CN109350492A - 一种心肺复苏胸外自动按压设备及按压自反馈系统 - Google Patents
一种心肺复苏胸外自动按压设备及按压自反馈系统 Download PDFInfo
- Publication number
- CN109350492A CN109350492A CN201811350405.2A CN201811350405A CN109350492A CN 109350492 A CN109350492 A CN 109350492A CN 201811350405 A CN201811350405 A CN 201811350405A CN 109350492 A CN109350492 A CN 109350492A
- Authority
- CN
- China
- Prior art keywords
- pressing
- parameter
- max
- automatic
- press head
- 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
- 238000003825 pressing Methods 0.000 title claims abstract description 157
- 230000006835 compression Effects 0.000 claims abstract description 50
- 238000007906 compression Methods 0.000 claims abstract description 50
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims abstract description 22
- 230000033001 locomotion Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 230000035479 physiological effects, processes and functions Effects 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 230000009471 action Effects 0.000 claims abstract description 5
- 230000036772 blood pressure Effects 0.000 claims description 40
- 230000036760 body temperature Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims 1
- 230000004087 circulation Effects 0.000 abstract description 26
- 230000002269 spontaneous effect Effects 0.000 abstract description 24
- 238000011084 recovery Methods 0.000 abstract description 11
- 238000007723 die pressing method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 46
- 210000000038 chest Anatomy 0.000 description 45
- 238000000034 method Methods 0.000 description 31
- 238000012549 training Methods 0.000 description 29
- 239000000523 sample Substances 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 19
- 230000004872 arterial blood pressure Effects 0.000 description 14
- 238000012360 testing method Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 7
- 230000035487 diastolic blood pressure Effects 0.000 description 7
- 208000014221 sudden cardiac arrest Diseases 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000035488 systolic blood pressure Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 230000002612 cardiopulmonary effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 208000030090 Acute Disease Diseases 0.000 description 1
- PQYJRMFWJJONBO-UHFFFAOYSA-N Tris(2,3-dibromopropyl) phosphate Chemical compound BrCC(Br)COP(=O)(OCC(Br)CBr)OCC(Br)CBr PQYJRMFWJJONBO-UHFFFAOYSA-N 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002802 cardiorespiratory effect Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000036581 peripheral resistance Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H31/00—Artificial respiration or heart stimulation, e.g. heart massage
- A61H31/004—Heart stimulation
- A61H31/006—Power driven
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
- A61H2201/5007—Control means thereof computer controlled
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2230/00—Measuring physical parameters of the user
- A61H2230/30—Blood pressure
- A61H2230/305—Blood pressure used as a control parameter for the apparatus
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2230/00—Measuring physical parameters of the user
- A61H2230/50—Temperature
- A61H2230/505—Temperature used as a control parameter for the apparatus
Landscapes
- Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Emergency Medicine (AREA)
- Pulmonology (AREA)
- Epidemiology (AREA)
- Pain & Pain Management (AREA)
