关键词：相空间重建;卷积神经网络;机械通气;人机不同步;识别
摘 要：机械通气过程中人机不同步(patient-ventilator asynchrony,PVA)是常见问题。随着智能生理闭环通气成为呼吸机的主要发展方向，机械通气过程将不再局限于传统的通气模式，且针对PVA的智能识别模型，现有技术存在弱泛化性和高复杂度的特点。为此，该文的主要工作是：首先，将定压型与定容型通气模式的混合作为样本；其次，设置Hold-out和留一法两种交叉验证实验，以验证混合通气模式下PVA的识别任务可行性。此外，为提高PVA识别任务中模型的泛化性能，该文提出了基于相空间重建的卷积神经网络(phase-space reconstruction-based convolutional neural network,PSR-CNN)模型，通过交叉验证对现有公开报道的方法做模型选择。在模型构造过程中，相空间重建的最优时间延迟参数和嵌入维度分别使用平均互信息和伪近邻算法估计；在交叉验证过程中，同时使用降采样和补零技术，以保证实验的正常运行。结果显示，就全局指标accuracy和F1-score而言，该文提出的PSR-CNN模型，分别高出对比模型约7%和6%；且PSR-CNN单个样本的平均训练耗时最短，约2 ms。综上所述，该文探索了混合通气模式下PVA识别的可行性，且在该任务的框架内提出了PSRCNN模型，提高了PVA分类任务中模型的泛化性能，降低了模型的复杂度。该文的工作对呼吸机在工程上的智能化发展具有重要参考意义与应用价值。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取