[论文解读] Ventilator pressure prediction using recurrent neural network

Su Diao, Changsong Wei+2 more|arXiv (Cornell University)|Oct 9, 2024

Advanced Sensor and Control Systems被引用 11

一句话总结

该论文提出一种基于循环神经网络的模拟器，用以从控制参数和肺部属性预测机械通气的吸气阶段气道压力，旨在提高压力跟踪性，相较于当前行业标准。

ABSTRACT

This paper presents a recurrent neural network approach to simulating mechanical ventilator pressure. The traditional mechanical ventilator has a control pressure that is monitored by a medical practitioner and can behave incorrectly if the proper pressure is not applied. This paper takes advantage of recent research and develops a simulator based on a deep sequence model to predict airway pressure in the respiratory circuit during the inspiratory phase of a breath given a time series of control parameters and lung attributes. This method demonstrates the effectiveness of neural network-based controllers in tracking pressure wave forms significantly better than the current industry standard and provides insights into the development of effective and robust pressure-controlled mechanical ventilators. The paper will measure as the mean absolute error between the predicted and actual pressures during the inspiratory phase of each breath.

研究动机与目标

• 推动在机械呼吸机中实现稳健、数据驱动的压力控制的需求。
• 开发一个能够从控制信号和肺部属性预测吸气期气道压力的深度序列模型。
• 展示基于神经网络的控制器在跟踪压力波形方面的有效性。
• 为设计稳健的压力控制通气系统提供见解。

提出的方法

• 构建一个循环神经网络，以模拟吸气期的机械通气压力。
• 在控制参数和肺部属性的时间序列数据上训练该模型。
• 通过将预测压力与实际压力进行比较来评估性能。
• 强调基于神经网络的控制器在更好地压力波形跟踪方面的潜力。

实验结果

研究问题

• RQ1 循环神经网络是否能够从控制参数和肺部属性准确预测吸气期的气道压力？
• RQ2 基于RNN的模拟器在压力波形跟踪方面是否比当前行业标准更有效？
• RQ3 在开发稳健的压力控制型机械呼吸机方面可以得出哪些见解？

主要发现

• 该方法在压力波形跟踪方面优于当前行业标准。
• 该模型在吸气期间充当呼吸回路内气道压力的模拟器。
• 基于神经网络的控制器在开发高效且稳健的压力控制型呼吸机方面具有潜力。