一种用于生成机器学习与教育用患者-呼吸机波形合成数据集的基于模型方法
计算机视觉与模式识别
2022-02-11 v2 机器学习
摘要
尽管机械通气在 ICU 中是挽救生命的干预手段，但其具有有害副作用，如气压伤与容积伤。这些伤害可能由不同步引起。不同步定义为呼吸机时序与患者呼吸努力之间的不匹配。自动检测这些不同步并随后反馈，将改善肺通气并降低肺损伤概率。用于检测不同步的神经网络提供了一种有前景的新方法，但需要大量标注数据集，这类数据难以获取且需对吸气努力进行复杂监测。在这项工作中，我们提出一种基于模型的方法，通过用一阶呼吸机模型扩展现有肺部模型，生成用于机器学习与教育用途的合成数据集。所推导肺部模型的生理学特性允许适配多种疾病原型，从而产生多样化数据集。我们使用源自文献测量的 9 种不同患者原型生成了合成数据集。该模型与合成数据的质量已通过与临床数据对比、临床专家评审以及在一个基于实验数据训练的人工智能模型上的验证得到确认。评估表明，可以生成包含不同步的、具备实验性患者-呼吸机波形最重要特征的患者-呼吸机波形。
引用
@article{arxiv.2103.15684,
title = {A Model-Based Approach to Synthetic Data Set Generation for Patient-Ventilator Waveforms for Machine Learning and Educational Use},
author = {A. van Diepen and T. H. G. F. Bakkes and A. J. R. De Bie and S. Turco and R. A. Bouwman and P. H. Woerlee and M. Mischi},
journal= {arXiv preprint arXiv:2103.15684},
year = {2022}
}