基于人体动作识别的ICU患者非计划拔管动作分析与预警系统研究

作     者：杨双 

作者单位：电子科技大学 

学位级别：硕士

导师姓名：向明芳;王国蓉

授予年度：2023年

学科分类：1011[医学-护理学（可授医学、理学学位）] 10[医学] 

主      题：ICU 非计划拔管 行为分析 动作识别 预警管理 

摘      要：目的:观察、描述和分析ICU患者非计划拔管全过程的视频图像,明确非计划拔管过程的特征行为动作,并构建基于动作分析的非计划拔管预测模型和智能化预警系统。以方便医护人员早期识别ICU患者非计划拔管风险,采取针对性的防控措施,达到预防非计划拔管发生的目的。方法:采用专家会议法划分和命名非计划拔管的行为阶段;采用视频观察法描述性分析41例ICU患者非计划拔管各阶段特征动作;采用病例对照研究设计,构建基于动作的非计划拔管决策树和Logistic回归预测模型;采用Yolo病床区域监测模型、卷积神经网络和STformer构建非计划拔管智能化预警系统。结果:1.专家会议中,专家积极系数为100%,专家权威程度系数为0.835。通过专家会议,将非计划拔管行为过程分为三个阶段,分别是意图前期阶段、意图拔管阶段和拔管完成阶段。2.非计划拔管意图前期阶段时长中位值为193.0s,意图拔管阶段中位时长为8.0s,拔管完成阶段中位时长为6.0s,三阶段时长比较差异有统计学意义。意图前期阶段行为较为丰富,主要为上肢动作(95.1%),头颈部动作(31.7%),下肢动作(29.3%)以及全身动作(31.7%)。其中上肢动作的行为类型最为丰富多样。非计划拔管行为中,示指拇指的参与度最高均为100%,其次为中指68.3%。3.基于动作分析的ICU患者非计划拔管Logistic回归模型纳入9个变量,为晃腿、触管、挣扎起身、抓床栏、解氧饱和夹子、擦嘴、摸下巴、摸索、敲击床面。决策树模型共5层,18个节点,提取11条分类规则,筛选出8类高危患者。Logistic回归模型的ROC曲线下面积为0.83,决策树模型的ROC曲线下面积为0.78。4.基于动作的ICU患者非计划拔管智能化预警系统准确率为80.28%±1.44%,运行计算时间为0.00371s,所占内存为16.71M,优于其他深度学习模型。结论:非计划拔管行为防控重点阶段是意图前期阶段,而拔管动作一旦产生仅有6.0s可用;意图前期阶段的重点防控动作是“摸索、“抬手等;重点防控部位是示指和拇指。Logistic回归模型ROC曲线下面积优于决策树模型,但两模型各有优劣,临床实践中应结合两模型使用,从患者行为角度早期识别非计划拔管。结合卷积神经网络和Transformer网络的非计划拔管预警系统有较好的识别效能和识别速率,进一步研究将探讨其在ICU场景中的实际应用情况,为智能化动态化识别预警非计划拔管提供基础,以协助医护人员尽早发现非计划拔管。