CN111657950A - 应用于智能医疗具有预估病人呼吸状态的呼吸机系统及其控制方法 - Google Patents
应用于智能医疗具有预估病人呼吸状态的呼吸机系统及其控制方法 Download PDFInfo
- Publication number
- CN111657950A CN111657950A CN202010540634.1A CN202010540634A CN111657950A CN 111657950 A CN111657950 A CN 111657950A CN 202010540634 A CN202010540634 A CN 202010540634A CN 111657950 A CN111657950 A CN 111657950A
- Authority
- CN
- China
- Prior art keywords
- pressure
- time
- real
- sequence
- data
- 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.)
- Withdrawn
Links
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims description 32
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 52
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 26
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 26
- 230000000241 respiratory effect Effects 0.000 claims description 78
- 230000006870 function Effects 0.000 claims description 24
- 238000005311 autocorrelation function Methods 0.000 claims description 21
- 230000003434 inspiratory effect Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 208000008784 apnea Diseases 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000009931 pascalization Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000001276 controlling effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005399 mechanical ventilation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 210000003019 respiratory muscle Anatomy 0.000 description 1
- 238000002644 respiratory therapy Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/082—Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/087—Measuring breath flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pulmonology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种具有预估病人的呼吸状态的智能呼吸机系统，其特征在于：呼吸机包括控制器、风机、管道及传感器，风机在设定工作电压下输出转速，经叶片转换成风压至管道，传感器对气道实时流量、气道实时压力和实时二氧化碳的浓度进行检测，并反馈至控制器；控制器根据气道实时流量、气道实时压力实现对呼吸机的控制，根据采集的气道实时压力数据预估病人的呼吸状态。
Description
技术领域
本发明属于呼吸机领域，特别涉及一种具有预估病人的呼吸状态的智能呼吸机系统及其控制方法。
背景技术
呼吸机是可以用来替代、控制或改变人体自主呼吸，从而增加肺通气量，改善呼吸功能，缓解呼吸肌疲劳的一种机械通气装置，己广泛运用于临床上的呼吸衰竭、呼吸支持治疗、大手术期间的麻醉呼吸管理和急救复苏等状况，机器通过肺泡与气道之间的压力差来工作，并通过调节这种压力差来实现用户呼吸过程中的机械通气。如今随着计算机技术的迅猛发展和智能控制理论的日趋完善，呼吸机的性能也更加完善，正在朝着网络化，智能化的方向发展。传统呼吸机存在以下问题：
(1)呼吸机的控制方法在工作时容易受到外界干扰导致输出压力与设定压力之间产生偏差，对于非线性时变系统，常规的反馈控制在鲁棒性与稳定性上有着明显的不足；
(2)缺少对呼吸参数的预估进而评价进而预测病人的呼吸状况，从而让医护人员提前得知病人可能的危险；
(3)传统呼吸机风机控制不易实时在线调整，自适应能力弱，相应速度慢，对复杂状况不能做出适时的调整；
(4)传统呼吸机缺少对呼气相和吸气相的判断，不能针对不同的呼吸阶段进行相应的调整，及时最初判断；
(5)缺少对呼吸机内气体浓度的精确测量；
(6)缺少对呼吸机内是否存在积液的准确估计。
发明内容
为解决上述问题，本发明提供一种具有预估病人的呼吸状态的智能呼吸机系统及其控制方法。
为了实现上述目的，本发明的技术方案为：
一种具有预估病人的呼吸状态的智能呼吸机系统，呼吸机包括控制器、风机、管道及传感器，风机在设定工作电压下输出转速，经叶片转换成风压至管道，传感器对气道实时流量、气道实时压力和实时二氧化碳的浓度进行检测，并反馈至控制器；控制器根据气道实时流量、气道实时压力实现对呼吸机的控制，根据采集的气道实时压力数据预估病人的呼吸状态。
