CN106022277B - 一种用于呼吸机的滤波方法及装置 - Google Patents
一种用于呼吸机的滤波方法及装置 Download PDFInfo
- Publication number
- CN106022277B CN106022277B CN201610357035.XA CN201610357035A CN106022277B CN 106022277 B CN106022277 B CN 106022277B CN 201610357035 A CN201610357035 A CN 201610357035A CN 106022277 B CN106022277 B CN 106022277B
- Authority
- CN
- China
- Prior art keywords
- data
- filtering
- output
- intermediate data
- burr
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/0003—Accessories therefor, e.g. sensors, vibrators, negative pressure
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Pulmonology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Emergency Medicine (AREA)
- Artificial Intelligence (AREA)
- Anesthesiology (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Hematology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Respiratory Apparatuses And Protective Means (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种用于呼吸机的滤波方法,包括:获取呼吸机的传感器输出的原始数据;采用N重毛刺处理的方法对所述原始数据进行毛刺处理得到中间数据;采用加权滤波的方法对所述中间数据进行滤波得到所述传感器的滤波数据;其中,N为正整数。首先对传感器输出的数据进行毛刺处理,极大效率的滤除了呼吸机传感器采集到的数据波动,对毛刺处理后的数据采用加权滤波的方法,降低了因纯粹的算术平均引起的误差较大的问题。此外,本发明还公开一种用于呼吸机的滤波装置。
Description
技术领域
本发明涉及电子技术领域,特别是涉及一种用于呼吸机的滤波方法及装置
背景技术
呼吸机根据治疗方案调整呼吸气体的加压流的一个或者多个流体参数,需要以加压流的流量数据为依据。流量传感器作为采集流量数据的重要硬件装置,其输出数据的精度对呼吸机的气体调整有非常重要的影响。
呼吸机根据治疗方案调整呼吸气体的加压流的一个或者多个流体参数,需要以加压流的流量数据为依据。流量传感器作为采集流量数据的重要硬件装置,其输出数据的精度对呼吸机的气体调整有非常重要的影响。
目前,对于流量传感器的输出数据进行滤波处理是本领域技术人员采用的提高输出数据精度的方法。该滤波处理方法是通过限幅和递归平均处理方法,在限幅处理环节,由于需要将幅值过大的数据剔除,容易导致受试者因正常呼吸引起的突升数据作为干扰数据被滤除,另外,不同的数据在整个输出数据中的影响权重不同,因此,如果采用递归平均处理就没有考虑到单个数据对于整体数据的权重影响,导致滤波后的输出数据与实际输出数据偏差过大,精度较低。
由此可见,如何提高流量传感器输出数据的精度是本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种用于呼吸机的滤波方法及装置。
为解决上述技术问题,本发明提供一种用于呼吸机的滤波方法,包括:
获取呼吸机的传感器输出的原始数据;
采用N重毛刺处理的方法对所述原始数据进行毛刺处理得到中间数据;
采用加权滤波的方法对所述中间数据进行滤波得到所述传感器的滤波数据;
其中,N为正整数。
优选地,N=3。
优选地,所述采用N重毛刺处理的方法对所述原始数据进行毛刺处理得到中间数据具体包括:
对所述原始数据进行N重处理后输出所述中间数据,所述原始数据作为第1重处理的输入数据,每重毛刺处理的输出数据作为下一重毛刺处理的输入的数据,每重毛刺处理具体包括:
