基于改进注意力机制的人机不同步检测方法、装置和介质制造方法及图纸

本发明专利技术提供了基于改进注意力机制的人机不同步检测方法、装置和介质，属于呼吸机人机不同步检测技术领域。数据采集，将采集的数据切片，再将数据切片的数据绘制为图像生成模型样本；对模型样本通过数据集清洗和图像标注进行预处理；建立并通过训练集训练改进注意力机制的yolov5s人机不同步识别网络模型，采集实时检测的患者呼吸机数据，输入到训练完成的改进注意力机制的yolov5s人机不同步识别网络模型，获取患者是否发生人机不同步的情况；根据置信度判定此标注框是否为人机不同步，并进行处理。本发明专利技术对人机不同步的的表达更高效准确，所提取的抽象特征鲁棒性更强，泛化能力更好。好。好。

【技术实现步骤摘要】
基于改进注意力机制的人机不同步检测方法、装置和介质


[0001]本专利技术涉及基于改进注意力机制的人机不同步检测方法、装置和介质，属于呼吸机人机不同步检测


技术介绍

[0002]目前机械通气（mechanical ventilation，MV）是呼吸衰竭患者、危重症患者急救最有效的生命支持手段之一。在机械通气过程中，呼吸机与患者吸气努力供需不匹配即为人机不同步（patient
‑
ventilator asynchronies，PVA）。人机不同步作为最常见的机械通气问题之一，其检测是临床实践的重要课题。当前对于人机不同步，多基于波形特征规则、机器学习或深度学习的方式，采用压力
‑
时间、流速
‑
时间和容积
‑
时间三种呼吸波形曲线完成自动检测。
[0003]传统基于波形特征规则的方法，对波形的规范性往往具有较高要求。而且特征规则主要依赖于人工设计的特征提取器，提取器的设计对专业知识的准确性要求极高，且阈值的选择具有一定主观性，泛化能力差。
[0004]基于机器学习的方法，需要大量复杂的调参过程，同时机器学习还具有泛化能力及鲁棒性都较差的缺点。特别是针对含有较多高频噪声的波形信号，机器学习的检测效果不理想。
[0005]基于波形特征规则和机器学习的方法，往往都需要特征提取的过程。但是对于不规则波形可能不存在可提取的特征。而且模型对特征的依赖性较强，人工选取的特征会由于选取片面使得模型效果欠佳，或由于特征冗余造成模型速度的下降。
[0006]目前基于深度学习的人机不同步检测方法，多是仅基于当前呼吸波形进行检测的，往往存在忽略之前周期波形联系或无法准确定位异常区域的问题。而实际检测中呼吸治疗师对呼吸不同步类型的判别均是结合多周期波形得到的。

