基于DTW-KNN的機(jī)械通氣無效吸氣努力檢測

潘 清 龔 強(qiáng) 陸 飛 方路平 葛慧青

1(浙江工業(yè)大學(xué)信息工程學(xué)院 浙江 杭州 310023)2(浙江大學(xué)醫(yī)學(xué)院附屬邵逸夫醫(yī)院呼吸治療科 浙江 杭州 310016)

0 引 言

重癥監(jiān)護(hù)室(Intensive Care Unit, ICU)是保障重癥病人生命活動(dòng)的最后一道防線。呼吸機(jī)是ICU里最重要的生命支持設(shè)備[1]。為最大程度保證病人生命安全，正確使用呼吸機(jī)，確保高質(zhì)量的人機(jī)交互至關(guān)重要[2]。但是，使用呼吸機(jī)進(jìn)行輔助通氣的重癥病人的生理呼吸周期與呼吸機(jī)的送氣周期可能不一致，會(huì)產(chǎn)生人機(jī)不同步現(xiàn)象[3]。人機(jī)不同步在呼吸機(jī)使用過程中出現(xiàn)頻率較高[4-8]。文獻(xiàn)[5]研究結(jié)果顯示，異步指數(shù)(不同步事件除以總呼吸率)大于等于10%的患者約占呼吸機(jī)治療人數(shù)的24%。人機(jī)不同步可能會(huì)導(dǎo)致患者與呼吸功能高度相關(guān)的肌肉組織損傷，進(jìn)而導(dǎo)致吸氣相關(guān)的肌肉無法提供正常吸氣時(shí)所需的力量，造成患者無法脫離呼吸機(jī)獨(dú)立呼吸等諸多病人無法接受的后果[9-10]。研究自動(dòng)檢測機(jī)械通氣人機(jī)不同步能夠及時(shí)提示醫(yī)護(hù)人員調(diào)整呼吸機(jī)的各項(xiàng)參數(shù)設(shè)置，減少人機(jī)不同步的發(fā)生，改善病人預(yù)后，對ICU臨床工作具有重要的意義。IEE是最常見的人機(jī)不同步類型之一，其在呼吸機(jī)波形上的表現(xiàn)為氣道壓力波形呼氣相凹陷的同時(shí)伴隨流速波形在呼氣相突起。由于病人的病情及每一次呼吸的狀態(tài)均存在不確定性，造成IEE事件的發(fā)生程度以及在呼氣相的發(fā)生時(shí)間有所差異，導(dǎo)致IEE特征的幅值、特征在呼氣相的位置有所變動(dòng)，使得IEE事件的氣道壓力以及流速波形具有非平穩(wěn)特征。而且，病人呼吸周期存在變異性，將導(dǎo)致呼吸序列不等長。常用的IEE檢測方式是依靠專業(yè)人員在床邊觀察和評估呼吸機(jī)波形[11-12]。早期IEE的自動(dòng)檢測方法主要是基于規(guī)則的[5，13]。Thille等[5]將IEE定義為氣道壓突然下降(≥0.5 cmH2O)的同時(shí)流速也隨之降低，并且呼氣期間產(chǎn)生的吸氣努力強(qiáng)度不足以觸發(fā)呼吸機(jī)為患者送氣，無法開啟新的呼吸周期。Chen等[13]認(rèn)為，在呼氣期間，當(dāng)最大流速偏差或者最大氣道壓偏差超過預(yù)設(shè)閾值時(shí)，即發(fā)生IEE事件。近年來，隨機(jī)森林(Random Forest,RF)及自適應(yīng)增強(qiáng)(Adaptive Boosting,AdaBoost)算法也被一些學(xué)者應(yīng)用于IEE的自動(dòng)檢測，取得了較好的效果[14]。但上述方法在IEE檢測上均存在一定局限性：在床邊觀察和評估呼吸機(jī)波形的方法需要花費(fèi)大量的醫(yī)護(hù)人員資源；基于規(guī)則的檢測方法對噪聲比較敏感，且其性能受閾值選擇影響較大；基于RF和AdaBoost的檢測方法需要提取特征，而所提特征可能存在信息泄露的問題。為解決上述方法在IEE檢測上的不足，本文提出一種基于DTW-KNN的IEE檢測方法，該方法通過計(jì)算樣本間的相似性對呼吸波形進(jìn)行分類。

