基于容积二氧化碳图的死腔分数的模型建立方法及系统

技术领域

本发明涉及一种模型建立方法及系统，尤其涉及一种基于容积二氧化碳图的死腔分数的模型建立方法及系统。

背景技术

死腔分数对重症患者的预后的评估、PEEP值的调节、预测机械通气患者脱机时间、评价药物效果以及诊断肺栓塞都起着非常重要的作用，因此死腔分数的计算一直是临床专家最为关注的焦点之一。

容积二氧化碳图的AI实时监测系统硬件部分通常包含接到患者并被配置为监测患者呼出的二氧化碳水平的面罩或传感器以及用于接收、显示和分析测量以推论或识别患者不同身体状况的硬件系统。

容积二氧化碳图的AI实时监测系统软件模型研究现状如下：生理死腔最早的理论公式是通过肺泡CO2分压(P

但是现有技术存在着以下缺陷：

1)计算死腔分数的方法基于规则的容积二氧化碳图的几何分割，具体分割如图6所示，事实上很多容积二氧化碳图并不规则，比如重症患者，强制分割会带来较大误差；

2)采用血气分析仪获取数值，但血气分析是有创检测，检测成本高，检测频率较呼吸频率相差甚远，强制将其作为实时性数据以配合容积二氧化碳图用来监测死腔分数报警会造成误报或漏报。误报会增加医疗资源浪费和错误应急方案实施，漏报会加重患者病情甚至死亡，二者都可能造成医疗事故；

3)虽然不采用血气分析仪就可计算出死腔分数，但其预测误差较大，比如采用容积二氧化碳第三阶段中位数代替位会造成死腔分数预测结果偏高。

发明内容

为了解决上述技术所存在的不足之处，本发明提供了一种基于容积二氧化碳图的死腔分数的模型建立方法及系统。

为了解决以上技术问题，本发明采用的技术方案是：基于容积二氧化碳图的死腔分数的模型建立方法，包括以下步骤：

S1、构建LSTM模型；

S2、正反双向叠加LSTM网络构建BRNN模型；

S3、多层叠加BRNN网络构建MBRNN模型；

S4、基于MBRNN网络建立序列点内部各维度之间关系；

S5、基于MBRNN网络建立相邻CO

S6、建立损失函数方程，最终确定MBRRNN模型。

优选的，步骤S4的具体过程为：

首先，将CO

其中，

其次，建立基于多维变量X

Z

其中，W

最后，建立正对角线全部为0的方阵W

其中，w

优选的，步骤S5的具体过程为：

规定数据集中每位患者的连续容积CO

训练环节要求m个患者使用自己的样本参与训练，每次迭代每位患者拿出一个样本，初始样本为时间编号最早的那一个样本；下一次迭代使用的样本需要紧邻上一个样本，并且上一个样本的输出状态要作为当前迭代训练的隐藏层的初始状态；模型应用时，同样要将上一次预测的隐藏层输出状态作为下一次预测的隐藏层初始状态。

优选的，步骤S6中，总的损失函数如公式四所示：

其中：α,β为权重，α+β＝1,α≥0且β≥0，由于L

公式五中，

优选的，步骤S6中，公式四中L

其中，

其中，

基于容积二氧化碳图的死腔分数的模型建立方法的系统，监测系统包括与患者相接触的连接件，连接件通过导气管与呼吸机监测仪相连接，呼吸机监测仪包括流量和压力测量模块、处理器、数据库、显示器，流量和压力测量模块将检测到的信号传输给处理器，处理器与数据库双向传输。

优选的，系统的监测过程为：患者呼出的气体经连接件再经导气管输送至流量和压力测量模块，流量和压力测量模块将模拟信号转化为容积CO

优选的，连接件为面罩或呼吸管；处理器为带有MBRRNN模型的AI芯片处理器；数据库为带有无线或有线传输的数据库。

本发明提出构建多层双向有关系神经网络MBRRNN模型，该模型预测阶段不需使用血气分析仪的数据，并且仅依靠容积二氧化碳图自主学习得到、PaCO

附图说明

图1为本发明MBRRNN模型的创建流程图。

图2为LSTM模型结构图。

图3为BRNN模型结构图。

图4为MBRNN模型结构图。

图5为容积CO

图6为容积二氧化碳几何分割图。

图7为监测系统的结构图。

图中：1、连接件；2、导气管；3、流量和压力测量模块；4、处理器；5、数据库；6、显示器；7、呼吸机监测仪。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示的基于容积二氧化碳图的死腔分数的模型建立方法，包括以下步骤：

S1、构建LSTM模型；

LSTM模型的构建为现有技术，此处不再赘述。LSTM模型具体构建过程可参考下述文献和网址：Understanding LSTM Networks Posted on August 27,2015.http://colah.github.io/posts/2015-08-Understanding-LSTMs/。

循环神经网络(Recurrent Neural Network，RNN)是专门处理序列数据的监督深度学习算法，其有多种经典变体。其中，长短记忆网络(Long Short Term Memory，LSTM)就是其应用最广泛的变体之一，LSTM模型结构如图2所示，其核心公式如下所示：

