发明内容
本申请实施例提供一种呼吸机机械通气的通气模式匹配方法、装置和相关设备,可以降低通气模式匹配的成本、提高通气模式匹配的实时性和解释性。
第一方面,本申请实施例提供了一种呼吸机机械通气的通气模式匹配方法,该方法包括:
获取第一训练数据集,所述第一训练数据集包括机械通气的第一流量数据集、第一气道压力数据集中的一种或多种;
将所述第一训练数据集输入至XGB模型中进行训练,所述XGB模型基于一个或多个决策树创建新的决策树并更新所述一个或多个决策树,得到训练后的XGB模型,并基于所述训练后的XGB模型输出第一叶子节点索引值集合;
将所述第一叶子节点索引值集合输入至LR模型中进行训练,得到训练后的LR模型;
基于所述训练后的XGB模型和所述训练后的LR模型,对所述呼吸机的待检测数据集进行处理,匹配出与所述待检测数据集对应的通气模式。
本申请实施例中,首先利用训练数据(即第一训练数据集)对XGB模型进行训练并输出处理结果(即第一叶子节点索引值集合),再利用该处理结果对LR模型进行训练,得到训练后的XGB模型和LR模型;最后,再基于训练后的XGB模型和训练后的LR模型对待检测数据进行处理,从而匹配出与该待检测数据集对应的通气模式。本申请实施例针对现有技术中依靠人工标注特征的方法进行通气模式的匹配的问题,通过XGB模型实现对呼吸机在机械通气时呼吸原始信号中的特征信息自动提取和加工,再将经过加工后得到的表达能力更强的特征作为LR模型的输入,利用线性化关系完成通气模式类型的分类和匹配。其中,因为XGB模型和LR模型的模型简单,易于部署的特点,在进行实际部署时成本较低;又因为,XGB模型和LR模型还有运算快、效率高的特点,能够为患者即时地匹配出适合其病理情况的通气模式;此外,因为LR模型还具备可解释性强的特点,使得基于XGB模型进行特征提取和加工,再将经过加工的特征输入LR模型完成通气模式分类和匹配的方案具备强解释性。综上,本发明实施例相比于现有技术中依靠人工标注特征的方法进行通气模式匹配的方式,可以降低通气模式匹配的成本,提高通气模式匹配的实时性和解释性。
在一种可能的实现方式中,基于所述训练后的XGB模型和所述训练后的LR模型,对所述呼吸机的待检测数据集进行处理,匹配出与所述待检测数据集所对应的通气模式,包括:
获取第一测试数据集,所述第一测试数据集包括机械通气的第二流量数据集、第二气道压力数据集中的一种或多种;
将所述第一测试数据集输入至所述训练后的XGB模型中进行处理,得到第二叶子节点索引值集合;
将所述第二叶子节点索引值集合输入所述训练后的LR模型中进行处理,直到基于所述训练后的LR模型的匹配结果准确率达到预设阈值后,得到训练好的XGB+LR模型;
将所述呼吸机的待检测数据集输入至所述训练好的XGB+LR模型进行处理,匹配出与所述待检测数据集对应的通气模式。
本申请实施例中,在利用训练后的XGB模型和LR模型对待检测数据进行处理之前,可以先利用测试数据对训练后的XGB模型和LR模型进行性能测试。其中,可以先将测试数据(即第一测试数据集)输入至训练后的XGB模型进行处理,得到处理结果(即第二叶子节点索引值集合),再将处理结果输入至训练后的LR模型,得到测试结果;当测试结果的准确率达到阈值时,则认为XGB+LR模型已训练好;最后,将待检测数据输入至训练好的XGB+LR模型进行处理,即可匹配出与所述待检测数据集对应的通气模式。综上,本申请实施例在进行实际检测前,先通过测试数据对经过训练的XGB模型和LR模型进行性能测试,保证了模型的准确性。
在一种可能的实现方式中,所述获取第一测试数据集,包括:
获取每一个呼吸周期的原始流量波形信号和原始气道压力波形信号;
将所述原始流量波形信号划分为呼气阶段流量信号和吸气阶段流量信号;
将所述原始气道压力波形信号划分为呼气阶段气道压力信号和吸气阶段气道压力信号;
分别从所述呼气阶段流量信号和所述吸气阶段流量信号中提取出呼气阶段流量原始特征和吸气阶段流量原始特征;所述呼气阶段流量原始特征包括所述呼气阶段流量信号的方差、峰度、所述呼气阶段流量信号波峰的斜率最小值、斜率方差、斜率均值、斜率方差中的一种或多种特征,所述吸气阶段流量原始特征包括所述吸气阶段流量信号的方差、峰度、所述吸气阶段流量信号波峰的斜率最小值、斜率方差、斜率均值、斜率方差、累积负斜率数组的负斜率方差、累积负斜率数组的负斜率均值、累积负斜率数组的负斜率中的一种或多种特征;
