CN102076307A - 机械cpr系统的智能伺服 - Google Patents

Abstract

本发明涉及用于自动心肺复苏的设备和方法。所述设备包括胸部按压致动器、根据致动器驱动器的操作参数向胸部按压致动器提供时变驱动信号的致动器驱动器、提供与胸部按压致动器的功能相关的生理参数的测量值的生理参数传感器以及对致动器驱动器的操作参数的自适应控制。所述操作参数决定包括胸部按压致动器和患者胸部的系统的动态行为。

Description

机械CPR系统的智能伺服

技术领域

本发明涉及自动心肺复苏设备，更具体而言，涉及对胸部按压致动器的控制。

背景技术

心肺复苏(CPR)是一种众所周知的用来提高心跳骤停患者的存活机会的技术。但是，实施持续的高质量人工心肺复苏是很难的。由于CPR质量是存活的关键，因而存在很强的动因促使人们获取机械化的自动装置来替代可靠性较差的长时间的人工胸部按压。最近，市场引入了自动CPR(A-CPR)系统。

一些A-CPR系统采用气动致动器机构，而其他A-CPR系统则由诸如伺服马达的马达驱动。专利申请公开文本US 2007/0270724 A1描述了一种用于CPR的伺服马达，其特征在于对施加至患者的按压波形的控制。为了达到这一目的。US 2007/0270724 A1提出了调整设定点波形。其能够得到改进的考虑血流和避免内伤的治疗，因为能够相对地贴近决不可超越的上限选择希望获得的波形。

通常，伺服马达及其控制采用前馈部分(致动器对所命令的运动遵循得多么好，所命令的运动即预先传送至马达的信号以使其准确的遵循)和扰动控制部分(消除扰动，即，与期望运动之间的偏差，即，与所命令运动的(偶然)偏差)。所述前馈控制部分是估算的致动器力相对于时间(或本例中的电流或电压)的函数，其是尽可能好地(即在平均或最大误差范围内)遵循期望运动所需的。在常规伺服技术中，只计算一次前馈控制，并且需要所述系统和伺服系统的详细模型。对于自动心肺复苏而言，必须针对每位患者对这一部分进行估算，而且可能产生很大的差异。最经常采用的对伺服马达/控制的扰动校正的实现方式是所谓的比例-积分-微分(PID)控制。对P、I和D各部分的增益的设置并非是无价值的，过高的增益可能导致不稳定性，并且其可能需要大量的时间对增益进行优化，从而在避免下冲和过冲的同时对扰动加以校正。

发明内容

由于CPR过程中人胸廓的机械载荷特性方面的差异和变化，对用于人和动物的自动CPR使用伺服马达并非是无价值的。首先，人胸廓的粘弹行为是非常复杂的，而且是非线性的，尚缺乏具体患者的胸廓的准确模型。此外，人的粘弹属性存在很大的变化，必须对这一点加以考虑，因为对于不同的患者而言按压波形将是等同的。过冲(即，比期望更深的按压)可能是非常危险的，会导致致命的身体损伤。而且，还已知在CPR过程中身体的粘弹属性会发生变化(即，胸廓会变得不那么坚硬)。最后，在复苏的过程中几乎没有时间优化PID设置以及对前馈控制进行估算，每一秒都至关紧要。

对于本发明而言，已经发现，由于(例如)患者身材、致动器放置和各种其他因素的原因，包括患者胸部和胸部按压致动器的机械系统受到上述因素显著的变化的影响。机械系统至少是两级的，这意味着其能够发生振荡。机械系统还容易遭受过冲。所述机械系统的这些属性没有得到适当的考虑，那么振荡和/或过冲可能非常危险地接近允许的极限，甚至超过这些极限。主要的担心在于对胸部和胸廓造成损害(肋骨骨折，胸骨器官破裂)。一种选择是将设定点波形降低到这样一种设置，即该设置得到的系统响应在过冲和允许的极限之间存在充分的余量。但是，这样胸部按压作用将不会像其能够达到的那样有效。此外，即使是小的过冲和振荡都可能导致患者血流的相应不规律，并由此对血液灌注造成负面影响。

胸部和胸廓的机械属性存在很宽的变化范围，这取决于患者的身材。在执行心肺复苏的过程中所述机械属性甚至可能发生非常显著的变化；胸廓会变得不那么坚硬，并且完全的胸部松弛将不再发生。

