呼吸机机械通气的人机异步检测方法、装置和相关设备与流程

技术特征：
1.一种呼吸机机械通气的人机异步检测方法，其特征在于，应用于呼吸机，包括：构造gbdt模型和lr模型；所述gbdt模型包括一个或多个树集合，每个树集合包括一个或多个决策树；获取第一训练数据集，所述第一训练数据集包括机械通气的第一流量特征数据、第一气道压力特征数据、第一容量特征数据中的一种或多种；将所述第一训练数据集输入至所述gbdt模型中，基于所述一个或多个决策树进行训练，创建新的决策树并更新所述一个或多个决策树，获得训练后的gbdt模型，并基于所述训练后的gbdt模型输出第一叶子节点索引值集合；将所述第一叶子节点索引值集合输入至所述lr模型中进行训练，得到训练后的lr模型；基于所述训练后的gbdt模型和所述训练后的lr模型，对所述呼吸机对应的待检测数据集进行处理，得到人机异步的检测结果。2.如权利要求1所述的方法，其特征在于，所述基于所述训练后的gbdt模型和所述训练后的lr模型，对所述呼吸机对应的待检测数据集进行处理，得到人机异步的检测结果，包括：获取第一测试数据集，所述第一测试数据集包括机械通气的第二流量特征数据、第二气道压力特征数据、第二容量特征数据中的一种或多种；将所述第一测试数据集输入至所述训练后的gbdt模型中进行处理，得到第二叶子节点索引值集合；将所述第二叶子节点索引值集合输入所述训练后的lr模型中进行处理，直到基于所述训练后的lr模型的处理结果准确率达到预设阈值后，得到训练好的gbdt lr模型；将所述呼吸机对应的待检测数据集输入至所述训练好的gbdt lr模型进行处理，得到人机异步的检测结果。3.如权利要求2所述的方法，其特征在于，所述获取第一测试数据集，包括：获取原始测试数据集，所述原始测试数据集包括原始测试流量特征数据、原始测试气道压力特征数据、原始测试容量特征数据中的一种或多种；对所述原始测试数据集进行第一数据预处理，得到所述第一测试数据集；所述第一数据预处理包括数据标注、数据标准化、补零对齐中的一种或多种。4.如权利要求1～3中任一项所述的方法，其特征在于，所述将所述第一叶子节点索引值集合输入至所述lr模型中进行训练，得到训练后的lr模型，包括：对所述第一叶子节点索引值集合进行one hot编码处理，得到第二训练数据集；将所述第二训练数据集输入至所述lr模型中进行训练，得到训练后的lr模型。5.如权利要求2～4中任一项所述的方法，其特征在于，所述将所述第二叶子节点索引值集合输入至所述训练后的lr模型中进行处理，包括：对所述第二叶子节点索引值集合进行one hot编码处理，得到第二测试数据集；将所述第二测试数据集输入至所述训练后的lr模型中进行处理。6.如权利要求1～5中任一项所述的方法，其特征在于，所述获取第一训练数据集，包括：获取原始训练数据集，所述原始训练数据集包括原始训练流量特征数据、原始训练气
道压力特征数据、原始训练容量特征数据中的一种或多种；对所述原始训练数据集进行第二数据预处理，得到所述第一训练数据集，所述第一数据预处理包括数据标注、数据标准化、补零对齐中的一种或多种。7.如权利要求1～6中任一项所述的方法，其特征在于，所述构造gbdt模型和lr模型，包括：设置所述gbdt模型的训练参数，得到所述gbdt模型，所述gbdt模型的训练参数包括所述gbdt模型的基学习器的最大迭代次数、所述gbdt模型的cart树的最大深度、所述gbdt模型的损失函数和所述gbdt模型的学习率；设置所述lr模型的训练参数，得到所述lr模型，所述lr模型的训练参数包括所述lr模型的分类数目和权值向量。8.如权利要求1～7中任一项所述的方法，其特征在于，所述人机异步的检测结果包括人机异步类型，所述人机异步类型包括双触发类型、无效吸气努力类型和正常类型中的一种或多种。9.如权利要求8所述的方法，其特征在于，所述人机异步类型包括所述双触发类型、所述无效吸气努力类型和所述正常类型；所述得到人机异步的检测结果，包括：得到所述双触发类型、所述无效吸气努力类型和所述正常类型对应的三组概率值；根据所述三组概率值和预设条件确定所述呼吸机的人机异步类型。10.如权利要求9所述的方法，其特征在于，所述方法，还包括：当所述呼吸机的人机异步类型为双触发类型或无效吸气努力类型时，发送提示消息，所述提示消息用于提示医护人员根据所述呼吸机的人机异步类型调整所述呼吸机的设置。11.一种呼吸机机械通气的人机异步检测装置，其特征在于，应用于呼吸机，包括：构造模块，用于构造gbdt模型和lr模型；所述gbdt模型包括一个或多个树集合，每个树集合包括一个或多个决策树；获取模块，用于获取第一训练数据集，所述第一训练数据集包括机械通气的第一流量特征数据、第一气道压力特征数据、第一容量特征数据中的一种或多种；第一训练模块，用于将所述第一训练数据集输入至所述gbdt模型中，基于所述一个或多个决策树进行训练，创建新的决策树并更新所述一个或多个决策树，获得训练后的gbdt模型，并基于所述训练后的gbdt模型输出第一叶子节点索引值集合；第二训练模块，用于将所述第一叶子节点索引值集合输入至所述lr模型中进行训练，得到训练后的lr模型；确定模块，用于基于所述训练后的gbdt模型和所述训练后的lr模型，对所述呼吸机对应的待检测数据集进行处理，得到人机异步的检测结果。12.如权利要求11所述的装置，其特征在于，所述确定模块，具体用于：获取第一测试数据集，所述第一测试数据集包括机械通气的第二流量特征数据、第二气道压力特征数据、第二容量特征数据中的一种或多种；将所述第一测试数据集输入至所述训练后的gbdt模型中进行处理，得到第二叶子节点索引值集合；将所述第二叶子节点索引值集合输入所述训练后的lr模型中进行处理，直到基于所述