一种具有预估病人的呼吸状态的呼吸机控制方法，包括如下步骤：
步骤1、系统初始化，单片机上电开始时，包括定时器、I2C与SPI通信、A/D转换的初始化以及相关变量的初始化；
步骤2、处理器接口配置；
步骤3、显示器初始化；
步骤4、数据采集和数据处理，采集每50ms执行一次，采集气道实时压力P，气道实时流量f，使用双通道测量气道内的二氧化碳气体浓度；
步骤5、呼吸数据打包并无线传输；
步骤6、按键扫描，每10ms遍历一次，判断是否有按键指令，并根据指令更改程序参数并刷新显示器的界面；
步骤7、呼吸参数设置；
步骤8、判断风机是否开启，是在进入步骤9，否则返回步骤6；
步骤9、风机状态判别，每50ms查询一次；
步骤10、呼吸相识别以及风机控制；
步骤11、报警条件是否满足，每30ms执行一次，是则报警，并进入步骤12；否则直接进入步骤12；
步骤12、显示器显示工作参数；
步骤13、存储呼吸数据，存储任务每200ms执行一次，将呼吸机气道采集参数以合适的格式进行存储；
步骤14、根据存储的呼吸数据进行气道压力的预测，进而预估病人的呼吸状态；
步骤15、根据存储的呼吸数据监测，根据气道实时流量、气道实时压力判断气道内是否存在积液，是则返回步骤11，触发报警；
其中，步骤14、根据存储的呼吸数据进行气道压力的预测，进而预估病人的呼吸状态具体为：
步骤14.1、呼吸数据预处理，
如果呼吸数据序列为线性趋势，通过一阶差分实现呼吸数据序列的平稳化；如果呼吸数据序列为曲线趋势，进行二阶或三阶差分处理去除曲线趋势所造成的影响；如果呼吸数据序列为固定周期变化趋势，采用步长为周期长度的差分运算；
步骤14.2、判断序列类型，
设xt为经过处理的平稳序列在t时刻的值，将相隔时刻k的两个随机变量的协方差即滞后左期的自协方差序列γk称为自协方差函数，
γk＝Cov(xt，xt-k)，
γ0＝Var(xt)，
Var()为方差函数，Cov()为协方差函数，
将相隔时刻k作为滞后期，xt的自相关函数为ρk(k＝0，1，2，...)：
采用误差平方和达到最小的准则度量误差，则选定的系数ψkj(j＝1，2，...，k)为使得
最小，则称ψkj(j＝1，2，...，k)为xt的偏自相关函数，其中，E()表示数学期望；
对步骤14.1生成的平稳序列的类型进行判断，
(1)如果步骤14.1生成的平稳序列的自相关函数具有拖尾特性，偏自相关函数具有截尾特性，则该序列是自回归序列；
(2)如果步骤14.1生成的平稳序列的自相关函数具有截尾特性，偏自相关函数具有拖尾特性，则该序列是移动平均序列；
(3)如果步骤14.1生成的平稳序列的自相关函数与偏自相关函数都具有拖尾特性；
步骤14.3，根据序列类型进行预测，
(1)自回归模型
φi为自回归模型的回归系数，p为自回归模型的回归阶数，
随机白噪声的方差，εt和εs表示不同时刻的随机白噪声序列，xt和xs分别表示在t和s时刻的值，则通过自回归模型，根据t时刻前p阶数据计算得到t时刻的数据值；
(2)移动平均模型
θi为移动平均模型回归系数，q为移动平均模型的回归阶数，则通过移动平均模型，根据t时刻前q阶数据计算得到t时刻的数据值；
(3)自回归移动平均模型，
通过自回归移动平均模型，根据t时刻前q阶数据计算得到t时刻的数据值；
步骤14.4，t＝t+1，判断循环次数是否达到预定次数n，否则返回步骤14.2，是则结束预测，生成预测序列(x1，x2，...，xn)，通过该预测序列(x1，x2，...，xn)预估病人的呼吸状态。
本发明的有益效果：
1)自整定处理方式减小病人呼吸扰动产生的压力波动，消除模型的不确定性，有很好的自适应和自学习能力，且结构简单，响应速度快，在复杂过程和时变系统中其控制参数均能得到有效地调节；
2)呼吸机稳定运行状态下输出的风压能够快速、准确、舒适地在呼气相和吸气相之间切换，风机反馈控制根据给定压力输入值与实时监测的压力值之间的误差来实现气道压力的调节，得到最佳的控制效果；
3)呼吸机在患者吸气和呼气过程中均提供不同水平的正压来进行呼吸治疗，在呼吸机工作过程中，通过压差传感器与压力传感器的反馈值判断呼吸相的切换和风机输出压力的控制，以达到理想的治疗效果；
4)双水平呼吸机系统在工作时会产生大量的呼吸数据，通过研究与分析这些数据，可以从某种程度上反映和预测用户当前的身体状况，这对呼吸治疗有着重要的指导意义；基于时间序列模型进行呼吸机气道压力波形的预测分析，该方法能够很好地拟合观察值序列波动，并对预测结果分析得出，该模型对呼吸机气道压力波形的预测有一定的适用性；
5)改进了浓度测量方法，增加测量结果的线性程度，对不可控的误差进行补偿，增加测量结果的鲁棒性，消除浓度产生的低频噪声；
6)基于小波变换的呼吸机管道积液自动检测算法，实现了呼吸机的信息化和数字化以及呼吸机管道积液检测的自动化。
附图说明
图1为本发明的呼吸机控制方法流程图；
图2为本发明的预估病人的呼吸状态流程图；
图3为本发明的数据分段示意图；
图4为本发明的积液检测流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步的说明。
本发明的实施例参考图1-4所示。
一种智能呼吸机系统，呼吸机包括控制器、风机、管道及传感器，风机在设定工作电压下输出转速，经叶片转换成风压至管道，传感器对气道实时流量、气道实时压力和实时二氧化碳的浓度进行检测，并反馈至控制器；控制器根据气道实时流量、气道实时压力实现对呼吸机的控制，控制包括呼吸相识别控制、风机控制、稳定运行状态的自整定处理，根据采集的气道实时压力数据预估病人的呼吸状态，使用双通道测量气道内的二氧化碳气体浓度，根据气道实时流量、气道实时压力判断气道内是否存在积液。
一种呼吸机控制方法，包括如下步骤：
步骤1、系统初始化，单片机上电开始时，包括定时器、I2C与SPI通信、A/D转换的初始化以及相关变量的初始化；
步骤2、处理器接口配置；
步骤3、显示器初始化；
步骤4、数据采集和数据处理，采集每50ms执行一次，采集气道实时压力P，气道实时流量f，使用双通道测量气道内的二氧化碳气体浓度；
步骤5、呼吸数据打包并无线传输；
