CN107536611A - 一种体征监测系统 - Google Patents
一种体征监测系统 Download PDFInfo
- Publication number
- CN107536611A CN107536611A CN201710600491.7A CN201710600491A CN107536611A CN 107536611 A CN107536611 A CN 107536611A CN 201710600491 A CN201710600491 A CN 201710600491A CN 107536611 A CN107536611 A CN 107536611A
- Authority
- CN
- China
- Prior art keywords
- data
- sound signal
- digitlization
- value
- probability
- 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.)
- Pending
Links
Abstract
一种体征监测系统，包括：接收模块，在第一时间采集接收原始呼吸数据；过滤模块，对采集的振动音信号进行放大滤波以及去噪处理并进行模数转换为基础呼吸数据；拟合修正模块，对基础呼吸数据进行高斯性统计，并对突变数据进行修正；比较模块，在第二时间段，基于第一时间段内的高斯性统计数据判断第二时间段内的数字化振动音信号的数据概率，将所述数据概率与经验阈值相比较，当数字化振动音信号的预判断值的数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；报警模块，接收比较模块输出的警告信号，并对外发出报警信号，从而对数字化振动音信号的数据准确率进行判断，本发明的系统在监控数据处理过程中有自我更新的能力，是可靠性高、复杂度低、输出变量贴切的呼吸数据处理系统。
Description
技术领域
本发明涉及一种体征监测系统领域，特别是涉及呼吸监测领域。
背景技术
上个世纪六十年代中期的机械呼吸机被设计成支持肺泡同期并且对由于神经肌肉损伤而不能呼吸的患者提供补充的氧气。从那时起，机械呼吸机已经响应于对肺部病理生理学的不断理解而便得越来越精密和复杂。在努力提升患者对机械通气的耐受性中，研发了辅助通气模式或者患者触发的通气模式。在上世纪七十年代间歇强制通气变得可用时，机械支持补充自发通气的布局正压通气支持对于手术室外的成年人来说成为可能。不断研发了满足严重受伤患者的需求的各种可替选的通气方式。类似地，已经研发出便于使用的小型呼吸机，以支持需求较少的支持的患者。这些呼吸机通常利用非侵入性的极致来与患者进行连接。
近年来，已经将微处理器引入到现代呼吸机中。微处理器呼吸机通常配备有检测每次呼吸的流量、压力、容积并且得出机械呼吸参数的传感器。传感器精确地感测并将其转换，特别是与计算机技术相结合，使得临床医生、患者及呼吸机之间的交互相比之前更加精细。现有技术的微处理器控制的呼吸机由于放置了转换数据信号所需要的传感器而成熟。因此，研发了复杂的算法，以使呼吸机可以基于每次呼吸来估计患者肺部中实际上发生了什么。实际上，在计算机控制的现有技术的呼吸机受限于试图模仿提供给患者的呼吸机支持中的因果关系的数学算法的精度、可靠性及实用性。
因此，本发明不仅需要对大量采集到的呼吸数据进行快速地个性化建模分析，得出针对不同患者最佳的参量函数，同时保证在监控数据处理过程中有自我更新的能力，最后保证输出的变量和曲线更加完美且易于观察。最后研究出这种可靠性高、复杂度低、输出变量贴切的呼吸数据处理方法。
发明内容
一种体征监测系统，包括：
接收模块，在第一时间采集接收原始呼吸数据，即通过呼吸音传感器所测量的监测对象呼吸时所产生的振动音信号；
过滤模块，对采集的振动音信号进行放大滤波以及去噪处理并进行模数转换，转换为数字化振动音信号形成待处理的基础呼吸数据；
拟合修正模块，将所述数字化振动音信号输入高斯模型对基础呼吸数据进行高斯性统计，并记录第一时间段内所述数字化振动音信号发生的概率，并且对突变数据进行修正；
比较模块，在第二时间段，基于第一时间段内的高斯性统计数据判断第二时间段内的数字化振动音信号的数据概率，同时对突变数据进行修正，将所述数据概率与经验阈值相比较，当所述数据概率小于所述经验阈值时给出第一判断结果值，当在一定时间内多次出现所述数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；
机器学习及预判断模块，接收并基于拟合修正模块输出的数据，在第二时间段内对所述数字化振动音信号进行机器学习，从而对数字化振动音信号进行预判断；对所述数字化振动音信号的预判断值的数据概率与经验阈值相比较，当数字化振动音信号的预判断值的数据概率小于所述经验阈值时给出第一判断结果值，当数字化振动音信号的预判断值的数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；
报警模块，接收比较模块或机器学习及预判断模块输出的警告信号，并对外发出报警信号。
优选地，所述拟合修正模块进一步包括动态轮廓模型，所述动态轮廓模型对高斯模型输出的数字化振动音信号进行拟合形成呼吸特性曲线；
所述机器学习及预判断模块进一步包括第二动态轮廓模型，所述第二动态轮廓模型对所述机器学习后输出的数字化振动音信号的预判断值进行拟合形成呼吸特性曲线的预判断曲线。
优选地，根据所述动态轮廓模型输出的呼吸特性曲线或第二动态轮廓模型预判断曲线计算出对应的呼吸特征变量，所述呼吸特征变量包括呼吸频率、最强呼吸音、潮气量参考值、呼气吸气时间和呼吸比。
优选地，所述呼吸频率为呼吸特性曲线或其预判断曲线自身的频率；
所述最强呼吸音为呼吸特性曲线或其预判断曲线最大峰峰值；
所述潮气量参考值为一个呼吸周期内所述呼吸特性曲线或其预判断曲线与中心轴之间的面积；
呼气吸气时间为一个呼吸周期内所述呼吸特性曲线或其预判断曲线中心线上和下的持续时间，其比值作为呼吸比。
优选地，所述机机器学习及预判断模块包括贝叶斯判别，所述贝叶斯判别根据呼吸数据变化自动更新其参数。
附图简要说明
图1是体征监测系统框图；
图2是数据处理流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
段接收模块，在第一时间采集接收原始呼吸数据，即通过呼吸音传感器所测量的监测对象呼吸时所产生的振动音信号；
过滤模块，对采集的振动音信号进行放大滤波以及去噪处理并进行模数转换，转换为数字化振动音信号形成待处理的基础呼吸数据；
拟合修正模块，将所述数字化振动音信号输入高斯模型对基础呼吸数据进行高斯性统计，并记录第一时间段内所述数字化振动音信号发生的概率，并且对突变数据进行修正；
比较模块，在第二时间段，基于第一时间段内的高斯性统计数据判断第二时间段内的数字化振动音信号的数据概率，同时对突变数据进行修正，将所述数据概率与经验阈值相比较，当所述数据概率小于所述经验阈值时给出第一判断结果值，当在一定时间内多次出现所述数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；
机器学习及预判断模块，接收并基于拟合修正模块输出的数据，在第二时间段内对所述数字化振动音信号进行机器学习，从而对数字化振动音信号进行预判断；对所述数字化振动音信号的预判断值的数据概率与经验阈值相比较，当数字化振动音信号的预判断值的数据概率小于所述经验阈值时给出第一判断结果值，当数字化振动音信号的预判断值的数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；
附图1中当接收模块接收呼吸音传感器把患者的呼吸信号转换为电信号的形式的原始呼吸数据之后，过滤模块通过放大、滤波及去噪，模数转换后从而得到可靠性最高的基础呼吸数据。
基础呼吸数据输入拟合修正模块，其中包括高斯模型，是在环境不变的情况下，对采集到的初始数据进行建模，也就是在第一时间段，根据个人呼吸特性都服从正态分布的关系，我们可以得到公式
式子中，x表示第i个数据的值，μ表示数据的均值，σ表示数据的均方差，Q(xi)表示第i个数据的值为xi的概率。
N代表参与初始化的数据总点数，因此可以得出数据点的均值μ和方差σ2的初始化公式为
在第二时间段，如果某个数据点的概率小于设定的阈值th，则该点被定义为正常数据点，反之(else)则定义为非正常数据点，即
信号首先在高斯模型对数据进行分析，首先对采集到长度为N的数据求均值和方差，然后把求到的参数带入高斯公式与经验阈值做比较，当下一个数据值带入高斯公式时小于阈值说明呼吸正常，反之说明发生突变，同时在正常呼吸数据不断采集的同时对参变量进行不断地更新，用第 N+1个数据来替代第1个数据，如此迭代更新，保证无论在任何时候的参变量都是当前环境下可靠性最高的参数。通常高斯模型会对突变数据进行修正，例如发生概率为0的数据进行修正，但是当异常呼吸数据出现频率在一定时间内多次或者持续出现，系统给出报警提示。
其次，经过高斯模型筛选后得到患者稳定的呼吸信号交给机器学习及预判断模块，其中的机器学习算法进行预知判定处理。
附图2中，信号首先在高斯模型对数据进行分析，首先对采集到长度为N的数据求均值和方差，然后把求到的参数带入高斯公式与经验阈值做比较，当下一个数据值带入高斯公式时小于阈值说明呼吸正常，反之说明发生突变，同时在正常呼吸数据不断采集的同时对参变量进行不断地更新，用第N+1个数据来替代第1个数据，如此迭代更新，保证无论在任何时候的参变量都是当前环境下可靠性最高的参数。通常高斯模型会对突变数据进行修正，例如发生概率为0的数据进行修正，但是当异常呼吸数据出现频率在一定时间内多次或者持续出现，系统给出报警提示。
后验概率＝标准似然度乘以先验概率
其中Ai是已经发生的事情，也就是当前采集到的数据，B为对未来数据的猜想，Ai是正常呼吸数据或非正常呼吸数据，分别带入公式(5)计算其在现有的数据条件下可能发生的概率。即将正常数据Bz与非正常数据Bf分别带入贝叶斯公式P(Ai|Bz)与P(Ai|Bf)，当P(Ai|Bf)大于 P(Ai|Bz)说明即将发生的非正常数据概率大，在这种情况下也可以给出呼吸非正常的判断值并产生预警信号。
以贝叶斯准则为基准进行概率判断，对在当前时间t内所采集到的数据进行概率分析，统计呼吸特征变化概率，比如正常呼吸和非正常呼吸各自的概率，根据已知的当前概率结合数据的变化趋势来推测未来一段时间内正常呼吸和非正常呼吸可能会发生的概率值，比如当推测非正常呼吸发生概率大于我们设定的经验阈值，那医护人员就得提前做好预防准备，进一步提前预警了将要发生的呼吸突变情况。
最后高斯模型和机器学习算法把数据传递给动态轮廓曲线模型算法，通过动态轮廓模型对呼吸特性曲线进行拟合。
首先对所得到的采样数据进行多点连线，并匹配出最合适的函数曲线，结合曲线自身内力作用，使得到的曲线更加平滑易于监护人员观察。当得到处理完成的呼吸曲线之后通过简单的功率谱分析得到其呼吸频率，通过对峰值也就是当前周期内最大(a1)最小(a2)值的判断得到最强呼吸音，通过曲线过零点正负值持续时间(t1、t2)得出呼气吸气时间，根据对曲线进行时间积分求出与中心周之间面积(s1、s2)得出潮气量参考值，呼气吸气时间和呼吸比也即t1/t2。
这样的拟合既可以直接对高斯模型输出数据进行拟合，还可以对机器学习后即贝叶斯判断后的数据进行拟合形成曲线，从而对呼吸特征变量进行预判断和输出预判断拟合曲线。
这样的体征监测系统即可以实时显示呼吸情况，也可基于当前的呼吸数据对下一段时间的呼吸进行预判，从而做到早预警，起到很好的体征监测作用。
以上所述，仅是本发明较佳实施方式，不应该被视为对本发明范围的限制，而且本发明所主张的权利要求范围并不局限于此，凡熟悉此领域技术的人士，依照本发明所披露的技术内容，可以轻易思及的等效变化，均应落入本发明的保护范围之中。
Claims (5)
1.一种体征监测系统，其特征在于：所述体征监测系统包括：
接收模块，在第一时间采集接收原始呼吸数据，即通过呼吸音传感器所测量的监测对象呼吸时所产生的振动音信号；
过滤模块，对采集的振动音信号进行放大滤波以及去噪处理并进行模数转换，转换为数字化振动音信号形成待处理的基础呼吸数据；
拟合修正模块，将所述数字化振动音信号输入高斯模型对基础呼吸数据进行高斯性统计，并记录第一时间段内所述数字化振动音信号发生的概率，并且对突变数据进行修正；
比较模块，在第二时间段，基于第一时间段内的高斯性统计数据判断第二时间段内的数字化振动音信号的数据概率，同时对突变数据进行修正，将所述数据概率与经验阈值相比较，当所述数据概率小于所述经验阈值时给出第一判断结果值，当在一定时间内多次出现所述数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；
机器学习及预判断模块，接收并基于拟合修正模块输出的数据，在第二时间段内对所述数字化振动音信号进行机器学习，从而对数字化振动音信号进行预判断；对所述数字化振动音信号的预判断值的数据概率与经验阈值相比较，当数字化振动音信号的预判断值的数据概率小于所述经验阈值时给出第一判断结果值，当数字化振动音信号的预判断值的数据概率大于所述经验阈值时，给出第二判断结果值，并给出警告信号；
报警模块，接收比较模块或机器学习及预判断模块输出的警告信号，并对外发出报警信号。
2.根据权利要求1所述的体征监测系统，其特征在于：
所述拟合修正模块进一步包括动态轮廓模型，所述动态轮廓模型对高斯模型输出的数字化振动音信号进行拟合形成呼吸特性曲线；
所述机器学习及预判断模块进一步包括第二动态轮廓模型，所述第二动态轮廓模型对所述机器学习后输出的数字化振动音信号的预判断值进行拟合形成呼吸特性曲线的预判断曲线。
3.根据权利要求2的体征监测系统，其特征在于：根据所述动态轮廓模型输出的呼吸特性曲线或第二动态轮廓模型预判断曲线计算出对应的呼吸特征变量，所述呼吸特征变量包括呼吸频率、最强呼吸音、潮气量参考值、呼气吸气时间和呼吸比。
4.根据权利要求3的体征监测系统，其特征在于：
所述呼吸频率为呼吸特性曲线或其预判断曲线自身的频率；
所述最强呼吸音为呼吸特性曲线或其预判断曲线最大峰峰值；
所述潮气量参考值为一个呼吸周期内所述呼吸特性曲线或其预判断曲线与中心轴之间的面积；
呼气吸气时间为一个呼吸周期内所述呼吸特性曲线或其预判断曲线中心线上和下的持续时间，其比值作为呼吸比。
5.根据权利要求2的体征监测系统，其特征在于：所述机机器学习及预判断模块包括贝叶斯判别，所述贝叶斯判别根据呼吸数据变化自动更新其参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710600491.7A CN107536611A (zh) | 2017-07-21 | 2017-07-21 | 一种体征监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710600491.7A CN107536611A (zh) | 2017-07-21 | 2017-07-21 | 一种体征监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107536611A true CN107536611A (zh) | 2018-01-05 |
Family
ID=60970996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710600491.7A Pending CN107536611A (zh) | 2017-07-21 | 2017-07-21 | 一种体征监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107536611A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113168759A (zh) * | 2018-11-27 | 2021-07-23 | 皇家飞利浦有限公司 | 预测危急警报 |
| CN115089207A (zh) * | 2022-06-10 | 2022-09-23 | 海南医学院 | 一种呼吸音监测方法和呼吸音监测设备 |
-
2017
- 2017-07-21 CN CN201710600491.7A patent/CN107536611A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113168759A (zh) * | 2018-11-27 | 2021-07-23 | 皇家飞利浦有限公司 | 预测危急警报 |
| CN115089207A (zh) * | 2022-06-10 | 2022-09-23 | 海南医学院 | 一种呼吸音监测方法和呼吸音监测设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6742377B2 (ja) | 睡眠段階を決定するシステム、方法及び可読媒体 | |
| JP6574648B2 (ja) | 流れ制限の検出のための自動制御 | |
| CN102770070B (zh) | 用于实时评估肺力学的系统和方法 | |
| US6190328B1 (en) | Device for determining respiratory phases of the sleep of a user | |
| CA2263126C (en) | Determination of leak and respiratory airflow | |
| CN102512736B (zh) | 检测无效吸气努力并改进患者-呼吸机相互作用的系统 | |
| CN102665546B (zh) | 睡眠状况的检测 | |
| JP6199312B2 (ja) | チェーンストークス呼吸パターンの判別 | |
| EP4176800A1 (en) | Screener for sleep disordered breathing | |
| US20140350355A1 (en) | Monitoring and managing sleep breathing disorders | |
| JP2005537068A5 (zh) | ||
| CN104739412B (zh) | 一种对睡眠呼吸暂停进行监测的方法和设备 | |
| JPS5948106B2 (ja) | 呼吸監視装置 | |
| CN101972505A (zh) | 具有鼾声检测的计算机控制cpap系统 | |
| CN106456052A (zh) | 呼吸障碍的诊断与治疗 | |
| JP2014008159A (ja) | 生体信号解析装置およびその制御方法 | |
| CN105771047A (zh) | 一种呼吸机气道正压调节方法 | |
| CN107536611A (zh) | 一种体征监测系统 | |
| CN106267494B (zh) | 基于吸气努力程度的呼吸机参数调整方法及呼吸机 | |
| US20140150795A1 (en) | System and method for detecting double triggering with remote monitoring | |
| CN108186018A (zh) | 一种呼吸数据处理方法及装置 | |
| CN115944820B (zh) | 一种准确定量呼吸器参数的控制方法及装置 | |
| JP2018530393A (ja) | 古典的フィードバック制御を用いる患者の呼吸仕事量を自動制御する機械式換気 | |
| CN113975563A (zh) | 一种基于打鼾声音识别的呼吸机控制方法及呼吸机 | |
| CN111481189A (zh) | 睡眠评估方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180105 |
|
| RJ01 | Rejection of invention patent application after publication |