[Kaggle] Google Brain - Ventilator Pressure Prediction(上)

一.引言

　　鐺啦啦~我又來開新坑了，在<大家在用 AI 做什麼>系列中，會在 Kaggle 上找尋一些有趣的比賽，並實際去體驗，看看目前業界會使用 AI 來解決甚麼問題，雖然因為一些比賽規定不能隨意分享資料內容，但還是有能夠公開的部分，這個系列會分上下兩篇，上篇主要介紹比賽內容、資料集說明(公開可見的部分)，以及初步的想法，下篇則是實際結果，那我們就先來看看第一篇是甚麼吧。

二.問題說明-Ventilator Pressure Prediction

　　這篇我們選擇的是 Google Brain - Ventilator Pressure Prediction ，這是一個醫療領域的問題，當病人出現呼吸困難時，醫生會使用呼吸機通過插入氣管內的管子向病人肺部輸送氧氣，如何調節呼吸機的氣道壓力是個很大的課題，其影響能否確保足夠的空氣進入患者肺部，進行有效的氣體交換，提供足夠的氧氣並排出二氧化碳。

　　過高的氣道壓力可能會導致肺泡過度擴張甚至破裂，引發氣壓傷，反之，過低的壓力可能會導致肺泡塌陷，影響氣體交換效率，氣道壓力在吸氣和呼氣階段會有不同的要求，吸氣時需要較高的壓力將空氣推入肺部，而呼氣時需要降低壓力以允許空氣排出。

目前的方法

1.臨床醫生的操作

雖然現有的呼吸機配備了PID控制器，但在很多情況下，仍需要臨床醫生進行大量操作和監控。例如：

• 設定初始參數：臨床醫生需要根據病人的狀況設定呼吸機的初始參數。
• 動態調整：根據病人狀況的變化，臨床醫生需要動態調整呼吸機的參數，這些變化可 能是由病人病情變化、機械通氣時間延長、或其他併發症引起的。
• 處理異常狀況：當發生如氣道阻塞、肺部損傷等異常狀況時，臨床醫生需要即時處理並做出相應調整。

2.PID控制器的局限

PID控制器在很多情況下能夠很好地維持穩定的壓力和氣流，但它的調節能力有限，特別是在應對不同病人肺部特徵和即時變化方面。例如：

• 固定參數：PID控制器的參數需要根據特定病人的狀況設置，對不同病人的適應性有限。
• 反應時間：PID控制器對快速變化的情況可能反應不夠及時，無法預測並提前調整。

比賽目標

1.探索智能控制方法

• 這次比賽的目標是探索使用深度學習和神經網絡等智能控制方法，開發出能夠適應各種不同肺部狀況的控制模型。
• 這些模型應該能夠根據病人的肺部特徵和即時狀況，動態調整呼吸機的參數，使其在不同情況下都能提供最佳的呼吸支持。

2.減少臨床醫生操作

• 開發智能控制模型可以大大減少臨床醫生的操作和監控負擔。這些模型能夠自動識別並適應病人的即時變化，減少臨床醫生需要手動調整和處理的次數。
• 這對於病人眾多、醫療資源緊張的情況特別有幫助，能夠提高治療效率，降低醫療負擔。

三.資料集說明

　　本次比賽使用的呼吸機數據來自一個改裝的開源呼吸機，該呼吸機通過呼吸回路連接到一個人工測試肺。以下是該裝置的示意圖，其中兩個控制輸入用綠色標出，待預測的狀態變量（氣道壓力）用藍色標出。

　　　　　　　　　　　　　　＜擷取至比賽網站＞

控制輸入

• 吸氣電磁閥開度：這是一個連續變量，範圍從0到100，表示吸氣電磁閥的開度百分比（0表示完全關閉，無空氣進入；100表示完全打開，空氣最大流入）。
• 呼氣閥開關狀態：這是一個二進制變量，表示呼氣閥是否打開（1表示打開，空氣流出；0表示關閉）。

狀態變量

• 氣道壓力：需要預測的變量，表示呼吸回路中的氣道壓力。

訓練/測試資料

訓練資料提供了除了兩個變量外的一些資訊，包含 :

id：全局唯一的時間步標識符，涵蓋整個文件。

breath_id：全局唯一的呼吸時間步標識符。

R：肺部屬性，表示氣道的阻力，單位為 cmH2O/L/S。物理上，這是壓力變化與流量（氣體體積/時間）變化的比值。直觀地說，可以想像通過吸管吹氣球。我們可以通過改變吸管的直徑來改變 R，R 越大，吹氣越困難。

C：肺部屬性，表示肺的順應性，單位為 mL/cmH2O。物理上，這是體積變化與壓力變化的比值。直觀地說，可以想像同樣的氣球例子。我們可以通過改變氣球乳膠的厚度來改變 C，C 越大，乳膠越薄，吹氣越容易。

time_step：實際的時間戳。

u_in：吸氣電磁閥的控制輸入，範圍從 0 到 100。

u_out：呼氣電磁閥的控制輸入，取值為 0 或 1。

pressure：在呼吸回路中測量的氣道壓力，單位為 cmH2O。

而測試資料就是去除 pressure 欄的資料，我們最後要使用測試資料產出結果進行提交

四.結語

　　這次選擇在 Kaggle 中選擇接下來的實驗目標，希望在目標明確的情況下能更督促自己進行研究，這次選擇的比賽考慮到先前剛做完音訊的練習，一定程度上也是個序列資料，所以選擇序列資料的預測，這個比賽將使用連續呼吸下的 u_in 、 u_out 變化來預測 pressure ，初步看了資料，一個 breath_id 下包含了一次吸+吐的過程，首先遇到的問題應該會是 R、C、u_in、u_out 單位都不一致，要如何正規化才能合理的組合這四個參數並建模會是第一個挑戰，那麼，我要開始準備了，期望下篇能順利與大家見面 :)