希望获得一种自动心肺复苏设备，其能够降低乃至消除胸部按压运动中的过冲和振荡，而不管胸部-致动器机械系统的动态行为如何。还希望获得一种能够适应包括患者胸部和胸部按压致动器的机械系统的动态行为的变化的自动心肺复苏设备。

为了更好地解决这些顾虑中的一个或多个，本发明的第一方面提出了一种自动心肺复苏设备，其包括胸部按压致动器；根据致动器驱动器的操作参数向胸部按压致动器提供时变驱动信号的致动器驱动器，所述操作参数决定包括胸部按压致动器和患者胸部的系统的动态行为；提供与胸部按压致动器的功能相关的生理参数的测量值的生理参数传感器；以及对致动器驱动器的操作参数的自适应控制，其中，所述自适应控制接收所述测量值，并关于与预定条件的相符性对所述测量值进行评估。

为了更好地解决上述顾虑中的一个或多个，本发明的第二方面提出了一种自动心肺复苏方法，其包括：

a)将操作参数设置至安全的初始值，所述操作参数决定包括患者的胸部和自动心肺复苏设备的胸部按压致动器的系统的动态行为，

b)所述自动心肺复苏设备执行至少一次胸部按压，

c)采集与复苏相关的生理参数的测量值，

d)关于与预定条件的相符性对所述测量值进行评估，

e)采用对所述测定值的评估结果根据自适应控制方案对所述操作参数进行修改。

为了更好地解决上述顾虑中的一个或多个，本发明的第三方面提出了一种从自适应控制传送至自动心肺复苏设备的致动器驱动器的信号。所述信号包括对致动器驱动器的修改操作参数的指令，所述操作参数决定包括患者的胸部和自动心肺复苏设备的胸部按压致动器的系统的动态行为。

为了更好地解决上述顾虑中的一个或多个，本发明的第四方面提出了一种计算机程序，所述计算机程序能够使处理器执行根据本发明的第三方面的方法。

本发明的不同实施例可以解决下述问题中的一个或几个：

-对于大范围的患者都非常正确地遵循任意(实际的)位移对时间按压形状(在CPR过程中保持一致而无变化)；

-模仿众所周知的(人工)复杂CPR按压波形；

-在一些实施例中不需要人胸廓(载荷)的准确机械模型；

-伺服控制是自适应的，即，自动地遵循载荷(即，身体)的变化；

-伺服系统针对不同的患者身形、体重和属性自动做出调整；

-设置时间非常短，因为其过程是自动化的；

-在CPR的开始和进行期间允许采用患者的机械参数进行针对所述患者的CPR个性化(包括在反馈环路中采用这些参数)；

-通过对按压深度和形状的谨慎控制，能够使胸廓和器官损伤最小化；

-对启动过程进行优化，以避免发生与CPR相关的身体损伤的可能性或者使该可能性最小化。

还希望提供一种能够对影响机械设备的响应的扰动做出反应的自动心肺复苏设备。在实施例中，通过致动器驱动器解决了这一问题，所述致动器驱动器包括控制器，所述控制器接收测量值和对应的期望值，并为所述胸部按压致动器生成闭环控制信号。希望能够修改操作参数，所述操作参数是可容易地更改的，并且对机械系统的动态行为或响应具有一定程度的影响。在实施例中，通过这种方式解决这一问题，即，受到自适应控制的所述致动器驱动器的操作参数包括控制器增益和所述期望值中的至少一个。

希望提供一种允许对所述机械系统的动态行为进行安全、有意义且快速的评估的自动心肺复苏设备。在实施例中，通过包括迭代学习控制的自适应控制来解决这些问题中的一个或多个，所述迭代学习控制接收测量值和对应的期望值，并基于先前的控制信号以及测量值和期望值之间的差以迭代方式生成胸部按压致动器的控制信号。

希望所述迭代学习控制收敛于这样一种解决方案，该解决方案确保胸部-致动器机械系统的实际输出和期望波形之间具有高度的一致性。在实施例中，通过关于时间对测量值和期望值之间的差进行微分解决这一问题。随着测量值和期望值之间的差变得越来越恒定，所述微分的结果也趋近于零。

希望迭代学习控制是稳定的。这一问题是通过由下述迭代学习法则定义的迭代学习控制解决的：

$u_{k+1}\left(t\right)=u_k\left(t\right)+\mathrm{\γ}\·\frac{d}{\mathrm{dt}}{e}_k\left(t\right),$

