A breathing circuit alarm system based on neural networks

Publisher Website
Google Scholar
Abstract
Objective. The objectives of our study were (1) to implement intelligent respiratory alarms with a neural network; and (2) to increase alarm specificity and decrease false-alarm rates compared with current alarms.Methods. We trained a neural network to recognize 13 faults in an anesthesia breathing circuit. The system extracted 30 breath-to-breath features from the airway CO2, flow, and pressure signals. We created training data for the network by introducing 13 faults repeatedly in 5 dogs (616 total faults). We used the data to train the neural network using the backward error propagation algorithm.Results. In animals, the trained network reported the alarms correctly for 95.0% of the faults when tested during controlled ventilation, and for 86.9% of the faults during spontaneous breathing. When tested in the operating room, the system found and correctly reported 54 of 57 faults that occurred during 43.6 hr of use. The alarm system produced a total of 74 false alarms during 43.6 hr of monitoring.Conclusion. Neural networks may be useful in creating intelligent anesthesia alarm systems. Ziel. Die Ziele unserer Studie waren (1) die Implementation intelligenter Alarme für die Beatmungsüberwa-chung mit Hilfe neuronaler Netze und (2) die Verbesserung der Alarm-Spezifität sowie die Reduktion der Zahl der Fehl-Alarme im Vergleich zu derzeitigen Alarmsystemen.Methoden. Wir trainierten ein neuronales Netzwerk zur Erken-nung von 13 verschiedenen Fehlertypen in Anasthesie-Beatmungskreisläufen. Das System ermittelte 30 Merkmale aus Messungen der Co2-Konzentration, des Flows und des Druckes im Atemweg. Wir erzeugten Trainings-Datensätze für das neuronale Netz durch wiederholte Induktion von Fehlern der 13 Typen bei 5 Experimenten an Hunden (616 Fehler-situationen insgesamt). Die Datensätze wurden zum Training des Netzwerkes nach der Methode der Fehlerrückübermittlung genutzt.Ergebnisse. In Tierexperimenten erzeugte das trainierte Netzwerk korrekte Alarme in 95% der Fälle bei kontrollierter Beatmung und in 86.8% bei Spontanatmung. Im Operationsaal detektierte das System 54 der 57 innerhalb von 43.6 Betriebsstunden aufgetretenen Fehler Das Alarmsystem erzeugte in dieser Zeit insgesamt 74 Fehlalarme.Schlußfolgerung. Die Ergebnisse weisen darauf hin, daß Neuronale Netzwerke bei der Entwicklung von intelligenten AnästhesieAlärmsystemen sinnvoll eingesetzt werden können. Objetivo. Los objetivos de nuestro estudio fueron (1) implementar alarmas respiratorias inteligentes mediante redes neuronales; y (2) aumentar la especificidad de las alarmas y disminuir la incidencia de falsas alarmas, comparando con las alarmas actualmente en uso.Mètodos. Entrenamos una red neural para reconocer 13 fallas en un circuito respiratorio de anestesia. El sistema extrajo 30 caracterìsticas, respiraciòn a respiraciòn, desde el CO2 de vìa aèrea, y desde las señales de flujo y presiòn. Creamos información para entrenar la red introduciendo 13 fallas repetidamente en 5 perros (616 fallas en total). Usamos la informaciòn para entrenar la red neuronal usando el algoritmo de propagatiòn retrògrada del error.Resultados. En animales, la red entrenada reportò correctamente las alarmas para el 95% de las fallas durante ventilacion con-trolada, y para 86.9% de las fallas durante ventilaciòn espontà-nea. Al ser probada en el pabellòn quirùrgico, el sistema identificd y reportò correctamente 54 de las 57 fallas que ocurrieron durante 43.6 horas de uso. El sistema de alarma produjo un total de 74 falsas alarmas durante las 43.6 horas de monitorizaciòn.Conclusion. Las redes neuronales pueden ser utiles para crear sistemas de alarma inteligentes para anestesia.