論文の概要: Machine Learning for Mechanical Ventilation Control (Extended Abstract)
- arxiv url: http://arxiv.org/abs/2111.10434v1
- Date: Fri, 19 Nov 2021 20:54:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-26 07:44:50.895921
- Title: Machine Learning for Mechanical Ventilation Control (Extended Abstract)
- Title(参考訳): 機械換気制御のための機械学習(拡張抽象)
- Authors: Daniel Suo, Cyril Zhang, Paula Gradu, Udaya Ghai, Xinyi Chen, Edgar
Minasyan, Naman Agarwal, Karan Singh, Julienne LaChance, Tom Zajdel, Manuel
Schottdorf, Daniel Cohen, Elad Hazan
- Abstract要約: 機械的換気はICUで最も広く用いられている治療法の1つである。
人工呼吸器は、所定の気道圧の軌跡に従って患者の肺に空気を注入しなければならない。
データ駆動型アプローチは、人工呼吸器から収集したデータに基づいて訓練されたシミュレーターをトレーニングすることで、侵襲的人工呼吸器を制御することを学ぶ。
この方法は、一般的な強化学習アルゴリズムより優れており、PIDよりも正確で堅牢な物理的換気装置も制御できる。
- 参考スコア(独自算出の注目度): 52.65490904484772
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mechanical ventilation is one of the most widely used therapies in the ICU.
However, despite broad application from anaesthesia to COVID-related life
support, many injurious challenges remain. We frame these as a control problem:
ventilators must let air in and out of the patient's lungs according to a
prescribed trajectory of airway pressure. Industry-standard controllers, based
on the PID method, are neither optimal nor robust. Our data-driven approach
learns to control an invasive ventilator by training on a simulator itself
trained on data collected from the ventilator. This method outperforms popular
reinforcement learning algorithms and even controls the physical ventilator
more accurately and robustly than PID. These results underscore how effective
data-driven methodologies can be for invasive ventilation and suggest that more
general forms of ventilation (e.g., non-invasive, adaptive) may also be
amenable.
- Abstract(参考訳): 機械的換気はICUで最も広く用いられている治療法の1つである。
しかし、麻酔から新型コロナウイルス関連の生命維持への幅広い応用にもかかわらず、多くの有害な課題が残っている。
人工呼吸器は、所定の気道圧の軌跡に従って、患者の肺内および肺外への空気を通さなければならない。
PID法に基づく業界標準コントローラは最適でも堅牢でもない。
データ駆動型アプローチは、人工呼吸器から収集したデータに基づいて訓練されたシミュレーターをトレーニングすることで、侵襲的人工呼吸器を制御することを学ぶ。
この方法は、一般的な強化学習アルゴリズムより優れており、PIDよりも正確で堅牢な物理的換気装置も制御できる。
これらの結果は、データ駆動の方法論が侵襲的換気にいかに有効かを強調し、より一般的な換気形態(例えば、非侵襲的、適応的)も実現可能であることを示唆している。
関連論文リスト
- Unsupervised Discovery of Interpretable Directions in h-space of
Pre-trained Diffusion Models [63.1637853118899]
本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。
我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。
それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
論文 参考訳(メタデータ) (2023-10-15T18:44:30Z) - Spectrum Breathing: Protecting Over-the-Air Federated Learning Against
Interference [101.9031141868695]
モバイルネットワークは、近隣のセルやジャマーからの干渉によって損なわれる可能性がある。
本稿では,帯域幅拡大を伴わない干渉を抑制するために,カスケード段階のプルーニングとスペクトル拡散を行うスペクトルブリーチングを提案する。
呼吸深度によって制御された勾配プルーニングと干渉誘発誤差の間には,性能的トレードオフが認められた。
論文 参考訳(メタデータ) (2023-05-10T07:05:43Z) - Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。
検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
論文 参考訳(メタデータ) (2023-04-20T17:11:05Z) - Towards Safe Mechanical Ventilation Treatment Using Deep Offline
Reinforcement Learning [35.10140674005337]
DeepVentは、保守的なQ-Learning(CQL)ベースのオフラインのDeep Reinforcement Learning(DRL)エージェントで、90日間の生存を促進するための最適な人工呼吸器パラメータを予測することを学習する。
DeepVentは、最近の臨床試験で概説されているように、安全な範囲で換気パラメータを推奨している。
CQLアルゴリズムは、アウト・オブ・ディストリビューション状態/アクションの値推定の過大評価を緩和することで、さらなる安全性を提供する。
論文 参考訳(メタデータ) (2022-10-05T20:41:17Z) - Variational Autoencoders for Anomaly Detection in Respiratory Sounds [7.704032792820767]
本稿では,患者に呼吸器疾患の可能性を警告するツールを目的とした,弱い教師付き機械学習に基づくアプローチを提案する。
精度は57パーセントで、既存の強い監督のアプローチと一致している。
論文 参考訳(メタデータ) (2022-08-05T10:32:08Z) - Auto-FedRL: Federated Hyperparameter Optimization for
Multi-institutional Medical Image Segmentation [48.821062916381685]
Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。
本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。
提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
論文 参考訳(メタデータ) (2022-03-12T04:11:42Z) - An Apparatus for the Simulation of Breathing Disorders: Physically
Meaningful Generation of Surrogate Data [24.50116388903113]
健常者における閉塞性および拘束性呼吸波形の両方をシミュレートする簡便かつ効果的な方法として,PVCチューブと3Dプリント部品からなる装置を提案する。
呼吸抵抗と呼吸抵抗の両方を独立に制御することで、FEV1/FVCの吸気比の全スペクトルを通して閉塞性呼吸障害をシミュレーションすることができる。
人工呼吸障害シミュレーション装置の使用による波形においても、吸気義務周期の変化やピークフローの変化などの呼吸障害の波形特性が観察される。
論文 参考訳(メタデータ) (2021-09-14T14:00:37Z) - Machine Learning for Mechanical Ventilation Control [52.65490904484772]
圧制御換気における侵襲的機械式換気装置の制御の問題点を考察する。
PIDコントローラは、臨床医が指定する気道圧の軌跡に従って、鎮静患者の肺の空気を入出させる必要があります。
制御器は、PID制御器よりも目標圧力波形をかなりよく追跡できることを示す。
論文 参考訳(メタデータ) (2021-02-12T21:23:33Z) - Airflow recovery from thoracic and abdominal movements using
Synchrosqueezing Transform and Locally Stationary Gaussian Process Regression [6.496038875667294]
本稿では, 非線形型時間周波数解析ツールであるシンクロスキューズ変換を用いて, 胸部, 腹部の運動信号を特徴として表現することを提案する。
正常な睡眠条件下での呼吸信号を含むデータセットを用いて,提案したモデルを特徴空間に適合させることで,正確な予測が可能であることを示す。
論文 参考訳(メタデータ) (2020-08-11T01:37:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。