其中u_k(t)是当前时间间隔期间对于胸部按压致动器的控制信号，

u_k+1(t)后续时间间隔期间对于胸部按压致动器控制信号，

γ是迭代学习增益，

e_k是期望值和测量值之间的差。

对于适当的γ值能够实现稳定性。

希望实现这样一种对自动心肺复苏设备内的胸部按压致动器的控制，即，其能够降低乃至消除胸部按压运动中的过冲和振荡，而不管胸部-致动器机械系统的动态行为如何。还希望实现这样一种对自动心肺复苏设备中的胸部按压致动器的控制，即，其能够对致动器的动作做出调整，使之适应包括患者的胸部和胸部按压致动器的机械系统的动态行为的变化。

为了更好地解决这些问题中的一个或多个，本发明的另一方面提出了一种从自适应控制被传送至自动心肺复苏系统的致动器驱动器的信号。所述信号包括对致动器驱动器的修改操作参数的指令，所述操作参数决定包括患者胸部和自动心肺复苏设备的胸部按压致动器的系统的动态行为。

本发明的另一方面提出了一种能够使处理器执行上述方法的计算机程序产品。

其基本思想在于考虑了胸部-致动器机械系统的变化的动态行为。但是，不需要所述机械系统的理论模型。自动心肺复苏应当轻柔地开始，以避免胸廓损伤。控制器设置的自适应增益是重要的(即，最初不采用过高的增益，在复苏过程中改变增益)。这需要对伺服系统的前馈输入信号做出可靠的估算。通过对控制的前馈部分的迭代学习控制对心肺复苏进行的自适应优化可以有助于得到满意的系统性能。所推荐的按压脉冲必须得到非常准确地遵循，否则可能导致严重的身体损伤或者降低的灌注。此外，目前，在CPR环境下，所述系统的自适应性和自学习性并没有得到很好地理解。

本发明的这些和其他方面将通过下文描述的实施例变得显而易见并参考所述实施例得到阐释。

附图说明

图1示出了根据本发明的第一方面的自动心肺复苏设备；

图2示出了根据本发明的第二方面的自动心肺复苏设备；

图3示出了根据本发明的第一方面的自动心肺复苏方法的流程图；

图4示出了根据本发明的第二方面的自动心肺复苏方法的流程图；

图5示出了伺服马达系统的控制方案；

图6示出了具有自适应PID控制的自动心肺复苏启动的流程图；

图7示出了迭代学习控制系统(ILC)的控制方案；

图8示出了在PID控制器具有低比例增益的情况下，期望按压波形和实际按压波形的两个时间图；

图9示出了在PID控制器具有高比例增益的情况下，期望按压波形和实际按压波形的两个时间图；

图10示出了在迭代学习控制器包括常规PID控制器的情况下，期望按压波形和实际按压波形的两个时间图。

具体实施方式

图1示出了根据本发明的第一方面的自动心肺复苏设备的示意性方框图。该自动心复苏设备采用胸部按压致动器102，其利用(例如)衬垫和活塞向人的胸部104施加力。胸部104并不是自动心肺复苏设备的部分，其由接近胸部104的机械行为的机械模型表示。所述机械模型可以由并联的弹簧和阻尼器表示。由生理参数传感器106探测衬垫的运动，以及由此产生的对胸部的按压，所述生理参数传感器将提供对实际胸部按压y_k的测量。借助于用于实际胸部按压测量的连接107将实际胸部按压的测量结果y_k提供给控制器112，控制器112将实际胸部按压y_k与胸部按压y_d的期望波形进行比较，并确定针对胸部按压致动器的驱动信号u_k。借助于连接101将驱动信号u_k提供给胸部按压致动器102。胸部按压致动器102、患者的胸部104、生理参数传感器106以及控制器112形成了闭环控制系统。

已经发现胸部104的机械属性不仅在患者之间存在显著变化，而且对于单个患者而言还会随着时间发生显著变化。自动心肺复苏设备必须应对各种各样的患者身材和体重、按压脉冲形状方面的大自由度以及胸廓和生命器官的低损害风险。必须在不存在用户干预的情况下准确地遵循期望按压波形。具有固定设置的控制器112几乎无法实现这一目的。因此，图1中所示出的自动心肺复苏设备包括将控制器112调谐以适应患者胸廓的粘弹属性的机构。

