基于深度学习的机械通气痰液淤积感知与自主预警

目的机械通气是重症监护病房中常见的生命支持技术。长期使用可能导致痰液在患者呼吸道积聚,导致患者呼吸困难并增加感染风险。目前,医护人员通过听诊来判断痰液积聚,该方法依赖于个人经验且无法实时监测。方法本研究开发了一种基于数字听诊技术的痰液淤积实时监测系统。该系统能够通过听诊器实时采集并分析呼吸音信号,辨识病人痰液淤积程度。首先,系统将呼吸音进行预处理,然后转化为梅尔频谱图并送入Res Net-34模型中得出结果。系统输出值包括对痰液淤积程度的三级分类,分别指示“无需吸痰”“有痰需观测”以及“需要吸痰”。为了满足模型对算力的要求,系统被部署于人工智能主板上,通过UDP协议将辨识结果实时传输至呼吸机。呼吸机显示结果并进行分级预警。结果本系统共测试了总时长为718 s包含不同标签的呼吸音数据。测试结果显示,总体准确率达到了84.4%。三级分类的精确率分别为100%(无需吸痰)、74.1%(有痰需观测)和62.5%(需要吸痰)。由结果可知有痰、无痰状态已可以较为准确识别,但淤积程度分级预测的准确性仍需优化。结论本研究开发的实时痰液淤积监测系统准确判断了痰液淤积程度,提供了实时和可视化的监测结果,对改善重症监护病房中的机械通气患者护理质量具有重大意义。