步骤6、按键扫描，每10ms遍历一次，判断是否有按键指令，并根据指令更改程序参数并刷新显示器的界面；
步骤7、呼吸参数设置；
步骤8、判断风机是否开启，是在进入步骤9，否则返回步骤6；
步骤9、风机状态判别，每50ms查询一次；
步骤10、呼吸相识别以及风机控制；
步骤11、报警条件是否满足，每30ms执行一次，是则报警，并进入步骤12；否则直接进入步骤12；
步骤12、显示器显示工作参数；
步骤13、存储呼吸数据，存储任务每200ms执行一次，将呼吸机气道采集参数以合适的格式进行存储；
步骤14、根据存储的呼吸数据进行气道压力的预测，进而预估病人的呼吸状态；
步骤15、根据存储的呼吸数据监测，根据气道实时流量、气道实时压力判断气道内是否存在积液，是则返回步骤11，触发报警。
其中，步骤10呼吸相识别具体为：
步骤10.1、判断气道实时压力P是否大于面罩未带时压力P0，是则戴面罩，否则进入步骤10.2；
步骤10.2、吸气开始，呼吸机同步提供吸气相正压IPAP；
步骤10.3、判断气道实时压力P维持时间t是否大于呼吸停止所定义的时间Td，是则进入步骤10.10，否则进入步骤10.4；
步骤10.4、判断气道实时压力P是否大于高触发气道压力限值HTP且气道实时流量f小于低触发气道流量限值LTF，是则进入步骤10.5，否则返回步骤10.2；
步骤10.5、进入呼气相，病人进入呼气状态；
步骤10.6、呼气开始，呼吸机同步提供呼气相正压EPAP；
步骤10.7、判断气道实时压力P维持时间t是否大于呼吸停止所定义的时间Td，是则进入步骤10.10，否则进入步骤10.8；
步骤10.8、判断气道实时压力P是否小于低触发气道压力限值LTP且气道实时流量f大于高触发气道流量限值HTF，是则进入步骤10.9，否则返回步骤10.6；
步骤10.9、进入吸气相，病人进入吸气状态，返回步骤10.2；
步骤10.10、判断呼吸暂停，报警，摘面罩。
步骤10的风机控制过程如下：
步骤10A.1、获取气道实时压力P和气道实时流量f；
步骤10A.2、如果气道实时压力P小于设定工作起始压力，则系统处于升压运行状态；
如果气道实时压力P大于设定工作起始压力且小于吸气相正压PAP则进入步骤10A.3；
如果气道实时压力P大于吸气相正压IPAP且维持时间超过高压阈值时间Th，则系统进入压力释放状态；
步骤10A.3、如果气道实时压力P小于呼气相正压PAP并且维持时间超过漏气阈值时间Tleak，则进入漏气补偿状态，否则进入步骤10A.4；
步骤10A.4、如果气道实时压力P大于吸气相正压PAP且维持时间超过高压阈值时间Th，则系统进入压力释放状态，否则进入稳定运行状态；
步骤10A.5、判断用户是否停止治疗，是则返回步骤10A.1，否则进入停止运行状态。
其中，风机根据用户的呼吸状况实时切换工作状态，建立风机的有限状态机模型，包括稳定运行状态，压力释放状态，升压运行状态，漏气补偿状态以及停止运行状态；
(1)升压运行状态，该阶段为从戴上面罩至气道实时压力P达到设定工作起始压力这一时间段，风机匀加速，气道实时压力P均匀增加；
(2)稳定运行状态，呼吸机处于正常工作阶段，呼吸机在呼气相正压EPAP和吸气相正压IPAP，传感器数据经过自整定处理，输出电压控制量控制风机转速；
(3)压力释放状态，呼吸机处于高压处理阶段，该状态下在识别高压警报值后，压力均匀降低至吸气相正压IPAP，这一时间段，风机匀减速，气道实时压力P均匀降低；
(4)漏气补偿状态，呼吸机漏气处理阶段，当进入该状态后，调整电机转速，使风机输出压力增加作为漏气的压力补偿，并发出警报，直至进入稳定运行阶段；
(5)停止运行状态，风机停止运行，呼吸机未工作状态，该状态下等待用户指令。
稳定运行状态是呼吸机正常治疗阶段，必须保证治疗压力的稳定输出，这里通过自整定处理得到风机系统的控制量输出，实现风机速度的自动调节，以达到压力自适应控制的效果。
有限状态机模型是系统在正常运行时的运行状态以及各个状态间的动作和转移等行为的数学模型，在获取用户呼吸状况后，进行风机状态判别，若处于有限状态机模型中则进一步判别具体状态及风机任务，然后进行数据处理并触发风机动作执行；
考虑到呼吸机功能、性能及经济性等多种因素，为了减小病人呼吸扰动产生的压力波动，消除不确定性，本发明将采用自整定处理进行呼吸机系统稳定运行时的风机输出压力控制，具有很好的自适应和自学习能力，且结构简单，响应速度快，很好地解决了传统控制方法的参数不易实时在线调整的问题，在复杂过程和时变系统中其控制参数均能得到有效地调节。
其中，步骤14、根据存储的呼吸数据进行气道压力的预测，进而预估病人的呼吸状态具体为：
步骤14.1、呼吸数据预处理，
如果呼吸数据序列为线性趋势，通过一阶差分实现呼吸数据序列的平稳化；如果呼吸数据序列为曲线趋势，进行二阶或三阶差分处理去除曲线趋势所造成的影响；如果呼吸数据序列为固定周期变化趋势，采用步长为周期长度的差分运算；
步骤14.2、判断序列类型，
设xt为经过处理的平稳序列在t时刻的值，将相隔时刻k的两个随机变量的协方差即滞后左期的自协方差序列γk称为自协方差函数，
γk＝Cov(xt，xt-k)，
γ0＝Var(xt)，
Var()为方差函数，Cov()为协方差函数，
将相隔时刻k作为滞后期，xt的自相关函数为ρk(k＝0，1，2，...)：
采用误差平方和达到最小的准则度量误差，则选定的系数ψkj(j＝1，2，...，k)为使得
最小，则称ψkj(j＝1，2，...，k)为xt的偏自相关函数，其中，E()表示数学期望；
对步骤14.1生成的平稳序列的类型进行判断，
(1)如果步骤14.1生成的平稳序列的自相关函数具有拖尾特性，偏自相关函数具有截尾特性，则该序列是自回归序列；
(2)如果步骤14.1生成的平稳序列的自相关函数具有截尾特性，偏自相关函数具有拖尾特性，则该序列是移动平均序列；
(3)如果步骤14.1生成的平稳序列的自相关函数与偏自相关函数都具有拖尾特性；
步骤14.3，根据序列类型进行预测，
(1)自回归模型
φi为自回归模型的回归系数，p为自回归模型的回归阶数，