控制器112是致动器驱动器110的部分，致动器驱动器110包括用于操作参数113和114的一些内存。操作参数113是用作控制器112的设定点信号的期望波形y_d(t)。操作参数114是控制器112的增益g。操作参数113和114由自适应控制108加以调整，其接收实际按压波形y_k的测量结果作为输入，并关于实际按压波形的质量对所述测量结果进行分析。自适应控制108可以将实际按压波形的某些属性与预选值进行比较，例如，峰值按压深度、按压速度等。自适应控制108可以确定实际按压波形y_k是否超过了预选值。另一个备选方案是自适应控制108将实际按压波形y_k与预存的被认为是最佳的、接近最佳的和/或不希望出现的按压波形进行比较。基于所述分析，自适应控制108通过连接109向致动器驱动器，尤其是向存储操作参数113和114的部分提供输出。除了期望按压波形y_d(t)113和控制器增益g114以外的其他操作参数也是可能的，例如，PID控制器的积分器部分和微分部分的增益。

对具有非线性粘弹属性的人的胸廓给出了示意性图示。所述自动心肺复苏设备包括衬垫、传送和运动转换单元，例如从旋转到线性、伺服马达102、放大器(未单独示出，但可作为控制器112的部分)以及伺服控制110。将关于时间的胸骨的期望按压深度和脉冲形状用作包括期望按压波形y_d(t)和控制器112的操作参数的前馈环路中的信号的估算的初始输入。将期望的和实际的按压波形和深度进行比较，从而通过伺服系统使误差信号最小化到某一限度。伺服系统所需的反馈环路包含至少一个与患者相关的生理参数，优选包含相对于时间的患者胸部位移。从患者获取的其他参数可以是采用(例如)加速度计或其他测量装置(光、电装置等)根据测量的力-位移关系获得的胸廓粘弹属性(例如，硬度、阻尼等)。

胸部按压致动器102选用无刷电动马达(例如，具有推荐的齿轮头的Maxon EC-MAX 40型120W马达)。其他类型的马达(即高功率的、其他类型的，例如线性马达)也是可能的。

图2示出了根据第二方面的自动心肺复苏设备的示意性方框图。所述设备的处于胸部按压致动器102周围的部分、人的胸部104以及生理参数传感器均与图1所示相同或类似。但是，现在将反馈控制环合并到了自适应控制208中。实际按压波形y_k的测量结果借助于连接107抵达自适应控制208。将实际按压波形y_k的测量结果传递至处于自适应控制208内的迭代学习控制(ILC)220。迭代学习控制对按压k的系统输入u_k自动更新直到使误差信号e_k(即，测量的y_k和期望按压y_d之间的偏差)最小化为止。不需要载荷的先验知识。将期望按压波形y_d(t)也输入到自适应控制208和迭代学习控制220。确定期望按压波形y_d(t)和实际按压波形y_k之间的差并生成误差e_k。块d/dt确定误差e_k关于时间的微分，并将计算值传递至控制信号计算器222。由用于先前的控制信号的内存/存储器226为控制信号计算器220提供另一输入。控制信号计算器222基于它的两个输入和迭代学习法则计算当前控制信号，所述当前控制信号存储在用于当前控制信号的内存/存储器224内。所述迭代学习法则可以具有下述形式：

$u_{k+1}\left(t\right)=u_k\left(t\right)+\mathrm{\γ}\·\frac{d}{\mathrm{dt}}{e}_k\left(t\right)$

在这一公式中，u_k(t)是系统输入(驱动信号)，其可以是处于时间(t)的第k次按压的力或电流，e_k(t)是时间t处的误差信号。因数γ(gamma)是迭代学习法则的增益。通过这种方式，前馈信号收敛于最佳值，并且位移非常接近地收敛于期望按压波形y_d(t)。注意，上述方程仅用作例子；还有很多种别的算法。重要的是认识到保守地选择初始前馈信号和增益γ，以避免胸廓损伤。将简单的PID控制器包括进来以对扰动加以校正。所述扰动控制器可能不同于图1所示的扰动控制器。对于图2所示的系统而言，不需要对人的胸廓模型的先验知识，其能够适应具有身材和体重的宽变化范围的患者，而且其能够应对身体粘弹属性方面的变化。此外，所述系统非常灵活，例如，改变至其他按压曲线相对简便。最后，设置时间得到了最小化，而且是自动的。

