CN117174324B - 一种基于混合模型的呼吸系统建模方法及电子设备 - Google Patents
一种基于混合模型的呼吸系统建模方法及电子设备 Download PDFInfo
- Publication number
- CN117174324B CN117174324B CN202311401875.8A CN202311401875A CN117174324B CN 117174324 B CN117174324 B CN 117174324B CN 202311401875 A CN202311401875 A CN 202311401875A CN 117174324 B CN117174324 B CN 117174324B
- Authority
- CN
- China
- Prior art keywords
- respiratory system
- model
- respiratory
- index
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000002345 respiratory system Anatomy 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005094 computer simulation Methods 0.000 title claims abstract description 11
- 230000000241 respiratory effect Effects 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 4
- 238000009423 ventilation Methods 0.000 abstract description 7
- 230000004044 response Effects 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开一种基于混合模型的呼吸系统建模方法及电子设备，涉及呼吸系统模拟技术领域。本发明使用分数阶微积分项与双重指数函数项进行呼吸系统的力学建模，并通过优化迭代的方式得到呼吸系统力学优化模型，能够体现呼吸系统的路径依赖粘弹性、异质性和阶跃响应性质，相较经典呼吸力学（单室）模型更易得到更好的拟合度，并且，本发明数据采集不要求特定呼吸模式，更加有助于深入理解呼吸系统特性并减少呼吸机带来的通气损伤。
Description
技术领域
本发明涉及呼吸系统模拟技术领域，特别是涉及一种基于混合模型的呼吸系统建模方法及电子设备。
背景技术
在呼吸系统机械通气研究中，肺组织具有一定路径依赖粘弹性、异质性和阶跃响应特性，尤其是压力控制通气模式中路径依赖粘弹性、异质性明显，而在容量控制通气模式中阶跃特性明显，经典基于微分方程的集总参数模型难以较好描述体现这些特性。此类问题研究有助于深入理解呼吸系统特性并减少呼吸机带来的通气损伤。
发明内容
为解决现有技术存在的上述问题，本发明提供了一种基于混合模型的呼吸系统建模方法及电子设备。
为实现上述目的，本发明提供了如下方案：
一种基于混合模型的呼吸系统建模方法，包括：
基于分数阶微积分与双重指数函数混合模型构建呼吸系统力学初始模型；
获取实测数据；所述实测数据包括实时采集的呼吸回路的压力值、流速值和累计气量值；
确定矩阵形式数据；所述矩阵形式数据为与分数阶微积分与双重指数函数混合模型形式对应的矩阵数据；
在指定一组初始化指数参数的条件下，将所述矩阵形式数据输入所述呼吸系统力学初始模型得到各项系数的拟合结果；
在所述各项系数的拟合结果基础上，将所述实测数据代入所述呼吸系统力学初始模型中，进行优化迭代，直至得到的呼吸系统力学初始模型的残差平方或均方根误差为最小值时，确定此时的指数参数为最优指数参数；
将所述最优指数参数代入所述呼吸系统力学初始模型，得到呼吸系统力学优化模型。
可选地，确定矩阵形式数据，具体包括：
在指定一组分数阶次和指数参数的条件下，根据所述实测数据得到所述分数阶微积分与双重指数函数混合模型的分数阶微积分项的值以及双重指数总项数的值；
基于所述分数阶微积分项的值以及双重指数总项数的值，将所述实测数据整理为所述矩阵形式数据。
可选地，采用粒子群算法进行优化迭代。
可选地，所述呼吸系统力学初始模型为：
；
式中，为/>时刻的呼吸气压，/>为呼吸系统弹性，/>为/>时刻的呼吸量，/>为气道阻力，/>为/>时刻的气体流速，/>为呼吸末正压，/>为分数阶微积分项与双重指数项常系数，/>为指数参数，/>为呼吸气量/>的/>阶分数阶导数，/>为以自然底数e为底的双重指数形式，/>为呼吸气量/>的/>阶分数阶导数。
可选地，简化后的所述呼吸系统力学初始模型为：
。
可选地，当采集呼吸回路的数值为n个时间点时，所述矩阵形式数据包括n维的气压向量和n行m+3列的数据矩阵。