技术实现思路

[0007]本专利技术目的是提供了基于改进注意力机制的人机不同步检测方法、装置和介质，对人机不同步的的表达更高效准确，所提取的抽象特征鲁棒性更强，泛化能力更好。
[0008]本专利技术为实现上述目的，通过以下技术方案实现：一种基于改进注意力机制的人机不同步检测方法，包括：步骤1：数据采集，通过模拟肺与呼吸机进行气体交互，采集交互期间呼吸机上的压力、流速和容量。
[0009]步骤2：将采集的压力、流速和容量进行数据切片，再将数据切片的数据绘制为图像生成模型样本，包括压力
‑
时间波形图、流速
‑
时间波形图和容量
‑
时间波形图。
[0010]步骤3：对模型样本通过数据集清洗和图像标注进行预处理。
[0011]步骤4：基于yolov5s框架构建改进注意力机制的yolov5s人机不同步识别网络模型，包括主干网络和头部网络和预测网络三部分，所述主干网络的每个卷积层后引入一层
C3CBAM复式注意力机制，并在主干的快速空间金字塔池化模块层前添加一层CA层注意力机制。
[0012]步骤5：将模型样本划分为训练集和验证集，通过训练集训练改进注意力机制的yolov5s人机不同步识别网络模型，以一次前向计算和反向传播为一次训练周期，计算训练过程的map@0.5和map@0.5：0.95，并分别以0.1和0.9的比例加权计算平均权重，当前加权和的最大值所对应的权重作为模型的最优解，作为yolov5s检测人机不同步模型的权重，获得训练完成的改进注意力机制的yolov5s人机不同步识别网络模型。
[0013]步骤6：采集实时检测的患者呼吸机数据，并进行预处理后输入到训练完成的改进注意力机制的yolov5s人机不同步识别网络模型，获取患者是否发生人机不同步的情况。
[0014]步骤7：当置信度大于0.3时，判定此标注框为人机不同步，对应坐标将标注框绘制在呼吸波形图上，反之判定当前为同步呼吸，不进行任何处理，所述置信度由目标存在的概率、预测框和真实框的交并比、预测框属于每个类别的概率相乘。
[0015]优选的，所述数据采集周期为14.6天。
[0016]优选的，所述数据切片采用多周期时间序列，每组切片长度为14秒每个数据切片中含有700个时间点，每个时间点有三个数据，分别为压力、流速和容量在该时间点的数据值。
[0017]优选的，所述数据集生成具体方式如下：所述数据集清洗包括删除重复图片、无效触发和延迟触发人机不同步的呼吸波形图。
[0018]所述数据标注方式如下：如果标注框未覆盖满周期波形，则只覆盖此周期内不同步波形异于同步呼吸波形的部分。
[0019]优选的，所述主干网络依次由第一增强卷积模块、第二增强卷积模块、第一融合CBAM注意力机制的C3模块、第三增强卷积模块、第二融合CBAM注意力机制的C3模块、第四增强卷积模块、第三融合CBAM注意力机制的C3模块、增强卷积模块、第四融合CBAM注意力机制的C3模块、CA注意力机制模块和快速空间金字塔池化模块模块组成，各模块之间依次为输入和输出关系。
[0020]所述增强卷积模块由Conv卷积层、BatchNorm正则化层和SiLU激活激活函数层按顺序构成。
[0021]优选的，第一增强卷积模块中Conv卷积层的卷积核大小为6
×
6、步长和填充均为2，第二增强卷积模块、第三增强卷积模块和第四增强卷积模块中Conv卷积层的卷积核大小均为3
×
3，步长为2。
[0022]优选的，所述头部网络中：主干网络的快速空间金字塔池化模块层输出特征图经过第五增强卷积模块和上采样后，与主干网络第三融合CBAM注意力机制的C3模块输出的特征图concat融合。
[0023]输出融合特征依次输入第一C3模块、第六增强卷积模块、上采样模块后与主干网络中第二融合CBAM注意力机制的C3模块输出特征图concat融合。
[0024]输出特征图依次经过第二C3模块和第七增强卷积模块，与第七增强卷积模块的输出特征concat融合后输出融合特征图。
[0025]此特征图再依次经过第三C3模块和第八增强卷积模块，与头部模块中第五增强卷积模块的输出concat融合后再输入第四C3模块。
[0026]所述第二C3模块、第三C3模块、第四C3模块输出的特征图输入到预测网络。
[0027]优选的，最优权重判断方式如下：计算训练过程的map@0.5和map@0.5：0.95，并分别以0.1和0.9的比例加权计算平均权重，当前加权和的最大值所对应的权重作为模型的最优解。
[0028]所述指定阈值为0.3。
[0029]本专利技术的优点在于：本专利技术主要是呼吸波形图像素点驱动进行特征提取，能够得到更深层的特征表示，因此对人机不同步的的表达更高效准确，所提取的抽象特征鲁棒性更强，泛化能力更好。采用基于改进注意力机制的人机不同步检测模型，适用于图像识别人机不同步需求，模型识别准确率更高。针对改进的注意力机制和未改进的注意力机制在相同的数据集下进行检测对比可体现本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进注意力机制的人机不同步检测方法，其特征在于，包括：步骤1：数据采集，通过模拟肺与呼吸机进行气体交互，采集交互期间呼吸机上的压力、流速和容量；步骤2：将采集的压力、流速和容量进行数据切片，再将数据切片的数据绘制为图像生成模型样本，包括压力
‑
时间波形图、流速
‑
时间波形图和容量
‑
时间波形图；步骤3：对模型样本通过数据集清洗和图像标注进行预处理；步骤4：基于yolov5s框架构建改进注意力机制的yolov5s人机不同步识别网络模型，包括主干网络和头部网络和预测网络三部分，所述主干网络的每个卷积层后引入一层C3CBAM复式注意力机制，并在主干的快速空间金字塔池化模块层前添加一层CA层注意力机制；步骤5：将模型样本划分为训练集和验证集，通过训练集训练改进注意力机制的yolov5s人机不同步识别网络模型，以一次前向计算和反向传播为一次训练周期，选择训练过程中性能最优的权重作为yolov5s检测人机不同步模型的权重，获得训练完成的改进注意力机制的yolov5s人机不同步识别网络模型；步骤6：采集实时检测的患者呼吸机数据，并进行预处理后输入到训练完成的改进注意力机制的yolov5s人机不同步识别网络模型，获取患者是否发生人机不同步的情况；步骤7：当置信度大于指定阈值时，判定此标注框为人机不同步，对应坐标将标注框绘制在呼吸波形图上，反之判定当前为同步呼吸，不进行任何处理，所述置信度由目标存在的概率、预测框和真实框的交并比、预测框属于每个类别的概率相乘。2.根据权利要求1所述的基于改进注意力机制的人机不同步检测方法，其特征在于，所述数据采集周期为14.6天。3.根据权利要求1所述的基于改进注意力机制的人机不同步检测方法，其特征在于，所述数据切片采用多周期时间序列，每组切片长度为14秒每个数据切片中含有700个时间点，每个时间点有三个数据，分别为压力、流速和容量在该时间点的数据值。4.根据权利要求3所述的基于改进注意力机制的人机不同步检测方法，其特征在于，所述数据集生成具体方式如下：所述数据集清洗包括删除重复图片、无效触发和延迟触发人机不同步的呼吸波形图；所述数据标注方式如下：如果标注框未覆盖满周期波形，则只覆盖此周期内不同步波形异于同步呼吸波形的部分。5.根据权利要求1
‑
4任一所述的基于改进注意力机制的人机不同步检测方法，其特征在于...

【专利技术属性】
技术研发人员：徐山，程海博，涂燕晖，陈一昕，
申请(专利权)人：山东未来网络研究院紫金山实验室工业互联网创新应用基地，
类型：发明
国别省市：