通常，从一次按压到下次按压，期望按压波形y_d(t)不发生变化，但是，也可以设想将期望按压波形y_d(t)作为患者整体健康状况的函数加以修改。例如，在患者已经进入了临危健康状况时，可以增加按压频率和/或深度，以强化心肺复苏。但是，对于大多数随后的按压而言，期望按压波形是一样的。迭代学习控制算法利用这一事实，因为能够在下一次按压波形当中对自动心肺复苏设备的操作参数的任何修改进行检查，以了解其是否成功，即，是否降低了误差e_k。因为迭代学习控制算法依赖于先前按压循环中采用的控制信号，因而必须存储这些先前的控制信号。实际上，至少刚刚过去的按压循环的控制信号应当是可用的。如上文已经指出的，可以通过用于先前的控制信号的内存/存储器226实现这一目的。一旦当前控制信号对其有效的按压循环结束，就将所述当前控制信号224移位到内存/存储器226内。同时，从内存/存储器226中删除旧的控制信号，因为不再需要这些控制信号了。在图2中通过虚线箭头示出了从内存/存储器224到内存/存储器226的移位操作。

图2中的致动器驱动器210不同于图1中的致动器驱动器110。例如，致动器驱动器210可以包含放大器。

图3示出了根据本申请的第一方面的自动心肺复苏方法的流程图。所述方法开始于块301。在块302中，将操作参数设置至安全的初始值。在块303中，执行至少一次胸部按压。这允许对当前患者的胸部的粘弹行为进行初始确定，并且也可能对由胸部按压致动器和胸部形成的系统的其他属性进行初始确定。在块304中采集生理参数的测量值。之后，在块305中，相对于预定条件对所述测量值加以评估。基于评估结果在块306中执行自适应控制，以修改控制系统，例如，内部环路控制器的操作参数。由于经修改的操作参数的原因，实际的系统输出被修改。在块307中接收测量值。在块308中，由控制器112(参考图1)生成闭环控制信号。在步骤309中执行另一次胸部按压。在分支点310中，确定是否应当执行对操作参数的下一次更新。如果当前未规划操作参数的更新，那么所述方法支路返回至块307，以便基于当前有效的操作参数继续正常的闭环控制。如果应当更新操作参数，那么所述方法抵达第二分支点311，在该分支点，确定是否终止心肺复苏(例如，由于对应的用户命令而终止)。如果答案为是，那么在块312中，所述方法结束。如果答案为否，那么所述方法支路返回至块304，并由此开始采集与复苏相关的生理参数的测量值。

图4示出了根据本申请的第二方面的自动心肺复苏方法的流程图。所述方法开始于块401。就图3中所示的方法而言，在块402中将操作参数设置至安全的初始值，在块403中，执行至少一次胸部按压。在块404中采集与复苏相关的生理参数的测量值。之后，在块405中，关于预定条件对所述测量值加以评估。在块406中执行迭代学习控制，在块407中生成控制信号。在块408中，执行根据所述控制信号的胸部按压。在块409中存储当前控制信号，以便使其可以对于下一次按压循环中执行的下一次迭代可用。在分支点410处，确定是否应当结束心肺复苏(例如，基于对应的用户命令或输入)。如果将继续心肺复苏，那么所述方法分支返回至块404。在相反的情况下，所述方法在块412处结束。

图5示出了合并的前馈(FFW)和反馈控制的控制方案。借助于连接501将期望按压波形y_d输入至求和点502。求和点502的另一输入是实际按压波形y_k。求和点502在进入(反馈)控制器504的连接503上提供误差信号e。在求和点506将(反馈)控制器504的输出加到由前馈控制器505提供的前馈控制信号f_k+1上。将反馈控制信号和前馈控制信号的和u传送至系统507(SYS)。系统507在连接508上与实际按压波形y_k发生作用，连接508还具有返回至求和点502的分支。

众所周知，伺服控制试图使误差信号，即期望按压波形y_d和测量的或实际的按压波形y_k(反馈信号)之间的差最小化。前馈(FFW)输入是任选的，但是其提供了(例如)对所命令运动的更好的遵循。所需的增益设置不应过低(遵循差)或过高(系统不稳定，可能用力过度)。