一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，与所述存储器连接，用于调取并执行所述计算机程序，以实施上述提供的基于混合模型的呼吸系统建模方法。
可选地，所述存储器为计算机可读存储介质。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明使用分数阶微积分项与双重指数函数项进行呼吸系统的力学建模，并通过优化迭代的方式得到呼吸系统力学优化模型，能够体现呼吸系统的路径依赖粘弹性、异质性和阶跃响应性质，相较经典呼吸力学（单室）模型更易得到更好的拟合度，并且，本发明数据采集不要求特定呼吸模式，更加有助于深入理解呼吸系统特性并减少呼吸机带来的通气损伤。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于混合模型的呼吸系统建模方法的流程图；
图2为本发明提供的不同模型仿真与实测数据比较结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于混合模型的呼吸系统建模方法及电子设备，在实测数据中体现出比经典模型更优的拟合度，能够同时适于描述呼吸系统的路径依赖粘弹性、异质性和阶跃响应特性，有助于深入理解呼吸系统特性并减少呼吸机带来的通气损伤。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的基于混合模型的呼吸系统建模方法，包括：
步骤100：基于分数阶微积分与双重指数函数混合模型构建呼吸系统力学初始模型；其中，所述呼吸系统力学初始模型的一般形式为：
；
式中，为/>时刻的呼吸气压，/>为呼吸系统弹性，/>为/>时刻的呼吸量，/>为气道阻力，/>为/>时刻的气体流速，/>为呼吸末正压，/>为分数阶微积分项与双重指数项常系数。/>为指数参数，例如1.6、8.5等。/>为呼吸气量/>的/>阶分数阶导数，其可能为1.51、6.37这种非整数次的求导。/>为为呼吸气量的阶分数阶导数。/>为以自然底数e为底的双重指数形式，其中，/>是/>以自然底数e为底的双重指数形式，/>为指数参数中的待估计系数，例如/>的意思是先计算最右上角/>即自然底数e的平方约为7.389，然后再去计算/>。
在实际应用中，也可简化用少数分数阶微积分项与双重指数项体现呼吸系统路径依赖粘弹性、异质性和阶跃响应性质（一般几处呼吸气量出现阶跃跳变就对应有几个双重指数项），基于此，简化后的所述呼吸系统力学初始模型为：
。
步骤101：获取实测数据；例如，对于有m项分数阶微积分项与双重指数项的呼吸系统力学初始模型（加上、/>和/>这三项共m+3项），可以实时采集呼吸回路的压力值、流速值和累计气量值等数据作为实测数据。
步骤102：确定矩阵形式数据；所述矩阵形式数据为与分数阶微积分与双重指数函数混合模型形式对应的矩阵数据。
具体的，根据呼吸系统力学初始模型分数阶微积分项与双重指数项总数m与对应形式，以及指定的一组分数阶次与指数参数得到分数阶微积分项与双重指数项的值，然后再整理为对应的矩阵形式数据，并将这一矩阵形式数据作为输入数据。即当指定了αm，对应的即可计算得双重指数项 />的数值，分数阶微积分项指定固定的分数阶次后也同理。若采集呼吸回路的数值为n个时间点，则输入数据为n维气压向量/>和n行m+3列的数据矩阵/>。其中，气压向量/>和数据矩阵/>为：
。
。
式中，（数据矩阵X的右数第二列）为结合双重指数项求得的除常系数之外的数值，/>，其它相应分数阶微积分项与双重指数项同理。其中，若受限于采样条件流速值和累计气量值只有其中一项，缺失的另一项数值可以采用相同的原理通过合适的数值微分、数值积分方法得到。
步骤103：在指定一组初始化指数参数的条件下，将所述矩阵形式数据输入所述呼吸系统力学初始模型得到各项系数的拟合结果。
例如，对于含m项分数阶微积分项与双重指数项的呼吸系统力学初始模型，当指定一组初始化指数参数后，按照公式进行矩阵计算，便可得到各项系数拟合结果。式中，/>为转置。
其中各项系数向量为：
。
上述计算方法为基于残差平方和（sum of squared residuals，SSR）取最小值时各项系数在偏导为0的极值点推导得出。
步骤104：在所述各项系数的拟合结果基础上，将所述实测数据代入所述呼吸系统力学初始模型中，进行优化迭代，直至得到的呼吸系统力学初始模型的残差平方或均方根误差为最小值时，确定此时的指数参数为最优指数参数。
在实际应用过程中，该步骤在得到指定分数阶微积分项与双重指数模型各系数后，结合实测数据可代入模型仿真计算出对应模型残差平方和（sum of squaredresiduals，SSR）与均方根误差（the root mean square error，RMSE）。为了优化得到最适的一系列指数参数，考虑计算效率在各类机器学习算法中，本发明优选采用粒子群算法进行迭代优化。其中，在遗传算法、模拟退火等同类算法中虽然粒子群算法可能陷入局部最优解，但其收敛更快，实际应用中更侧重时效性。