S10:设置当前时刻为0,获取由当前时刻开始依次输出的第一数据,第二数据和第三数据;
S11:依据当前获取的第一数据,第二数据和第三数据在第一数据和第二数据中分别确定一个输出数据和一个剔除数据;
S12:将当前时刻设置为输出第二数据的时刻,获取由当前时刻开始依次输出的第一数据,第二数据和第三数据,返回步骤S11,直至无法获取到输出的数据为止。
优选地,所述依据当前获取的第一数据,第二数据和第三数据在第一数据和第二数据中分别确定一个输出数据和一个剔除数据具体为:
判断事件(α∪β)∩γ是否为真,如果是,则第一数据为输出数据,第二数据为剔除数据,如果否,则第一数据为剔除数据,第二数据为输出数据;
α为事件:第二数据>第一数据且第二数据>第三数据;
β为事件:第二数据<第一数据且第二数据<第三数据;
γ为事件:min(|第二数据-第一数据|,|第二数据-第三数据|)>H/2,其中,H为恒定流量下传感器输出数据波动幅值的最大值。
优选地,所述采用加权滤波的方法对所述中间数据进行滤波得到所述传感器的滤波数据具体包括:
S20:判断所述中间数据的个数是否达到预定个数M;如果是,进入步骤S21,如果否,返回步骤S20;
S21:计算第M+j个中间数据和其之前的M-1个中间数据的判定因子以及最大值和最小值;
其中,j从0开始;
S22:根据所述判定因子、所述最大值和所述最小值的关系确定所述第M+j个中间数据对应的滤波数据;
S23:判断第M+j个中间数据是否为最后一个中间数据,如果否,进入步骤S24,如果是,则结束;
S24:将j的值加1,返回步骤S21;
其中,M为大于1的正整数,所述判定因子Km=(max-min)/M。
优选地,所述根据所述判定因子,所述最大值和所述最小值的关系确定所述第M+j个中间数据对应的滤波数据具体为:
若|Km|≤H/M,则所述第M+j个中间数据对应的滤波数据为第M+j个中间数据和其之前的M-1个中间数据的算术平均值;
若Km>H/M,则利用最小二乘法计算M个中间数据的斜率Kmb;
若所述Kmb>0,则所述第M+j个中间数据对应的滤波数据为
若Km<0,则所述第M+j个中间数据对应的滤波数据为
其中,Xi为第M+j个中间数据和其之前的M-1个中间数据的第i个中间数据的值,Wi为Xi对应的权值。
优选地,M=10。
优选地,所述斜率为所述最大值与最小值的差值。
一种用于呼吸机的滤波装置,包括:
获取单元,用于获取呼吸机的传感器输出的原始数据;
毛刺处理单元,用于采用N重毛刺处理的方法对所述原始数据进行毛刺处理得到中间数据;
加权滤波单元,用于采用加权滤波的方法对所述中间数据进行滤波得到所述传感器的滤波数据;
其中,N为正整数。
本发明所提供的用于呼吸机的滤波方法,首先对传感器输出的数据进行毛刺处理,极大效率的滤除了呼吸机传感器采集到的数据波动,对毛刺处理后的数据采用加权滤波的方法,降低了因纯粹的算术平均引起的误差较大的问题。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,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为本发明提供的一种用于呼吸机的滤波方法的流程图;
图2为本发明实施例提供的一种当前时刻为0时毛刺处理的原理图;
图3为本发明实施例提供的当前时刻为输出第三数据的时刻对应的刺处理的原理图;
图4为本发明实施例提供的一种第一轮加权滤波的方法对应的原理图;
图5为本发明实施例提供的一种第二轮加权滤波的方法对应的原理图;
图6为本发明提供的一种用于呼吸机的滤波装置的结构图。
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,都属于本发明保护范围。
本发明的核心是提供一种用于呼吸机的滤波方法及装置。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明提供的一种用于呼吸机的滤波方法的流程图。如图1所示,用于呼吸机的滤波方法包括:
S1:获取呼吸机的传感器输出的原始数据;
S2:采用N重毛刺处理的方法对原始数据进行毛刺处理得到中间数据;
S3:采用加权滤波的方法对中间数据进行滤波得到传感器的滤波数据;
其中,N为正整数。
在具体实施中,当呼吸机正常工作时,传感器会按照一定的周期输出原始数据,我们的目标就是要对这些原始数据进行处理。在步骤S2中,首先通过毛刺处理的方法对这些原始数据进行毛刺处理去除一些数据,经过毛刺处理后得到中间数据,中间数据就是作为加权滤波的方法的输入数据,在步骤S3中,采用加权的方式对每个数据在整体数据中的权值地位进行计算。