分别从所述呼气阶段气道压力信号和所述吸气阶段气道压力信号中提取出呼气阶段气道压力原始特征和吸气阶段气道压力原始特征;所述呼气阶段气道压力原始特征包括所述呼气阶段气道压力信号的最大值、最小值、方差、绝对均值、峰度、偏度、众数、波峰方差、波谷方差中的一种或多种特征,所述吸气阶段气道压力原始特征包括所述吸气阶段气道压力信号的最大值、最小值、方差、绝对均值、峰度、偏度、众数、波峰方差、波谷方差中的一种或多种特征;
分别按照预设比例对所述呼气阶段流量原始特征、所述吸气阶段流量原始特征、所述呼气阶段气道压力原始特征和所述吸气阶段气道压力原始特征进行数据分割,得到原始训练数据集和原始测试数据集;
对所述原始测试数据集进行数据预处理,得到所述第一测试数据集;所述数据预处理包括数据标注、数据标准化、补零对齐中的一种或多种;
所述获取第一训练数据集,包括:
对所述原始训练数据集进行所述数据预处理,得到所述第一训练数据集。
本申请实施例中,首先获取到原始波形信号数据,然后从原始波形信号数据中提取出用于通气模式匹配的原始特征(包括流量和气道压力的呼气阶段和吸气阶段原始特征),再将原始特征划分为训练数据集和测试数据集(训练数据集和测试数据集的数据类型一样,都分别包括呼气阶段流量原始特征、吸气阶段流量原始特征、呼气阶段气道压力原始特征和吸气阶段气道压力原始特征,仅在具体数量上有所不同),最后分别对训练数据集和测试数据集进行数据预处理。综上,本发明实施例在将数据输入至模型进行训练或测试前,先通过数据预处理统一数据规格,从而能够更加方便地将规格统一的数据输入XGB模型中进行测试,以此提高模型训练过程中的运算速度,进一步提高方案的时效性。
在一种可能的实现方式中,所述将所述第一叶子节点索引值集合输入至所述LR模型中进行训练,得到训练后的LR模型,包括:
对所述第一叶子节点索引值集合进行One Hot编码处理,得到第二训练数据集;
将所述第二训练数据集输入至所述LR模型中进行训练,得到训练后的LR模型。
本申请实施例中,将XGB模型训练后输出的处理结果(即第一叶子节点索引值集合)输入LR模型进行训练前,先对该处理结果进行One Hot编码处理。将经过One Hot编码处理后的数据作为LR模型的训练输入数据,可以解决LR模型不好处理离散数据的问题,而且在一定程度上也扩充了有效特征,从而提高LR模型分析的准确性和解释性。
在一种可能的实现方式中,所述将所述第二叶子节点索引值集合输入至所述训练后的LR模型中进行处理,包括:
对所述第二叶子节点索引值集合进行One Hot编码处理,得到第二测试数据集;
将所述第二测试数据集输入至所述训练后的LR模型中进行处理。
本申请实施例中,对训练后的XGB模型进行测试后输出处理结果(即第二叶子节点索引值集合),在将该处理结果输入至训练后的LR模型进行测试前,先对该处理结果进行One Hot编码处理。将经过One Hot编码处理后的数据作为训练后的LR模型的测试输入数据,可以解决LR模型不好处理离散数据的问题,而且在一定程度上也扩充了有效特征,从而提高LR模型分析的准确性和解释性。
在一种可能的实现方式中,获取原始训练数据集,所述原始训练数据集包括原始训练流量特征数据、原始训练气道压力特征数据、原始训练容量特征数据中的一种或多种;
在一种可能的实现方式中,所述将所述第一训练数据集输入至XGB模型中进行训练,包括:
设置所述XGB模型的训练参数,得到所述XGB模型;所述XGB模型的训练参数包括所述XGB模型的总迭代次数、所述XGB模型的CART树的最大深度、所述XGB模型的损失函数和所述XGB模型的学习率;
将所述第一训练数据集输入至所述XGB模型中进行训练;
所述将所述第一叶子节点索引值集合输入至LR模型中进行训练,包括:
设置所述LR模型的训练参数,得到所述LR模型;所述LR模型的训练参数包括所述LR模型的分类数目和权值向量;
将所述第一叶子节点索引值集合输入至所述LR模型中进行训练。
本申请实施例中,在构造XGB模型和LR模型时,首先确定它们的各类参数,然后完成初始模型的构造。本申请实施例针对现有技术中依靠人工标注特征的方法进行通气模式的匹配的问题,构造出XGB模型和LR模型的初始模型,为后续的训练、测试和实际匹配处理提供前提。