在迭代优化过程中，待优化参数数目为一系列指数参数，每指定一组指数参数便可基于步骤103得到的所有系数得到SSR/RMSE，跟进SSR或RMSE变化趋势不断更新各项参数，以使SSR或RMSE最小，经迭代计算后可得到下述比呼吸系统力学初始模型更优的模型。
其中，在这一过程中，选择何种机器学习算法并非本发明核心，同类方法替换变更后其整体框架仍属于本发明的保护范畴。
步骤105：将所述最优指数参数代入所述呼吸系统力学初始模型，得到呼吸系统力学优化模型。
基于上述描述，目前未见基于任意呼吸模式的实测数据同时使用分数阶微积分项与双重指数函数项对呼吸系统力学建模的方法。本发明提出了一种实测可行的综合性混合模型，其能够可体现呼吸系统的路径依赖粘弹性、异质性和阶跃响应性质，相较经典呼吸力学（单室）模型更易得到更好的拟合度。
下面提供的实例，对本发明上述提供的基于混合模型的呼吸系统建模方法的优点进行说明。
呼吸力学建模中，经典的单室模型为：
（1）
以此类传统模型为基准，补充分别含有1项分数阶微积分项与双重指数项的混合模型实例展示计算结果，使用本发明中方法对下面模型[即公式（2）]进行参数估算：
（2）
此外，也对仅含有双重指数项的模型[即公式（3）]，以及仅含有分数阶微积分项的模型[即公式（4）]进行同等数据比较。
（3）
（4）
参数估算基于动物实验实测数据（德尔格Savina 300呼吸机实测得到），按时间序列每10毫秒的压力P（单位mbar）、流速V'（单位L/s）、呼吸量V（单位L）数据记录为一行（数据见case1VCAC1.txt，截取150秒数据）。
基于实例python+matlab代码main.m（其它.py与/>.m为主代码调用的python与matlab子函数，/>.slx为模型文件），读入实测数据后三个模型参数计算结果如表1所示。
表1中，保留4位小数，RMSE转为毫升单位，run_time代表运行时间（普通PC运行，CPU i7-1165G7 @ 2.80GHz， 16GB内存）。
通过结果可见，本发明中提出的混合模型切实有效，且为所有模型中结果最好的，具有更低的BIC（贝叶斯信息量标准）与RMSE（均方根误差）值。进一步，实测数据与公式（1）和公式（2）的流量拟合情况如图2所示。其中，图2显示的是20粒子数迭代20轮的结果，图2中Measured Data代表实测数据，model (1)代表经典单室模型，mix model(2)代表本发明提供的更优的双重指数模型。从图2中结果可见，混合模型结果与实测数据更接近。
基于此，本发明计算量高于现有呼吸力学建模中典型单室模型，与之相对应的需更多计算量在实测数据中可得到更好的拟合效果，增加的计算量与待拟合参数数目正相关。
进一步，在实际应用过程中，基于任意通气模式下实时采集呼吸回路的压力值、流速值和累计气量，按本发明中提出的方法可快速得到与之对应的呼吸系统力学模型，包括最适的分数阶次、指数参数、各项系数参数。
进一步，本发明还提供了一种电子设备。该电子设备包括：存储器和处理器。处理器与所述存储器连接。
存储器用于存储计算机程序；处理器用于调取并执行所述计算机程序，以实施上述提供的基于混合模型的呼吸系统建模方法。
此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于混合模型的呼吸系统建模方法，其特征在于，包括：
基于分数阶微积分与双重指数函数混合模型构建呼吸系统力学初始模型；所述呼吸系统力学初始模型为：；式中，/>为/>时刻的呼吸气压，/>为呼吸系统弹性，/>为/>时刻的呼吸量，/>为气道阻力，/>为/>时刻的气体流速，/>为呼吸末正压，/>为分数阶微积分项与双重指数项常系数，为指数参数，/>为呼吸气量/>的/>阶分数阶导数，/>为以自然底数e为底的双重指数形式，/>为呼吸气量/>的/>阶分数阶导数；
获取实测数据；所述实测数据包括实时采集的呼吸回路的压力值、流速值和累计气量值；
确定矩阵形式数据；所述矩阵形式数据为与分数阶微积分与双重指数函数混合模型形式对应的矩阵数据；
在指定一组初始化指数参数的条件下，将所述矩阵形式数据输入所述呼吸系统力学初始模型得到各项系数的拟合结果；
在所述各项系数的拟合结果基础上，将所述实测数据代入所述呼吸系统力学初始模型中，进行优化迭代，直至得到的呼吸系统力学初始模型的残差平方或均方根误差为最小值时，确定此时的指数参数为最优指数参数；
将所述最优指数参数代入所述呼吸系统力学初始模型，得到呼吸系统力学优化模型。
2.根据权利要求1所述的基于混合模型的呼吸系统建模方法，其特征在于，确定矩阵形式数据，具体包括：
在指定一组分数阶次和指数参数的条件下，根据所述实测数据得到所述分数阶微积分与双重指数函数混合模型的分数阶微积分项的值以及双重指数总项数的值；
基于所述分数阶微积分项的值以及双重指数总项数的值，将所述实测数据整理为所述矩阵形式数据。
