基于半监督卷积神经网络进行人机不同步的识别

摘要：

目的 基于半监督卷积神经网络(semi-supervised convolutional neural network,semi-CNN)构建人机不同步现象(patient-ventilator asynchrony,PVA)识别模型,评价其在压力支持通气(pressure support ventilation,PSV)模式下的诊断效能.方法 分析85例接受PSV通气脑损伤患者的机械通气数据,结合食道压监测数据进行人工标识.使用Transformer时间序列预测模型对已标识的正常或发生PVA的呼吸进行转化,转化后的数据输入semi-CNN模型判断是否发生PVA.在测试集中验证模型的准确性、灵敏度、特异度以及与专家标识结果的一致性.结果 初始训练集包含正常呼吸513次,异常呼吸69次,经过500次迭代后模型收敛.测试集包含正常呼吸48次,异常呼吸24次.在测试集中,Transformer联合semi-CNN模型识别PVA的准确率为0.92(0.83～0.97),灵敏度为0.79(0.58～0.93),特异度为0.98(0.89～1.00),Kappa值为0.80(0.65～0.95),测试结果与专家人工标识结果具有高度一致性.结论 本研究提供了一种基于semi-CNN算法的PVA识别模型,其识别PVA的准确率和特异度高,识别结果与专家人工标识结果的一致性好,可用于临床实时PVA监测.

关键词：机械通气、人机不同步、深度学习、卷积神经网络、半监督学习

所属期刊栏目：43

分类号：R4(临床医学)

资助基金：首都市民健康培育Z161100000116081

在线出版日期：2022-11-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：734-739