参考图6，提出了下述流程优化针对具体患者的伺服控制：

以小的力和低增益设置(块601以及“yd1，FFW1，低G”)开始CPR。可以由患者的身形估算这些设置。可以采用默认前馈控制输入，或者可以由来自患者的生理数据估算最佳前馈脉冲。调整增益设置，从而使得以某一误差e(例如平均值或最大值)遵循期望运动，由此使误差信号处于某一期望范围ε(eps)——参考分支点“e＞eps？”。通过增大前馈信号，以及在有必要的情况下通过增大PID增益(块“G＝G+x”)增大力，从而使误差信号处于期望范围内。重复所述流程，直到达到期望深度和按压波形为止，期望深度和按压波形由误差e低于阈值ε来指示。

图7示出了用于迭代学习控制(ILC)的伺服控制器。块SYS还是表示主要包括胸部和胸部按压致动器的系统。其接收系统输入(驱动信号)u_k作为输入，并与测量的按压波形y_k发生作用。经由相应的内存MEM将系统输入u_k和测量的按压波形y_k二者提供给迭代学习控制器。迭代学习控制器为下一循环生成系统输入u_k+1，其被存储在另一内存MEM内，直到其在下一循环内得到使用为止。左侧的两个内存MEM可以合并，但是为了清晰起见将它们分别画了出来。迭代学习控制器包括前馈部分FFW和用于校正扰动的简单PID控制器。

图8到10示出了对于不同类型的控制器而言期望按压波形y_d和实际按压波形y_k的不同时间图。为了允许进行比较，期望波形y_d总是相同的。

图8示出了在采用了保守增益设置的PID控制器的情况下，系统输出y_k的时间图。具体而言，将PID控制器的比例增益选择为G＝5，将PID控制器的积分器部分的增益设置为I＝0.001，将PID控制器的微分部分的增益设置为D＝0.001。显然，增益5过低，因为系统输出y_k未能很贴近地重复期望波形y_d。具体而言，升和降速率过低，随着时间的每一按压脉冲变宽，使得两个相邻的按压脉冲就会相互合并。这可能给血液灌注带来问题，因为心脏没有足够的时间在下次按压之前再次松弛。

图9示出了在PID控制器具有相对高的增益设置的情况下，系统输出y_k的时间图。尽管与图8的背景下的增益相比积分器部分和微分部分的增益没有发生变化，但是现在比例增益为G＝100。就实际按压波形对期望按压波形的遵循而言，这一增益提供了好的结果。但是，能够观察到一些激振(ringing)和近不稳定性，尤其是在按压脉冲回到其息止位的时刻附近。图8和图9图示说明了增益设置的影响。进一步增大增益能够导致不稳定性以及对胸廓和器官的严重损伤。

图10示出了基于迭代学习控制(ILC)的自动心肺复苏设备的结果。所述机械系统(即患者)与图8和图9所示的PID实例中相同。可以观察到，在一些脉冲内，极其近似于期望按压曲线(为了更好地比较，在下方的时间图内采用虚线重复绘制了期望按压曲线)。采用迭代学习控制，没有必要了解机械系统的细节。能够自动找到最佳前馈脉冲，而且能够快速达到期望按压脉冲，而且比由PID控制器达到的准确度要高得多。注意，可以采用低PID增益，而且自动遵循载荷的变化。

尽管已经在附图和上述描述中详细示出和描述了本发明，但是应当将这样的图示说明和描述看作是说明性或示例性的，而不是限定性的，本发明不限于所公开的实施例。例如，有可能在这样一种实施例中实现本发明，其中，开始和维持自动CPR的流程对于特定患者而言是最佳的，其对患者施加的力是个性化的，而且其降低了CPR损伤，并自动遵循患者机械载荷方面的变化。可以估算伺服系统的前馈输入。所述设备和/或方法可以尝试遵循最佳实践(人工)按压波形。宽范围内的波形都是可能的，可以容易地引入新的波形。可以采用用于自动CPR的伺服或自适应伺服的前馈输入分量。

通过研究附图、说明书和权利要求，本领域技术人员能够在实践所要求保护的本发明的过程当中理解并实施针对所公开的实施例的其他变体。在权利要求中，“包括”一词不排除其他元件或步骤，不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以完成权利要求中列举的几个项目的功能。在互不相同的从属权利要求中陈述某些措施不表示不能有利地采用这些措施的组合。可以将计算机程序存储/分布在适当的介质当中，例如，所述介质可以是光存储介质或者与其他硬件一起提供的或者作为其他硬件的部分的固态介质，但是，也可以使所述计算机程序通过其他形式分布，例如，经由因特网或者其他有线或无线电信系统。不应将权利要求中的附图标记解读为限制本发明的范围。

