期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
新的基于双ZED摄像头的心肺复苏按压姿势检测模型
被引量:
2
1
作者
宋菲
宁泽
惺
+6 位作者
陈超
王淳秀
王亚军
费甄甄
杭莺
李瑞瑞
尹春琳
《中华急诊医学杂志》
CAS
CSCD
北大核心
2023年第9期1189-1194,共6页
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...
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。
展开更多
关键词
心肺复苏
胸外按压
检测模型
人工智能
ZED摄像头
原文传递
基于半监督卷积神经网络进行人机不同步的识别
2
作者
周益民
宁泽
惺
+5 位作者
罗旭颖
何璇
杨燕琳
陈光强
李瑞瑞
周建新
《首都医科大学学报》
CAS
北大核心
2022年第5期734-739,共6页
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。...
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。
展开更多
关键词
机械通气
人机不同步
深度学习
卷积神经网络
半监督学习
下载PDF
职称材料
题名
新的基于双ZED摄像头的心肺复苏按压姿势检测模型
被引量:
2
1
作者
宋菲
宁泽
惺
陈超
王淳秀
王亚军
费甄甄
杭莺
李瑞瑞
尹春琳
机构
首都医科大学宣武医院心脏内科
北京富通东方科技有限公司人工智能实验室
首都医科大学宣武医院教育处
首都医科大学宣武医院全科医学科
首都医科大学宣武医院循证医学中心
北京化工大学信息科学与技术学院
出处
《中华急诊医学杂志》
CAS
CSCD
北大核心
2023年第9期1189-1194,共6页
基金
国家重点研发计划"科技冬奥"重点专项(2020YFF0305103)。
文摘
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。
关键词
心肺复苏
胸外按压
检测模型
人工智能
ZED摄像头
Keywords
Cardiopulmonary resuscitation
Chest compression
Detection model
Artificial intelligence
ZED camera
分类号
R654.1 [医药卫生—外科学]
原文传递
题名
基于半监督卷积神经网络进行人机不同步的识别
2
作者
周益民
宁泽
惺
罗旭颖
何璇
杨燕琳
陈光强
李瑞瑞
周建新
机构
首都医科大学附属北京天坛医院重症医学科
北京化工大学信息科学与技术学院
神经疾病数字诊疗北京市工程研究中心
出处
《首都医科大学学报》
CAS
北大核心
2022年第5期734-739,共6页
基金
首都市民健康培育(Z161100000116081)。
文摘
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。
关键词
机械通气
人机不同步
深度学习
卷积神经网络
半监督学习
Keywords
mechanical ventilation
patient-ventilator asynchrony
deep learning
convolutional neural network
semi-supervised learning
分类号
R4 [医药卫生—临床医学]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
新的基于双ZED摄像头的心肺复苏按压姿势检测模型
宋菲
宁泽
惺
陈超
王淳秀
王亚军
费甄甄
杭莺
李瑞瑞
尹春琳
《中华急诊医学杂志》
CAS
CSCD
北大核心
2023
2
原文传递
2
基于半监督卷积神经网络进行人机不同步的识别
周益民
宁泽
惺
罗旭颖
何璇
杨燕琳
陈光强
李瑞瑞
周建新
《首都医科大学学报》
CAS
北大核心
2022
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部