基于半监督卷积神经网络进行人机不同步的识别

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。

新的基于双ZED摄像头的心肺复苏按压姿势检测模型

目的正确的胸外按压姿势(chest compression posture,CCP)是完成高质量心肺复苏(cardiopulmonary resuscitation,CPR)的重要基础,但目前关注CCP的研究十分有限。本研究设计新的CPR按压姿势自动分析程序,拟实现对CCP监测达到客观化、标准化和自动化的目的。方法本研究共招募15人参与现场试验,其中专业组11人,非专业组4人。分别于正前方和45度侧面用ZED双摄像头同时记录按压视频数据,所有参与人员均在Smartman模拟人上进行连续的120次持续胸外按压操作。3位专家对CPR视频进行独立标注,智能算法提取人体骨骼点用于后续分析和模型开发。专业组和业余组两组率的比较采用卡方检验进行统计分析。结果研究分析发现,腕部用力、手指未翘起、重心偏移、肘部弯曲是其中发生率最高的错误。通过专业组规范数据集共28800组人体骨骼点坐标数据计算手臂角度合理范围为左臂169.24°~180.00°,右臂角度为168.49°~180°。相同的方法,得到重心角度合理范围为0.00°~18.46°。在此基础上,构建的基于双ZED的CPR按压姿势检测模型可以较准确的识别出CPR的按压姿势错误(准确率91.31%,敏感度80.16%,特异度93.53%)。结论本研究创新性的提出对CPR按压姿势进行客观评价的方法,并且在此基础上构建了基于双ZED摄像头的CPR按压姿势检测模型,可以较准确的识别出CPR的按压姿势错误,以实现CPR培训质量控制可以更加的自动化和标准化。