- Physical Education & Sports Medicine (AREA)
- Rehabilitation Therapy (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及医疗设备技术领域，尤其涉及一种心肺复苏胸外自动按压设备及按压自反馈系统，包括自动按压装置、生理指标检测模块和控制系统，自动按压装置包括电机、传动机构和按压头，传动机构将电机的运动转化为按压头的直线往复运动；电机和生理指标检测模块与控制系统电联接，控制系统实现按压动作的启停控制、按压参数的设置、生理参数的显示以及根据当前生理参数自动调整按压参数；按压参数包括按压频率、按压深度、按压波形、按压时间、动力学指标，按压波形包括正弦波、梯形波、三角波。本发明可进行自动胸外按压操作，同时可调节按压深度、频率和按压模式，并可根据反馈的生理参数自动优化按压参数，能够有效提高自主循环恢复率。
Description
技术领域
本发明涉及医疗设备技术领域，尤其涉及一种心肺复苏胸外自动按压设备及按压自反馈系统。
背景技术
一、心肺复苏是全球普及应用最为广泛的急救技术，它通过胸外按压、人工呼吸、电除颤等技术来抢救呼吸停止和心脏骤停的急症危重病人。高质量的胸外按压作为心脏骤停复苏的主要方面，其重要性更加不言而喻。胸外按压中，按压深度、按压频率和按压波形的改变会影响按压效果。
针对胸外按压实验，国内中山大学附属第二医院全电动控制动物心肺复苏装置、美国ZOLL公司研制的AutoPulse束带式胸外按压器以及瑞典JOLIFE公司的LUCAS主动加压减压式胸外按压器都可以实现高精度按压。但鉴于成本高、按压频率和智能化程度低以及对操作人员有较高要求，目前各医疗单位在胸外按压试验中大多采用手动按压或其改进仪器进行胸外按压。手动按压的力度、深度、频率、方向难以保证准确、持久，而且对操作者有着极高的要求。随着科学的进步，高精度、高效率、易操作是实验仪器未来的发展方向，这也对心肺复苏胸外按压实验装置提出了新的要求。
二、机器学习
机器学习在学习的过程中所必须的学习材料通常用反映对象特征的数据集合来表达，学习方法一般用学习算法表示，学习效果现场评估方法一般用学习判据来表示，学习判据通常用特定的测试指标表示，如正确率、学习速度等。侧重于机器学习的可操作性，《统计学习理论的本质》给出了机器学习的第二个常见定义——机器学习就是一个基于经验数据的函数估计问题。
假设输入x与输出y存在某种未知的关系，即遵循某种联合概率F(x,y)，机器学习就是要根据n个独立同分布的观测样本对这种联合概率进行估计。
设(x1,y1),(x2,y2),L,(xn,yn)为n个观测样本，其中xi＝(xi1,xi2,L,xin)T，在一组函数{f(x,ω)}中寻找一个最优函数f(x,ω0)对这种未知关系进行估计，其决策函数可表示为：
minR(ω)＝min∫L(y,f(x,ω))dF(x,y) (2-1)
其中{f(x,ω)}称为预测函数集，ω为该函数的参数，L(y,f(x,ω))为用该函数对输出y进行观测而产生的损失，即损失函数。
机器学习可理解为选择合适的预测函数集合函数参数，使用该函数对输出y进行观测产生的损失最小，即获得的对输出y的最优函数估计。
机器学习最为普遍应用的一类算法就是分类算法。机器学习分类算法主要包括模型建立和分类算法两部分，第一步使用训练数据集通过分类算法得到模型参数，建立分类模型；第二步使用有标定的检验样本数据对训练得出的模型进行检验，评价该模型的预测准确性。
2.1分类模型
按照学习的形式，机器学习分类算法可分为有监督分类和无监督分类。
无监督分类指对不带类别标记的训练样本集进行学习，即在事先不知道训练样本集的分类情况下，自动寻找规则在训练样本集中建立若干个簇，不同簇之间差异尽可能大，同一个簇内的样本数据之间的差异尽可能小，最后对各簇进行标记形成类。即对于我们不知道答案的问题，依据他们的性质自动把他们分成很多组，使得每组的问题都具有类似的性质。
无监督分类主要应用于聚类，目前常用的聚类算法有：K-means算法、DBSCAN算法等。有监督分类指对带有类别标记的训练样本集进行学习，即自动寻找规则把训练样本归类到已知的类别中，并用于未知样本的归类。
由于医疗诊断领域通常拥有大量的历史病例，这些病例已经拥有明确的标记，即患病或未患病，所以有监督学习的分类方法是医疗诊断领域最常用的分类方法。具体而言，通常将已知病例作为训练数据集，通过分类算法构建类预测模型，用以预测新的病例是否患有疾病。医学诊断通常要考虑患者的年龄、体征、病史等多方面的因素，通过医生的专业知识和个体经验得出患者是否患病的结论。如果已经通过历史病例建立好一个类预测模型，只需将上述多方面的因素作为特征输入这个模型即可得出患者是否患病的预测。医疗诊断领域常用的分类算法有：
支持向量机(SVM)、K-近邻算法、神经网络(neural network)、逻辑(Logistic)回归算法、贝叶斯判别法和决策树(decision tree)等算法。
2.2、分类模型评价方法
针对某个特定的分类问题，可能存在几个效果差不多的类表示模型，这些类表示模型有的简单，有的复杂。人们面对性能相近的模型或理论时，更偏向于接受简单的那个。为了从这些复杂程度不一的模型中选取一个恰当的符合人类认知的模型，通常会选取模型较简单的那个。
除了模型的复杂性，另一个关键是模型的性能好坏。我们常使用泛化错误率来评价一个模型的性能。泛化能力指类表示模型函数对未知数据样本的预测能力。但是在已知训练集(X,U)的情况下，训练集只是反映的类的一个有限抽样，学习到的类表示模型的错误率也只能表示在这个抽样下的预测能力。于是我们假设知道数据集X服从的抽样分布P，即用抽样分布P来代替数据集X。但是在大多数情况下，学习过程中能够使用的数据集只有有限的训练集，抽样分布并不知道。
因此，我们常在学习过程中使用训练数据集的平均损失来代替泛化能力，即用经验风险L(ρ(x),h(x))来代替泛化能力作为判别分类算法的依据。我们期望类预测函数误差要小，也就是期望经验风险越小越好。为了评价学习方法的泛化能力，现在常用的做法是把数据集分成两部分，一部分作为已知数据，即训练数据；其余部分当作未知数据的代表，即测试数据。训练数据集上的经验风险也称为训练误差，指模型在训练数据集上的平均误差，即学习算法在训练集上的经验误差，其定义如下：
其中l(ρ(x),h(x))是损失函数，N代表训练数据集中的对象个数。
测试错误率指测试样本集XT中被h(x)误分类的数据所占的比例。其定义如下：
在测试集与训练集服从独立同分布假设下，可以证明所以，用测试错误率来估计分类算法的泛化能力是可行的。在泛化性能能够满足实际需要的前提下，下一步才是选择简单的模型，如果泛化性能不能满足要求，一味地追求简单模型也是违反奥卡姆剃刀准则的。此外，在模型选择中除了考虑泛化能力，还必须考虑具体问题具体分析。
发明内容
本发明旨在提供心肺复苏胸外自动按压设备及按压自反馈系统，该心肺复苏胸外自动按压设备可自动完成给定深度、频率和波形的按压，该按压自反馈系统还可对按压时的生理指标进行检测，便于根据生理指标调整按压参数，利于提高按压质量。
为达到上述目的，本发明采用的技术方案如下：
一种心肺复苏胸外自动按压设备，包括自动按压装置和控制系统，所述自动按压装置包括电机、传动机构和按压头，所述传动机构将电机的运动转化为按压头的上下直线往复运动；
所述电机与控制系统电联接，所述控制系统实现按压动作的启停控制、按压参数的设置；
所述按压参数包括按压频率、按压深度、按压波形、按压时间中的至少一种，所述按压波形指按压头位移与时间的关系函数。
进一步的，按压波形包括至少两种波形。
进一步优选地，所述按压波形包括正弦波、梯形波、三角波中的至少两种。
优选地，所述电机为伺服电机，传动机构为滚珠丝杠传动机构，传动机构将伺服电机的旋转运动转化为按压头的上下直线往复运动。
进一步的，按压头处安装有用于检测按压力的压力传感器。