随机白噪声的方差，εt和εs表示不同时刻的随机白噪声序列，xt和xs分别表示在t和s时刻的值，则通过自回归模型，根据t时刻前p阶数据计算得到t时刻的数据值；
(2)移动平均模型
θi为移动平均模型回归系数，q为移动平均模型的回归阶数，则通过移动平均模型，根据t时刻前q阶数据计算得到t时刻的数据值；
(3)自回归移动平均模型，
通过自回归移动平均模型，根据t时刻前q阶数据计算得到t时刻的数据值；
步骤14.4，t＝t+1，判断循环次数是否达到预定次数n，否则返回步骤14.2，是则结束预测，生成预测序列(x1，x2，...，xn)，通过该预测序列(x1，x2，...，xn)预估病人的呼吸状态。
其中，步骤14.4中的通过该预测序列(x1，x2，...，xn)预估病人的呼吸状态，的具体过程如下：
步骤14.4.1，导数估计，
使用估计点左右两边相邻点连线斜率的一半来表示估计点的导数
生成导数估计序列
xh为(x1，x2，...，xn)中的数据；
步骤14.4.2，数据分段，
设定阈值参数ε判断导数估计序列的变化幅度，如果一点的导数值小于ε，则认为此点与前一点相比的变化幅度小基本无变化，这两点应该被分在同一片段中且有相同的变化符号，否则认为此点发生了明显变化，相邻的两点会用不同的符号进行表示，将导数估计序列
转换成符号表示序列(R1，R2，...，Rn)，序列符号表示的公式如下：
步骤14.4.3，转化特征序列
将(R1，R2，...，Rn)转换为特征序列
其中，
Sj表示的是符号序列的第j个子序列。kj是Sj的符号数量，
符号表示，
序列中大多数的相邻点同有相同的变化趋势，用相同的趋势符号进行表示，合并符号相同的相邻点，通过合并符号相同的相邻点对原序列分段。为了不丢失序列长度的信息，每一分段由两个值构成：符号Rj和符号数量kj，表示为(Rj，kj)，段与段之间的划分点就是序列(R1，R2，...，Rn)中符号发生变化的点，则
表示为
符号序列中的符号值是对时间序列变化趋势的近似表示，符号数量则表示该变化趋势的持续时间；
步骤14.4.4，通过步骤14.4.1-步骤14.4.3分别获取预测数据和典型样本数据的特征序列
和
，其中，典型样本数据为各种呼吸异常状况下的呼吸数据；
步骤14.4.5，计算特征序列
和
的距离，进行分段匹配，
如果分段特征符号不同，表示这两个分段代表的子序列的变化趋势不同，子序列之间不相似，则距离函数为：
D(S1i，S2j)＝1，ifR1i≠R2j，
其中，S1i和S2j分别表示序列
和序列
中的分段，R1i和R2j分别表示分段S1i和S2j对应的符号表示；
如果分段特征符号相同，表示这两个分段的特征符号相同代表了相同的变化趋势，在进行相似性度量时，将符号相同的分段匹配对齐，可以认为两个子序列是相似的，则距离函数为：
其中参数ζ，ζ∈[0，1)为比例系数，k1和k2j分别表示分段S1i和S2j对应的符号个数，max{}和min{}分别表示最大值函数和最小值函数；
如果符号序列不等长，对于较长序列中超出的部分，没有相似的分段可以与之匹配，所以应当按照符号不同的第一种情况进行处理，则距离函数为：
D(S1i，-)＝1，
步骤14.4.6，通过步骤14.4.5分别计算
和
各分段S1i和S2j之间的距离，并进行累加，如果累加值在阈值范围以内，则认为预测数据和典型样本数据是匹配的，输出典型样本数据名称并结束匹配；如果典型样本数据已经全部匹配，则认为没有找到合适的典型样本数据，保存预测数据并结束匹配；如果累加值超出阈值范围，则认为二者不匹配并更换典型样本数据，返回步骤14.4.3。
监测系统采用单一的红外光源和双波长的测量方法，也就是说呼吸末二氧化碳通过主流通道，红外光源发送特定波长的红外光，热释电传感器用两个通道吸收红外光，可以吸收不同波长的光线。
其中步骤4的使用双通道测量气道内的二氧化碳气体浓度的具体步骤如下：
步骤4.1、获取测量通道和参考通道的透射光强I(λ1)和I(λ2)，λ1和λ2分别为测量信号的波长和参考信号的波长，λ1波长在二氧化碳吸收峰，λ2是在二氧化碳吸收峰附近的波长；
双波长测量方法可以消除热电器件的时间漂移光源的不稳定性和温度漂移对信号的影响。
步骤4.2、建立二氧化碳的浓度测量公式：
其中，C为二氧化碳浓度；L为适配器的光程长度；μ(λ1)波长λ1的二氧化碳的吸收系数
两通道的测量方案可以有效的使得对数的运算转化为线性的运算，提高测量的线性度，有效的减少误差的产生，同时提高测量的精度
步骤4.3、滤波去噪，
对测量的二氧化碳浓度进行采样得到n个采样数据(C1，C2，C3，...，Cn)，
呼吸机管道内积液的判定算法是基于每个呼吸周期进行设计的。呼吸机提供机械通气的方式是通过呼气管道和吸气管道进行的，因此呼吸机的使用过程中可能会出现吸气相或者呼吸相积液的情况。另外病人的吸气和呼气波形存在差异，如果忽视呼气相和吸气相的差异而统一进行积液算法的设计是不当的，本发明对每个呼吸周期中的吸气相和呼气相分别进行设计。
其中，步骤15具体步骤如下：
步骤15.1、呼吸周期分离，
从呼吸机获取的病人呼吸数据是连续的呼吸周期，将连续的呼吸周期切分为独立的呼吸周期，流速时间波形末始段会有一个快速的上升，基于呼吸流速时间波形，采用一阶微分的方法进行呼吸周期的起始点、中段和结束点检测，其算法流程如下：
步骤15.1.1、记载流速时间波形最高点，记做Fmax；
步骤15.1.2、对流速时间波形进行一阶微分，取一阶微分曲线的最高点，记做Dmax；
步骤15.1.3、将流速时间波形和一阶微分波形离散化，变为F(i)和D(i)，分别表示第i个采样点的流速值和流速的一阶微分值；
步骤15.1.4、设置标记位Flag＝0；
步骤15.1.5、是否F(i)＞Fmax，是则进入下一步，否则i＝i+1，返回步骤15.1.4；
步骤15.1.6、是否D(i)＞Dmax，是则进入下一步，否则i＝i+1，返回步骤15.1.4；
步骤15.1.7、是否Flag＝0，是则进入下一步，否则i＝i+1，返回步骤15.1.4；
步骤15.1.8、设置呼吸周期起始点，设置Flag＝1；
步骤15.1.9、是否F(i)＜-Fmax，是则进入下一步，否则i＝i+1，返回步骤15.1.8；
