一种基于DBA-DTW-KNN的机械通气人机不同步快速识别方法发明专利.docxVIP

一种基于DBA-DTW-KNN的机械通气人机不同步快速识别方法 技术领域 本发明涉及一种机械通气人机不同步快速识别方法，首先使用基于DBA和DTW实现数 据集压缩，再基于KNN的分类思想对机械通气中病人的无效吸气努力进行识别，进而可以 评估呼吸机参数设置的合理性，为调整呼吸机参数设置相关领域提供辅助教学。 背景技术 在重症监护室(Intensive Care Unit,ICU)中，机械通气(MechanicalVentilation,MV)是 急性呼吸衰竭患者的重要生命支持手段。但是当患者的呼吸需求与呼吸机设置参数不匹配时， 就会造成人机不同步，将会导致一系列不良的临床结果。常见的人机不同步类型包括无效吸 气努力、双触发、周期过短、周期过长等。本发明主要针对无效吸气努力(Ineffective Inspiratory Effort during Expiration,IEE)这一类型进行识别。无效吸气努力指的是患者在吸气努力后未 触发呼吸机进行送气，在呼吸波形上主要表现为呼气相流速中有突起的同时伴随压力波形有 凹陷。 早期最常用的人机不同步识别方式是依据肉眼在床边观察和评估呼吸机波形，这需要花 费大量的医护人员资源。另外有文献报道可以通过基于规则的方法实现IEE的识别，即在流 速呼气相寻找极大值，然后在极大值到呼气结束点之间寻找最小值，计算极大值和最小值之 间的差值，并设定阈值，当差值大于阈值时，认为该次呼吸是无效吸气努力；随机森林(Random Forest,RF)以及自适应增强(AdaBoost)作为机器学习领域比较常见两种方法，被广泛使用于各 个领域。因此，近年有学者提出使用随机森林以及自适应增强学习方法实现IEE识别。但是， 上述方法在IEE识别上均存在较大局限性：基于规则的IEE识别方法对于阈值的选取比较敏 感，并且需要精准地检测呼气开始点；基于RF以及AdaBoost的IEE识别方法在提取特征时， 也涉及到呼气点的检测，同时对于各个特征的计算也十分麻烦。因此，需要设计一种更加简 便的机械通气人机不同步的自动识别方法。 发明内容 为了克服呼气开始点的精准检测比较困难、阈值设置不确定以及KNN分类耗时等问题， 本发明提出了一种基于DBA-DTW-KNN的机械通气人机不同步识别方法。 本发明解决其技术问题所采用的技术方案是： 一种基于DBA-DTW-KNN的机械通气人机不同步快速识别方法，该方法为：实时读取呼吸波形数据组成测试序列Q?l＝(q?1,q?2,...,q?p)，并对呼吸波形数据进行标准化处理；然后计算 测试序列Q?l与训练集C＝(C?1,C?2,...,C?E)中所有序列的DTW距离。采用DTW计算相似性距离， 再结合KNN分类思想，根据设定的K值对测试序列样本Q?l进行分类，K为正整数。其中，训练集C＝(C?1,C?2,...,C?E)的构建包括以下步骤： a获取预标注的呼吸波形数据作为原始训练数据集S＝(S?1,S?2,...,S?M)，其中，M表示原始 训练数据集中序列的数量。 b对原始训练数据集中所有序列样本进行预处理。先对所有标注的呼吸序列样本分别做 Z-score标准化，将序列S?m＝(s?1,s?2,...,s?n)，m∈(1,2,...,M)标准化变换成?公式如下式所示： 其中，μ为序列平均值，σ为序列标准差，m表示序列的序号，i表示采样点的序号。 c将经过预处理之后的原始训练数据集数据进行压缩。压缩步骤如下所示： c1首先构建模板库?初始模板集T?1，然后从经过预处理之后的原始训练数据集中随机 挑选一条序列当作初始模板序列，并将其置入模板集T?1； c2从经过预处理之后的原始训练数据集中选取一条非初始模板序列?将 其与模板库中的各个模板集里面的每一个模板序列进行DTW距离计算，并获取?与各个模 板集的平均DTW距离； c3将步骤c2计算得到的最小的平均DTW距离mean_D?m与设置的阈值ε比较，当mean_D?m≤ε时，将序列?加入D?m所对应的模板集中，然后判断模板集内模板序列的总数是否达到设定阈值λ，如果满足条件，则使用DBA算法求取该模板集的平均模板序列，然后清空该模板集内的所有序列，并将平均模板序列添加至该模板集；如果mean_D?i＞ε，则创建新的模板集T?l，l表示模板集的序号，并将?添加至T?l。其中，ε为实数，λ为正整数。 c4重复执行步骤c2-c3直至原始训练数据集遍历完毕。 c5对模板库?中的各个模板集再次使用DBA算法进行压缩，最后获得压缩后的训练集 C＝(C?1,C?2,...,C?E)，E表示训练集的大小，即模板集的数量。 进一步地，所述步骤a中，呼吸波形数据先由5名资历较低的医生进行第一轮的预标注， 后由2名资历较高医生对第一轮的标注结果进行审核，以确保标注结果