在一种可能的实现方式中,所述通气模式包括容量控制、压力控制、压力支持、持续气道正压和比例辅助通气中的一种或多种。
本申请实施例中,首先可以确定的通气模式包括容量控制、压力控制、压力支持、持续气道正压和比例辅助通气中的一种或多种。当呼吸机适合患者或用户的通气模式属于上述的某一种模式时,本申请实施例可以快速、准确地进行匹配。
在一种可能的实现方式中,所述通气模式包括容量控制、压力控制、压力支持、持续气道正压和比例辅助通气;
所述匹配出与所述待检测数据集对应的通气模式,包括:
得到所述容量控制、所述压力控制、所述压力支持、所述持续气道正压和所述比例辅助通气对应的五组概率值;
基于所述五组概率值和预设条件匹配出与所述待检测数据集对应的通气模式。
本申请实施例中,在利用上述XGB模型和LR模型确定待检测数据的匹配结果时,首先得到容量控制、压力控制、压力支持、持续气道正压和比例辅助通气对应的五组概率值,而不是直接确定并输出某一种模式作为最终匹配结果,能够让医护人员获得更多数据参考,医护人员可以结合患者实际症状和数据参考进一步确定通气模式的具体类型,以此避免因极端值或临界值的存在而导致的误判。
在一种可能的实现方式中,所述方法,还包括:
当匹配出与所述待检测数据集对应的通气模式与所述呼吸机当前的通气模式不同时,发送提示消息,所述提示消息用于提示医护人员根据匹配出与所述待检测数据集对应的通气模式调整所述呼吸机当前的通气模式。
本申请实施例中,当待检测数据的匹配结果与所述呼吸机当前的通气模式不同时,则向医护人员发送提示消息,以此提示医护人员调整该呼吸机的通气模式。
第二方面,本申请实施例提供了一种呼吸机机械通气的通气模式匹配装置,该装置包括:
获取模块,用于获取第一训练数据集,所述第一训练数据集包括机械通气的第一流量数据集、第一气道压力数据集中的一种或多种;
第一训练模块,用于将所述第一训练数据集输入至XGB模型中进行训练,所述XGB模型基于一个或多个决策树创建新的决策树并更新所述一个或多个决策树,得到训练后的XGB模型,并基于所述训练后的XGB模型输出第一叶子节点索引值集合;
第二训练模块,用于将所述第一叶子节点索引值集合输入至LR模型中进行训练,得到训练后的LR模型;
确定模块,用于基于所述训练后的XGB模型和所述训练后的LR模型,对所述呼吸机的待检测数据集进行处理,匹配出与所述待检测数据集对应的通气模式。
本申请实施例中,首先利用获取模块获取到训练数据(即第一训练数据集),再通过第一训练模块基于该训练数据对XGB模型进行训练并输出处理结果(即第一叶子节点索引值集合),再利用第二训练模块基于该处理结果对LR模型进行训练,得到训练后的XGB模型和LR模型;最后,确定模块再利用训练后的XGB模型和LR模型对待检测数据进行处理,从而匹配出与所述待检测数据集对应的通气模式。本申请实施例针对现有技术中依靠人工标注特征的方法进行通气模式的匹配的问题,通过XGB模型实现对呼吸机在机械通气时呼吸原始信号中的特征信息自动提取和加工,再将经过加工后得到的表达能力更强的特征作为LR模型的输入,利用线性化关系完成通气模式类型的分类和匹配。其中,因为XGB模型和LR模型的模型简单,易于部署的特点,在进行实际部署时成本较低;又因为,XGB模型和LR模型还有运算快、效率高的特点,能够为患者即时地匹配出适合其病理情况的通气模式;此外,因为LR模型还具备可解释性强的特点,使得基于XGB模型进行特征提取和加工,再将经过加工的特征输入LR模型完成通气模式分类和匹配的方案具备强解释性。综上,本发明实施例相比于现有技术中依靠人工标注特征的方法进行通气模式匹配的方式,可以降低通气模式匹配的成本,提高通气模式匹配的实时性和解释性。
在一种可能的实施方式中,所述确定模块,具体用于:
获取第一测试数据集,所述第一测试数据集包括机械通气的第二流量数据集、第二气道压力数据集中的一种或多种;
将所述第一测试数据集输入至所述训练后的XGB模型中进行处理,得到第二叶子节点索引值集合;
将所述第二叶子节点索引值集合输入所述训练后的LR模型中进行处理,直到基于所述训练后的LR模型的匹配结果准确率达到预设阈值后,得到训练好的XGB+LR模型;