进一步的，所述按压参数还包括动力学指标，动力学指标包括Fmax、Vmax、amax、Imax、Wmax、I、W、F′、V′、a′、I′、W′、I″、W″中的至少一种；其中，Fmax为每次按压的最大按压力，Vmax为每次按压的最大按压速度，amax为每次按压的最大加速度，Imax为每次按压的最大冲量，Wmax为每次按压的最大功，I为每次按压的总冲量，W为每次按压的总功，F′为按压时间段内的平均最大按压力，V′为按压时间段内的平均最大按压速度、a′为按压时间段内的平均最大加速度、I′为按压时间段的平均最大冲量、W′为按压时间段的平均最大按压功、I″为按压时间段内的平均单次冲量、W″为按压时间段内的平均单次按压功；按压力由安装在按压头处的压力传感器负责检测。
包括上述心肺复苏胸外自动按压设备的按压自反馈系统，其还包括生理指标检测模块，所述生理指标检测模块用于检测心肺复苏时的生理参数，所述生理指标检测模块与控制系统电联接，所述控制系统实现生理参数的显示。
进一步的，所述控制系统还包括智能控制模块，智能控制模块实现根据当前生理参数自动调整按压参数。
优选地，生理指标检测模块包括血压传感器和/或体温传感器；血压传感器用于检测血压，体温传感器用于检测体温。
与现有技术相比，本发明具有以下有益效果：
1、本发明的心肺复苏胸外自动按压设备不仅可以自动进行胸外按压操作，并可以调节按压深度、频率以及按压模式等参数；
2、本发明可监测按压过程中的生理参数，便于并根据生理参数调节按压参数，利于提高按压质量；
3、本发明可根据反馈的生理参数自动优化按压参数，能够有效提高自主循环恢复率。
附图说明
图1是实施例一中自动按压装置的机构简图；
图2是实施例一的原理框图；
图3是实施例一的控制流程图；
图4是确认参数功能程序流程图；
图5是按压功能程序流程图；
图6是实施例二中自动按压装置的结构示意图；
图7是按压悬臂的结构示意图；
图8是导流型按压对象固定平台的结构示意图；
图9实施例三中自动按压装置的机构简图；
图10是实施例五的原理框图；
图11是实施例五的控制流程图；
图12是实施例五中控制系统界面示意图；
图13是实施例六的控制流程图；
图14是提升自主循环恢复率方法的流程图；
图15预处理后的信号时域波形与小波变换结果对比图；
图16胸外按压信号参数示意图；
图17心肺复苏智能控制方法流程图；
图中：1-直线导轨、2-竖直杆、3-压力传感器、4-按压悬臂、5-箱体面板、6-导流型按压对象固定平台、7-箱体、8-传动机构、9-电机、10-电源开关、11-按压头连接螺杆、12-水平杆A、13-按压头、14-蝶形加紧螺杆A、15-蝶形加紧螺杆B、16-水平杆B、17-按压杆夹紧螺杆、18-连接螺杆固定螺母、、61-收紧螺柱、62-收紧螺母、63-压紧片、64-约束带固定孔、65-按压板檐、66-按压台面。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。
实施例一
本实施例公开的心肺复苏胸外自动按压设备，包括自动按压装置和控制系统，如图1所示，自动按压装置包括电机9、传动机构8、和按压头13。按压操作本质上是一个直线往复运动，本实施例中利用传动机构8将电机9的运动转化为按压头13的上下直线往复运动，按压头上下运动从而实现胸外按压。
目前，实现直线往复运动的结构有很多，如：曲柄滑块机构、齿轮齿条、同步带、滚珠丝杠等。滚珠丝杠传动效率高、精度高，在不同的电机转速下可以实现任意波形的按压，由于其质量惯性较小，特别适合高速状态下的往返运动。所以本实施例中传动机构8选择滚珠丝杠，以实现高精度的往复直线移动。
目前在精密仪器领域常用的驱动方式有步进电机和伺服电机。步进电机是一类将脉冲信号转变为角位移的开环控制的执行机构，步进驱动器每接收到一个脉冲，步进电机就按照预定的方向旋转一个步距角。伺服电机是依靠内部的转子，在伺服驱动器控制的三相电形成的电磁场作用下转动。本实施例中电机9选择伺服电机，传动机构8将伺服电机9的旋转运动转化为按压头13的上下直线往复运动。
按压头13安装在按压悬臂4上,按压悬臂4通过快速螺丝紧固于直线导轨1的滑块上，直线导轨1竖直设置，滚珠丝杠的螺母与滑块连接，滚珠丝杠的螺杆与电机9的输出端连接，电机9带动丝杠转动，从而实现螺母和滑块的直线运动，进而驱动按压头13进行直线运动。按压头13通过螺杆连接于按压悬臂4上，可根据个体差异微调按压头13的位置。其中，直线导轨1和电机9安装在底座或者箱体上，直线导轨1可选择上银直线导轨。按压头13通过按压头连接螺杆11连接于按压悬臂4上，可根据个体差异微调按压头位置。
电机9与控制系统电联接，所述控制系统实现按压动作的启停控制、按压参数的设置。
本实施例中按压参数包括按压频率、按压深度、按压波形、按压时间中的至少一种，按压波形是指按压头位移与时间的关系函数。按压波形包括但不限于有正弦波、梯形波、三角波。作为优选，本实施例中有两种以上的按压波形可供选择与切换。
控制系统主要用于实现按压动作的启停控制、按压参数的设置。
本实施例中控制系统包括计算机和PLC，采用PLC作为下位机控制器，其程序主要实现以下功能：1、接收计算机发送的目标按压参数；2、对直线往复运动的运行进行逻辑控制，实现按压的自动运行。通过计算机控制在其内部设置好的控制开关，使高速计数机发出脉冲以实现按压头运动的精确控制。PLC可选用台达公司生产的DVP-EH3型PLC。自动按压装置可通过USB接头接入计算机。
如图2所示，通过计算机将按压参数写入到控制伺服电机运动的PLC中，PLC控制伺服电机驱动滚珠丝杠实现高精度的按压头直线移动。利用计算机可以对电机的转动速度、加速度和角度进行方便灵活的设置，通过丝杠传动实现任意深度、任意频率、任意位置波形的按压。
在串口打开的前提下，可进行按压参数的设置，包括：按压深度、按压频率、按压波形和按压时间。为了保证装置正常运行，避免电动缸超过极限位置而损坏电动缸，输入的参数必须在设置的极限范围以内,本实施例中，按压深度3～20mm，按压频率60～600次/min。
本实施例中，心肺复苏控制系统软件流程如图3所示：开始按压前，首先需要打开串口，设置合理的按压深度、按压频率、按压波形和按压时间并写入到PLC；并检查丝杠位置，如丝杠不在零点则需要进行初始化操作，调整丝杠至零点位置。如果丝杠位置偏离零点，会造成按压头有效行程缩短，当按压深度设置较大时还有可能触及限位开关甚至损伤电动缸体。当丝杠不在零点时，需要进行初始化，计算机向PLC发送初始化开关置位指令，按压头向上运动，待触及到上限位开关后向下移动到达零点位置，以确保足够的按压行程。在确认系统功能正常后，开始进行按压，待按压完成后，存储数据并清空缓存中的数据。在按压过程中可以随时修改按压参数，计算机可快速准确的与PLC通讯，将按压参数传递给PLC，从而调整按压模式。整个过程中控制系统对并且可存储这些数据。
在输入适当的按压参数并确认后，计算机将按压深度换算为脉冲数，将按压频率换算为脉冲频率发送给PLC。为实现不同波形的按压行程，本实施例中一次按压周期被分为20个等时间区间，每个区间发送不同的脉冲数。由于按压行程和返回行程的波形具有对称性，故设置一个数组depth_10part来储存每个区间的脉冲数。定义一个数组DepthAndFreqToD0来储存需要发送给PLC寄存器的按压次数和每个区间的脉冲数、脉冲频率，其中数组的每个偶数位储存脉冲数，奇数位储存脉冲频率，共需要占用0～39数位，第40位存储按压次数，可由按压频率和按压时间计算得到；第41位存储总脉冲数，可根据按压深度计算得到，其实现流程如图4所示。
在设置好按压参数并且确认丝杠位置正常后，即可开始，计算机将会给PLC发送开关置位指令，即可开始按压。按压过程中可随时停止，计算机将会给PLC发送停止按压的开关置位指令，即可停止按压，也可待目标按压时间后自动停止按压，胸外按压控制模块的实现流程如图5所示。
实施例二
本实施例与实施例一的区别在于：如图6、7所示，本实施例中的自动按压装置，包括箱体7和位置调节结构，本实施例中按压悬臂4通过位置调节机构与传动机构连接。所述电机9安装在箱体7内，位置调节结构设于传动机构8与按压悬臂4之间；位置调节结构包括竖直杆2和用于锁紧竖直杆2与按压悬臂4的锁紧机构，竖直杆2与直线导轨的滑块固接，按压悬臂4一端与竖直杆2连接，按压悬臂4另一端与按压头13连接。按压悬臂4为水平伸缩结构。
