CN111563451A - 基于多尺度小波特征的机械通气无效吸气努力识别方法 - Google Patents
基于多尺度小波特征的机械通气无效吸气努力识别方法 Download PDFInfo
- Publication number
- CN111563451A CN111563451A CN202010371165.5A CN202010371165A CN111563451A CN 111563451 A CN111563451 A CN 111563451A CN 202010371165 A CN202010371165 A CN 202010371165A CN 111563451 A CN111563451 A CN 111563451A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- ineffective
- waveform
- features
- scale
- 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.)
- Granted
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
- A61M16/021—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes operated by electrical means
- A61M16/022—Control means therefor
- A61M16/024—Control means therefor including calculation means, e.g. using a processor
- A61M16/026—Control means therefor including calculation means, e.g. using a processor specially adapted for predicting, e.g. for determining an information representative of a flow limitation during a ventilation cycle by using a root square technique or a regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Emergency Medicine (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pulmonology (AREA)
- Anesthesiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Hematology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于多尺度小波特征的机械通气无效吸气努力识别方法,包括以下步骤:a读取呼吸波形数据,对其进行预处理,首先通过寻找流速波形第一个过零点来确定呼气开始点,并认为该点到呼气结束为该次呼吸的呼气相,然后通过去除呼气相波形中线性趋势来消除数据偏移对后期计算的影响;b通过离散小波变换对呼气相流速波形进行N层分解;c对各层小波系数进行特征提取;d利用序列前向选择算法选择最佳特征;e应用支持向量机分类器对最佳特征进行分类,进而得到人机不同步分类结果。本发明可以用于检测人机不同步中的无效吸气努力,可提示医护人员评估呼吸机与病人协同工作的情况。
Description
技术领域
本发明涉及一种机械通气无效吸气努力识别方法,能够结合多尺度小波特征对机械通气中病人的无效吸气努力进行检测,可提示医护人员评估呼吸机与病人协同工作的情况。
背景技术
在重症监护室(Intensive Care Unit,ICU)中,机械通气(MechanicalVentilation,MV)是急性呼吸衰竭患者的重要生命支持手段。但是当患者的呼吸需求与呼吸机设置参数不匹配时,易造成人机不同步,其与一系列不良的临床结果相关。常见的人机不同步类型包括无效吸气努力、双触发、周期过短、周期过长等。本发明主要针对无效吸气努力这一类型进行检测。无效吸气努力指的是患者在吸气努力后未触发呼吸机进行送气,在呼吸波形上主要表现为呼气相流速中有突起的同时伴随压力波形有凹陷。
目前最常用的人机不同步检测方式是在床边观察和评估呼吸机波形,但是这需要花费大量的医护人员资源。另外有文献报道可以通过在流速呼气相寻找极大值,然后在极大值到呼气结束点之间寻找最小值,计算极大值和最小值之间的差值,并设定阈值,当差值大于阈值时,认为该次呼吸是无效吸气努力。该方法存在一些缺陷,比如:最佳阈值的设置无法适应实际数据的多样性;当病人存在咳嗽或者吸痰等行为导致产生波形噪声时,该方法容易误判。因此,需要设计一种自动识别无效吸气努力的方法。
发明内容
为了克服噪声的存在以及最佳阈值设定等问题,本发明提出了一种基于多尺度小波特征的机械通气无效吸气努力识别方法,可以用于检测人机不同步中的无效吸气努力,为医护人员进行呼吸治疗提供参考。
本发明解决其技术问题所采用的技术方案是:
一种基于多尺度小波特征的机械通气无效吸气努力识别方法,包括以下步骤:
a读取呼吸波形数据,对其进行预处理,首先通过寻找流速波形第一个过零点来确定呼气开始点,并认为该点到呼气结束为该次呼吸的呼气相,选取呼气相作为分析对象;然后通过去除呼气相波形中线性趋势来消除数据偏移对后期计算的影响;
b通过离散小波变换对呼气相流速波形进行N层分解;
c对各层小波系数进行特征提取,包括模糊熵、近似熵、样本熵、方差、平均绝对误差、四分位差、短时标准偏差、长时标准偏差以及短时标准偏差/长时标准偏差;
d利用序列前向选择算法选择最佳特征;
e应用支持向量机分类器基于最佳特征进行分类,进而得到人机不同步分类结果。
进一步,所述步骤b中,选用‘db5’小波基函数对呼吸流速波形进行分解得到若干个细节信号和近似信号。这里小波基函数的选择并不局限于‘db5’,可根据实际情况更改。另外分解层数N的选择也是比较灵活的,经验上一般取5-8之间,但要注意若采样点个数为M,则最大分解层数应满足以下条件:
Nmax≤l0g2M
其中Nmax为最大分解层数,M为采样点个数。本发明选择分解层数N为6。
小波变换(wavelet transform,WT)是一种工具,能够将信号分割成不同频率的成分,然后再用分解的方法去研究对应尺度的成分,它能较好地反映信号的时频域变化,连续信号x(t)的小波变换定义如下:
其中a和b分别为尺度因子(scale)和平移因子(translation),尺度因子控制小波函数的伸缩,与频率成反比,平移因子控制小波函数的平移,对应于时间;因为输入信号为经过采样处理的离散信号,通常使用离散小波变换(Discrete wavelet transform,DWT):
离散小波变换实质是对尺度因子和平移因子进行离散化。
所述步骤c中,共提取了9种特征,接下来会对这9种特征的物理意义分别做出解释。
模糊熵和近似熵都用于衡量信号的不规则性。近似熵是一种用于量化时间序列波动的规律性和不可预测性的非线性动力学参数,它用一个非负数来表示一个时间序列的复杂性,反映了时间序列中新信息发生的可能性,越复杂的时间序列对应的近似熵越大。模糊熵衡量的也是不规则事件产生的概率大小,测度值越大,不规则事件产生的概率越大,即序列复杂度越大。
方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量,统计中是指每个样本值与全体样本值的平均数之差的平方值的平均数。
平均绝对误差是所有单个值与算术平均值的偏差的绝对值的平均,平均绝对误差可以避免误差相互抵消的问题,因而可以准确反映实际每个值误差的大小。
四分位差是上四分位数与下四分位数的差,反映了50%数据的离散程度。
短时标准偏差和长时标准偏差都是庞加莱图中的计算结果,前者反映了相邻两个采样点之间的差异程度,后者则反映了整个呼吸波形中的总体变异度。
所述步骤d中,序列前向选择算法包括以下步骤:
d1:所有的特征X1、X2、X2……XN都被单独应用到分类器中,以选择效果最佳的一种特征,假定最佳特征为Xi;
d2:将效果最佳的特征Xi分别与剩下的特征X1、X2……Xi-1、Xi+1……XN一一结合,选取效果最佳的一组特征,假定最佳组合为[Xi,Xj];
d3:将[Xi,Xj]分别与剩下的特征X1、X2……Xi-1、Xi+1……Xj-1、Xj+1……XN一一结合,选取效果最佳的一组特征;
d4:重复执行步骤d3,直到效果出现下降。
本发明的有益效果主要表现在:利用小波变换对呼吸波形进行尺度分解,和波形形态特征相结合,成功克服了高频噪声的干扰以及阈值设置的问题,为实现自动化检测无效吸气努力提供了基础。
附图说明
图1为本发明的流程示意图。
图2为对原始波形进行预处理之后的示意图,其中,(a)是原始呼气相波形图,(b)是经过预处理之后的波形图。
图3为小波分解示意图。
图4为对呼吸波形进行小波分解的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图4,一种基于多尺度小波特征的机械通气无效吸气努力识别方法,包括以下步骤:
a读取呼吸波形数据,对其进行预处理。首先通过寻找流速波形第一个过零点来确定呼气开始点,并认为该点到呼气结束为该次呼吸的呼气相。然后通过去除呼气相波形中线性趋势来消除数据偏移对后期计算的影响;
b通过离散小波变换对呼气相流速波形进行N层分解;
c对各层小波系数进行特征提取,包括模糊熵、近似熵、样本熵以及方差、平均绝对误差、四分位差、短时标准偏差、长时标准偏差以及短时标准偏差/长时标准偏差;
d利用序列前向选择算法选择最佳特征;
e应用支持向量机分类器对最佳特征进行分类,进而得到人机不同步分类结果。
进一步,所述步骤b中,选用‘db5’小波基函数对呼吸流速波形进行分解得到若干个细节信号和近似信号。这里小波基函数的选择并不局限于‘db5’,可根据实际情况更改。另外分解层数N的选择也是比较灵活的,经验上一般取5-8之间,但要注意若采样点个数为M,则最大分解层数应满足以下条件:
Nmax≤log2M
其中Nmax为最大分解层数,M为采样点个数。本发明选择分解层数N为6。
小波变换(wavelet transform,WT)是一种工具,能够将信号分割成不同频率的成分,然后再用分解的方法去研究对应尺度的成分,它能较好地反映信号的时频域变化。连续信号x(t)的小波变换定义如下:
其中a和b分别为尺度因子(scale)和平移因子(translation)。尺度因子控制小波函数的伸缩,与频率成反比。平移因子控制小波函数的平移,对应于时间。因为输入信号为经过采样处理的离散信号,通常使用离散小波变换(Discrete wavelet transform,DWT):
离散小波变换实质是对尺度因子和平移因子进行离散化。
图4为对一个呼吸波形呼气相用‘db5’小波基进行6层后的效果图,a图为原始波形,b-g图分别为d1-d6层小波子带图,h图为a6图。
所述步骤c中,共提取了9种特征,接下来会对这9种特征的物理意义分别做出解释。
模糊熵和近似熵都用于衡量信号的不规则性。近似熵是一种用于量化时间序列波动的规律性和不可预测性的非线性动力学参数,它用一个非负数来表示一个时间序列的复杂性,反映了时间序列中新信息发生的可能性,越复杂的时间序列对应的近似熵越大。模糊熵衡量的也是不规则事件产生的概率大小,测度值越大,不规则事件产生的概率越大,即序列复杂度越大。
方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量,统计中是指每个样本值与全体样本值的平均数之差的平方值的平均数。
平均绝对误差是所有单个值与算术平均值的偏差的绝对值的平均,平均绝对误差可以避免误差相互抵消的问题,因而可以准确反映实际每个值误差的大小。
四分位差是上四分位数与下四分位数的差,反映了50%数据的离散程度。
短时标准偏差和长时标准偏差都是庞加莱图中的计算结果,前者反映了相邻两个采样点之间的差异程度,后者则反映了整个呼吸波形中的总体变异度。
所述步骤d中,序列前向选择算法包括以下步骤:
d1:所有的特征X1、X2、X2……XN都被单独应用到分类器中,以选择效果最佳的一种特征。假定最佳特征为Xi。
d2:将效果最佳的特征Xi分别与剩下的特征X1、X2……Xi-1、Xi+1……XN一一结合,选取效果最佳的一组特征。假定最佳组合为[Xi,Xj]。
d3:将[Xi,Xj]分别与剩下的特征X1、X2……Xi-1、Xi+1……Xj-1、Xj+1……XN一一结合,选取效果最佳的一组特征。
d4:重复执行步骤d3,直到效果出现下降。
通过步骤d可以找到最佳特征,使得模型更加容易训练,分类效果达到最佳。
通过结合小波变换和提取非线性特征的方法可以有效减少高频噪声的干扰以及消除阈值设置的问题,提高了该方法在不同数据集上的分类能力。
在临床采集了17位病人共2063次呼吸,其中1032次无效吸气努力呼吸波形,1031次非无效吸气努力呼吸波形。经算法检测,灵敏度达到93.41%。特异性达到了96.68%,说明了该方法能够较为准确地识别无效吸气努力。
Claims (5)
1.基于多尺度小波特征的机械通气无效吸气努力识别方法,其特征在于,所述方法包括以下步骤:
a读取呼吸波形数据,对其进行预处理,首先通过寻找流速波形第一个过零点来确定呼气开始点,并认为该点到呼气结束为该次呼吸的呼气相,选取呼气相作为分析对象;然后通过去除呼气相波形中线性趋势来消除数据偏移对后期计算的影响;
b通过离散小波变换对呼气相流速波形进行N层分解;
c对各层小波系数进行特征提取,包括模糊熵、近似熵、样本熵、方差、平均绝对误差、四分位差、短时标准偏差、长时标准偏差以及短时标准偏差/长时标准偏差;
d利用序列前向选择算法选择最佳特征;
e应用支持向量机分类器基于最佳特征进行分类,进而得到人机不同步分类结果。
2.如权利要求1所述的基于多尺度小波特征的机械通气无效吸气努力识别方法,其特征在于,所述步骤a中,呼吸波形数据由专业医生进行标注,然后提取所有无效吸气努力波形,并随机挑选相同数目的非无效吸气努力波形,从而对数据集进行了样本均衡,使得模型更容易训练。
4.如权利要求1或2所述的基于多尺度小波特征的机械通气无效吸气努力识别方法,其特征在于,所述步骤c中,共提取了9种特征,
模糊熵和近似熵都用于衡量信号的不规则性,近似熵是一种用于量化时间序列波动的规律性和不可预测性的非线性动力学参数,它用一个非负数来表示一个时间序列的复杂性,反映了时间序列中新信息发生的可能性,越复杂的时间序列对应的近似熵越大;模糊熵衡量的也是不规则事件产生的概率大小,测度值越大,不规则事件产生的概率越大,即序列复杂度越大;
方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量,统计中是指每个样本值与全体样本值的平均数之差的平方值的平均数;
平均绝对误差是所有单个值与算术平均值的偏差的绝对值的平均,平均绝对误差可以避免误差相互抵消的问题,因而可以准确反映实际每个值误差的大小;
四分位差是上四分位数与下四分位数的差,反映了50%数据的离散程度;
短时标准偏差和长时标准偏差都是庞加莱图中的计算结果,前者反映了相邻两个采样点之间的差异程度,后者则反映了整个呼吸波形中的总体变异度。
5.如权利要求1或2所述的基于多尺度小波特征的机械通气无效吸气努力识别方法,其特征在于,所述步骤d中,序列前向选择算法包括以下步骤:
d1:所有的特征X1、X2、X2……XN都被单独应用到分类器中,以选择效果最佳的一种特征,假定最佳特征为Xi;
d2:将效果最佳的特征Xi分别与剩下的特征X1、X2……Xi-1、Xi+1……XN一一结合,选取效果最佳的一组特征,假定最佳组合为[Xi,Xj];
d3:将[Xi,Xj]分别与剩下的特征X1、X2……Xi-1、Xi+1……Xj-1、Xj+1……XN一一结合,选取效果最佳的一组特征;