步骤15.1.10、是否Flag＝1，是则进入下一步，，否则i＝i+1，返回步骤15.1.8：
步骤15.1.11、设置呼吸周期中段，设置Flag＝2；
步骤15.1.12、是否F(i)＞-Fmax，是则进入下一步，否则i＝i+1，返回步骤15.1.11；
步骤15.1.13、是否Flag＝2，是则进入下一步，否则i＝i+1，返回步骤15.1.11；
步骤15.1.14、设置呼吸周期结束点，设置Flag＝3；
其中，根据Flag＝1，Flag＝2，Flag＝3所在的第i个采样点分别为呼吸周期起始点、中段和结束点，从而获取完整的呼吸周期；
步骤15.2、吸气呼气切换点检测，
呼吸周期以吸气相开始，以呼气相结束，积液检测将针对吸气相和呼气相分别检测，吸气相和呼气相的划分是根据流速时间波形中第一个小于零的点进行划分的，当F(i)＝0，所在的第i个采样点为吸气呼气切换点
步骤15.3、压力时间波形的小波分解与重构，
步骤15.3.1、根据步骤1-2确定的呼吸周期和吸气呼气切换点从压力时间波形截取相应的截取吸气相和呼气相的压力时间波形；
步骤15.3.2、对吸气相和呼气相的压力时间波形进行小波变换，如下：
f(t)为压力时间波形函数，WTfO为离散小波变换，k为阶数，n分解级数，ψ()是小波母函数，2k为缩放因子；
步骤15.3.3、小波分解，
对压力时间波形分别进行四级分解，得到了近似信号与细节信号，用以观察呼吸机管道内积液的特征信号集中分布情况，a3表示3级分解的逼近信号，di(i＝1，2，3)表示第i级的细节信号；
步骤15.3.4、信号重构，
S＝K(d1+d2+d3)，
其中，S为重构信号，K为常量，优选为K＝0.05，0.1，0.5，1，2；
步骤15.4、计算阈值，
重构信号S中包含了能够区分正常与积液状态下压力时间波形的特征信息，通过设定阈值再对积液波形进行检测，
由于不同病人的呼吸状态，甚至同一个病人的每个呼吸周期都会存在差异，阈值的选取需要考虑个体间差异与个体内差异，为了避免差异带来的不确定性，采用以当前的重构信号中的细节信号计算的得到的均值和标准差作为依据计算阈值，如下：
式中，μ是细节信号的均值，σ是细节信号标准差，T为阈值。
步骤15.5、根据步骤3和步骤4得到的吸气相和呼气相的重构信号和阈值对积液情况进行判断，当重构信号超出阈值时，表面气道内存有积液，发出警告。
以上所述实施方式仅表达了本发明的一种实施方式，但并不能因此而理解为对本发明范围的限制。应当指出，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (8)
1.一种具有预估病人的呼吸状态的智能呼吸机系统，其特征在于：呼吸机包括控制器、风机、管道及传感器，风机在设定工作电压下输出转速，经叶片转换成风压至管道，传感器对气道实时流量、气道实时压力和实时二氧化碳的浓度进行检测，并反馈至控制器；控制器根据气道实时流量、气道实时压力实现对呼吸机的控制，根据采集的气道实时压力数据预估病人的呼吸状态。
2.一种具有预估病人的呼吸状态的呼吸机控制方法，包括如下步骤：
步骤1、系统初始化，单片机上电开始时，包括定时器、I2C与SPI通信、A/D转换的初始化以及相关变量的初始化；
步骤2、处理器接口配置；
步骤3、显示器初始化；
步骤4、数据采集和数据处理，采集每50ms执行一次，采集气道实时压力P，气道实时流量f，使用双通道测量气道内的二氧化碳气体浓度；
步骤5、呼吸数据打包并无线传输；
步骤6、按键扫描，每10ms遍历一次，判断是否有按键指令，并根据指令更改程序参数并刷新显示器的界面；
步骤7、呼吸参数设置；
步骤8、判断风机是否开启，是在进入步骤9，否则返回步骤6；
步骤9、风机状态判别，每50ms查询一次；
步骤10、呼吸相识别以及风机控制；
步骤11、报警条件是否满足，每30ms执行一次，是则报警，并进入步骤12；否则直接进入步骤12；
步骤12、显示器显示工作参数；
步骤13、存储呼吸数据，存储任务每200ms执行一次，将呼吸机气道采集参数以合适的格式进行存储；
步骤14、根据存储的呼吸数据进行气道压力的预测，进而预估病人的呼吸状态；
步骤15、根据存储的呼吸数据监测，根据气道实时流量、气道实时压力判断气道内是否存在积液，是则返回步骤11，触发报警；
其中，步骤14、根据存储的呼吸数据进行气道压力的预测，进而预估病人的呼吸状态具体为：
步骤14.1、呼吸数据预处理，
如果呼吸数据序列为线性趋势，通过一阶差分实现呼吸数据序列的平稳化；如果呼吸数据序列为曲线趋势，进行二阶或三阶差分处理去除曲线趋势所造成的影响；如果呼吸数据序列为固定周期变化趋势，采用步长为周期长度的差分运算；
步骤14.2、判断序列类型，
设xi为经过处理的平稳序列在t时刻的值，将相隔时刻k的两个随机变量的协方差即滞后左期的自协方差序列γk称为自协方差函数，
γk＝Cov(xi，xt-k)，
γ0＝Var(xt)，
Var()为方差函数，Cov()为协方差函数，
将相隔时刻k作为滞后期，xt的自相关函数为ρk(k＝0，1，2，...)：
采用误差平方和达到最小的准则度量误差，则选定的系数ψkj(j＝1，2，...，k)为使得
最小，则称ψkj(j＝1，2，...，k)为xt的偏自相关函数，其中，E()表示数学期望；
对步骤14.1生成的平稳序列的类型进行判断，
(1)如果步骤14.1生成的平稳序列的自相关函数具有拖尾特性，偏自相关函数具有截尾特性，则该序列是自回归序列；
(2)如果步骤14.1生成的平稳序列的自相关函数具有截尾特性，偏自相关函数具有拖尾特性，则该序列是移动平均序列；
(3)如果步骤14.1生成的平稳序列的自相关函数与偏自相关函数都具有拖尾特性；
步骤14.3，根据序列类型进行预测，
(1)自回归模型
φi为自回归模型的回归系数，p为自回归模型的回归阶数，
随机白噪声的方差，εt和εs表示不同时刻的随机白噪声序列，xt和xs分别表示在t和s时刻的值，则通过自回归模型，根据t时刻前p阶数据计算得到t时刻的数据值；
(2)移动平均模型
θi为移动平均模型回归系数，q为移动平均模型的回归阶数，则通过移动平均模型，根据t时刻前q阶数据计算得到t时刻的数据值；
(3)自回归移动平均模型，