如图7所示，按压悬臂4包括水平杆A12和水平杆B16，水平杆B16的一端打通孔，该通孔的孔径略大于竖直杆2直径，竖直杆2穿入水平杆B16的通孔中，使水平杆A12可以延竖直杆2上下运动；水平杆B16一端开有通槽，垂直于通槽方向一半打通孔，一半打螺纹孔，通过拧紧该螺纹孔中的按压杆夹紧螺杆17将水平杆B16固定在竖直杆2上。
水平杆B16的另一端开键槽，键槽宽略大于水平杆A12直径，使水平杆A12能在水平杆B16的键槽中滑动；水平杆B16上表面开槽形通孔，槽宽小于蝶形加紧螺杆A14头部的直径；水平杆A12上设有三个螺纹孔，蝶形加紧螺杆A14先穿过槽形通孔，再穿过水平杆A12上的其中一个螺纹孔，通过拧紧蝶形加紧螺杆A14将水平杆A12固定于水平杆B16上。通过调整蝶形加紧螺杆A14在三个螺纹孔中的位置，可以调节按压悬臂4的长度。为了使固定更稳固，在增设一个蝶形加紧螺杆B15，蝶形加紧螺杆B15的作用与蝶形加紧螺杆A14相同，蝶形加紧螺杆A14和蝶形加紧螺杆B15分别装在两个螺纹孔中。
本实施例中按压头13通过按压头连接螺杆11安装在按压悬臂4上，按压头连接螺杆11先穿过连接螺杆固定螺母18，再穿过水平杆A12另一端的螺纹孔，按压头连接螺杆11下端与按压头13相连，连接螺杆固定螺母18用于将按压头连接螺杆11固定于水平杆A12上。本实施例中通过沿竖直杆2调节按压悬臂4的高度，以及水平调节按压悬臂4的长度，可根据需要快速调整位置按压头13的位置；同时，按压头13通过按压头连接螺杆11连接于按压悬臂4上，还可根据个体差异微调按压头13的位置。
如图6、8所示，箱体7上还设有导流型按压对象固定平台6，导流型按压对象固定平台6包括按压台面66，按压台面66通过收紧单元固定在箱体7的箱体面板5上。收紧单元包括收紧螺柱61、收紧螺母62和压紧片63，收紧螺柱61焊接固定于按压台面66的背面，中的焊接固定于按压台面66的背面；收紧螺柱61先穿过压紧片63，再穿过收紧螺母62，压紧片63与按压台面66的背面之间的空隙略大于箱体面板5的厚度。收紧螺母62用于将导流型按压对象固定平台6和箱体面板5固定。收紧单元分布于箱体面板5的背面四角。按压台面66的后部向上弯折90°，用于阻挡液体流入箱体。按压台面66两侧边缘下方设有按压板檐65，按压板檐65焊接固定于按压台面66上，用于引导按压台面66上的液体沿按压板檐65向四周留下，保护箱体不与液体接触。按压板檐65的左右两檐的两侧各打一个约束带固定孔64，该通孔可用于设置约束带。
在进行心肺复苏胸外按压前，先要确定胸廓高度和心脏位置。根据实际需要调节按压悬臂4的高度和长度，来粗调按压头13的位置，使按压头13的高度大于胸廓高度。并将按压头13置于实验对象心脏上方1～2mm处，拧紧蝶形加紧螺杆A14、蝶形加紧螺杆B15和按压杆夹紧螺杆17。微调按压头连接螺杆11使按压头13紧贴胸廓，拧紧连接螺杆固定螺母18。通过箱体7侧面的电源开关10给该装置的电气部分通电。
本实施例中按压装置的各个功能部件均具备位置可调性，可满足一定尺寸范围内的任意目标胸外按压需求，增加了该装置对不同个体的适应性。
实施例三
本实施例与实施例一或二的区别在于：如图9所示，本实施例中按压头13处安装有用于检测按压力的压力传感器3。压力传感器3安装于按压头13和按压头连接螺杆11之间，在胸外按压过程中，压力传感器3检测按压头对胸廓施加的压力大小，受按压对象胸腔尺寸和按压头尺寸的限制，压力传感器要求尺寸合适、准确性好。另外，为提升按压效果，按压头13应必须直接作用于胸廓，压力传感器3最好安装于按压头13和按压头连接螺杆11之间，故本实施例中使用微型压力传感器。微型压力传感器广泛应用于精密仪器领域，具有准确性好、体积小等特点。本文选用金诺公司生产的JLBM-1型压力传感器。该传感器外形呈圆柱形，直径25mm，高度13mm，具有精度高、灵敏度高、线性度好等优点，根据实验按压力测量需要，量程选择为20N。
实施例四
本实施例与实施例三的区别在于：本实施例中按压参数还包括动力学指标，动力学指标包括Fmax、Vmax、amax、Imax、Wmax、I、W、F′、V′、a′、I′、W′、I″、W″中的至少一种；其中，Fmax为每次按压的最大按压力，Vmax为每次按压的最大按压速度，amax为每次按压的最大加速度，Imax为每次按压的最大冲量，Wmax为每次按压的最大功，I为每次按压的总冲量，W为每次按压的总功，F′为按压时间段内的平均最大按压力，V′为按压时间段内的平均最大按压速度、a′为按压时间段内的平均最大加速度、I′为按压时间段的平均最大冲量、W′为按压时间段的平均最大按压功、I″为按压时间段内的平均单次冲量、W″为按压时间段内的平均单次按压功；按压力由安装在按压头处的压力传感器负责检测。
动力学指标的计算方法如下：
Fmax＝max(Fi)；
Vmax＝max(Vi)，
Imax＝max(Ii)，Ii＝Fi*t，
Wmax＝max(Wi)，Wi＝Fi*Si，
amax＝max(ai)，
n为按压次数，t为单位时间，t＝0.002s-0.01s,T为完成一次按压所用的时间,d为按压时间段内完成的按压次数。
本实施例在按压过程中对最大按压力、最大按压速度、最大加速度、最大冲量、最大按压功进行检测与反馈，进而为心肺复苏提供更多重要的按压状况反馈提示，通过利于提高胸外按压质量。
实施例五
本实施例与实施例三或四的区别在于：本实施例公开一种心肺复苏胸外按压自反馈系统，除了包括上述心肺复苏胸外自动按压设备外，本实施例还包括生理指标检测模块，所述生理指标检测模块用于检测心肺复苏时的生理参数，所述生理指标检测模块与控制系统电联接，所述控制系统实现生理参数的显示。
本实施例中同时对血压、体温进行检测。生理指标检测模块包括血压传感器、体温传感器；血压传感器用于检测血压，体温传感器用于检测体温。
血压传感器的种类有很多，本实施例中选用美国史密斯公司生产的MX-9505T型血压传感器，其内腔为圆柱形，直径3mm，具有灵敏度高、线性度好、结构坚固等优点。为了实现对复苏状态的检测，本实施例使用两个血压传感器分别检测主动脉舒张压和右房压，这两个血压之差即为冠脉灌注压。
如图10所示，通过计算机将按压参数写入到控制伺服电机运动的PLC中，PLC控制伺服电机驱动滚珠丝杠实现高精度的按压头直线移动。采用血压传感器、温度传感器、压力传感器分别测量动脉血压、静脉血压、体温、按压力，将生理信号转换为电平信号，硬件电路对采集的信号经过放大处理后，通过A/D转换模块将电平信号转换为数字信号传输到计算机。
血压数据包含动脉压数据和静脉压数据，由于二者的特点和处理方法基本一致，故实施例以动脉压数据为例进行介绍。动脉压作为反映生理状态的最直观的指标，包含有许多有价值的生理信息，对操作人员判断复活程度和智能控制有着重要的作用。血压是一个周期性变化的数据，而舒张压和收缩压是血压波形中两个重要的指标。生理指标监测模块主要实现动脉压、静脉压、体温、按压力的监测，并且能够将监测结果实时直观的显示在软件界面上。
如图12所示，在计算机上开启胸外按压专用软件并将血压传感器接入被按压对象，软件会不间断读取血压传感器数据并将血压波形和舒张压数值显示在软件界面上，实时的血压数据则通过图像的形式展现在界面上。体温和压力直接通过textBox控件显示在软件界面上，由于按压力的数值呈周期性变化，按压深度与按压力成正比，按压过程中也更关心在按压最深位置的按压力大小，故可只显示最大按压力的大小。通过软件界面能直观、实时地观察到生理参数。通过计算机软件界面要能够方便快捷地设置按压参数。
本实施例中，心肺复苏控制系统软件流程如图11所示：开始按压前，首先需要打开串口，设置合理的按压深度、按压频率、按压波形和按压时间并写入到PLC；其次打开生理参数监测，即触发数据采集卡同步采集四路传感器信号，放大转换后实时显示在软件主界面上；最后检查丝杠位置。在确认系统功能正常后，开始进行按压，按压时系统同步采集生理参数，绘制血压波形图像实时显示在软件界面上；待实验完成后，存储生理参数等数据并清空缓存中的实验数据。
本实施例在进行胸外按压的同时，采用血压传感器、温度传感器分别测量动脉血压、体温，以监测心肺复苏时的生理状况，判断当前胸外按压的有效性。计算机接收到采集卡传输的数据后进行预处理和特征参数的提取，在软件界面显示实时的动脉血压和体温，同时对数据进行储存。