d4:重复执行步骤d3,直到效果出现下降。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010371165.5A CN111563451B (zh) | 2020-05-06 | 2020-05-06 | 基于多尺度小波特征的机械通气无效吸气努力识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010371165.5A CN111563451B (zh) | 2020-05-06 | 2020-05-06 | 基于多尺度小波特征的机械通气无效吸气努力识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563451A true CN111563451A (zh) | 2020-08-21 |
CN111563451B CN111563451B (zh) | 2023-09-12 |
Family
ID=72070804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010371165.5A Active CN111563451B (zh) | 2020-05-06 | 2020-05-06 | 基于多尺度小波特征的机械通气无效吸气努力识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563451B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560919A (zh) * | 2020-12-07 | 2021-03-26 | 杭州智瑞思科技有限公司 | 基于一维可解释卷积神经网络的人机不同步识别方法 |
CN112915330A (zh) * | 2021-02-24 | 2021-06-08 | 浙江工业大学 | 一种机械通气平台压测量合规性评估方法 |
CN113539501A (zh) * | 2021-06-25 | 2021-10-22 | 中国科学院深圳先进技术研究院 | 一种呼吸机人机异步分类方法、系统、终端以及存储介质 |
CN113808078A (zh) * | 2021-08-09 | 2021-12-17 | 浙江工业大学 | 一种基于电阻抗断层成像识别无效吸气努力的方法 |
CN114191665A (zh) * | 2021-12-01 | 2022-03-18 | 中国科学院深圳先进技术研究院 | 机械通气过程中人机异步现象的分类方法和分类装置 |
CN114288500A (zh) * | 2021-12-02 | 2022-04-08 | 中国科学院深圳先进技术研究院 | 一种基于模糊熵特征提取的人机通气异步检测模型及装置 |
WO2023102820A1 (zh) * | 2021-12-09 | 2023-06-15 | 深圳迈瑞生物医疗电子股份有限公司 | 医疗设备及通气状态识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070271560A1 (en) * | 2006-05-18 | 2007-11-22 | Microsoft Corporation | Deploying virtual machine to host based on workload characterizations |
US20090240126A1 (en) * | 2008-03-24 | 2009-09-24 | Nellcor Puritan Bennett Llc | Method And System For Classification of Photo-Plethysmographically Detected Respiratory Effort |
CN101939738A (zh) * | 2007-10-03 | 2011-01-05 | 渥太华医院研究所 | 用于监控一个或多个器官的随着时间过去的生理参数变异性的方法和装置 |
CN102512736A (zh) * | 2004-10-20 | 2012-06-27 | 雷斯梅德有限公司 | 检测无效吸气努力并改进患者-呼吸机相互作用的系统 |
CN106473750A (zh) * | 2016-10-08 | 2017-03-08 | 西安电子科技大学 | 基于光电容积脉搏波最佳周期波形的身份识别方法 |
CN108172214A (zh) * | 2017-12-27 | 2018-06-15 | 安徽建筑大学 | 一种基于Mel域的小波语音识别特征参数提取方法 |
CN109893732A (zh) * | 2019-02-28 | 2019-06-18 | 杭州智瑞思科技有限公司 | 一种基于循环神经网络的机械通气人机不同步检测方法 |
CN110991428A (zh) * | 2019-12-30 | 2020-04-10 | 山东大学 | 基于多尺度熵的呼吸信号情绪识别方法及系统 |
-
2020
- 2020-05-06 CN CN202010371165.5A patent/CN111563451B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102512736A (zh) * | 2004-10-20 | 2012-06-27 | 雷斯梅德有限公司 | 检测无效吸气努力并改进患者-呼吸机相互作用的系统 |