将所述呼吸机的待检测数据集输入至所述训练好的XGB+LR模型进行处理,匹配出与所述待检测数据集对应的通气模式。
在一种可能的实施方式中,所述确定模块,具体用于:
获取每一个呼吸周期的原始流量波形信号和原始气道压力波形信号;
将所述原始流量波形信号划分为呼气阶段流量信号和吸气阶段流量信号;
将所述原始气道压力波形信号划分为呼气阶段气道压力信号和吸气阶段气道压力信号;
分别从所述呼气阶段流量信号和所述吸气阶段流量信号中提取出呼气阶段流量原始特征和吸气阶段流量原始特征;所述呼气阶段流量原始特征包括所述呼气阶段流量信号的方差、峰度、所述呼气阶段流量信号波峰的斜率最小值、斜率方差、斜率均值、斜率方差中的一种或多种特征,所述吸气阶段流量原始特征包括所述吸气阶段流量信号的方差、峰度、所述吸气阶段流量信号波峰的斜率最小值、斜率方差、斜率均值、斜率方差、累积负斜率数组的负斜率方差、累积负斜率数组的负斜率均值、累积负斜率数组的负斜率中的一种或多种特征;
分别从所述呼气阶段气道压力信号和所述吸气阶段气道压力信号中提取出呼气阶段气道压力原始特征和吸气阶段气道压力原始特征;所述呼气阶段气道压力原始特征包括所述呼气阶段气道压力信号的最大值、最小值、方差、绝对均值、峰度、偏度、众数、波峰方差、波谷方差中的一种或多种特征,所述吸气阶段气道压力原始特征包括所述吸气阶段气道压力信号的最大值、最小值、方差、绝对均值、峰度、偏度、众数、波峰方差、波谷方差中的一种或多种特征;
分别按照预设比例对所述呼气阶段流量原始特征、所述吸气阶段流量原始特征、所述呼气阶段气道压力原始特征和所述吸气阶段气道压力原始特征进行数据分割,得到原始训练数据集和原始测试数据集;
对所述原始测试数据集进行数据预处理,得到所述第一测试数据集;所述数据预处理包括数据标注、数据标准化、补零对齐中的一种或多种;
所述获取第一训练数据集,包括:
对所述原始训练数据集进行所述数据预处理,得到所述第一训练数据集。
在一种可能的实施方式中,所述第二训练模块,具体用于:
对所述第一叶子节点索引值集合进行One Hot编码处理,得到第二训练数据集;
将所述第二训练数据集输入至所述LR模型中进行训练,得到训练后的LR模型。
在一种可能的实施方式中,所述确定模块,具体用于:
对所述第二叶子节点索引值集合进行One Hot编码处理,得到第二测试数据集;
将所述第二测试数据集输入至所述训练后的LR模型中进行处理。
在一种可能的实施方式中,所述第一训练模块,具体用于:
设置所述XGB模型的训练参数,得到所述XGB模型;所述XGB模型的训练参数包括所述XGB模型的总迭代次数、所述XGB模型的CART树的最大深度、所述XGB模型的损失函数和所述XGB模型的学习率;
将所述第一训练数据集输入至所述XGB模型中进行训练;
所述第二训练模块,具体用于:
设置所述LR模型的训练参数,得到所述LR模型;所述LR模型的训练参数包括所述LR模型的分类数目和权值向量;
将所述第一叶子节点索引值集合输入至所述LR模型中进行训练。
在一种可能的实施方式中,所述通气模式包括容量控制、压力控制、压力支持、持续气道正压和比例辅助通气中的一种或多种。
在一种可能的实施方式中,所述通气模式包括容量控制、压力控制、压力支持、持续气道正压和比例辅助通气;
所述确定模块,具体用于:
得到所述容量控制、所述压力控制、所述压力支持、所述持续气道正压和所述比例辅助通气对应的五组概率值;
基于所述五组概率值和预设条件匹配出与所述待检测数据集对应的通气模式。
在一种可能的实施方式中,所述装置,还包括:
发送模块,用于当匹配出与所述待检测数据集对应的通气模式与所述呼吸机当前的通气模式不同时,发送提示消息,所述提示消息用于提示医护人员根据匹配出与所述待检测数据集对应的通气模式调整所述呼吸机当前的通气模式。
第三方面,本申请实施例提供了一种终端,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面的呼吸机机械通气的通气模式匹配方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其特征在于,该计算机存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令当被处理器执行时使该处理器执行上述第一方面的呼吸机机械通气的通气模式匹配方法。