DTW算法基于動(dòng)態(tài)規(guī)劃的思想，解決了不等長序列的模板匹配問題[15]，適用于不等長序列的相似性測量。各種基于DTW方法已成功用于心電信號、腦電信號等生物信號時(shí)間序列及非生物信號的分類與識(shí)別中[16-19]。文獻(xiàn)[16]使用DTW對ECG幀進(jìn)行模板匹配，實(shí)現(xiàn)ECG信號的幀分類，實(shí)驗(yàn)達(dá)到了1.33%的分類殘差的良好分類結(jié)果。文獻(xiàn)[17]中，DTW更是成功地區(qū)分了各種心律不齊的心電信號。以上研究結(jié)果證明DTW在具有非平穩(wěn)特征的生物信號分類中具有良好的性能。

因此，針對呼吸序列的不等長及非平穩(wěn)特征的問題，本文引入DTW算法計(jì)算呼吸序列之間的相似性距離，以此來度量兩條序列的相似性。在同一實(shí)驗(yàn)數(shù)據(jù)下，基于規(guī)則的方法和AdaBoost方法檢測IEE事件的準(zhǔn)確率均不足90%。RF的IEE檢測準(zhǔn)確率為92.5%。而本文提出的DTW-KNN算法對IEE的檢測準(zhǔn)確率達(dá)到96.9%。

1 基于KNN和DTW的IEE檢測算法

1.1 IEE波形特征

IEE是最常見的人機(jī)不同步類型之一，其氣道壓力波形與流速波形均存在相應(yīng)特征：氣道壓力波形呼氣相凹陷，與此同時(shí)流速波形在呼氣相突起。由于患者的病情和呼吸狀態(tài)存在不確定性，造成IEE事件的發(fā)生程度以及在呼氣相的發(fā)生時(shí)間有所差異，導(dǎo)致IEE特征的幅值、特征在呼氣相的位置有所變動(dòng)，使得IEE事件的氣道壓力及流速波形具有非平穩(wěn)特征。而且，病人呼吸周期存在變異性，將導(dǎo)致呼吸序列不等長。

連續(xù)五次呼吸的氣道壓力波形、流速波形及波形特征如圖1所示，其中IEE波形特征由黑色圓圈標(biāo)出?？梢钥闯觯琁EE事件的呼氣相波形與非IEE呼吸相波形相比，兩者之間的形狀差異較大，并且兩個(gè)IEE事件之間的特征表現(xiàn)也有所不同，即氣道壓力以及流速波形具有非平穩(wěn)特征。

(a) 氣道壓波形

(b) 流速波形圖1 連續(xù)五次呼吸波形

1.2 數(shù)據(jù)預(yù)處理

在臨床上，針對病人不同的病情，需要給予不同強(qiáng)度的機(jī)械通氣支持，即不同病人的氣道壓力和流速水平均不相同，這將導(dǎo)致后續(xù)使用DTW計(jì)算兩條呼吸序列的相似性距離產(chǎn)生較大偏差。圖2展示了呼吸序列經(jīng)過預(yù)處理與未經(jīng)過預(yù)處理的兩條IEE序列及IEE序列、非IEE序列之間的DTW距離，其中：圖2(a)、(b)分別給出了未經(jīng)預(yù)處理的兩條IEE序列以及IEE序列、非IEE序列之間的DTW距離；圖2(c)、(d)分別給出了經(jīng)過預(yù)處理的兩條IEE序列以及IEE序列、非IEE序列之間的DTW距離?？梢钥闯觯唇?jīng)過預(yù)處理的兩條IEE序列的DTW距離為441.94，大于IEE序列與非IEE序列之間的DTW距離411.59；而經(jīng)過預(yù)處理之后的兩條IEE序列的DTW距離為10.92，小于IEE序列與非IEE序列之間的DTW距離18.51。由上述結(jié)果可知，對呼吸序列進(jìn)行預(yù)處理之后在進(jìn)行相似性距離計(jì)算時(shí)，得到的結(jié)果更能反映真實(shí)的波形相似情況。