US20070271560A1 (en) * | 2006-05-18 | 2007-11-22 | Microsoft Corporation | Deploying virtual machine to host based on workload characterizations |
CN101939738A (zh) * | 2007-10-03 | 2011-01-05 | 渥太华医院研究所 | 用于监控一个或多个器官的随着时间过去的生理参数变异性的方法和装置 |
US20090240126A1 (en) * | 2008-03-24 | 2009-09-24 | Nellcor Puritan Bennett Llc | Method And System For Classification of Photo-Plethysmographically Detected Respiratory Effort |
CN106473750A (zh) * | 2016-10-08 | 2017-03-08 | 西安电子科技大学 | 基于光电容积脉搏波最佳周期波形的身份识别方法 |
CN108172214A (zh) * | 2017-12-27 | 2018-06-15 | 安徽建筑大学 | 一种基于Mel域的小波语音识别特征参数提取方法 |
CN109893732A (zh) * | 2019-02-28 | 2019-06-18 | 杭州智瑞思科技有限公司 | 一种基于循环神经网络的机械通气人机不同步检测方法 |
CN110991428A (zh) * | 2019-12-30 | 2020-04-10 | 山东大学 | 基于多尺度熵的呼吸信号情绪识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
LINGWEI ZHANG.ET.: "Detection of patient-ventilator asynchrony from mechanical ventilation waveforms using a two-layer long short-term memory neural network", vol. 120, pages 103721 - 10 * |
ZAREI A.ET.: "Automatic Detection of Obstructive Sleep Apnea Using Wavelet Transform and Entropy-Based Features From Single-Lead ECG Signal", vol. 23, no. 3, pages 1011 - 1021, XP011722589, DOI: 10.1109/JBHI.2018.2842919 * |
任奇: "神经调节辅助通气改善机械通气人机同步性的Meta分析", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 8, pages 060 - 59 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560919A (zh) * | 2020-12-07 | 2021-03-26 | 杭州智瑞思科技有限公司 | 基于一维可解释卷积神经网络的人机不同步识别方法 |
CN112915330A (zh) * | 2021-02-24 | 2021-06-08 | 浙江工业大学 | 一种机械通气平台压测量合规性评估方法 |
CN112915330B (zh) * | 2021-02-24 | 2023-02-14 | 浙江工业大学 | 一种机械通气平台压测量合规性评估方法 |
CN113539501A (zh) * | 2021-06-25 | 2021-10-22 | 中国科学院深圳先进技术研究院 | 一种呼吸机人机异步分类方法、系统、终端以及存储介质 |
WO2022267381A1 (zh) * | 2021-06-25 | 2022-12-29 | 中国科学院深圳先进技术研究院 | 一种呼吸机人机异步分类方法、系统、终端以及存储介质 |
CN113808078A (zh) * | 2021-08-09 | 2021-12-17 | 浙江工业大学 | 一种基于电阻抗断层成像识别无效吸气努力的方法 |
CN113808078B (zh) * | 2021-08-09 | 2024-03-22 | 浙江工业大学 | 一种基于电阻抗断层成像识别无效吸气努力的方法 |
CN114191665A (zh) * | 2021-12-01 | 2022-03-18 | 中国科学院深圳先进技术研究院 | 机械通气过程中人机异步现象的分类方法和分类装置 |
CN114288500A (zh) * | 2021-12-02 | 2022-04-08 | 中国科学院深圳先进技术研究院 | 一种基于模糊熵特征提取的人机通气异步检测模型及装置 |
WO2023097785A1 (zh) * | 2021-12-02 | 2023-06-08 | 中国科学院深圳先进技术研究院 | 一种基于模糊熵特征提取的人机通气异步检测模型及装置 |