在本实施例中,对于原始数据采用N重毛刺处理可以将消除一些波动较大的数据,这里所述的N重毛刺处理,是先对原始数据进行一次毛刺处理,然后对剩余的数据再进行一次毛刺处理,按照需要,可以进行多次毛刺处理直的得到满意的效果。可以理解的是,传感器输出的原始数据的量非常大,如果毛刺处理进行的次数较多的话,会导致处理速度过慢,因此,选用几重毛刺处理要与处理速度和数据量大小综合考虑。例如,N可以为3,即对原始数据进行3重滤波。另外,加权滤波的方法对中间数据进行滤波,因此,加权滤波从什么开始,需要根据中间数据的多少来定,如果中间数据的个数还不满足加权滤波方法的条件,那么不开始执行。
本实施例提供的用于呼吸机的滤波方法,首先对传感器输出的数据进行毛刺处理,极大效率的滤除了呼吸机传感器采集到的数据波动,对毛刺处理后的数据采用加权滤波的方法,降低了因纯粹的算术平均引起的误差较大的问题。
在上述实施实施例的基础上,作为一种优选的实施方式,步骤采用N重毛刺处理的方法对原始数据进行毛刺处理得到中间数据具体包括:对原始数据进行N重处理后输出中间数据,原始数据作为第1重处理的输入数据,每重毛刺处理的输出数据作为下一重毛刺处理的输入的数据。
如果是对原始数据进行3重处理,那么原始数据作为第1重处理的输入数据,第一重处理得到的输出数据是第2重处理的输入数据,第2重处理得到的输出数据是第3重处理的输入数据,第3重处理的输出数据就是中间数据。因为每重处理只是数据不同,毛刺处理的方法是相同的,因此,以下只对其中的一次毛刺处理过程进行描述。
每重毛刺处理具体包括:
S10:设置当前时刻为0,获取由当前时刻开始依次输出的第一数据,第二数据和第三数据;
S11:依据当前获取的第一数据,第二数据和第三数据在第一数据和第二数据中分别确定一个输出数据和一个剔除数据;
S12:将当前时刻设置为输出第二数据的时刻,获取由当前时刻开始依次输出的第一数据,第二数据和第三数据,返回步骤S11,直至无法获取到输出的数据为止。
在具体实施中,每个数据都有可能作为第一数据,第二数据,或者第三数据,在第一重处理中是第一数据,在第二重处理中有可能是第二数据,因此,第一数据,第二数据,第三数据只是一个相对的概念,并不是指定一个具体的数据。为了方便描述,采用设置时钟的方式进行描述。
图2为本发明实施例提供的一种当前时刻为0时毛刺处理的原理图。设置一个空间队列,在图2中,A的位置就是第一数据,B的位置就是第二数据,X的位置就是第三数据的位置。如果当前时刻为0那么传感器输出的第一个数据就是第一数据,输出的第二个数据就是第二数据,输出的第三个数据就是第三数据。可以理解的是,第一数据输出的时间要超前于第二数据,第二数据输出的时间要超前于第三数据。相对于第二数据和第一数据来说,第三数据就是新数据,放在图2中的首位。此时,在第二数据和第一数据中确定出一个输出数据,例如第二数据,和一个剔除数据例如,第一数据。剔除数据就不会参与到下一重毛刺处理的过程中,而输出数据会继续参与。由此可见,在当前时刻为0的情况下,第一数据作为剔除数据剔除,第二数据作为输出数据继续保留至下一重毛刺处理。图3为本发明实施例提供的当前时刻为输出第三数据的时刻对应的刺处理的原理图。将当前时刻设置为输出第二数据的时刻,此时,传感器输出的第二个数据,即上一轮的第三数据就变成本轮的第二数据,本轮的第一数据是上一轮留下的输出数据。表现在图2和图3中就是C的位置由图2中的队首变成图3中的队中。传感器输出的第四个数据D就是本轮的第三数据。在这一轮中,依然按照上述方法得到一个剔除数据和一个输出数据。按照传感器的输出,不停的进行上述步骤,直到传感器输出的最后一个数据作为第三数据并完成该轮的计算为止。
在上述实施例的基础上,需要在第二数据和第一数据之间选择一个作为输出数据,另一个为剔除数据,具体做法如下:
判断事件(α∪β)∩γ是否为真,如果是,则第一数据为输出数据,第二数据为剔除数据,如果否,则第一数据为剔除数据,第二数据为输出数据;
α为事件:第二数据>第一数据且第二数据>第三数据;
β为事件:第二数据<第一数据且第二数据<第三数据;
γ为事件:min(|第二数据-第一数据|,|第二数据-第三数据|)>H/2,其中,H根据振荡幅值决定。
在本实施例中,如果第二数据>第一数据且第二数据>第三数据,则α为真,否则α为假,如果第二数据<第一数据且第二数据<第三数据,则β为真,否则β为假,如果min(|第二数据-第一数据|,|第二数据-第三数据|)>H/2,则γ为真,否则γ为假。例如,如果γ为真,且α或β只要任意一个为真,则事件(α∪β)∩γ就是真,那么第一数据为输出数据,第二数据为剔除数据;如果γ为假,无论α和β的结果,则事件(α∪β)∩γ就是假,那么第二数据为输出数据,第一数据为剔除数据。