实施例六
本实施例与实施例五的区别在于：本实施例中控制系统还包括智能控制模块，智能控制模块实现根据当前生理参数自动调整按压参数。如图13所示，本实施例中，控制系统实现根据当前生理参数自动调整按压参数。智能控制模块根据当前的生理参数对按压参数进行优化调整，实现针对不同动物个体的差异化、合理化按压方式。
本实施例首先介绍一种基于机器学习分类算法的心肺复苏预测模型。
本实施例将样本数据分为训练样本集和测试样本集，将已有的心肺复苏数据的一部分作为训练数据集，利用训练样本集采用逻辑回归算法和贝叶斯判别法这两种有监督学习分类算法，分别对心肺复苏实验数据进行分类，建立自主循环恢复预测模型，进而分析影响自主循环恢复的关键因素，研究心肺复苏智能控制系统。
本实施例提供一种基于生理指标和按压参数的心肺复苏自主循环恢复预测方法。自主循环恢复预测问题是根据历史数据对当前对象能否恢复自主循环进行判断。其本质是将自主循环恢复预测问题转化为有监督学习下的分类问题。本实施例中用于建立模型的数据包括按压特征、个体特征和生理特征，这些特征反映了不同个体在不同心肺复苏实验下的胸外按压质量和个体生理状态，为自主循环恢复预测提供了可靠数据。
如图14所示，提升自主循环恢复率方法，主要包括数据采集、特征提取和预处理、预测模型训练、预测模型检验和重要特征筛选五个步骤。通过使用能够全面有效反映生理状态的多维度特征集合，分别使用Logistic回归算法、贝叶斯判别式进行模型训练和自主循环恢复预测，对比分析三种模型预测准确性，筛选不同预测模型中对预测判断影响较大的特征，即对特征集合中的特征进行重要性研究，分析影响自主循环恢复的关键因素，并对这些关键因素与按压参数之间的相关性进行了分析，并据此优化按压参数，实现自主循环恢复率的提升。
1、特征提取和预处理的方法如下：
1.1、提取生理指标的特征参数
以血压信号为例，血压信号是由血压传感器采集到的。通过特征参数提取将血压信号降维成一个由特征参数构成的集合，再进行最后的分类模型训练。一方面针对心肺复苏过程中的动脉血压信号和按压参数，遴选出能够准确全面地反映胸外按压质量和生理特征的特征参数；另一方面，针对一组确定的动脉血压信号，选择能够快速、准确地提取出相应的特征参数的处理方法。
本实施例介绍一种基于小波变换的血压信号极值搜索方法。主动脉血压波形本质上是一组“波峰—波谷—波峰”交替出现的近似周期信号，因此对该血压信号中的极值点或者波峰进行准确定位，只要搜索到信号中有效的极值点并记录下该极值点相应的时刻，就能够容易地计算出收缩压(SBP)、舒张压(DBP)、平均压(MBP)、每搏输出量(SV)、K值和主波上升斜率(S)等特征参数。
一个信号往往在某些时刻会出现一些转折点，通常这些转折的部分会包含一些比较重要的信息。针对动脉血压信号而言，这些广义上的转折点在这里具体指的是舒张压和收缩压的时刻点，反映在时域波形图上就是一系列极值点。一个信号在其极值点左右分别表现出上升沿和下降沿，这时对待处理的信号实施小波变换，同时小波变换中的小波函数拥有一阶消失矩，那么原始信号中的极值点位置将会与小波分解系数中的过零点一一对应。
高斯函数是信号处理领域比较常见的一种函数，其第n阶导数具有n阶消失矩，因此在实际应用中常常将高斯函数的一阶导数作为小波函数，对待测信号进行小波变换来搜索极值点。高斯函数及其一阶导数如式(1)所示：
本实施例选择高斯函数的一阶导数作为小波基函数，选择小波变换尺度为1对采集到的动脉血压信号进行极值搜索。图15是随机选取的一段时域波形和利用小波变换的处理结果，从图15中可以清晰地看出小波分解系数中的过零点能完全反映出原始信号中的所有极值点。
1.2、提取反映胸外按压质量的特征参数
胸外按压是医学急救领域的一项标准化操作，鉴于高质量的胸外按压操作应当具备以下要点：(1)胸外按压的频率足够(2)胸外按压的深度足够(3)尽量保证充分的回弹。
因此，本实施例确定选择三个特征参数为胸外按压操作质量的影响因素。同时，研究证实，不同的按压波形对按压质量的影响不同，因此将按压波形作为另一个特征参数。以上四个特征参数称之为心肺复苏实验的按压特征。
既往研究认为，个体特点可能影响复苏效果，因此将体重作为特征参数，称之为个体特征。
此外，动脉血压波形中包含丰富的心脏功能信息。因此，本实施例从动脉血压的角度考虑，在按压特征和个体特征的基础上又引入了收缩压、舒张压、平均动脉压、每搏输出量、K值和主波上升斜率这六个反映心脏在胸外按压操作过程中的血压特征，本实施例称之为心肺复苏的生理特征。
利用上述血压信号极值搜索方法可成功定位出动脉血压信号中的各个有效“波峰”后，那么按照动脉血压信号“波峰—波谷—波峰”交替出现的特点，两个相邻“波峰”之间的“波谷”也就很容易确定下来。因此，为方便后续表述，根据采集到的血压波形定义如图16所示的一系列参数，分别是整个实验过程中第j个血压波形的最大值SBP(j)、最小值DBP(j)及其相应的时刻TSBP(j)和TDBP(j)，第j+1个血压波形的最大值SBP(j+1)及其相应的时刻TSBP(j+1)。
其中，收缩压(SBP)是指一个心动周期血压值的极大值，在动脉血压信号中表现为波形中的每一个“波峰”值，如式(2)所示：
SBP＝SBP(j) (2)
舒张压(DBP)是指一个心动周期血压值的极小值，在动脉血压信号中表现为波形中的每一个“波谷”值，如式(3)所示：
DBP＝DBP(j) (3)
平均压(MAP)是指一个心动周期中动脉血压的平均值，也是计算K值的参数之一，如式(4)所示：
每搏输出量(SV)是指心脏每次收缩挤压出的血流量，如式(5)所示：
K值是以血压波波形面积变化为基础的特征量，指的是血流量与心血管系统中血管外周阻力、血管壁弹性和血液黏度等的关系，如式(6)所示：
主波上升斜率(S)是指血压波形中，血压与血压上升段时间的关系，如式(7)所示：
综上所述，本实施例最终确定的反映按压质量的特征参数如表1.1所示。
表1.1特征参数
1.3、特征数据标准化
如表1.1所示，将个体特征、按压特征和生理特征共31个变量作为特征参数，但由于所选取的31个特征参数的性质不同，它们具有不同的数量级和单位，当各参数的水平相差较大时，如果利用原始数据进行分析，则会导致过分放大数值较高的参数的作用，相对降低数值较低的参数的作用，对后续分析特征参数重要性带来较大影响。因此，为了保证重要特征参数分析的可靠性，本实施例对原始特征数据进行标准化处理。
数据标准化(Normalization)是将数据按一定比例缩放，使标准化后的数据落入一个范围较小的特定区间。该方法可以去除数据的量级和单位的限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。由于贝叶斯判别式分类算法要求样本服从多元正态分布，因此本实施例选择标准差标准化方法对特征参数进行预处理。
标准差标准化是将各参数的原始数据值与该参数的所有数据平均值做差，然后除以该参数的标准差。设xij为参数的原始数据，x′ij为标准化后的数据，为该参数的平均值，sj为标准差，标准差标准化可表示为：
因此经过标准差标准化后的数据服从标准正态分布，特征参数的平均值为0，标准差为1，标准化后的样本服从多元正态分布。
2、影响心脏骤停自主循环恢复的关键因素
在影响心脏骤停自主循环恢复的关键因素的分析中，提取上述28个特征参数并标准化后作为训练集，然后将训练集输入上述两种准确度较高的分类算法中，分别对产生的分类模型进行分析，研究影响心脏骤停自主循环恢复的关键因素。
在Logistic回归分析中，为了检验输入变量全体与Logit P的线性关系是否显著，需要对Logistic回归方程显著性进行检验，如果方程中的输入变量对Logit P的线性解释有显著意义，那么一定导致回归方程对样本的拟合程度明显提高，通常采用对数似然比测度拟合程度衡量回归方程的拟合程度。
规定零假设H0：各回归系数同时为0，输入变量全体与Logit P的线性关系不显著。
设输入变量xi未引入回归方程前的对数似然函数值为lnL，输入变量xi引入回归方程后的对数似然函数值为则对数似然比为：若对数似然比与1无显著差异，则说明引入变量xi后，输入变量全体对Logit P的线性解释无显著改善；反之，若对数似然比远大于1，则说明引入变量xi后，输入变量全体与Logit P的线性关系仍然显著。