3.根据权利要求1所述的基于混合模型的呼吸系统建模方法，其特征在于，采用粒子群算法进行优化迭代。
4.根据权利要求1所述的基于混合模型的呼吸系统建模方法，其特征在于，简化后的所述呼吸系统力学初始模型为：
。
5.根据权利要求1所述的基于混合模型的呼吸系统建模方法，其特征在于，当采集呼吸回路的数值为n个时间点时，所述矩阵形式数据包括n维的气压向量和n行m+3列的数据矩阵。
6.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，与所述存储器连接，用于调取并执行所述计算机程序，以实施如权利要求1-5任意一项所述的基于混合模型的呼吸系统建模方法。
7.根据权利要求6所述的电子设备，其特征在于，所述存储器为计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311401875.8A CN117174324B (zh) | 2023-10-27 | 2023-10-27 | 一种基于混合模型的呼吸系统建模方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311401875.8A CN117174324B (zh) | 2023-10-27 | 2023-10-27 | 一种基于混合模型的呼吸系统建模方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117174324A CN117174324A (zh) | 2023-12-05 |
| CN117174324B true CN117174324B (zh) | 2024-02-02 |
Family
ID=88947066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311401875.8A Active CN117174324B (zh) | 2023-10-27 | 2023-10-27 | 一种基于混合模型的呼吸系统建模方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117174324B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115437236A (zh) * | 2022-09-22 | 2022-12-06 | 金陵科技学院 | 一种新冠肺炎传播过程的分数阶建模方法 |
| CN116796656A (zh) * | 2023-05-17 | 2023-09-22 | 中国人民解放军总医院第一医学中心 | 一种可估算集总参数呼吸系统模型参数的方法 |
| CN116911212A (zh) * | 2023-07-31 | 2023-10-20 | 中国人民解放军总医院第一医学中心 | 一种基于分数阶微积分进行呼吸系统建模的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9327130B2 (en) * | 2013-04-12 | 2016-05-03 | Carnegie Mellon University, A Pennsylvania Non-Profit Corporation | Implantable pacemakers control and optimization via fractional calculus approaches |
-
2023
- 2023-10-27 CN CN202311401875.8A patent/CN117174324B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115437236A (zh) * | 2022-09-22 | 2022-12-06 | 金陵科技学院 | 一种新冠肺炎传播过程的分数阶建模方法 |
| CN116796656A (zh) * | 2023-05-17 | 2023-09-22 | 中国人民解放军总医院第一医学中心 | 一种可估算集总参数呼吸系统模型参数的方法 |
| CN116911212A (zh) * | 2023-07-31 | 2023-10-20 | 中国人民解放军总医院第一医学中心 | 一种基于分数阶微积分进行呼吸系统建模的方法 |
Non-Patent Citations (1)
| Title |
|---|
| An enhanced respiratory mechanics model based on double-exponential and fractional calculus. Front Physiol;李宗玮;national library of medicine;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117174324A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110277165A (zh) | 基于图神经网络的辅助诊断方法、装置、设备及存储介质 | |