在上述实施例的基础上,采用加权滤波的方法对中间数据进行滤波得到传感器的滤波数据具体包括:
S20:判断中间数据的个数是否达到预定个数M;如果是,进入步骤S21,如果否,返回步骤S20;
S21:计算第M+j个中间数据和其之前的M-1个中间数据的判定因子以及最大值和最小值;
其中,j从0开始;
S22:根据判定因子、最大值和最小值的关系确定第M+j个中间数据对应的滤波数据;
S23:判断第M+j个中间数据是否为最后一个中间数据,如果否,进入步骤S24,如果是,则结束;
S24:将j的值加1,返回步骤S21;
其中,M为大于1的正整数。
图4为本发明实施例提供的一种第一轮加权滤波的方法对应的原理图。如图4所示,M为10。为了方便描述,在图4中设置一个包含10个位置的空间队列,每一轮最后一个中间数据放在队首,比如,在第一轮,当输出第十个数据时,第十个数据就在X10的位置,X1的位置就表示第一个中间数据,依次类推,那么此时空间队列由队首至队尾依次是第十个中间数据X10、第九个中间数据X9、第八个中间数据X8、第七个中间数据X7、第六个中间数据X6、第五个中间数据X5、第四个中间数据X4、第三个中间数据X3、第二个中间数据X2、第一个中间数据X1。如果毛刺处理输出的数据还没有达到10个,则输出的数据为无效数据,不是本发明所要得到的数据,换句话说不开始执行以下步骤。当输出第十个数据时,则开始执行。步骤S21中,j=0,M+j就是10,那么就是计算第十个中间数据和其前面的9个中间数据对应斜率以及最大值和最小值,根据斜率、最大值和最小值计算第十个中间数据对应的滤波数据。可以理解的是,如果预定个数为10,则前9个中间数据即使有对应的数据输出也是无效数据,,只有第十个开始之后的中间数据才是本发明所要得到的滤波数据。当计算完滤波数据之后,本轮结束,则开始下一轮的计算。步骤S23中,判断M+j个中间数据是否为最后一个中间数据,例如中间数据有100个,那么此时M+j为10,不是最后一个中间数据,则执行步骤S24,即将j的值加1,返回步骤S21,即计算第十一个中间数据对应的滤波数据。此时可以看做第十一个中间数据就会在上一轮的第十个个中间数据的位置,而第十个中间数据就会移动到上一轮第九个中间数据的位置,依次类推,第二个中间数据就会移动到上一轮第一个中间数据的位置,变成的队尾,最初的第一个中间数据就不再参与本次的计算。换句话说,本轮的空间队列由队首至队尾依次是第十一个中间数据X11、第十个中间数据X10、第九个中间数据X9、第八个中间数据X8、第七个中间数据X7、第六个中间数据X6、第五个中间数据X5、第四个中间数据X4、第三个中间数据X3、第二个中间数据X2。可以理解的是,本实施例提到的“和其之前的M-1个中间数据”指的是在该数据之前,且顺序上与该数据最相邻的M-1个数据。图5为本发明实施例提供的一种第二轮加权滤波的方法对应的原理图。反应在图4和图5上就是X11位于队首时,X1就会丢弃,X10由图4中的队首变成图5中第次队首。
在上述实施例的基础上,根据判定因子,最大值和最小值的关系确定第M+j个中间数据对应的滤波数据具体为:
若|Km|≤H/M,则第M+j个中间数据对应的滤波数据为第M+j个中间数据和其之前的M-1个中间数据的算术平均值;
若Km>H/M,则利用最小二乘法计算M个中间数据的斜率Kmb;
若Kmb>0,则第M+j个中间数据对应的滤波数据为
若Km<0,则第M+j个中间数据对应的滤波数据为
其中,Xi为第M+j个中间数据和其之前的M-1个中间数据的第i个中间数据的值,Wi为Xi对应的权值。
可以理解的是,最大值和最小值只有在同一轮滤波中才有意义,即图4中的最大值和最小值与图5中的最大值和最小值是不同的。
图6为本发明提供的一种用于呼吸机的滤波装置的结构图。如图6所示,用于呼吸机的滤波装置包括:
获取单元10,用于获取呼吸机的传感器输出的原始数据;
毛刺处理单元11,用于采用N重毛刺处理的方法对原始数据进行毛刺处理得到中间数据;
加权滤波单元12,用于采用加权滤波的方法对中间数据进行滤波得到传感器的滤波数据;
其中,N为正整数。
由于用于呼吸机的滤波装置是用于呼吸机的滤波方法对应的装置部分的实施例,因此具体的实施方式请参见方法部分的描述,本实施例暂不赘述。
以上对本发明所提供的用于呼吸机的滤波方法及装置进行了详细介绍。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。对于实施例公开的装置而言,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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (5)