(a) DTW距離:441.94 (b) DTW距離:411.59

(c) DTW距離:10.92 (d) DTW距離:18.51圖2 預(yù)處理前后兩條同類別序列以及不同類別序列之間的DTW距離對比

因此，在進(jìn)行數(shù)據(jù)分析之前需先對波形進(jìn)行歸一化，消除由于波形幅度不同而造成的差異。本文根據(jù)式(1)對呼吸序列S(s1,s2,…,sn)采用Z-score方法進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，避免因氣道壓力、流速水平不同引發(fā)的問題。

(1)

1.3 K-最鄰近算法(KNN)

KNN算法[20]思想簡單明了，分類準(zhǔn)確率較高，錯(cuò)誤概率的上限是貝葉斯錯(cuò)誤概率的兩倍，被認(rèn)為是向量控件模型下最好的分類器，在醫(yī)學(xué)以及圖像識(shí)別與分類等領(lǐng)域都展現(xiàn)其良好的分類效果[21-22]。其基本思想是：計(jì)算待分類樣本與各個(gè)訓(xùn)練樣本之間的相似性，找出訓(xùn)練樣本中與待分類樣本最相似的K個(gè)樣本，最后根據(jù)得到的K個(gè)樣本的類別確定待分類樣本的歸屬。其算法描述為：首先，計(jì)算測試序列樣本與各個(gè)訓(xùn)練數(shù)據(jù)樣本之間的相似性距離，并按照從小到大的順序?qū)λ邢嗨菩跃嚯x進(jìn)行排序；然后，選取前K個(gè)最小距離所對應(yīng)的測試序列樣本，確定所選取的前K個(gè)最小距離所對應(yīng)的測試序列樣本所在類別的出現(xiàn)頻次；最后，將出現(xiàn)頻率最高的類別作為測試出序列樣本的預(yù)測分類。圖3為KNN在本研究中分類示意圖，其中：矩形和三角形分別代表不同類型的呼吸波形數(shù)據(jù)，圓形為待分類呼吸波形。

圖3 KNN算法示意圖

待分類樣本與2個(gè)三角形樣本和1個(gè)矩形樣本最相似，根據(jù)KNN算法，待分類樣本被分為三角形樣本。同時(shí)，對于不同的K值，KNN算法的分類結(jié)果是不一樣的。

1.4 動(dòng)態(tài)時(shí)間規(guī)整(DTW)

在KNN算法中需要計(jì)算樣本之間的相似性。歐氏距離是最常用的樣本相似性度量方法。等長時(shí)間序列Q(q1,q2,…,qn)和C(c1,c2,…,cn)的歐氏距離ED(Q,C)計(jì)算公式如下：

(2)

應(yīng)用式(2)要求進(jìn)行對比的兩樣本之間具有相同的序列長度。但是，由于病人呼吸周期存在變異性，導(dǎo)致采集的呼吸序列長短不一，因而無法使用歐氏距離來度量序列的相似性。通過插值和重采樣的方法盡管能夠使兩段序列具有相同的長度，但插值和重采樣方法僅僅使不等長序列變成等長序列而已，并未考慮到兩條序列采樣點(diǎn)之間的距離的相對大小關(guān)系，從而導(dǎo)致了序列各個(gè)采樣點(diǎn)之間的無規(guī)則偏移，進(jìn)而造成兩條序列相似部分采樣點(diǎn)之間無法較好地對齊，使得原本相似的兩條序列之間的相似性距離偏大。DTW算法基于動(dòng)態(tài)規(guī)劃的思想，解決了不等長序列的模板匹配問題，適用于不等長序列的相似性測量。各種基于DTW方法已成功用于心電信號、腦電信號等生物信號的分類與識(shí)別中。文獻(xiàn)[16]使用DTW對ECG幀進(jìn)行模板匹配，實(shí)現(xiàn)ECG信號的幀分類，實(shí)驗(yàn)達(dá)到了1.33%的分類殘差的良好分類結(jié)果。在文獻(xiàn)[17]中，DTW更是成功地區(qū)分了各種心律不齊的心電信號。以上研究結(jié)果證明DTW在具有非平穩(wěn)特征的生物信號分類中具有良好的性能。因此，對于同樣具有非平穩(wěn)特征的呼吸信號，本文以DTW距離來度量不等長呼吸序列之間的相似性。對于兩條不等長時(shí)間序列Q(q1,q2,…,qn)和C(c1,c2,…,cm)，DTW通過動(dòng)態(tài)規(guī)劃能夠找到Q和C之間的最佳規(guī)整路徑，再通過式(3)得到最小累加距離D(i,j)。

