[发明专利]基于小数据集与卷积神经网络的人机不同步识别方法

说明书

本发明涉及一种基于小数据集与卷积神经网络的机械通气人机不同步识别方法，该方法通过将原始呼吸信号转换成二维图像，并基于二维图像多分类的公开数据集训练出高精度的分类模型，然后冻结训练好的模型中全连接层以上层的权重参数，以迁移学习的方式，将本地呼吸波形图像输入模型中微调最后一层全连接层的权重参数；再将实际采集原始呼吸信号经过预处理后，输入微调后的深度学习模型里，即可获得当前呼吸信号的人机不同步识别结果；本发明采用二维卷积神经网络为核心的模型架构，以迁移学习的方式，在小数据集的条件下，不仅能达到较高精度自动化检测和识别人机不同步波形，且具有较好的可解释性。

技术领域

本发明涉及一种基于二维卷积神经网络的小数据集下机械通气人机不同步识别方法。属于技术领域。

背景技术

机械通气期间，人机不同步是时常发生的。研究数据显示，存在严重人机不同步问题的患者比例估计在12％～43％之间。然而在临床实践中，医生只能根据呼吸机上的压力和流量时间波形，然后凭借自身经验来识别人机不同步类型。现今，用于人机不同步识别的方法主要包含了三大类方法，即人类视觉检测、基于规则算法、基于机器学习。这三大类方法都有着共同特点即要以呼吸波形中的可区分的特征信息为重要判别依据。而且这些方法的通病都在于，稳定性不高，准确率易受干扰，泛化能力较差。近年来，有学者提出基于深度学习的机械通气人机不同步波形识别方法，例如循环神经网络和一维卷积神经网络。该类算法只需对波形做简单的预处理，无需繁琐的特征工程的构造和选取，然后训练出深度神经网络，再进行识别，检测精度高且鲁棒性强，但是局限性在于需要海量的训练数据。然而，数据标注是一项枯燥无味且时间成本花费巨大的任务。

发明内容

本发明的目的在于克服上述不足，提供了一种基于小数据集与二维卷积神经网络的机械通气人机不同步识别方法。

本发明的目的是这样实现的：

一种基于小数据集与卷积神经网络的机械通气人机不同步识别方法，该方法为：将采集的原始呼吸信号转换成二维图像，利用基于迁移学习训练的深度学习模型对转换成二维图像的当前呼吸信号进行的人机不同步识别；所述基于迁移学习训练的深度学习模型的构建和训练包括以下步骤：

S1、预处理；

采集标记的包含人机不同步和非人机不同步的呼吸信号，对每个呼吸信号先进行数据标准化，再通过重采样，将数据集中的所有样本处理成等长的序列，最后将一维数据转化为二维图像作为训练样本；

S2、构建多层以二维卷积神经网络为核心的深度学习模型。

S3、获取一个二维图像多分类的公开数据集，基于公开数据集训练深度学习模型，获得高精度的分类模型，然后冻结训练好的模型中作为分类输出的全连接层以上的层的权重参数。最后以迁移学习的方式，只拼接一层作为分类输出的全连接层，设定输出的维度等于类别数，并将本地呼吸波形图像的训练集输入模型中微调最后一层全连接层的权重参数，验证集和测试集衡量模型的性能；获得基于迁移学习训练的深度学习模型。

其中，每个样本的数据进行重采样到相同长度，使所有样本序列等长，与接下来将一维数据维度转为二维图像大小相对应，目的在于使一个像素点所对应波形的物理单位上相统一。

进一步地，所述步骤S1中，以欠采样的方式，通过随机抽取与人机不同步样本数量大致相当的非人机不同步样本，来对数据集进行样本均衡；所有样本先进行min-max标准化处理：

其中，x_i是每个独立样本中第i个采样点的信号幅值，L是每个独立样本的信号长度，max和min分别是每个独立样本的信号幅值的最大值和最小值。

进一步地，一次呼吸信号分别由压力、流速和潮气量三路数据共同组成，分别将一维的压力、流速和潮气量数据转化为二维单通道的灰度图像，然后将三个单通道的图像分别对应RGB三通道图像进行融合得到训练样本。