输入门：i

遗忘门：f

候选记忆单元：

当前点记忆单元：

输出门：o

输出：h

在每个记忆单元(图2中的A)包括细胞状态C

S2、正反双向叠加LSTM网络构建BRNN模型；

BRNN(Bi-directional RNN)即双向循环神经网络，BRNN模型的构建为现有技术，此处不再赘述。BRNN模型可以参考网址：http://www.keraschina.com/keras_lstm/。

BRNN模型结构如图3所示，其核心公式如下所示：

由图3可以看出，BRNN模型是正反向LSTM网络的叠加。引入BRNN模型是因为兼顾前面若干输入和后面若干输入能提高预测准确度。

S3、多层叠加BRNN网络构建MBRNN模型；

MBRNN(Multilayer Bi-directional RNN)即多层双向循环神经网络，MBRNN模型结构如图4所示，其核心公式如下所示：

增加BRNN的隐藏层的层数，实际上相当于增加网络的深度，增大神经网络深度有助于预测精度的提高。正如图4所示，图4含有三个隐藏层分别为h

S4、基于MBRNN网络建立序列点内部各维度之间关系；

图5为容积CO

首先，将CO

其中，

向量X

其次，建立基于多维变量X

Z

其中，W

最后，建立正对角线全部为0的方阵W

其中，w

S5、基于MBRNN网络建立相邻CO

基于麻省理工学院的MIMIC-IV v1.0数据库，构建了2,212个患者的容积CO

训练环节要求m个患者使用自己的样本参与训练，每次迭代每位患者拿出一个样本，初始样本为时间编号最早的那一个样本；下一次迭代使用的样本需要紧邻上一个样本，并且上一个样本的输出状态要作为当前迭代训练的隐藏层的初始状态；模型应用时，同样要将上一次预测的隐藏层输出状态作为下一次预测的隐藏层初始状态。

S6、建立损失函数方程，最终确定MBRRNN模型。

MBRRNN(Multilayer Bidirectional Relative RNN)即多层双向有关系神经网络，总的损失函数如公式四所示：

其中：α,β为权重，α+β＝1,α≥0且β≥0，由于L

公式五中，

公式四中L

其中，

其中，

现对构建完成的MBRRNN模型进行内部测试，具体过程如下：

基于MIMIC-IV v1.0数据库共得到2,212患者的容积CO

表1 不同算法模型性能比较

表1中，MRE表示三种回归指标相对误差绝对值的加权平均值；MAE表示三种回归指标绝对误差绝对值的加权平均值。

由表1可以看出，由MBRRNN模型预测的MRE和MAE均为最小值，所以MBRRNN模型的预测性能最优。

基于容积二氧化碳图的死腔分数的模型建立方法的系统，监测系统包括与患者相接触的连接件1，连接件1通过导气管2与呼吸机监测仪7相连接，呼吸机监测仪7包括流量和压力测量模块3、处理器4、数据库5、显示器6，流量和压力测量模块3将检测到的信号传输给处理器4，处理器4与数据库5双向传输。

作为优选，连接件1为面罩或呼吸管；处理器4为带有MBRRNN模型的AI芯片处理器；数据库5为带有无线或有线传输的数据库。为了提高训练和预测的效率，三个回归指标的实时监测系统需要有处理器。为了增强可视化效果，患者CO

系统的监测过程为：患者呼出的气体经连接件1再经导气管2输送至流量和压力测量模块3，流量和压力测量模块3将模拟信号转化为容积CO

下面通过具体实施例对本发明做进一步的说明。

实施例一

为了验证MBRRNN模型的外部测试效果，中国人民解放军总医院(301医院)呼吸科组织并完成了算法模型的外部测试。测试人员按照分层抽样法，分别测试了性别组、年龄组的模型测试结果与真实值结果的对比。真实值由血气分析仪等设备提供的真实数据经计算确定。

所有参与测试人员的系统连接图结构相同，系统连接图如图7所示。患者呼出的气体经连接件1再经导气管2输送至流量和压力测量模块3，流量和压力测量模块3将模拟信号转化为容积CO

A：性别组对照测试

分别选取男性、女性各三名。要求这6人身体状况相差不大。在已获取真实值所在时间戳上采集模型预测的回归指标值。共确定20个时间戳作为真实值和预测值的采集点。具体结果如表2所示。

表2 性别组测试结果

由表2可以看出男性MRE比女性略低。性别组MRE最大值为0.141略高于内部测试值0.135。这说明外部测试和内部测试相差很微小，算法模型完全可以应用在外部测试环境中。

B：年龄组对照测试

分别选取55～65、66～75、＞75三个年龄段各3人。要求这9人身体状况相差不大。在已获取真实值所在时间戳上采集模型预测的回归指标值。共确定20个时间戳作为真实值和预测值的采集点。具体结果如表3所示。

表3 年龄组测试结果

由表3可以看出，随着年龄增长，MRE和MAE均增大；MRE最大值出现在＞75岁年龄段，其值为0.156。MAE最大值为6.229。年龄组的测试说明，在外部测试环境中，算法模型预测年龄较轻的患者精度更高。总体上，算法模型可以预测不同年龄段患者的三项回归指标。

采用本申请的模型完成上述A、B测试是完全无创伤检测，不需增加额外检测成本，其实时性预测效果可以达到秒级，远超血气分析仪检测频率。

上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。