CN114288500B (zh) * | 2021-12-02 | 2024-03-19 | 中国科学院深圳先进技术研究院 | 一种基于模糊熵特征提取的人机通气异步检测模型及装置 |
WO2023102820A1 (zh) * | 2021-12-09 | 2023-06-15 | 深圳迈瑞生物医疗电子股份有限公司 | 医疗设备及通气状态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111563451B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563451B (zh) | 基于多尺度小波特征的机械通气无效吸气努力识别方法 | |
US11974841B2 (en) | Respiration processor | |
US6261238B1 (en) | Phonopneumograph system | |
CN108388912B (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
Islam et al. | Multichannel lung sound analysis for asthma detection | |
US20080243017A1 (en) | Breathing sound analysis for estimation of airlow rate | |
US5058600A (en) | Graphical readout of laryngotracheal spectra and airway monitor | |
CA2464029A1 (en) | Non-invasive ventilation monitor | |
JP2014166572A (ja) | 呼吸信号から呼吸パターンを検出して識別する方法 | |
JP2015504744A (ja) | チェーンストークス呼吸パターンの判別 | |
DE102018204868A1 (de) | Verfahren, Systeme und Vorrichtung zur Detektion von Atemphasen | |
Doheny et al. | Estimation of respiratory rate and exhale duration using audio signals recorded by smartphone microphones | |
US20190388006A1 (en) | Non-invasive system and method for breath sound analysis | |
JP4904488B2 (ja) | 肺音診断装置 | |
Kuo et al. | Development of automatic wheeze detection algorithm for children with asthma | |
JP2023531464A (ja) | 身体計測情報と気管呼吸音を使用して覚醒時に閉塞性睡眠時無呼吸をスクリーニングする方法とシステム | |
Li et al. | Crackles detection method based on time-frequency features analysis and SVM | |
Bhattacharyya et al. | Novel algorithm to identify and differentiate specific digital signature of breath sound in patients with diffuse parenchymal lung disease | |
US20190209073A1 (en) | Swallowing diagnosis apparatus and storage medium | |
US20230263423A1 (en) | Processing recordings of a subject's breathing | |
Mondal et al. | Diagnosing of the lungs status using morphological anomalies of the signals in transformed domain | |
US20240197201A1 (en) | Remote Monitoring of Respiration | |
WO2023140317A1 (ja) | 情報処理システム、検知装置、サーバ装置、情報処理装置、制御方法、プログラム | |
Pal et al. | Automatic breathing phase identification based on the second derivative of the recorded lung sounds | |
AU9751401A (en) | A phononeumograph system |
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 |