基于图神经网络的机械通气人机异步检测方法、装置与流程

1.本发明属于生理信号处理技术领域，具体地讲，涉及一种基于图神经网络的机械通气人机异步检测方法、检测装置、计算机可读存储介质和计算机设备。


背景技术：

2.呼吸机因内置的机械通气功能而成为重要的生命支持设备，其使用机械通气的方式以支持种种因素下需要给以呼吸辅助的人群，应用范围十分广阔。
3.在机械通气的过程中，常常会因为患者或呼吸机为载体的外界环境因素造成机械通气的时机与患者的呼吸需求不契合，这时就会发生患者与呼吸机(机械通气)之间所谓的人机异步现象。这些人机异步现象在机械通气时所通气流的对管道的压力(气道压力)、所通气流的流速(流量)、所通气流的体积(容量)等三个观测维度上相较于人机协调有不同的体现。这类不协调的人机异步现象有多种类型，譬如提前切换(pc，premature cycling)、延迟切换(dc，delayedcycling)、内源性peep(peepi，intrinsic positive end-expiratorypressure)、双触发(dt，double triggering)、其他类型(other)等等。及时分析检测出其中一些典型的异步，便于通知医护等相关人员施以有效的干预，为人员康复提供更好的帮助。
4.当前基于图神经网络的机械通气人机异步检测方法普遍基于初始波形信号提取相关特征继而构建模型进行分析。这些方法分析的波形数据比较规则，自由度不高；构建的模型处理数据的维度较低，处理的视觉也较为窄。具体来讲，当前的人机异步检测方法较为单一，大都是基于对初始的机械通气波形数据进行简单的变换，然后在欧氏空间上对机械通气的某组波形数据段中蕴含的异步信息运用一些构建的算法模型进行分析。这种对初始波形数据的特征提取变换过程因原数据结构基于欧氏空间的原因导致分析维度较为低；此外，对原始波形数据这种自由度较为弱(数据比较规则)的数据形式进行分析，也容易导致分析处理的视觉较为窄的问题。