训练后的lr模型的检测结果准确率达到预设阈值后，得到训练好的gbdt lr模型；将所述呼吸机对应的待检测数据集输入至所述训练好的gbdt lr模型进行处理，得到人机异步的检测结果。13.如权利要求12所述的装置，其特征在于，所述确定模块，具体用于：获取原始测试数据集，所述原始测试数据集包括原始测试流量特征数据、原始测试气道压力特征数据、原始测试容量特征数据中的一种或多种；对所述原始测试数据集进行第二数据预处理，得到所述第一测试数据集；所述第二数据预处理包括数据标注、数据标准化、补零对齐中的一种或多种。14.如权利要求11～13中任一项所述的装置，其特征在于，所述第二训练模块，具体用于：对所述第一叶子节点索引值集合进行one hot编码处理，得到第二训练数据集；将所述第二训练数据集输入至所述lr模型中进行训练，得到训练后的lr模型。15.如权利要求12～14中任一项所述的装置，其特征在于，所述确定模块，具体用于：对所述第二叶子节点索引值集合进行one hot编码处理，得到第二测试数据集；将所述第二测试数据集输入至所述训练后的lr模型中进行处理。16.如权利要求11～15中任一项所述的装置，其特征在于，所述获取模块，具体用于：获取原始训练数据集，所述原始训练数据集包括原始训练流量特征数据、原始训练气道压力特征数据、原始训练容量特征数据中的一种或多种；对所述原始训练数据集进行第一数据预处理，得到所述第一训练数据集，所述第一数据预处理包括数据标注、数据标准化、补零对齐中的一种或多种。17.如权利要求11～16中任一项所述的装置，其特征在于，所述构造模块，具体用于：设置所述gbdt模型的训练参数，得到所述gbdt模型，所述gbdt模型的训练参数包括所述gbdt模型的基学习器的最大迭代次数、所述gbdt模型的cart树的最大深度、所述gbdt模型的损失函数和所述gbdt模型的学习率；设置所述lr模型的训练参数，得到所述lr模型，所述lr模型的训练参数包括所述lr模型的分类数目和权值向量。18.如权利要求11～17中任一项所述的装置，其特征在于，所述人机异步的检测结果包括人机异步类型，所述人机异步类型包括双触发类型、无效吸气努力类型和正常类型中的一种或多种。19.如权利要求18所述的装置，其特征在于，所述人机异步类型包括所述双触发类型、所述无效吸气努力类型和所述正常类型；所述确定模块，具体用于：得到所述双触发类型、所述无效吸气努力类型和所述正常类型对应的三组概率值；根据所述三组概率值和预设条件确定所述呼吸机的人机异步类型。20.如权利要求19所述的装置，其特征在于，所述装置，还包括：发送模块，用于当所述呼吸机的人机异步类型为双触发类型或无效吸气努力类型时，发送提示消息，所述提示消息用于提示医护人员根据所述呼吸机的人机异步类型调整所述呼吸机的设置。21.一种终端，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输
入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1～10中任一项所述的方法。22.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1～10中任一项所述的方法。23.一种呼吸机，其特征在于，包括主机、空氧混合器、气源、湿化器、外部管道，所述主机、空氧混合器、气源、湿化器和外部管道相互连接，其中，所述主机用于存储计算机程序，所述计算机程序包括程序指令，所述主机被配置用于调用所述程序指令，执行如权利要求1～10中任一项所述的方法。

技术总结
本发明公开了一种呼吸机机械通气的人机异步检测方法、装置和相关设备，其中方法包括：构造GBDT模型和LR模型，获取第一训练数据集，将该第一训练数据集输入至该GBDT模型进行训练，得到第一叶子节点索引值集合后再输入至该LR模型中进行训练，得到训练后的LR模型，基于所述训练后的GBDT模型和所述训练后的LR模型，对所述呼吸机对应的待检测数据集进行处理，得到人机异步的检测结果。采用本申请实施例，可以降低人机异步检测的成本、提高人机异步检测的实时性和解释性。的实时性和解释性。的实时性和解释性。


技术研发人员：熊富海 颜延 谯小豪 李慧慧 王磊 陈达理 梁端
受保护的技术使用者：中国科学院深圳理工大学（筹）
技术研发日：2021.08.18
技术公布日：2021/11/23