(3)

式中：d(qi,cj)=(qi-cj)2。最終，可由式(4)計(jì)算兩序列的DTW距離DTW(Q,C)。

(4)

對于兩條序列Q(q1,q2,…,qn)和C(c1,c2,…,cm)，兩者經(jīng)過動(dòng)態(tài)規(guī)劃算法得到的最佳規(guī)整路徑WP={WP1,WP2,…,WPk},max(m,n)≤k≤m+n-1，必須嚴(yán)格服從以下約束：

(1) 邊界條件。所選的路徑必須從WP1=(1,1)出發(fā)，在WPk=(n,m)結(jié)束。

(2) 連續(xù)性。如果路徑當(dāng)前點(diǎn)為(x1,y1)，那么對于路徑的下一個(gè)點(diǎn)(x,y)需要滿足(x-x1)≤1且(y-y1)≤1。

(3) 單調(diào)性：如果路徑當(dāng)前點(diǎn)為(x1,y1)，那么對于路徑的下一個(gè)點(diǎn)(x,y)需要滿足(x-x1)≥0和(y-y1)≥0。

圖4為兩條不等長呼吸序列及兩者的最佳規(guī)整路徑。其中：圖4(a)、(b)為標(biāo)準(zhǔn)化的呼吸流速序列，圖4(c)為最佳規(guī)整路徑。可以看出，動(dòng)態(tài)規(guī)劃對時(shí)間上的壓縮和延伸是不敏感的。因此，采用了動(dòng)態(tài)規(guī)劃思想的DTW能很好地度量兩條不等長序列的相似性。

圖4 不等長呼吸序列的最佳規(guī)整路徑示意圖

圖5為Z-score標(biāo)準(zhǔn)化之后兩條呼吸流速序列、經(jīng)過重采樣對齊、插值法對齊以及DTW對齊前后的對比圖?？梢钥闯觯?dāng)采用重采樣以及插值法實(shí)現(xiàn)兩條不等長呼吸流速序列的對齊時(shí)，如圖5(b)、(c)所示，這兩種方法并沒有把波形的相似部分較好的對齊，盡管兩條序列的長度變得一樣，但是波形的對齊效果比圖5(a)中直接標(biāo)準(zhǔn)化之后的波形對齊效果還更差。而兩條不等長序列經(jīng)過DTW之后，相比于重采樣和插值法的對齊效果，兩條原本相似的不等長的呼吸流速序列的對齊效果提升較大，其對齊效果如圖5(d)所示。

(a) 兩條原始呼吸流速 (b) 經(jīng)過重采樣方法對齊的呼吸流速

(c) 經(jīng)過插值法對齊的呼吸流速 (d) 經(jīng)過DTW對齊的呼吸流速圖5 呼吸流速對齊方法對比圖

因此，經(jīng)過DTW對齊之后，能夠很好地度量兩條序列的相似性距離，從而可以用于KNN算法中的相似度度量。

1.5 實(shí)驗(yàn)材料

在重癥監(jiān)護(hù)室中采集了17名使用Puritan Bennett 840呼吸機(jī)進(jìn)行機(jī)械通氣的重癥患者的氣道流速波形數(shù)據(jù)。其中成年男性11名，成年女性6名，患者平均年齡為64.5歲。研究得到浙江大學(xué)醫(yī)學(xué)院附屬邵逸夫醫(yī)院倫理委員會(huì)審查通過(No.20190916-16)。表1展示了所選病人的相關(guān)信息。

表1 選取病人信息表

對上述篩選的數(shù)據(jù)進(jìn)行標(biāo)注，先由5名資歷較低的醫(yī)生進(jìn)行第一輪的預(yù)標(biāo)注，后由2名資歷較高醫(yī)生對第一輪的標(biāo)注結(jié)果進(jìn)行審核，以確保標(biāo)注結(jié)果的準(zhǔn)確性。最后形成IEE數(shù)據(jù)集和非IEE數(shù)據(jù)集兩個(gè)數(shù)據(jù)集，IEE數(shù)據(jù)集中包含1 032次呼吸流速波形數(shù)據(jù)，非IEE數(shù)據(jù)集中包含1 031次呼吸流速波形數(shù)據(jù)。