1.一种用于呼吸机的滤波方法,其特征在于,包括:
获取呼吸机的传感器输出的原始数据;
采用N重毛刺处理的方法对所述原始数据进行毛刺处理得到中间数据;
采用加权滤波的方法对所述中间数据进行滤波得到所述传感器的滤波数据;
其中,N为正整数;
其中,N=3;
其中,所述采用N重毛刺处理的方法对所述原始数据进行毛刺处理得到中间数据具体包括:
对所述原始数据进行N重处理后输出所述中间数据,所述原始数据作为第1重处理的输入数据,每重毛刺处理的输出数据作为下一重毛刺处理的输入的数据,每重毛刺处理具体包括:
S10:设置当前时刻为0,获取由当前时刻开始依次输出的第一数据,第二数据和第三数据;
S11:依据当前获取的第一数据,第二数据和第三数据在第一数据和第二数据中分别确定一个输出数据和一个剔除数据;
S12:将当前时刻设置为输出第二数据的时刻,获取由当前时刻开始依次输出的第一数据,第二数据和第三数据,返回步骤S11,直至无法获取到输出的数据为止;
其中,所述依据当前获取的第一数据,第二数据和第三数据在第一数据和第二数据中分别确定一个输出数据和一个剔除数据具体为:
判断事件(α∪β)∩γ是否为真,如果是,则第一数据为输出数据,第二数据为剔除数据,如果否,则第一数据为剔除数据,第二数据为输出数据;
α为事件:第二数据>第一数据且第二数据>第三数据;
β为事件:第二数据<第一数据且第二数据<第三数据;
γ为事件:min(|第二数据-第一数据|,|第二数据-第三数据|)>H/2,其中,H为恒定流量下传感器输出数据波动幅值的最大值;
其中,所述采用加权滤波的方法对所述中间数据进行滤波得到所述传感器的滤波数据具体包括:
S20:判断所述中间数据的个数是否达到预定个数M;如果是,进入步骤S21,如果否,返回步骤S20;
S21:计算第M+j个中间数据和其之前的M-1个中间数据的判定因子以及最大值和最小值;
其中,j从0开始;
S22:根据所述判定因子、所述最大值和所述最小值的关系确定所述第M+j个中间数据对应的滤波数据;
S23:判断第M+j个中间数据是否为最后一个中间数据,如果否,进入步骤S24,如果是,则结束;
S24:将j的值加1,返回步骤S21;
其中,M为大于1的正整数,所述判定因子Km=(max-min)/M。
2.根据权利要求1所述的用于呼吸机的滤波方法,其特征在于,所述根据所述判定因子,所述最大值和所述最小值的关系确定所述第M+j个中间数据对应的滤波数据具体为:
若|Km|≤H/M,则所述第M+j个中间数据对应的滤波数据为第M+j个中间数据和其之前的M-1个中间数据的算术平均值;
若Km>H/M,则利用最小二乘法计算M个中间数据的斜率Kmb;
若所述Kmb>0,则所述第M+j个中间数据对应的滤波数据为
若所述Kmb>0,则所述第M+j个中间数据对应的滤波数据为
其中,Xi为第M+j个中间数据和其之前的M-1个中间数据的第i个中间数据的值,Wi为Xi对应的权值。
3.根据权利要求2所述的用于呼吸机的滤波方法,其特征在于,M=10。
4.根据权利要求3所述的用于呼吸机的滤波方法,其特征在于,所述斜率为所述最大值与最小值的差值。
5.一种用于呼吸机的滤波装置,其特征在于,包括:
获取单元,用于获取呼吸机的传感器输出的原始数据;
毛刺处理单元,用于采用N重毛刺处理的方法对所述原始数据进行毛刺处理得到中间数据;
加权滤波单元,用于采用加权滤波的方法对所述中间数据进行滤波得到所述传感器的滤波数据;
其中,N为正整数;
每重毛刺处理具体包括:S10:设置当前时刻为0,获取由当前时刻开始依次输出的第一数据,第二数据和第三数据;S11:依据当前获取的第一数据,第二数据和第三数据在第一数据和第二数据中分别确定一个输出数据和一个剔除数据;S12:将当前时刻设置为输出第二数据的时刻,获取由当前时刻开始依次输出的第一数据,第二数据和第三数据,返回步骤S11,直至无法获取到输出的数据为止;
在第二数据和第一数据之间选择一个作为输出数据,另一个为剔除数据,具体做法如下:判断事件(α∪β)∩γ是否为真,如果是,则第一数据为输出数据,第二数据为剔除数据,如果否,则第一数据为剔除数据,第二数据为输出数据;α为事件:第二数据>第一数据且第二数据>第三数据;β为事件:第二数据<第一数据且第二数据<第三数据;γ为事件:min(|第二数据-第一数据|,|第二数据-第三数据|)>H/2,其中,H为恒定流量下传感器输出数据波动幅值的最大值;