技术实现要素：

5.(一)本发明所要解决的技术问题
6.本发明解决的技术问题是：如何提升机械通气波形数据的维度、增强数据分析的自由度，扩宽数据处理的视觉，以取得更佳的人机异步检测效果(准确度)。
7.(二)本发明所采用的技术方案
8.一种基于图神经网络的机械通气人机异步检测方法，所述方法包括：
9.获取待测对象在机械通气过程中的实时波形数据；
10.将获取到的所述实时波形数据转换为实时图结构数据；
11.将所述实时图结构数据输入到预先训练完成的图卷积神经网络模型，获得人机异步类型。
12.优选地，对所述图卷积神经网络模型进行预先训练的方法包括：
13.获取机械通气波形数据以及与所述机械通气波形数据对应的人机异步类型的真实值；
14.将所述机械通气波形数据转换为图结构训练数据；
15.将所述图结构训练数据输入到构建好的图卷积神经网络模型中，得到人机异步类型的预测值；
16.根据人机异步类型的所述预测值和所述真实值计算误差损失，并根据所述误差损失更新所述图卷积神经网络模型的网络参数。
17.优选地，所述机械通气波形数据为气道压力波形数据、流量波形数据、容量波形数据中的任意一种。
18.优选地，所述机械通气波形数据对应的类型至少包括提前切换类型、延迟切换类型、双触发类型、内源性peep中的一种。
19.优选地，所述机械通气波形数据包括若干按时间序列排布的节点值，将所述机械通气波形数据转换为图结构训练数据的方法包括：
20.根据所述机械通气波形数据的当前节点值与连接节点值构建无向边，其中所述连接节点值为所述机械通气波形数据中小于所述当前节点值的节点值；
21.遍历所述机械通气波形数据的各个节点值，重复上述步骤，获得图结构训练数据。
22.优选地，所述机械通气波形数据的各个节点值为处于同一个呼吸周期内的节点值。
23.优选地，所述图卷积神经网络模型包括依次连接的输入层、第一图卷积层、第二图卷积层、第三图卷积层、图表征层、第一一维卷积层、第二一维卷积层、全连接层、丢弃层和输出层，其中所述输入层用于输入图结构训练数据，所述输出层用于输出人机异步的预测类型值。
24.本技术还公开了一种基于图神经网络的机械通气人机异步检测装置，所述装置包括：
25.数据获取模块，用于获取待测对象在机械通气过程中的实时波形数据；
26.数据转换模块，将获取到的所述波形数据转换为实时图结构数据；
27.预先训练完成的图卷积神经网络模型，用于根据输入的所述实时图结构数据预测得到人机异步类型。
28.本技术还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有机械通气人机异步检测程序，所述机械通气人机异步检测程序被处理器执行时实现上述的基于图神经网络的机械通气人机异步检测方法。
29.本技术还公开了一种计算机设备，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的机械通气人机异步检测程序，所述机械通气人机异步检测程序被处理器执行时实现上述的基于图神经网络的机械通气人机异步检测方法。
30.(三)有益效果
31.本发明公开了一种基于图神经网络的机械通气人机异步检测方法、估计装置、存储介质和设备，相对于现有方法，具有如下技术效果：
32.本检测方法通过将波形数据转换成非欧空间中的图结构数据，并采用图卷积神经
网络模型来预测人机异步类型，提升了数据维度，增强了数据分析自由度，扩宽了分析处理的视觉，以提高待测对象在机械通气过程中人机异步类型的预测准确性。
附图说明
33.图1为本发明的实施例一的基于图神经网络的机械通气人机异步检测方法的流程图；
34.图2为本发明的实施例一的图卷积神经网络模型的训练流程图；
35.图3为本发明的实施例一的机械通气波形数据转换为图结构训练数据的过程示意图；
36.图4为本发明的实施例二的基于图神经网络的机械通气人机异步检测装置的原理框图；
37.图5为本发明的实施例四的计算机设备示意图。
具体实施方式
38.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
39.在详细描述本技术的各个实施例之前，首先简单描述本方案的技术构思：现有技术中对原始的机械通气波形数据进行简单替换，在欧氏空间上进行分析，分析维度较低，同时由于原始波形数据是自由度较弱的数据，导致分析处理的视觉较窄。为此，本方案提供的基于图神经网络的机械通气人机异步检测方法，将机械通气过程中产生的波形数据转换成图结构数据，接着将图结构数据输入到预先训练完成的图卷积神经网络模型，预测得到人机异步类型。通过将波形数据转换成非欧空间中的图结构数据，并采用图卷积神经网络模型来预测人机异步类型，提升了数据维度，增强了数据分析自由度，扩宽了分析处理的视觉，以提高待测对象在机械通气过程中人机异步类型的预测准确性。
40.具体地，如图1所示，本实施例一的基于图神经网络的机械通气人机异步检测方法包括如下步骤：
41.步骤s10：获取在待测对象机械通气过程中生成的实时波形数据；
42.步骤s20：将获取到的实时波形数据转换为实时图结构数据；
43.步骤s30：将实时图结构数据输入到预先训练完成的图卷积神经网络模型中，获得人机异步类型。
44.在步骤s10中，获取待测对象机械通气过程中生成的实时波形数据的具体方法为现有技术，在此不进行赘述。本实施例一中的实时波形数据可选择气道压力波形数据、流量波形数据、容量波形数据中的任意一种。
45.进一步地，如图2所示，本实施例一中对图卷积神经网络模型需要进行预先训练的方法包括如下步骤：
46.步骤s101：获取机械通气波形数据和机械通气波形数据对应的人机异步类型的真实值；
47.步骤s102：将机械通气波形数据转换为图结构训练数据；
48.步骤s103：将图结构训练数据输入到构建好的图卷积神经网络模型中，得到人机异步类型的预测值；
49.步骤s104：根据人机异步类型的所述预测值和所述真实值计算误差损失，并根据误差损失更新图卷积神经网络模型的网络参数。
50.具体来说，训练步骤的重点在于如何将机械通气波形数据转换为图结构训练数据。示例性地，机械通气波形数据包括若干按时间序列排布的节点值，每个节点值代表该时刻下的信号值，实际获取到的机械通气波形数据为连续时间内多个呼吸周期的数据，为了描述进行转换，将实际获取到的机械通气波形数据按呼吸周期进行划分为多段，即一个呼吸周期的节点值转换成一份图结构数据。因此，下文描述的机械通气波形数据的各个节点值为处于同一个呼吸周期内的节点值。