由于对数似然比的分布是未知的，通常计算 在零假设成立的情况下近似服从卡方分布，故称为似然比卡方，如式(9)所示：
似然卡方比反映了输入变量xi引入回归方程前后对数似然的变化程度，该值越大表明输入变量xi的引入越有意义。如果似然比卡方的观测值对应的概率-P值小于给定的显著性水平α，则应拒绝零假设，认为目前方程中的所有回归系数不同时为零，输入变量全体与Logit P的线性关系显著。
将经过标准化的训练样本输入SPSS中的Logistic回归工具箱，可以得到的结果如表2.1和表2.2所示。
表2.1回归方程显著性检验情况
表2.2回归方程系数表
从表2.1中可以得到，各数据项的似然比卡方的观测值，概率-P，如果概率-P小于显著性水平α＝0.05，故应拒绝零假设，认为所有回归系数不同时为零，解释变量的全体与Logit P之间的线性关系显著，采用该模型是合理的；反之亦然。
表2.2所示是得到的回归方程中各特征参数的回归系数，标准化后的各特征参数与对应的回归系数相乘，再加上常数项，若结果小于0.5，则预测值为0，即不能恢复自主循环；若结果大于0.5，则预测值为1，即能够恢复自主循环；由于各特征参数已经标准化，故其回归系数表征了不同特征参数的重要程度。回归系数绝对值越大，说明该因素越关键。
在贝叶斯判别式分析中，为了检验判别函数的判别能力是否显著，需要对判别式的显著性进行检验。
Wilk’sλ检验是从统计检验的角度分析判别函数的判别能力是否显著，它采用反向指标测度，检验的零假设(H0)是：各判别函数的整体判别能力不显著，采用的Wilk’sλ统计量为
其中，i表示第i个判别函数，I表示最后一个判别函数。该统计量取值越小说明判别函数的整体判别能力越强。
在贝叶斯判别式分析中，将经过标准化的训练样本输入SPSS中的判别分析工具箱，得到的结果表2.3和表2.4所示。
表2.3 Wilk’sλ检验结果
表2.4判别函数系数表
从表2.3中可以看出，Wilk’sλ的统计量为，概率-P值，若概率小于显著性水平α＝0.05，故应拒绝原假设，认为该判别函数的判别能力统计显著，采用该判别函数是合理的；反之亦然。
表2.4所示是得到的判别函数中各特征参数的判别系数，标准化后的各特征参数分别与两组对应的判别系数相乘，再加上常数项，若计算结果0组大于1组，则预测值为0，即不能恢复自主循环；若计算结果1组大于0组，则预测值为1，即能够恢复自主循环；由于各特征参数已经标准化，故其回归系数表征了不同特征参数的重要程度。回归系数绝对值越大，说明该因素越关键。
因而，通过上述两种机器学习分类算法可分析出影响心脏骤停自主循环恢复的关键因素。
3.心肺复苏智能控制方法
上面分析了影响心脏骤停自主循环恢复的关键因素，回归方程系数表也可反映影响自主循环恢复关键因素与按压特征之间的关系。
诱颤开始前的DBP和诱颤结束后的SBP两个特征参数反映了影响自主循环恢复关键因素与个体特征之间的关系在实际的按压过程中，个体特征并不可控，所以只能从按压特征入手设计心肺复苏智能控制方法。
为了探究按压参数与影响心脏骤停自主循环恢复的关键因素的关系，提高自主循环恢复率，本实施例采用相关性分析方法，分析关键因素与按压深度、按压波形、按压频率和动力学指标的关系。
相关性分析是对两个或多个变量的数据进行相关性检验，从而探索这几个变量之间是否存在一定相互关系的方法。最常用的方法为皮尔森相关，其基本原理是，假设两组连续变量X、Y的总体都呈正态分布，Xi和Yi分别是样本的观测值，n为样本观测量数，则X和Y的相关系数为：
其中，
皮尔森相关系数的检验统计量T为：
如图17所示，智能控制模块根据按压过程中采集到的血压数据和计算出的数据，利用SPSS软件得到关键因素与按压深度、按压波形、按压频率和动力学指标的相关系数，来自动调整按压参数。本实施方式中定时器5秒监测一次。
本实施例公开的心肺复苏胸外按压自反馈系统，在开始按压时对被按压对象自主循环恢复进行预测，如果预测的结果为“复苏成功”则按照当前按压参数继续进行按压，如果预测的结果为“复苏失败”则自动更改按压参数进行按压。
当然，本发明还可有其它多种实施方式，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (9)
1.一种心肺复苏胸外自动按压设备，其特征在于：包括自动按压装置和控制系统。
所述自动按压装置包括电机、传动机构和按压头，所述传动机构将电机的运动转化为按压头的上下直线往复运动；
所述电机与控制系统电联接，所述控制系统实现按压动作的启停控制、按压参数的设置；
所述按压参数包括按压频率、按压深度、按压波形、按压时间中的至少一种，所述按压波形指按压头位移与时间的关系函数。
2.根据权利要求1所述的心肺复苏胸外自动按压设备，其特征在于：按压波形包括至少两种波形。
3.根据权利要求2所述的心肺复苏胸外自动按压设备，其特征在于：所述按压波形包括正弦波、梯形波、三角波中的至少两种。
4.根据权利要求1所述的心肺复苏胸外自动按压设备，其特征在于：所述电机为伺服电机，传动机构为滚珠丝杠传动机构，传动机构将伺服电机的旋转运动转化为按压头的上下直线往复运动。
5.根据权利要求1所述的心肺复苏胸外自动按压设备，其特征在于：按压头处安装有用于检测按压力的压力传感器。
6.根据权利要求1或3所述的按压自反馈系统，其特征在于：所述按压参数还包括动力学指标，动力学指标包括Fmax、Vmax、amax、Imax、Wmax、I、W、F′、V′、a′、I′、W′、I″、W″中的至少一种；其中，Fmax为每次按压的最大按压力，Vmax为每次按压的最大按压速度，amax为每次按压的最大加速度，Imax为每次按压的最大冲量，Wmax为每次按压的最大功，I为每次按压的总冲量，W为每次按压的总功，F′为按压时间段内的平均最大按压力，V′为按压时间段内的平均最大按压速度、a′为按压时间段内的平均最大加速度、I′为按压时间段的平均最大冲量、W′为按压时间段的平均最大按压功、I″为按压时间段内的平均单次冲量、W″为按压时间段内的平均单次按压功；按压力由安装在按压头处的压力传感器负责检测。
7.包括权利要求1-6中任一项所述的心肺复苏胸外自动按压设备的按压自反馈系统，其特征在于：还包括生理指标检测模块，所述生理指标检测模块用于检测心肺复苏时的生理参数，所述生理指标检测模块与控制系统电联接，所述控制系统实现生理参数的显示。
8.包括权利要求7所述的按压自反馈系统，其特征在于：所述控制系统还包括智能控制模块，智能控制模块实现根据当前生理参数自动调整按压参数。
9.根据权利要求7或8所述的按压自反馈系统，其特征在于：生理指标检测模块包括血压传感器和/或体温传感器；血压传感器用于检测血压，体温传感器用于检测体温。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811350405.2A CN109350492A (zh) | 2018-11-13 | 2018-11-13 | 一种心肺复苏胸外自动按压设备及按压自反馈系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811350405.2A CN109350492A (zh) | 2018-11-13 | 2018-11-13 | 一种心肺复苏胸外自动按压设备及按压自反馈系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109350492A true CN109350492A (zh) | 2019-02-19 |
Family
ID=65345033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811350405.2A Pending CN109350492A (zh) | 2018-11-13 | 2018-11-13 | 一种心肺复苏胸外自动按压设备及按压自反馈系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109350492A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353208A (zh) * | 2019-05-14 | 2020-06-30 | 中国矿业大学 | 一种基于深度学习的物体往复运动距离评估方法 |
