与患者之间的交互出现不协调的现象称为人机不同步。经过医学界和学术界长时间的研究报道，目前发现的人机不同步类型大致有以下四类八种：(1)触发类型：无效触发、重复触发、自动触发和反向触发。(2)吸气阶段：流速不匹配。(3)切换阶段：提前切换和延迟切换。(4)呼气阶段：内源性呼气末正压(PEEPi)。

当床旁医生及时发现以上任一现象发生时，可以根据自己的经验知识进行判断分类，而后更改呼吸机呼吸力学参数的设置。但是要求医生24小时注意留心患者呼吸机的波形会占用极大的人力资源且也是不现实的。因此，提高呼吸机自动识别与检测人机不同步的能力便是呼吸机功能的一项重要内容，随之而来的就是对机械通气过程中人机不同步波形检测的研究日益增多。

经过调查，现有的关于人机不同步波形检测的研究主要集中在机械通气过程中多发的无效吸气努力和双重触发，如针对无效吸气努力提出的基于小波特征的识别方法。随着机器学习的方法逐渐成熟其应用的触角也延伸到了该领域，如基于循环神经网络的机械通气人机不同步检测方法。

目前基于机器学习或深度学习的分类人机不同步现象的过程可以概括为：(1)获取从呼吸机导出的呼吸力学波形数据；(2)经过专业医师对人机不同步的波形进行标注；(3)数据预处理以及划分数据集为训练集、验证集和测试集；(4)将预处理的数据输入到已经定义好的模型中进行模型训练；(5)保存训练好的模型加以应用。

现有方案在解决机械通气过程中人机不同步方法时往往只针对一种不同步现象(常见的是无效吸气努力)进行分类，而现实情况正如前文所述，患者在一次机械通气过程中可能发生的人机不同步现象有多种，而非一成不变的如无效吸气努力。此外，医生在实施通气治疗的过程中会根据患者病情发展变化而会呼吸机通气模式作出调整，这个时候又有可能出现其它种类的不同步现象，而目前的解决方案无法适应实际的临床需要，因此，需要可以同时分类多种人机通气不同步现象的检测方法。

发明内容

本发明实施例提供了一种基于模糊熵特征提取的人机通气异步检测模型及装置，以至少解决现有技术无法同时用于检测多种人机提取不同步现象。

根据本发明的一实施例，提供了一种基于模糊熵特征提取的人机通气异步检测模型，包括以下步骤：

S1：采集当前呼吸周期的呼吸波形，选取呼吸波形中合适的通道数据，呼吸波形包括潮气量波形、气道压力时间波形及流速时间波形；

S2：对选取的呼吸波形进行标注；

S3：依次对所述潮气量波形、气道压力时间波形及流速时间波形，以形成呼吸周期内两个窗口子序列；

S4：依次对两个窗口子序列构造嵌入矩阵；

S5：基于构造的两个嵌入矩阵计算模糊熵；

S6：对气道压力时间波形及流速时间波形进行模糊熵提取，得到特征矩阵，通过对特征矩阵进行扁平化处理，得到模糊熵特征向量，模糊熵特征向量为一个呼吸周期的训练样本；