Claims (12)

1.一种自动心肺复苏设备，包括：

-胸部按压致动器(102)，

-致动器驱动器(110，210)，其根据所述致动器驱动器的操作参数(113，114)向所述胸部按压致动器(102)提供时变驱动信号，所述操作参数决定包括所述胸部按压致动器(102)和患者的胸部(104)的系统的动态行为，

-生理参数传感器(106)，其提供与所述胸部按压致动器(102)的功能相关的生理参数的测量值，以及

-针对所述致动器驱动器(110，210)的所述操作参数的自适应控制(108，208)，其中，所述自适应控制接收所述测量值，并关于与预定条件的相符性对所述测量值进行评估。

2.根据权利要求1所述的自动心肺复苏设备，其中，所述致动器驱动器(110，210)包括控制器，所述控制器接收所述测量值和对应的期望值，并生成针对所述胸部按压致动器(102)的闭环控制信号。

3.根据权利要求2所述的自动心肺复苏设备，其中，受到自适应控制的所述致动器驱动器(110，210)的所述操作参数包括所述控制器的增益和所述期望值当中的至少一个。

4.根据权利要求1所述的自动心肺复苏设备，其中，所述自适应控制(108，208)包括迭代学习控制(222)，其接收所述测量值和对应的期望值，并基于先前的控制信号、所述测量值和所述期望值以迭代方式生成针对所述胸部按压致动器(102)的控制信号。

5.根据权利要求4所述的自动心肺复苏设备，其中，所述迭代学习控制(222)计算所述测量值和所述期望值之间的差，并关于时间对所述差微分。

6.根据权利要求5所述的自动心肺复苏设备，其中，由下述迭代学习法则定义所述迭代学习控制：

$u_{k+1}\left(t\right)=u_k\left(t\right)+\mathrm{\γ}\·\frac{d}{\mathrm{dt}}{e}_k\left(t\right),$

其中u_k(t)是当前时间间隔期间针对所述胸部按压致动器(102)的控制信号，

u_k+1(t)是后续时间间隔期间针对所述胸部按压致动器(102)的控制信号，

γ是迭代学习增益，

e_k(t)是所述期望值和所述测量值之间的差。

7.一种用于自动心肺复苏的方法，包括：

a)将操作参数设置至安全的初始值，所述操作参数决定包括患者的胸部(104)和自动心肺复苏设备的胸部按压致动器(102)的系统的动态行为，

b)所述自动心肺复苏设备执行至少一次胸部按压，

c)采集与复苏相关的生理参数的测量值，

d)关于与预定条件的相符性对所述测量值进行评估，

e)采用对所述测量值的评估结果根据自适应控制方案对所述操作参数加以修改。

8.根据权利要求7所述的方法，还包括

-接收所述测量值和对应的期望值，

-根据所述测量值、所述期望值和所述操作参数生成针对所述胸部按压致动器的闭环控制信号。

9.根据权利要求7所述的方法，还包括

基于先前的控制信号、所述测量值和所述期望值执行迭代学习控制，以及

基于先前的控制信号以及所述测量值和所述期望值之间的差以迭代方式生成针对胸部按压的控制信号。

10.根据权利要求7所述的方法，其中，所述迭代学习控制由下述迭代学习法则定义：

$u_{k+1}=u_k+\mathrm{\γ}\·\frac{d}{\mathrm{dt}}{e}_k,$

其中，u_k是当前时间间隔期间针对所述胸部按压致动器(102)的控制信号，

u_k+1是后续时间间隔期间针对所述胸部按压致动器(102)的控制信号，

γ是迭代学习增益，

e_k是所述期望值和所述测量值之间的差。

11.一种从自适应控制传送至自动心肺复苏设备的致动器驱动器的信号，所述信号包括对所述致动器驱动器(110；210)的修改操作参数的指令，所述操作参数决定包括患者的胸部(104)和所述自动心肺复苏设备的胸部按压致动器(102)的系统的动态行为。

12.一种能够使处理器执行如权利要求7所述的方法的计算机程序产品。

Images