通过自回归移动平均模型，根据t时刻前q阶数据计算得到t时刻的数据值；
步骤14.4，t＝t+1，判断循环次数是否达到预定次数n，否则返回步骤14.2，是则结束预测，生成预测序列(x1，x2，...，xn)，通过该预测序列(x1，x2，...，xn)预估病人的呼吸状态。
3.根据权利要求2所述的呼吸机控制方法，其特征在于步骤14.4中的通过该预测序列(x1，x2，...，xn)预估病人的呼吸状态，的具体过程如下：
步骤14.4.1，导数估计，
使用估计点左右两边相邻点连线斜率的一半来表示估计点的导数
生成导数估计序列
xh为(x1，x2，...，xn)中的数据；
步骤14.4.2，数据分段，
设定阈值参数ε判断导数估计序列的变化幅度，如果一点的导数值小于ε，则认为此点与前一点相比的变化幅度小基本无变化，这两点应该被分在同一片段中且有相同的变化符号，否则认为此点发生了明显变化，相邻的两点会用不同的符号进行表示，将导数估计序列
转换成符号表示序列(R1，R2，...，Rn)，序列符号表示的公式如下：
步骤14.4.3，转化特征序列
将(R1，R2，...，Rn)转换为特征序列
其中，
Sj表示的是符号序列的第j个子序列。kj是Sj的符号数量，
符号表示，序列中大多数的相邻点同有相同的变化趋势，用相同的趋势符号进行表示，合并符号相同的相邻点，通过合并符号相同的相邻点对原序列分段。为了不丢失序列长度的信息，每一分段由两个值构成：符号Rj和符号数量kj，表示为(Rj，kj)，段与段之间的划分点就是序列(R1，R2，...，Rn)中符号发生变化的点，则
表示为
符号序列中的符号值是对时间序列变化趋势的近似表示，符号数量则表示该变化趋势的持续时间；
步骤14.4.4，通过步骤14.4.1-步骤14.4.3分别获取预测数据和典型样本数据的特征序列
和
其中，典型样本数据为各种呼吸异常状况下的呼吸数据；步骤14.4.5，计算特征序列
和
的距离，进行分段匹配，
如果分段特征符号不同，表示这两个分段代表的子序列的变化趋势不同，子序列之间不相似，则距离函数为：
D(S1i，S2j)＝1，if R1i≠R2j，
其中，S1i和S2j分别表示序列
和序列
中的分段，R1i和R2j分别表示分段S1i和S2j对应的符号表示；
如果分段特征符号相同，表示这两个分段的特征符号相同代表了相同的变化趋势，在进行相似性度量时，将符号相同的分段匹配对齐，可以认为两个子序列是相似的，则距离函数为：
其中参数ζ，ζ∈[0，1)为比例系数，k1和k2j分别表示分段S1i和S2j对应的符号个数，max{}和min{}分别表示最大值函数和最小值函数；
如果符号序列不等长，对于较长序列中超出的部分，没有相似的分段可以与之匹配，所以应当按照符号不同的第一种情况进行处理，则距离函数为：
D(S1i，-)＝1，
步骤14.4.6，通过步骤14.4.5分别计算
和
各分段S1i和S2j之间的距离，并进行累加，如果累加值在阈值范围以内，则认为预测数据和典型样本数据是匹配的，输出典型样本数据名称并结束匹配；如果典型样本数据已经全部匹配，则认为没有找到合适的典型样本数据，保存预测数据并结束匹配；如果累加值超出阈值范围，则认为二者不匹配并更换典型样本数据，返回步骤14.4.3。
4.根据权利要求2所述的呼吸机控制方法，其特征在于步骤4的使用双通道测量气道内的二氧化碳气体浓度的具体步骤如下：
步骤4.1、获取测量通道和参考通道的透射光强I(λ1)和I(λ2)，λ1和λ2分别为测量信号的波长和参考信号的波长，λ1波长在二氧化碳吸收峰，λ2是在二氧化碳吸收峰附近的波长；
步骤4.2、建立二氧化碳的浓度测量公式：
其中，C为二氧化碳浓度；L为适配器的光程长度；μ(λ1)波长λ1的二氧化碳的吸收系数
两通道的测量方案可以有效的使得对数的运算转化为线性的运算，提高测量的线性度，有效的减少误差的产生，同时提高测量的精度
步骤4.3、滤波去噪，
对测量的二氧化碳浓度进行采样得到n个采样数据(C1，C2，C3，...，Cn)，
5.根据权利要求2所述的呼吸机控制方法，其特征在于步骤4的使用双通道测量气道内的二氧化碳气体浓度的具体步骤如下：
其中，步骤15具体步骤如下：
步骤15.1、呼吸周期分离，
从呼吸机获取的病人呼吸数据是连续的呼吸周期，将连续的呼吸周期切分为独立的呼吸周期，流速时间波形末始段会有一个快速的上升，基于呼吸流速时间波形，采用一阶微分的方法进行呼吸周期的起始点、中段和结束点检测，其算法流程如下：
步骤15.1.1、记载流速时间波形最高点，记做F max；
步骤15.1.2、对流速时间波形进行一阶微分，取一阶微分曲线的最高点，记做D max；
步骤15.1.3、将流速时间波形和一阶微分波形离散化，变为F(i)和D(i)，分别表示第i个采样点的流速值和流速的一阶微分值；
步骤15.1.4、设置标记位Flag＝0；
步骤15.1.5、是否F(i)＞F max，是则进入下一步，否则i＝i+1，返回步骤15.1.4；
步骤15.1.6、是否D(i)＞Dmax，是则进入下一步，否则i＝i+1，返回步骤15.1.4；
步骤15.1.7、是否Flag＝0，是则进入下一步，否则i＝i+1，返回步骤15.1.4；
步骤15.1.8、设置呼吸周期起始点，设置Flag＝1；
步骤15.1.9、是否F(i)＜-F max，是则进入下一步，否则i＝i+1，返回步骤15.1.8；
步骤15.1.10、是否Flag＝1，是则进入下一步，，否则i＝i+1，返回步骤15.1.8；
步骤15.1.11、设置呼吸周期中段，设置Flag＝2；
步骤15.1.12、是否F(i)＞-F max，是则进入下一步，否则i＝i+1，返回步骤15.1.11；
步骤15.1.13、是否Flag＝2，是则进入下一步，否则i＝i+1，返回步骤15.1.11；
步骤15.1.14、设置呼吸周期结束点，设置Flag＝3；
其中，根据Flag＝1，Flag＝2，Flag＝3所在的第i个采样点分别为呼吸周期起始点、中段和结束点，从而获取完整的呼吸周期；
步骤15.2、吸气呼气切换点检测，