采用加权滤波的方法对中间数据进行滤波得到传感器的滤波数据具体包括:S20:判断中间数据的个数是否达到预定个数M;如果是,进入步骤S21,如果否,返回步骤S20;S21:计算第M+j个中间数据和其之前的M-1个中间数据的判定因子以及最大值和最小值;其中,j从0开始;S22:根据判定因子、最大值和最小值的关系确定第M+j个中间数据对应的滤波数据;S23:判断第M+j个中间数据是否为最后一个中间数据,如果否,进入步骤S24,如果是,则结束;S24:将j的值加1,返回步骤S21;其中,M为大于1的正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610357035.XA CN106022277B (zh) | 2016-05-26 | 2016-05-26 | 一种用于呼吸机的滤波方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610357035.XA CN106022277B (zh) | 2016-05-26 | 2016-05-26 | 一种用于呼吸机的滤波方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106022277A CN106022277A (zh) | 2016-10-12 |
CN106022277B true CN106022277B (zh) | 2019-08-27 |
Family
ID=57093596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610357035.XA Active CN106022277B (zh) | 2016-05-26 | 2016-05-26 | 一种用于呼吸机的滤波方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022277B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109745605B (zh) * | 2019-01-11 | 2021-05-18 | 刘博� | 增强型疾病治疗系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006024253A1 (de) * | 2004-09-03 | 2006-03-09 | Weinmann Geräte für Medizin GmbH & Co. KG | Kunststoffe für medizintechnische geräte |
CN1929552A (zh) * | 2006-09-30 | 2007-03-14 | 四川长虹电器股份有限公司 | 空间域像素数据处理方法 |
CN102266609A (zh) * | 2010-12-31 | 2011-12-07 | 北京谊安医疗系统股份有限公司 | 呼吸机的数据处理方法及装置、呼吸机 |
CN103115243A (zh) * | 2013-02-05 | 2013-05-22 | 中国石油天然气股份有限公司 | 一种天然气管道分输电动调节阀的控制设备及其方法 |
-
2016
- 2016-05-26 CN CN201610357035.XA patent/CN106022277B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006024253A1 (de) * | 2004-09-03 | 2006-03-09 | Weinmann Geräte für Medizin GmbH & Co. KG | Kunststoffe für medizintechnische geräte |
CN1929552A (zh) * | 2006-09-30 | 2007-03-14 | 四川长虹电器股份有限公司 | 空间域像素数据处理方法 |
CN102266609A (zh) * | 2010-12-31 | 2011-12-07 | 北京谊安医疗系统股份有限公司 | 呼吸机的数据处理方法及装置、呼吸机 |
CN103115243A (zh) * | 2013-02-05 | 2013-05-22 | 中国石油天然气股份有限公司 | 一种天然气管道分输电动调节阀的控制设备及其方法 |
Non-Patent Citations (1)
Title |
---|
一种加权均值滤波的改进算法;贾书香 等;《信息化纵横》;20090825(第16期);54-56 * |