1.6 評價(jià)方法

本文以十折交叉驗(yàn)證評價(jià)算法的性能。將標(biāo)注后的數(shù)據(jù)隨機(jī)分為10份，選取其中1份作為測試序列樣本，其余9份作為訓(xùn)練序列樣本；然后依次對每一份測試序列樣本與訓(xùn)練序列樣本分別做Z-score標(biāo)準(zhǔn)化后，再通過DTW計(jì)算兩者的相似性距離，選取前K個(gè)最小距離的訓(xùn)練序列樣本；最后將其中出現(xiàn)次數(shù)最多的類別標(biāo)簽作為測試序列樣本的類別標(biāo)簽。圖6為本研究方法流程。

圖6 研究方法流程

本實(shí)驗(yàn)采用準(zhǔn)確率、靈敏度、特異性以及F1得分來衡量算法性能。各指標(biāo)計(jì)算方式如下：

(5)

(6)

(7)

(8)

式中：TP表示真陽性數(shù)量；TN表示真陰性數(shù)量；FP表示假陽性數(shù)量；FN表示假陰性數(shù)量。

1.7 算法對比

為了驗(yàn)證所提出的算法的優(yōu)越性，本文將其與傳統(tǒng)的基于規(guī)則的算法及基于RF和AdaBoost的算法進(jìn)行對比。

Chen等于2008年提出一種基于規(guī)則的IEE檢測方法，其基本思想是：通過計(jì)算呼吸流速呼氣相的極大值與其之后的最小值的差值和設(shè)定閾值的大小關(guān)系來檢測該次呼吸是否發(fā)生IEE事件。該算法描述為：首先檢測呼吸流速序列的呼氣開始點(diǎn)，獲取流速呼氣相序列H(h1,h2,…,hk)，并計(jì)算H的所有極大值Hm及極大值索引m,1

Sottile等[14]利用RF算法和AdaBoost算法實(shí)現(xiàn)了IEE的自動(dòng)檢測。本文重現(xiàn)了其算法并應(yīng)用于本文數(shù)據(jù)集上進(jìn)行性能對比。首先，提取IEE檢測所需的特征，包括呼吸周期、吸氣末氣道壓、吸氣末流速、吸氣末潮氣量等時(shí)間、氣道壓、流速及潮氣量四大類特征參數(shù)(具體參數(shù)見文獻(xiàn)[14]的附錄補(bǔ)充材料)。隨后構(gòu)建RF和AdaBoost預(yù)測模型，通過網(wǎng)格搜索方法進(jìn)行模型參數(shù)調(diào)優(yōu)。最后基于所構(gòu)建的模型對測試樣本進(jìn)行類別判定。RF基本思想是：從訓(xùn)練集中隨機(jī)有放回地抽取與訓(xùn)練集數(shù)目相等的樣本以及隨機(jī)選取特征集里面的少量IEE特征來對決策樹進(jìn)行訓(xùn)練，反復(fù)執(zhí)行，產(chǎn)生多棵決策樹；將未參加決策樹訓(xùn)練的訓(xùn)練集樣本作為測試樣本，再基于少數(shù)服從多數(shù)原則，對所有決策樹的輸出結(jié)果進(jìn)行投票以得到測試樣本的預(yù)測分類結(jié)果。AdaBoost基本思想是：根據(jù)訓(xùn)練集中每個(gè)樣本的分類是否正確以及最后一次整體分類的準(zhǔn)確性來更改數(shù)據(jù)分布并確定每個(gè)樣本的權(quán)重。權(quán)重已修改的新數(shù)據(jù)集將發(fā)送到下一個(gè)弱分類器進(jìn)行訓(xùn)練，最后算法將組裝這些不同的弱分類器以形成更強(qiáng)的分類器作為最終決策分類器。