呼吸周期以吸气相开始，以呼气相结束，积液检测将针对吸气相和呼气相分别检测，吸气相和呼气相的划分是根据流速时间波形中第一个小于零的点进行划分的，当F(i)＝0，所在的第i个采样点为吸气呼气切换点
步骤15.3、压力时间波形的小波分解与重构，
步骤15.3.1、根据步骤1-2确定的呼吸周期和吸气呼气切换点从压力时间波形截取相应的截取吸气相和呼气相的压力时间波形；
步骤15.3.2、对吸气相和呼气相的压力时间波形进行小波变换，如下：
f(t)为压力时间波形函数，WTf()为离散小波变换，k为阶数，n分解级数，ψ()是小波母函数，2k为缩放因子；
步骤15.3.3、小波分解，
对压力时间波形分别进行四级分解，得到了近似信号与细节信号，用以观察呼吸机管道内积液的特征信号集中分布情况，a3表示3级分解的逼近信号，di(i＝1，2，3)表示第i级的细节信号；
步骤15.3.4、信号重构，
S＝K(d1+d2+d3)，
其中，S为重构信号，K为常量，优选为K＝0.05，0.1，0.5，1，2；
步骤15.4、计算阈值，
重构信号S中包含了能够区分正常与积液状态下压力时间波形的特征信息，通过设定阈值再对积液波形进行检测，
由于不同病人的呼吸状态，甚至同一个病人的每个呼吸周期都会存在差异，阈值的选取需要考虑个体间差异与个体内差异，为了避免差异带来的不确定性，采用以当前的重构信号中的细节信号计算的得到的均值和标准差作为依据计算阈值，如下：
式中，μ是细节信号的均值，σ是细节信号标准差，T为阈值。
步骤15.5、根据步骤3和步骤4得到的吸气相和呼气相的重构信号和阈值对积液情况进行判断，当重构信号超出阈值时，表面气道内存有积液，发出警告。
6.根据权利要求2所述的呼吸机控制方法，其特征在于步骤10呼吸相识别具体为：
步骤10.1、判断气道实时压力P是否大于面罩未带时压力P0，是则戴面罩，否则进入步骤10.2；
步骤10.2、吸气开始，呼吸机同步提供吸气相正压PAP；
步骤10.3、判断气道实时压力P维持时间t是否大于呼吸停止所定义的时间Td，是则进入步骤10.10，否则进入步骤10.4；
步骤10.4、判断气道实时压力P是否大于高触发气道压力限值HTP且气道实时流量f小于低触发气道流量限值LTF，是则进入步骤10.5，否则返回步骤10.2：
步骤10.5、进入呼气相，病人进入呼气状态；
步骤10.6、呼气开始，呼吸机同步提供呼气相正压PAP；
步骤10.7、判断气道实时压力P维持时间t是否大于呼吸停止所定义的时间Td，是则进入步骤10.10，否则进入步骤10.8；
步骤10.8、判断气道实时压力P是否小于低触发气道压力限值LTP且气道实时流量f大于高触发气道流量限值HTF，是则进入步骤10.9，否则返回步骤10.6；
步骤10.9、进入吸气相，病人进入吸气状态，返回步骤10.2；
步骤10.10、判断呼吸暂停，报警，摘面罩。
7.根据权利要求2所述的呼吸机控制方法，其特征在于步骤10的风机控制过程如下：
步骤10A.1、获取气道实时压力P和气道实时流量f；
步骤10A.2、如果气道实时压力P小于设定工作起始压力，则系统处于升压运行状态；
如果气道实时压力P大于设定工作起始压力且小于吸气相正压PAP则进入步骤10A.3；
如果气道实时压力P大于吸气相正压IPAP且维持时间超过高压阈值时间Th，则系统进入压力释放状态；
步骤10A.3、如果气道实时压力P小于呼气相正压EPAP并且维持时间超过漏气阈值时间Tleak，则进入漏气补偿状态，否则进入步骤10A.4；
步骤10A.4、如果气道实时压力P大于吸气相正压IPAP且维持时间超过高压阈值时间Th，则系统进入压力释放状态，否则进入稳定运行状态；
步骤10A.5、判断用户是否停止治疗，是则返回步骤10A.1，否则进入停止运行状态。
8.根据权利要求7所述的呼吸机控制方法，其特征在于：风机根据用户的呼吸状况实时切换工作状态，建立风机的有限状态机模型，包括稳定运行状态，压力释放状态，升压运行状态，漏气补偿状态以及停止运行状态；
(1)升压运行状态，该阶段为从戴上面罩至气道实时压力P达到设定工作起始压力这一时间段，风机匀加速，气道实时压力P均匀增加；
(2)稳定运行状态，呼吸机处于正常工作阶段，呼吸机在呼气相正压EPAP和吸气相正压IPAP，传感器数据经过自整定处理，输出电压控制量控制风机转速；
(3)压力释放状态，呼吸机处于高压处理阶段，该状态下在识别高压警报值后，压力均匀降低至吸气相正压IPAP，这一时间段，风机匀减速，气道实时压力P均匀降低；
(4)漏气补偿状态，呼吸机漏气处理阶段，当进入该状态后，调整电机转速，使风机输出压力增加作为漏气的压力补偿，并发出警报，直至进入稳定运行阶段；
(5)停止运行状态，风机停止运行，呼吸机未工作状态，该状态下等待用户指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010540634.1A CN111657950A (zh) | 2020-06-12 | 2020-06-12 | 应用于智能医疗具有预估病人呼吸状态的呼吸机系统及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010540634.1A CN111657950A (zh) | 2020-06-12 | 2020-06-12 | 应用于智能医疗具有预估病人呼吸状态的呼吸机系统及其控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111657950A true CN111657950A (zh) | 2020-09-15 |
Family
ID=72387642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010540634.1A Withdrawn CN111657950A (zh) | 2020-06-12 | 2020-06-12 | 应用于智能医疗具有预估病人呼吸状态的呼吸机系统及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111657950A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113331819A (zh) * | 2021-06-01 | 2021-09-03 | 合肥工业大学 | 一种肺功能监测方法、系统、设备及存储介质 |