51.进一步地，将机械通气波形数据转换为图结构训练数据的方法包括：根据机械通气波形数据的当前节点值与连接节点值构建无向边，其中连接节点值为机械通气波形数据中小于当前节点值的节点值；遍历机械通气波形数据的各个节点值，重复上述步骤，获得图结构训练数据。
52.示例性地，为了便于理解，如图3所示，从一个呼吸周期的机械通气波形数据中选取5个节点值，图3中的横坐标为时间，纵轴为信号值，每条黑色柱子的高度表示当前时刻的节点值。从第一根黑色柱子开始，向左和向右分别寻找高度小于第一根黑色柱子的柱子，并将第一根黑色柱子的顶点与这些柱子的顶点进行连接，即构建完成一个节点对应的无向边。遍历每根黑色柱子，按照上述方法进行构图，即完成五个节点值的构图。换句话来讲，通过上述的构图规则，除了节点值大小相同的节点之间未进行连接之外，其他的节点都相互进行连接。通过将机械通气波形数据转换为图结构训练数据，为后续的图卷积神经网络模型的训练提供了数据源。
53.进一步地，为了便于后续便捷访问、使用图结构训练数据，将该图结构训练数据按照一定的格式记录到txt文件中。
54.txt文件的第一行存储由机械通气波形数据转换为图结构训练数据的总数量g_n，根据上文的描述，一个呼吸周期的机械通气波形数据转换为一份图结构训练数据，因此图结构训练数据的总数量等于呼吸周期数量。txt文件的第二行存储第一份图结构训练数据(txt文件中要存储g_n份图结构训练数据，这里以第一份起始说明)的图节点数g1_node_num，然后接一个空格，再接以第一份图结构训练数据的标签g1_tag；随后针对图g1中的每个节点，对后面的g1_node_num行(第3行～第3 g1_node_num行)，每行分别存储“节点的标签”“节点的邻接点数量”“邻接点1编号”“邻接点2编号
”…“
属性1值”“属性2值
”…
，同样的，各项存储值之间用一个空格符号进行分隔开；其中节点的标签标以整数加以区分，节点的属性值以节点的实数值予以表示。对于第二份图结构训练数据至第g_n份图结构训练数据，同样按上述存储第一份图结构训练数据的方式存储相应的值到txt文件中。
55.对于txt文件中各个数据进行如下解释：1、图结构训练数据中的节点数对应机械通气波形数据中的节点数(譬如一个呼吸周期内机械通气波形数据包括 257个采集点)。2、图结构训练数据的标签g1_tag对应机械通气波形数据对应的人机异步类型的真实值，即真实类型。3、节点的标签直接由整数1、2、3
…
来区分，每个节点都不一样。4、邻接点数量由构建的图结构训练数据可直接得到。5、邻接点编号按顺序从自然数1开始编号，按譬如机械通
气波形数据中各个节点的自然排列顺序编号(譬如机械通气波形数据包括257个采集点，则编号为1～257)。6、属性值取机械通气波形数据中的各个节点值。
56.进一步地，步骤s103中的图卷积神经网络模型包括输入层、第一图卷积层、第二图卷积层、第三图卷积层、图表征层、第一一维卷积层、第二一维卷积层、全连接层、丢弃层和输出层。输入层、第一图卷积层、第二图卷积层、第三图卷积层、图表征层、第一一维卷积层、第二一维卷积层、全连接层、丢弃层和输出层依次连接，其中输入层用于输入图结构训练数据，输出层用于输出人机异步的预测类型值，三个图卷积层用于充分提取图结构训练数据的特征，图表征层用于从第三图卷积层输出的特征中选取若干最能体现机械通气波形数据特点的特征集合，示例性地，图表征层选取前20个特征构成特征集合，其中，特征的先后顺序按特征的实数值从大至小排序，选取前20个实数值大的特征。第一一维卷积层、第二一维卷积层、全连接层和丢弃层用于在分析组合特征信息的同时预防过拟合的发生。
57.在得到图结构训练数据之后，输入到上述构建的图卷积神经网络模型中，得到人机异步类型的预测值，进一步根据人机异步类型的真实值和预测值计算得到误差损失，再根据误差损失更新图卷积神经网络模型的网络参数，从而完成一次训练，经过多次训练之后，获得网络参数最优的图卷积神经网络模型，其中误差损失的计算方法和网络参数的更新过程均为现有技术，在此不进行赘述。
58.在利用训练完成的图卷积神经网络模型进行检测时，首先获取到待测对象在机械通气过程中的实时波形数据，接着按照上述的转换方法将实时波形数据转换为实时图结构数据，最后将实时图结构数据输入到图卷积神经网络模型中，得到人机异步类型，完成检测。
59.如图4所示，实施例二还公开了一种基于图神经网络的机械通气人机异步检测装置，该基于图神经网络的机械通气人机异步检测装置包括数据获取模块 100、数据转换模块200和预先训练完成的图卷积神经网络模型300。数据获取模块100用于获取待测对象在机械通气过程中的实时波形数据；数据转换模块 200用于将获取到的波形数据转换为实时图结构数据；预先训练完成的图卷积神经网络模型300用于根据输入的实时图结构数据预测得到人机异步类型。数据获取模块100、数据转换模块200和图卷积神经网络模型300的具体工作过程可参见实施例一的描述，在此不进行赘述。
60.实施例三还公开了一种计算机可读存储介质，计算机可读存储介质存储有机械通气人机异步检测程序，机械通气人机异步检测程序被处理器执行时实现上述的基于图神经网络的机械通气人机异步检测方法。
61.进一步地，实施例四还公开了一种计算机设备，在硬件层面，如图5所示，该计算机设备包括处理器12、内部总线13、网络接口14、计算机可读存储介质 11。处理器12从计算机可读存储介质中读取对应的计算机程序然后运行，在逻辑层面上形成请求处理装置。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。计算机可读存储介质11上存储有机械通气人机异步检测程序，机械通气人机异步检测程序被处理器执行时实现上述的基于图神经网络的机械通气人机异步检测方法。
62.计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何
方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存 (pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器 (cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
63.上面对本发明的具体实施方式进行了详细描述，虽然已表示和描述了一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改和完善，这些修改和完善也应在本发明的保护范围内。