| CN111685992A (zh) * | 2020-06-22 | 2020-09-22 | 吉林大学 | 一种心肺复苏反馈系统 |
| CN112444627A (zh) * | 2019-09-05 | 2021-03-05 | 四川大学华西医院 | 一种高危胸痛筛查试剂盒 |
| CN112885215A (zh) * | 2021-01-19 | 2021-06-01 | 四川大学华西医院 | 基于生物动力学胸外心脏按压动态监测的模拟器 |
| CN113397953A (zh) * | 2021-01-29 | 2021-09-17 | 深圳市中医院 | 一种自动胸外按压仪 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102119908A (zh) * | 2011-03-21 | 2011-07-13 | 中国人民解放军军事医学科学院卫生装备研究所 | 闭环胸外按压系统 |
| CN202740366U (zh) * | 2012-06-25 | 2013-02-20 | 华中科技大学同济医学院附属同济医院 | 医学实验动物心肺复苏按压机 |
| CN103735401A (zh) * | 2013-10-11 | 2014-04-23 | 中国医学科学院北京协和医院 | 基于脉搏血氧的心肺复苏质量反馈控制系统 |
| CN104523419A (zh) * | 2014-12-29 | 2015-04-22 | 宁波市镇海捷登应用技术研究所 | 一种心肺复苏机 |
| CN105476833A (zh) * | 2016-01-19 | 2016-04-13 | 马俊 | 一种急诊科心肺复苏机 |
| CN105636570A (zh) * | 2013-08-30 | 2016-06-01 | 佐尔医药公司 | 用于区分手动与自动cpr的系统和方法 |
| CN105616138A (zh) * | 2015-03-03 | 2016-06-01 | 朱俊超 | 一种多功能自动化心肺复苏急救设备 |
| CN106551782A (zh) * | 2016-11-21 | 2017-04-05 | 河南迈松医用设备制造有限公司 | 一种电动心肺复苏按压装置 |
| US20170105898A1 (en) * | 2015-10-19 | 2017-04-20 | Physio-Control, Inc. | Cpr chest compression system with dynamic parameters based on physiological feedback |
| CN107198650A (zh) * | 2017-07-05 | 2017-09-26 | 刘鹏飞 | 一种心内科医生用心衰治疗装置 |
| CN206587163U (zh) * | 2016-12-19 | 2017-10-27 | 苏州尚领医疗科技有限公司 | 一种新型便携式心肺复苏装置 |
| CN107625627A (zh) * | 2017-09-07 | 2018-01-26 | 中国人民解放军军事医学科学院卫生装备研究所 | 一种心肺复苏辅助系统 |
| US20180092803A1 (en) * | 2016-09-30 | 2018-04-05 | Zoll Medical Corporation | Active Compression Decompression Cardiopulmonary Resuscitation Chest Compression Feedback |
| US20180133103A1 (en) * | 2014-02-19 | 2018-05-17 | Keith G. Lurie | Uniform chest compression cpr |
| CN210186025U (zh) * | 2018-11-13 | 2020-03-27 | 四川大学华西医院 | 一种心肺复苏胸外自动按压设备及按压自反馈系统 |
-
2018
- 2018-11-13 CN CN201811350405.2A patent/CN109350492A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102119908A (zh) * | 2011-03-21 | 2011-07-13 | 中国人民解放军军事医学科学院卫生装备研究所 | 闭环胸外按压系统 |
| CN202740366U (zh) * | 2012-06-25 | 2013-02-20 | 华中科技大学同济医学院附属同济医院 | 医学实验动物心肺复苏按压机 |
| CN105636570A (zh) * | 2013-08-30 | 2016-06-01 | 佐尔医药公司 | 用于区分手动与自动cpr的系统和方法 |
| CN103735401A (zh) * | 2013-10-11 | 2014-04-23 | 中国医学科学院北京协和医院 | 基于脉搏血氧的心肺复苏质量反馈控制系统 |
| US20180133103A1 (en) * | 2014-02-19 | 2018-05-17 | Keith G. Lurie | Uniform chest compression cpr |
| CN104523419A (zh) * | 2014-12-29 | 2015-04-22 | 宁波市镇海捷登应用技术研究所 | 一种心肺复苏机 |
| CN105616138A (zh) * | 2015-03-03 | 2016-06-01 | 朱俊超 | 一种多功能自动化心肺复苏急救设备 |
| US20170105898A1 (en) * | 2015-10-19 | 2017-04-20 | Physio-Control, Inc. | Cpr chest compression system with dynamic parameters based on physiological feedback |
| CN105476833A (zh) * | 2016-01-19 | 2016-04-13 | 马俊 | 一种急诊科心肺复苏机 |
| US20180092803A1 (en) * | 2016-09-30 | 2018-04-05 | Zoll Medical Corporation | Active Compression Decompression Cardiopulmonary Resuscitation Chest Compression Feedback |
| CN106551782A (zh) * | 2016-11-21 | 2017-04-05 | 河南迈松医用设备制造有限公司 | 一种电动心肺复苏按压装置 |
| CN206587163U (zh) * | 2016-12-19 | 2017-10-27 | 苏州尚领医疗科技有限公司 | 一种新型便携式心肺复苏装置 |
| CN107198650A (zh) * | 2017-07-05 | 2017-09-26 | 刘鹏飞 | 一种心内科医生用心衰治疗装置 |
| CN107625627A (zh) * | 2017-09-07 | 2018-01-26 | 中国人民解放军军事医学科学院卫生装备研究所 | 一种心肺复苏辅助系统 |
| CN210186025U (zh) * | 2018-11-13 | 2020-03-27 | 四川大学华西医院 | 一种心肺复苏胸外自动按压设备及按压自反馈系统 |
Non-Patent Citations (2)
| Title |
|---|
| 崔丽娟，易旭夫，冯俊双: "《心肺复苏术相关损伤的探讨》", 《临床误诊误治》, vol. 25, no. 02, 22 February 2012 (2012-02-22), pages 95 - 97 * |