Also Published As
Publication number | Publication date |
---|---|
CN106022277A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785928A (zh) | 诊疗方案推荐方法、装置及存储介质 | |
CN104490390B (zh) | 基于神经电生理信号联合分析的人体运动能力判别方法 | |
EP1852062A1 (en) | Method, user-specific performance monitor, system, and computer software product | |
WO2021057328A1 (zh) | 基于特征选取的st段分类卷积神经网络及其使用方法 | |
CN110457758A (zh) | 岩体失稳阶段的预测方法、装置、系统以及存储介质 | |
CN106769030A (zh) | 一种基于mea‑bp神经网络算法的轴承状态跟踪与预测方法 | |
CN109741826B (zh) | 麻醉评估决策树构建方法及设备 | |
CA2863928A1 (en) | Method for determation of the physical and/or psychological state of a subject | |
WO2011097139A2 (en) | Recovery determination methods and recovery determination apparatuses | |
CN106469107A (zh) | 一种存储资源的容量预测方法及装置 | |
CN106022277B (zh) | 一种用于呼吸机的滤波方法及装置 | |
CN106487359A (zh) | 基于自适应多尺度AVG‑Hat变换的形态学滤波器的构造方法 | |
CN110457757A (zh) | 基于多特征融合的岩体失稳阶段预测方法及装置 | |
CN109698017A (zh) | 医疗病历数据生成方法及装置 | |
CN109740868A (zh) | 一种基于病案首页的医疗机构排序方法和装置 | |
CN110244787A (zh) | 转速控制系统的调节方法及装置 | |
CN109498001B (zh) | 睡眠质量评估方法和装置 | |
CN106821336A (zh) | 睡眠监测方法及系统 | |
CN105627904B (zh) | 一种变压器绕组变形的判定方法 | |
CN109344534A (zh) | 注采管柱临界冲蚀流速确定方法及装置 | |
CN109044347A (zh) | 识别心电波图像交界性逸搏方法、装置、系统和电子设备 | |
CN109886402A (zh) | 深度学习模型训练方法、装置、计算机设备及存储介质 | |
CN108553084A (zh) | 一种睡眠分期事件的识别方法、装置及设备 | |
US6731972B2 (en) | Evaluation method and apparatus for determining the time stationarity of measured physiological signals | |
CN110236525A (zh) | 一种基于迁移学习的室性心动过速心律识别用神经网络 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 410205 Room 101, 1st floor, north of superstar entrepreneurship base, No. 8 Lujing Road, high tech Development Zone, Changsha, Hunan Patentee after: Hunan Mingkang Zhongjin Medical Technology Co.,Ltd. Address before: 410000 101, North 1st floor, giant star entrepreneurship base, No. 8 Lujing Road, high tech Development Zone, Changsha City, Hunan Province Patentee before: HUNAN MICOME ZHONGJIN MEDICAL SCIENCE & TECHNOLOGY DEVELOPMENT Co.,Ltd. |