| WO2022133942A1 (zh) * | 2020-12-24 | 2022-06-30 | 深圳迈瑞生物医疗电子股份有限公司 | 医疗通气设备及通气监测方法 |
| CN115006674A (zh) * | 2022-05-31 | 2022-09-06 | 广州蓝仕威克医疗科技有限公司 | 一种通过混合二氧化碳的呼吸机及解决呼吸衰竭的方法 |
| CN115995282A (zh) * | 2023-03-23 | 2023-04-21 | 山东纬横数据科技有限公司 | 一种基于知识图谱的呼气流量数据处理系统 |
| 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 |
-
2020
- 2020-06-12 CN CN202010540634.1A patent/CN111657950A/zh not_active Withdrawn
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022133942A1 (zh) * | 2020-12-24 | 2022-06-30 | 深圳迈瑞生物医疗电子股份有限公司 | 医疗通气设备及通气监测方法 |
| CN113331819A (zh) * | 2021-06-01 | 2021-09-03 | 合肥工业大学 | 一种肺功能监测方法、系统、设备及存储介质 |
| CN113331819B (zh) * | 2021-06-01 | 2024-04-02 | 合肥工业大学 | 一种肺功能监测方法、系统、设备及存储介质 |
| CN115006674A (zh) * | 2022-05-31 | 2022-09-06 | 广州蓝仕威克医疗科技有限公司 | 一种通过混合二氧化碳的呼吸机及解决呼吸衰竭的方法 |
| CN115006674B (zh) * | 2022-05-31 | 2023-09-05 | 广州蓝仕威克医疗科技有限公司 | 一种通过混合二氧化碳的呼吸机及解决呼吸衰竭的方法 |
| CN115995282A (zh) * | 2023-03-23 | 2023-04-21 | 山东纬横数据科技有限公司 | 一种基于知识图谱的呼气流量数据处理系统 |
| CN115995282B (zh) * | 2023-03-23 | 2023-06-02 | 山东纬横数据科技有限公司 | 一种基于知识图谱的呼气流量数据处理系统 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111657950A (zh) | 应用于智能医疗具有预估病人呼吸状态的呼吸机系统及其控制方法 | |
| CN111529847A (zh) | 应用于智能化医疗系统中具有呼吸相识别控制的呼吸机系统及控制方法 | |
| US20210361894A1 (en) | Method and apparatus for improved flow limitation detection of obstructive sleep apnea | |
| US11027080B2 (en) | System and method for determining ventilator leakage during stable periods within a breath | |
| US6550478B2 (en) | Auto CPAP system profile information | |
| CN108348718B (zh) | 用于改善估计性能的患者肺参数的逐次呼吸重新评估 | |
| WO2016128846A1 (en) | Simultaneous estimation of respiratory parameters by regional fitting of respiratory parameters | |
| CN111658925A (zh) | 智能医疗系统中具有风机控制呼吸机系统及其控制方法 | |
| CN108024758B (zh) | 潮气末co2的简化显示 | |
| CN111529849A (zh) | 一种应用于智能医疗的具有气体浓度测量的呼吸机系统及控制方法 | |
| CN107690310B (zh) | 用于经由连续参数估计来监测患者呼吸状态的无创方法 | |
| JP6574117B2 (ja) | 呼吸ガス供給システム | |
| CN109152898A (zh) | 用于控制通气辅助的装置和方法 | |
| CN111529848A (zh) | 一种智能医疗系统中具有积液检测的呼吸机系统及控制方法 | |
| US20210213217A1 (en) | Airway anomaly recognition method, ventilation device, and storage medium | |
| JPWO2021168588A5 (zh) | ||
| EP4079221A1 (en) | System for identifying a condition of a user | |
| AU2015204360B2 (en) | Method and Apparatus for Improved Flow Limitation Detection of Obstructive Sleep Apnea | |
| AU2012258376A1 (en) | Method and Apparatus for Improved Flow Limitation Detection of Obstructive Sleep Apnea |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200915 |