| 钱素静，林静静，金伟琼，徐圆妃等: "《心肺复苏胸外按压自动装置的设计与应用》", 《护理研究》, vol. 30, no. 03, 21 January 2016 (2016-01-21), pages 372 - 373 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353208A (zh) * | 2019-05-14 | 2020-06-30 | 中国矿业大学 | 一种基于深度学习的物体往复运动距离评估方法 |
| CN112444627A (zh) * | 2019-09-05 | 2021-03-05 | 四川大学华西医院 | 一种高危胸痛筛查试剂盒 |
| CN111685992A (zh) * | 2020-06-22 | 2020-09-22 | 吉林大学 | 一种心肺复苏反馈系统 |
| CN111685992B (zh) * | 2020-06-22 | 2022-04-05 | 吉林大学 | 一种心肺复苏反馈系统 |
| CN112885215A (zh) * | 2021-01-19 | 2021-06-01 | 四川大学华西医院 | 基于生物动力学胸外心脏按压动态监测的模拟器 |
| CN112885215B (zh) * | 2021-01-19 | 2022-12-02 | 四川大学华西医院 | 基于生物动力学胸外心脏按压动态监测的模拟器 |
| CN113397953A (zh) * | 2021-01-29 | 2021-09-17 | 深圳市中医院 | 一种自动胸外按压仪 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109350492A (zh) | 一种心肺复苏胸外自动按压设备及按压自反馈系统 | |
| Hou et al. | LSTM-based auto-encoder model for ECG arrhythmias classification | |
| Wang et al. | Deep multi-scale fusion neural network for multi-class arrhythmia detection | |
| Houssein et al. | An automatic arrhythmia classification model based on improved marine predators algorithm and convolutions neural networks | |
| Yan et al. | A restricted Boltzmann machine based two-lead electrocardiography classification | |
| Li et al. | Multi-label classification of arrhythmia for long-term electrocardiogram signals with feature learning | |
| Chakraborty et al. | A comparative study of myocardial infarction detection from ECG data using machine learning | |
| Taji et al. | Classifying measured electrocardiogram signal quality using deep belief networks | |
| Nascimento et al. | Heart arrhythmia classification based on statistical moments and structural co-occurrence | |
| Malakouti | Heart disease classification based on ECG using machine learning models | |
| Shoughi et al. | A practical system based on CNN-BLSTM network for accurate classification of ECG heartbeats of MIT-BIH imbalanced dataset | |
| Huang et al. | Snippet policy network v2: Knee-guided neuroevolution for multi-lead ecg early classification | |
| Buettner et al. | Heartbeat classification with spiking neural networks on the loihi neuromorphic processor | |
| Butt et al. | Toward automated feature extraction for deep learning classification of electrocardiogram signals | |
| Tseng et al. | Human identification with electrocardiogram | |
| CN109033990A (zh) | 基于类内类间距离的cnn模型心拍分类方法 | |
| CN210186025U (zh) | 一种心肺复苏胸外自动按压设备及按压自反馈系统 | |
| Liao et al. | Automatic classification of heartbeats using ECG signals via higher order hidden Markov model | |
| SUPRIHATIN et al. | R-peak detection of beat segmentation and convolution neural network for arrhythmia classification | |
| Akan et al. | ECGformer: Leveraging transformer for ECG heartbeat arrhythmia classification | |
| Liu et al. | Automatic classification of arrhythmias using multi-branch convolutional neural networks based on channel-based attention and bidirectional LSTM | |
| Yeh | An Analysis of ECG for Determining Heartbeat Case by Using the Principal Component Analysis and Fuzzy Logic. | |
| Yu et al. | Spa-tem mi: A spatial-temporal network for detecting and locating myocardial infarction | |
| Shao et al. | Predicting cardiovascular and cerebrovascular events based on instantaneous high-order singular entropy and deep belief network | |
| Bozyigit et al. | Classification of electrocardiogram (ECG) data using deep learning methods |
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 |