2 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文提出方法的性能，將本文方法與Chen等[13]提出的基于規(guī)則的方法及Sottile等[14]提出的基于RF和AdaBoost的方法進(jìn)行比較。

本文算法中，K取1～15(步長為2)，不同K值結(jié)果在表2中展示。在各種K取值情況下，準(zhǔn)確率有所差異，隨著K值的增大，準(zhǔn)確率逐漸下降，但均在95%以上。K=15時(shí)準(zhǔn)確率最低，為95.3%；K=1時(shí)準(zhǔn)確率最高，為96.9%。這表明，IEE樣本類內(nèi)差異范圍較大，而與非IEE樣本的類間差異范圍不大，K取較大值時(shí)容易出現(xiàn)部分IEE波形與較多的非IEE樣本更相似而錯(cuò)分的情況。

表2 基于DTW-KNN方法在不同K值下對IEE的檢測性能

最優(yōu)DTW-KNN方法與其他方法比較的結(jié)果如表3所示?；谝?guī)則的方法和AdaBoost方法檢測IEE事件的準(zhǔn)確率均不足90%。RF的IEE檢測準(zhǔn)確率為92.5%。本文提出的DTW-KNN算法對IEE的檢測準(zhǔn)確率達(dá)到96.9%，優(yōu)于其他方法。

表3 實(shí)驗(yàn)對比結(jié)果

本研究也嘗試對檢測結(jié)果里面的誤分樣本進(jìn)行分析。圖7為使用DTW-KNN算法對不同呼吸流速序列測試樣本進(jìn)行檢測的分類結(jié)果示意圖。圖中的訓(xùn)練數(shù)據(jù)樣本均為測試樣本與訓(xùn)練集所有樣本的最小DTW距離樣本。圖7(a)、(b)分別為IEE事件的正確檢測與非IEE事件的正確檢測示意圖，圖7(c)、(d)分別為IEE事件與非IEE事件的錯(cuò)誤檢測示意圖。可以看出，經(jīng)過DTW對齊之后的兩個(gè)不同類別的序列樣本只是在IEE事件呼氣相流速波形特征表現(xiàn)處有微小的差異，在波形其他地方基本沒有差別。這表明，IEE事件各個(gè)亞類樣本之間的差異比較明顯，而IEE事件各個(gè)亞類與非IEE事件樣本之間的差異較小。當(dāng)某個(gè)IEE事件亞類中只包含單條呼吸序列樣本的時(shí)候，將會(huì)導(dǎo)致該IEE事件亞類的單條序列樣本與非IEE事件的樣本的相似性距離達(dá)到最小，造成DTW-KNN算法發(fā)生呼吸序列樣本的錯(cuò)誤檢測。

(a) (b)

(c) (d)圖7 樣本分類結(jié)果圖

3 結(jié) 語

本文提出的基于DTW-KNN的IEE檢測方法相比于文獻(xiàn)報(bào)道的其他方法更加簡單，無須設(shè)置各類參數(shù)或提取復(fù)雜的特征，且準(zhǔn)確率更高。基于規(guī)則的機(jī)械通氣IEE檢測方法需要選擇合適的閾值方能達(dá)到最佳效果。RF、AdaBoost等方法需要人工提取波形特征，特征是否具有代表性及特征計(jì)算的準(zhǔn)確性均可能影響算法性能。而基于DTW-KNN可以直接依賴于呼吸波形的原始數(shù)據(jù)，無須提取特征或設(shè)置復(fù)雜的閾值。研究結(jié)果表明，較基于規(guī)則的方法及RF和AdaBoost方法相比，基于DTW-KNN的IEE檢測方法在準(zhǔn)確率上有一定優(yōu)勢。

DTW-KNN方法也存在以下不足：首先，KNN方法對K值比較敏感，使用KNN方法時(shí)也需要對K值進(jìn)行小范圍閾值的掃描，消耗一定時(shí)間；其次，呼吸氣道壓波形數(shù)據(jù)也包含一定的IEE特征。但是本實(shí)驗(yàn)只使用了IEE特征表現(xiàn)更明顯的流速波形數(shù)據(jù)，未使用氣道壓特征。在后續(xù)研究中，可針對上述不足之處進(jìn)行優(yōu)化，以進(jìn)一步提升本研究提出的IEE檢測算法的性能。