| Qin et al. | Empirical likelihood in missing data problems | |
| CN116911212B (zh) | 一种基于分数阶微积分进行呼吸系统建模的方法 | |
| RU2005136998A (ru) | Эффективное и гибкое моделирование бизнеса, основанное на структурированных характеристиках бизнеса | |
| Li et al. | Model selection and structure specification in ultra-high dimensional generalised semi-varying coefficient models | |
| Delicado et al. | A small sample comparison of maximum likelihood, moments and L-moments methods for the asymmetric exponential power distribution | |
| CN112992267B (zh) | 一种单细胞的转录因子调控网络预测方法及装置 | |
| CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
| Huque et al. | On the impact of covariate measurement error on spatial regression modelling | |
| CN106204749B (zh) | 稀疏低秩特征表达的三维模型共分割方法 | |
| CN109508460A (zh) | 基于主题聚类的无监督作文跑题检测方法及系统 | |
| CN106294418A (zh) | 检索方法和检索系统 | |
| CN117174324B (zh) | 一种基于混合模型的呼吸系统建模方法及电子设备 | |
| CN109871866B (zh) | 用于医院内感染预测的模型训练方法、装置、设备及介质 | |
| JP2014056331A (ja) | 文書分類方法、文書分類プログラム及び文書分類装置 | |
| Li et al. | Estimation and inference for multikink expectile regression with longitudinal data | |
| CN117180573B (zh) | 一种基于双重指数模型的呼吸系统机械通气方法及系统 | |
| Zhu et al. | Hybrid feature selection based on improved GA for the intrusion detection system | |
| CN115829097A (zh) | 一种基于vmd和kelm的空调超短期负荷预测方法 | |
| JP5555542B2 (ja) | 自動単語対応付け装置とその方法とプログラム | |
| Dhar et al. | An innovation diffusion model for the survival of a product in a competitive market: basic influence numbers | |
| CN113555120A (zh) | 生物状态分析方法及装置、存储介质、电子设备 | |
| Chen | Approximate marginal likelihoods for shrinkage parameter estimation in penalized logistic regression analysis of case-control data | |
| CN113254573A (zh) | 文本摘要生成方法、装置、电子设备及可读存储介质 | |
| Mistry et al. | A computational cardiopulmonary physiology simulator accurately predicts individual patient responses to changes in mechanical ventilator settings |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |