CN108619597B - 一种呼吸机流道的压力补偿方法 - Google Patents

一种呼吸机流道的压力补偿方法 Download PDF

Info

Publication number
CN108619597B
CN108619597B CN201710161096.3A CN201710161096A CN108619597B CN 108619597 B CN108619597 B CN 108619597B CN 201710161096 A CN201710161096 A CN 201710161096A CN 108619597 B CN108619597 B CN 108619597B
Authority
CN
China
Prior art keywords
value
pressure
training
network model
flow
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
Application number
CN201710161096.3A
Other languages
English (en)
Other versions
CN108619597A (zh
Inventor
沈翰宁
周博洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen City Daya Medical Technology Co ltd
Original Assignee
Shenzhen City Daya Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen City Daya Medical Technology Co ltd filed Critical Shenzhen City Daya Medical Technology Co ltd
Priority to CN201710161096.3A priority Critical patent/CN108619597B/zh
Publication of CN108619597A publication Critical patent/CN108619597A/zh
Application granted granted Critical
Publication of CN108619597B publication Critical patent/CN108619597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • A61M16/10—Preparation of respiratory gases or vapours
    • A61M16/1005—Preparation of respiratory gases or vapours with O2 features or with parameter measurement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • A61M2016/0027—Accessories therefor, e.g. sensors, vibrators, negative pressure pressure meter
    • 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
    • A61M2016/003—Accessories therefor, e.g. sensors, vibrators, negative pressure with a flowmeter
    • 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
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Hematology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Anesthesiology (AREA)
  • Pulmonology (AREA)
  • Emergency Medicine (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种呼吸机流道的压力补偿方法为：步骤S1：对呼吸机的过程控制器的PID算法进行初始化处理；步骤S2：实时采集呼吸机当前时刻的治疗压力和流道气体流量值；步骤S3：将采集到的治疗压力和流量值输入到预设好的BP神经网络模型中，经过BP神经网络模型的训练得到当前时刻的压力补偿值；步骤S4：在当前的治疗压力值基础上增加补偿值，作为PID算法的设定值；步骤S5：PID算法以设定值为目标来调节涡轮电机转速，对呼吸机流道里的压力损失和压力差进行补偿。采用本发明可随着呼吸的潮气量和频率的变化，实时的补偿能在一定程度上减小面罩里治疗压力的偏差，增加了呼吸时的舒适感。

Description

一种呼吸机流道的压力补偿方法
技术领域
本发明涉及一种呼吸机，尤其涉及的是一种呼吸机流道的压力补偿方法。
背景技术
阻塞性睡眠呼吸暂停综合征(obstructive sleep apnea hypopnea syndrome，OSAHS)是一种睡眠时候呼吸停止的睡眠障碍，出现该综合征会导致呼吸道气流严重受阻，进而造成呼吸困难，严重影响身心健康。目前，治疗OSAHS主要依靠无创呼吸机提供给上气道一个生理性的压力支持，以保证睡眠时呼吸道的畅通。在治疗过程中，呼吸机的电机会根据呼吸频率实时调整转速，维持压力传感器的值实时跟踪治疗压力值，但是气流在吸气过程中从风机出来后经过水机和管道，压力不可避免存在一定的损失，同时较大的流量也使得流道中存在压力差，最后导致面罩里的压力小于压力传感器的输出值，实验结果显示：当治疗压力为14hPa时，吸气时的压力偏差可达到1.8hPa；在呼气过程中，存在的压力对抗，导致面罩里的压力大于压力传感器的输出值。从而导致面罩里的压力无法反映治疗压力，影响呼吸的舒适感。
中国专利申请号为201110326174.3公开的技术文件中，发布了一种单回路无创呼吸机漏气补偿方法，用于对单回路无创呼吸机漏气的准确估计，在给患者送气时给予相应的补偿，以确保患者得到所需的漏气量；中国专利申请号为201110126010.6公开的技术文件中，通过增加连接到呼吸系统的双向、宽带的流量产生设备，用于维持将呼吸系统的期望压力分布，实现了一种连接到呼吸系统的压力补偿设备，能在病人端产生压力分布，避免了病人端的不适。
中国专利申请号为201110326174.3公开的单回路无创呼吸机漏气补偿方法中，对呼吸周期中的漏气作出了准确估计，并给予了相应的补偿，但该方法只考虑了回路中漏气的情况，未考虑到流道中压力的损失和压力差也会对面罩里的压力有影响，最终会影响到患者呼吸的舒适感；中国专利申请号为201110126010.6公开了一种连接到呼吸系统的压力补偿设备和方法，该方法采用一个有源元件解决，由该有源元件产生气流以补偿非期望压力，同时提出的压力补偿设备包括至少一个驱动元件、至少一个具有出口通道的容器和至少一个压力传感器，因此，该方法在呼吸机原有的基础上增加了多个元件，导致成本升高。
因此，现有技术还有待于改进和发展。
发明内容
本发明的目的在于提供一种呼吸机流道的压力补偿方法,旨在解决呼吸机在呼吸周期中流道存在的压力损失和偏差，从而导致面罩里的压力无法反映治疗压力，影响呼吸的舒适感的问题。
本发明的技术方案如下：
一种呼吸机流道的压力补偿方法，包括以下步骤：
步骤S1：对呼吸机的过程控制器的PID(比例、积分和微分、Proportion IntegralDifferential)算法进行初始化处理；
步骤S2：实时采集呼吸机当前时刻的治疗压力和流道气体流量值；
步骤S3：将采集到的治疗压力和流量值输入到预设好的BP神经网络模型中，经过BP神经网络模型的训练得到当前时刻的压力补偿值；
步骤S4：在当前的治疗压力值基础上增加补偿值，作为PID算法的设定值；
步骤S5：PID算法以设定值为目标来调节涡轮电机转速，对呼吸机流道里的压力损失和压力差进行补偿。
所述的呼吸机流道的压力补偿方法，其步骤S3所述的获取压力补偿值的具体方法为：
步骤S31：确定各个治疗压力下流道的流量范围，所述流量范围需满足所有呼吸频率和潮气量；
步骤S32：在4-20hpa的治疗压力范围内改变流道气体流量，记录不同流量下面罩里压力偏差值，并把对应的偏差值作为训练压力补偿值；
步骤S33：将治疗压力和流道流量作为训练输入值、对应的偏差值作为训练输出值，同时输入到进行初始化后的BP神经网络模型中进行训练，直至训练误差值满足要求或者达到最大训练次数，则训练完成；
步骤S34：保存训练完成后BP神经网络模型的各个权值和阈值；
步骤S35：将当前时刻的治疗压力和流道流量输入到训练好的神经网络模型中，计算得到当前的压力补偿值。
所述的呼吸机流道的压力补偿方法，其所述的BP神经网络模型由输入层、隐含层和输出层组成，结构为2-3-1，即输入层节点是2个，分别是治疗压力值和流道流量值，隐含层节点是3个，输出层是1个，为压力补偿值。
所述的呼吸机流道的压力补偿方法，其BP神经网络模型的训练方法为：
步骤S331：初始化神经网络模型的权值和阈值以及训练的误差阈值、最大训练次数、学习率；
步骤S332:将采集到的数据中治疗压力和流道流量作为训练输入值、对应的偏差值作为训练输出值，同时输入到BP神经网络模型中迭代训练；
步骤S333：计算每次训练后的误差，若误差小于等于误差阈值，则保存训练好的网络模型权值和阈值，训练完成；若误差大于误差阈值则执行下一步骤；
步骤S334：根据误差值实时修正网络模型权值和阈值，用作下一次训练的网络模型权值和阈值。
本发明的有益效果：本发明利用BP神经网络模型拟合出治疗压力和流道流量与补偿值之间的映射关系，通过PID控制算法实现该压力补偿，整个方法没有增加额外的装置，在增加了患者呼吸的舒适感的同时，也有效的维持了现有成本。
附图说明
图1是本发明提供的呼吸机流道的压力补偿方法的流程图。
图2是本发明提供的压力补偿值获取方法流程图。
图3是本发明提供的BP神经网络模型结构图。
图4是本发明提供的BP神经网络模型的训练方法流程图。
图5是本发明中无补偿情况下呼吸周期中面罩内压力实时变化曲线。
图6是本发明中加补偿情况下呼吸周期中面罩内压力实时的变化线。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。
如图1所示，本发明为解决现有呼吸机流道中压力损失问题，提供一种呼吸机流道的压力补偿方法，具体包括以下步骤：
步骤S1：对呼吸机的过程控制器的PID算法进行初始化处理；
步骤S2：实时采集呼吸机当前时刻的治疗压力和流道气体流量值；
步骤S3：将采集到的治疗压力和流量值输入到预设好的BP神经网络模型中，经过BP神经网络模型的训练得到当前时刻的压力补偿值；
步骤S4：在当前的治疗压力值基础上增加补偿值，作为PID算法的设定值；
步骤S5：PID算法以设定值为目标来调节涡轮电机转速，对呼吸机流道里的压力损失和压力差进行补偿。
在上述压力补偿方法的中PID算法采用的是离散增量型，调整压力大小的实质是调节涡轮风机的转速，其转速增量表述形式如下：
Δu(k)＝kp[e(k)-e(k-1)]+kie(k)+kd[e(k)-2e(k-1)+e(k-2)]······(1)
u(k+1)＝u(k)+Δu(k)······················(2)
式中，Δu(k)表示k时刻的转速增量，e(k)＝r(k)-c(k)表示压力偏差值，r(k)为期望目标压力值，c(k)为实际压力输出值，kp、ki和kd分别是PID算法的比例、积分和微分环节系数。转速增量Δu(k)在每一时刻都需要计算更新，并将其与当前电机转速u(k)求和，作为下一时刻的转速。
参见图2，本发明步骤S3所述的获取压力补偿值的具体方法为：
步骤S31：确定各个治疗压力下流道的流量范围，所述流量范围需满足所有呼吸频率和潮气量；
步骤S32：在4-20hpa的治疗压力范围内改变流道气体流量，记录不同流量下面罩里压力偏差值，并把对应的偏差值作为训练压力补偿值；
步骤S33：将治疗压力和流道流量作为训练输入值、对应的偏差值作为训练输出值，同时输入到进行初始化后的BP神经网络模型中进行训练，直至训练误差满足要求或者达到最大训练次数，则训练完成；
步骤S34：保存训练完成后BP神经网络模型的各个权值和阈值；
步骤S35：将当前时刻的治疗压力和流道流量输入到训练好的神经网络模型中，计算得到当前的压力补偿值。
参见图3，本发明提供的BP神经网络模型是采用误差反向传播算法(Error Back-propagation Algorithm)的多层前馈人工神经网络，该算法因其良好的非线性逼近能力和泛化能力以及使用的易适性，广泛用于非线性系统的拟合和预测。所述BP神经网络模型由输入层、隐含层和输出层组成，本发明使用的神经网络模型结构为2-3-1，即输入层节点是2个，分别是治疗压力值和流道流量值，隐含层节点是3个，输出层节点是1个，即是压力补偿值。其中：
所述输入层的向量表示为：Xl＝[Pset,l；Fl]，其中：Pset,l治疗压力值，Fl气体流量值；l＝1,2,...,L，L是采集数据的样本数。
所述隐含层的输出为：
Figure BDA0001248551010000061
式中，Hj是第j个隐含节点的输出值；Xi,l是第l个样本的第i个输入节点的输出值；wij是第i个输入节点与第j个隐含节点之间的权值；aj是第j个隐含节点的阈值；f(·)是隐含层激励函数。在本发明实施例中取为可微的S型作用函数，即
Figure BDA0001248551010000062
所述BP神经网络模型输出层的输出为：Ol＝Hjwj-b，式中，Ol是第l个样本的网络模型的输出值；wj是第j个隐含节点与输出节点之间的权值；b是输出节点的阈值。
参见图4，上述步骤S33中所述BP神经网络模型的训练方法为：
步骤S331：初始化神经网络模型的权值和阈值以及训练的误差阈值、最大训练次数、学习率；
步骤S332:将采集到的数据中治疗压力和流道流量作为训练输入值、对应的偏差值作为训练输出值，同时输入到BP神经网络模型中迭代训练；
步骤S333：计算每次训练后的误差，若误差小于等于误差阈值，则保存训练好的网络模型权值和阈值，训练完成；若误差大于误差阈值则执行下一步骤；
步骤S334：根据误差值实时修正网络模型权值和阈值，用作下一次训练的网络模型权值和阈值。
其中，所述BP神经网络模型的输出误差值为：
Figure BDA0001248551010000071
其中，Pcom,l是第l个样本的压力补偿值。
判断训练是否达到要求：若e≤ε，则保存当前网络模型的权值wij、wj和阈值aj、b。其中，ε是提前确定的误差阈值；如果不满足阈值要求，则继续更新权值和阈值，迭代训练。
根据网络的误差值e更新BP神经网络模型的权值和阈值：
Figure BDA0001248551010000072
其中，η是学习率。
参见图5和图6，本专利利用模拟肺来模拟人的呼吸周期，可同时改变模拟肺的呼吸频率和潮气量来模拟人不同的呼吸状态。在实验中，模拟肺的呼吸频率设置为15bpm，呼吸机的治疗压力设置为14hPa，图5和图6分别描述了无补偿和加补偿情况下呼吸周期中面罩内压力实时的变化，无补偿时面罩内最大压力与最小压力的差值为4.2hPa，加补偿后面罩内最大压力与最小压力的差值为1.9hPa。实验结果表明：加了本专利提出的压力补偿后，面罩里压力偏差值明显地减小了。由此可见，该方法能有效的减小面罩内压力的偏差。
在呼吸过程中，随着治疗压力和呼吸潮气量以及呼吸频率的变化，流道中气体压力不可避免的存在损耗和压力差，使得面罩内的压力无法达到设定的治疗压力。本发明着眼于这一点，利用BP神经网络万能的逼近能力，拟合出治疗压力和流道流量为输入、压力补偿值为输出的黑箱模型，该模型回避了输入与输出之间复杂的非线性关系，并能够准确的映射出输入与输出的关系。在治疗过程中，实时采集当前时刻的治疗压力值和流道流量值，并输入到训练好的BP神经网络模型中，输出当前时刻的压力补偿值，更新PID控制算法的设定值，实时调节电机转速，直至面罩里的压力能反映出治疗压力。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种呼吸机流道的压力补偿方法，其特征在于，包括以下步骤：
步骤S1：对呼吸机的过程控制器的PID算法进行初始化处理；
步骤S2：实时采集呼吸机当前时刻的治疗压力和流道气体流量值；
步骤S3：将采集到的治疗压力和流量值输入到预设好的BP神经网络模型中，经过BP神经网络模型的训练得到当前时刻的压力补偿值；
步骤S4：在当前的治疗压力值基础上增加补偿值，作为PID算法的设定值；
步骤S5：PID算法以设定值为目标来调节涡轮电机转速，对呼吸机流道里的压力损失和压力差进行补偿；
其中，步骤S3所述的获取压力补偿值的具体方法为：
步骤S31：确定各个治疗压力下流道的流量范围，所述流量范围需满足所有呼吸频率和潮气量；
步骤S32：在4-20hpa的治疗压力范围内改变流道气体流量，记录不同流量下面罩里压力偏差值，并把对应的偏差值作为训练压力补偿值；
步骤S33：将治疗压力和流道流量作为训练输入值、对应的偏差值作为训练输出值，同时输入到进行初始化后的BP神经网络模型中进行训练，直至训练误差值满足要求或者达到最大训练次数，则训练完成；
步骤S34：保存训练完成后BP神经网络模型的各个权值和阈值；
步骤S35：将当前时刻的治疗压力和流道流量输入到训练好的神经网络模型中，计算得到当前的压力补偿值。
2.根据权利要求1所述的呼吸机流道的压力补偿方法，其特征在于，所述的BP神经网络模型由输入层、隐含层和输出层组成，结构为2-3-1，即输入层节点是2个，分别是治疗压力值和流道流量值，隐含层节点是3个，输出层是1个，为压力补偿值。
3.根据权利要求2所述的呼吸机流道的压力补偿方法，其特征在于，BP神经网络模型的训练方法为：
步骤S331：初始化神经网络模型的权值和阈值以及训练的误差阈值、最大训练次数、学习率；
步骤S332:将采集到的数据中治疗压力和流道流量作为训练输入值、对应的偏差值作为训练输出值，同时输入到BP神经网络模型中迭代训练；
步骤S333：计算每次训练后的误差，若误差小于等于误差阈值，则保存训练好的网络模型权值和阈值，训练完成；若误差大于误差阈值则执行下一步骤；
步骤S334：根据误差值实时修正网络模型权值和阈值，用作下一次训练的网络模型权值和阈值。
4.根据权利要求3所述的呼吸机流道的压力补偿方法，其特征在于，所述BP神经网络模型的输入层向量为Xl＝[Pset,l；Fl]，其中：Pset,l治疗压力值，Fl气体流量值，l＝1,2,...,L，L是采集数据的样本数。
5.根据权利要求4所述的呼吸机流道的压力补偿方法，其特征在于，所述BP神经网络模型的隐含层的输出为：
Figure FDA0002633213050000021
其中，Hj是第j个隐含节点的输出值，Xi,l是第l个样本的第i个输入节点的输出值，wij是第i个输入节点与第j个隐含节点之间的权值，aj是第j个隐含节点的阈值，f(·)是隐含层激励函数，取为可微的S型作用函数，即
Figure FDA0002633213050000031
6.根据权利要求5所述的呼吸机流道的压力补偿方法，其特征在于，所述BP神经网络模型的输出层的输出为：
Ol＝Hjwj-b
其中，Ol是第l个样本的网络模型的输出值，wj是第j个隐含节点与输出节点之间的权值，b是输出节点的阈值。
7.根据权利要求6所述的呼吸机流道的压力补偿方法，其特征在于，所述BP神经网络模型的训练误差值为：
Figure FDA0002633213050000032
其中，Pcom,l是第l个样本的压力补偿值；当误差小于等于误差阈值，则保存当前网络模型中第i个输入节点与第j个隐含节点之间的权值wij、第j个隐含节点与输出节点之间的权值wj、第j个隐含节点的阈值aj和输出节点的阈值b。
8.根据权利要求7所述的呼吸机流道的压力补偿方法，其特征在于，根据网络的误差值e更新BP神经网络模型的权值和阈值的计算方法为：
Figure FDA0002633213050000033
其中，η是学习率。
9.根据权利要求8所述的呼吸机流道的压力补偿方法，其特征在于，步骤S5中具体的转速增量计算方法为：
Δu(k)＝kp[e(k)-e(k-1)]+kie(k)+kd[e(k)-2e(k-1)+e(k-2)]
u(k+1)＝u(k)+Δu(k)
式中，Δu(k)表示k时刻的转速增量，e(k)＝r(k)-c(k)表示压力偏差值，r(k)为期望目标压力值，c(k)为实际压力输出值，kp、ki和kd分别是PID算法的比例、积分和微分环节系数；转速增量Δu(k)在每一时刻都需要计算更新，并将其与当前电机转速u(k)求和，作为下一时刻的转速。
CN201710161096.3A 2017-03-17 2017-03-17 一种呼吸机流道的压力补偿方法 Active CN108619597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710161096.3A CN108619597B (zh) 2017-03-17 2017-03-17 一种呼吸机流道的压力补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710161096.3A CN108619597B (zh) 2017-03-17 2017-03-17 一种呼吸机流道的压力补偿方法

Publications (2)

Publication Number Publication Date
CN108619597A CN108619597A (zh) 2018-10-09
CN108619597B true CN108619597B (zh) 2021-03-05

Family

ID=63686317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710161096.3A Active CN108619597B (zh) 2017-03-17 2017-03-17 一种呼吸机流道的压力补偿方法

Country Status (1)

Country Link
CN (1) CN108619597B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109303960B (zh) * 2018-10-26 2020-11-03 北京怡和嘉业医疗科技股份有限公司 一种通气治疗设备及控制方法
WO2020093331A1 (zh) * 2018-11-08 2020-05-14 深圳迈瑞生物医疗电子股份有限公司 一种呼吸识别方法及装置、通气设备、存储介质
CN109498952B (zh) * 2018-11-30 2020-08-28 深圳市科曼医疗设备有限公司 呼吸机比例阀流量控制方法、装置、计算机设备
CN109621114A (zh) * 2018-12-17 2019-04-16 湖南城市学院 一种呼吸机正压通气模式压力控制方法
CN110529419A (zh) * 2019-09-02 2019-12-03 苏州贝舒医疗科技有限公司 无创呼吸机风机的压力输出控制方法
CN111135411B (zh) * 2020-01-20 2021-12-10 深圳市科曼医疗设备有限公司 呼气阀的控制方法、装置、计算机设备和存储介质
CN112169098A (zh) * 2020-09-27 2021-01-05 湖南明康中锦医疗科技发展有限公司 一种呼吸支持设备传感器自校准方法和系统
CN113198074B (zh) * 2021-04-15 2023-12-12 深圳市普博医疗科技股份有限公司 呼吸机的气道压力修正方法、装置及呼吸机
CN113425961B (zh) * 2021-08-26 2021-12-10 深圳市安保科技有限公司 涡轮电机的控制方法及其控制装置和呼吸机
CN114121250B (zh) * 2021-11-03 2023-12-19 湖南万脉医疗科技有限公司 一种呼吸机安全检测方法
CN114253303B (zh) * 2021-12-06 2024-05-28 广州七喜医疗设备有限公司 一种输液泵非线性流量补偿方法
CN116492556B (zh) * 2023-05-19 2023-12-22 深圳市龙岗区妇幼保健院 一种基于麻醉机的智能控制方法及系统
CN117059250A (zh) * 2023-09-11 2023-11-14 巨翊科技（上海）有限公司 一种呼吸流量预测模型的构建方法、系统和预测装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2465434A1 (en) * 2009-08-13 2012-06-20 Hidetsugu Asanoi Device for calculating respiratory waveform information and medical device using respiratory waveform information
CN105854142A (zh) * 2016-05-10 2016-08-17 苏州鱼跃医疗科技有限公司 一种基于反向传播算法的呼吸机治疗压力稳定方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070000494A1 (en) * 1999-06-30 2007-01-04 Banner Michael J Ventilator monitor system and method of using same
SE0003531D0 (sv) * 2000-10-02 2000-10-02 Breas Medical Ab Auto CPAP
SE0401208D0 (sv) * 2004-05-10 2004-05-10 Breas Medical Ab Multilevel ventilator
DE102006032620B3 (de) * 2006-07-13 2007-11-22 Hoffrichter Gmbh Beatmungsgerät zur Behandlung von obstruktiver Schlafapnoe und Verfahren zu dessen Steuerung
WO2009114755A2 (en) * 2008-03-14 2009-09-17 Med One Medical Methods for diagnosing or treating sleep apnea
CN101319925A (zh) * 2008-07-11 2008-12-10 昆明理工大学 一种利用bp神经网络的煤气计量方法
SE535827C2 (sv) * 2010-05-17 2013-01-02 Mindray Medical Sweden Ab Pneumatisk transienthanterare för anslutning och styrning av trycket i ett andningssystem, samt förfarande för att styra andningssystemet
CN103071213A (zh) * 2011-10-25 2013-05-01 北京航天长峰股份有限公司 单回路无创呼吸机漏气补偿方法
CN106503790A (zh) * 2015-08-28 2017-03-15 余学飞 一种改进粒子群优化神经网络的压力导丝温度补偿方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2465434A1 (en) * 2009-08-13 2012-06-20 Hidetsugu Asanoi Device for calculating respiratory waveform information and medical device using respiratory waveform information
CN105854142A (zh) * 2016-05-10 2016-08-17 苏州鱼跃医疗科技有限公司 一种基于反向传播算法的呼吸机治疗压力稳定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于模糊PID控制的呼吸机压力控制研究;冯小冬;《硕士学位论文》;20111231;第41-61页 *

Also Published As

Publication number Publication date
CN108619597A (zh) 2018-10-09

Similar Documents

Publication Publication Date Title
CN108619597B (zh) 一种呼吸机流道的压力补偿方法
JP5546544B2 (ja) 医療用人工呼吸器における患者呼吸努力力学のモデル予測オンライン同定
JP4594427B2 (ja) 患者に同期した換気装置
EP3062859B1 (en) Control for pressure of a patient interface
CN104302338B (zh) 用于通气治疗的装置和方法
US8672858B2 (en) Method and apparatus for predicting work of breathing
CA2861505C (en) Method and apparatus for predicting work of breathing
CN103079621B (zh) 用于通过气管内贯流的与患者同步的通气辅助的方法和系统
AU2013255083B2 (en) Methods and apparatus for pressure treatment modulation
CN103028170B (zh) 一种呼吸压力模糊控制式呼吸机及呼吸压力模糊控制方法
US20010035186A1 (en) Parameter variation for proportional assist ventilation or proportional positive airway pressure support devices
Reinders et al. Adaptive control for mechanical ventilation for improved pressure support
WO2011106246A1 (en) A method for estimating at least one parameter at a patient circuit wye in a medical ventilator providing ventilation to a patient
US9272111B2 (en) Leak estimation using function estimation
WO2021147226A1 (zh) 呼气阀的控制方法、装置、计算机设备和存储介质
CN104717995A (zh) 利用在面罩装置处的压力传感器的自适应患者回路补偿
CN107735133B (zh) 用于无创通气的患者气道和泄漏流量估计的方法和系统
CN107519564A (zh) 具有振荡压力的用于apap 呼吸的呼吸器具
CN110461395B (zh) 用于呼吸障碍的通气治疗的方法和设备
JP2018516675A (ja) 逐次パラメータ推定を介する患者呼吸状態をモニタリングする非侵襲的方法
Reinders et al. Online hose calibration for pressure control in mechanical ventilation
CN109890444A (zh) 患者呼气压力的自动调节
CN117731897A (zh) 一种呼吸机压力控制方法
Shi et al. A respiratory mechanical parameters estimation technology based on extended least squares
CN116236651A (zh) 一种用于涡轮呼吸机的压力控制系统及方法

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