第五方面,本申请实施例提供了一种呼吸机,其特征在于,包括主机、空氧混合器、气源、湿化器、外部管道,所述主机、空氧混合器、气源、湿化器和外部管道相互连接,其中,所述主机用于存储计算机程序,所述计算机程序包括程序指令,所述主机被配置用于调用所述程序指令,执行上述第一方面的呼吸机机械通气的通气模式匹配方法。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
还应当理解,在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
首先,对本申请中的部分用语进行解释说明,以便于本领域技术人员理解。
(1)容量控制(Volume Controlled,VC),可以保证病人得到足够的气体。呼吸按预设频率、潮气量、频率、吸呼比为病人送气,病人的呼吸用力完全被抑制。本申请实施例将以此种通气模式作为一种示例进行匹配。
(2)压力控制(Pressure Controlled,PC),在此模式下,吸气开始时呼吸机给病人以较大流量快速建立预设的气道压力水平,并维持压力恒定,直至吸气结束。患者得到的气体容量主要取决于压力水平的高低,并与气道阻力及顺应性的状况有关。本申请实施例将以此种通气模式作为一种示例进行匹配。
(3)压力支持(Pressure Support,PS),是一种由病人触发的自主通气模式,可用于脱机、手术后自主呼吸不完全的病人。当病人触发呼吸机,呼吸机以预设的吸气压力对病人进行通气支持。本申请实施例将以此种通气模式作为一种示例进行匹配。
(4)持续气道正压(Continuous Positive Airway Pressure,CPAP),在自主呼吸条件下,患者应有稳定的呼吸驱动力和适当潮气量,在整个呼吸周期内人为地施以一定程度的气道内正压,从而有利于防止气道萎陷,增加功能残气量,改善肺顺应性,并提高氧合作用。在持续气道正压模式下,呼吸机只维持一定的气道正压,不进行机械通气。本申请实施例将以此种通气模式作为一种示例进行匹配。
(5)比例辅助通气(Proportional Assist Ventilation,PAV),是新一代无创机械通气模式。呼吸机产生与病人吸气努力成比例的压力,随病人吸气努力和呼吸方式的变化而调整。本申请实施例将以此种通气模式作为一种示例进行匹配。
(6)极限梯度提升决策树(eXtreme Gradient Boosting,XGB)模型,在特征分析、表达方面具有较大的优势,运行速度还很快,性能优良。本申请实施例将在通气模式匹配的过程中利用到XGB模型。
(7)逻辑回归(Logistic Regression,LR)模型,是在线性回归的基础上,套用了一个逻辑函数形成的一种分类模型。具有简单、可并行化、可解释性强的特点,其中可解释性强的特点,在医疗器械的算法模型领域尤其重要。本申请实施例将在通气模式匹配的过程中利用到LR模型。
(8)独热(One-Hot)编码,又称一位有效编码,其方法是使用N位状态寄存器来对N个状态进行编码,每个状态都有它独立的寄存器位,并且在任意时候,其中只有一位有效。本申请实施例将在通气模式匹配的过程中利用到One-Hot编码。
首先,分析并提出本申请所具体要解决的技术问题。在现有技术中,关于呼吸机机械通气的通气模式匹配的方案,包括方案一,具体可以包括如下步骤S100~S102:
步骤S100:领域专家和专业医护人员人工收集呼吸机参数特征。
步骤S101:领域专家和专业医护人员对呼吸机参数特征进行人工标注和分析。
步骤S102:根据分析结果确定通气模式是否与患者病情匹配。
该方案一存在以下多个缺点:
缺点1:成本高。基于人工标注特征进行通气模式匹配的方式,需要耗费领域内专家以及专业医护人员的宝贵时间,而且资金费用也不小。
缺点2:时效性低。方案依赖人工进行特征采集、标注以及分析,整个过程中耗时较多,难以满足呼吸机等医疗器械对于时效性的高要求。因此,依靠人工方式进行匹配的方案也难以推广开来。
缺点3:特征解释性不强。通过人工方式提取的特征,在可扩展性、泛化性、个性化等方面都有待验证,因此将特征用于通气模式匹配的解释性仍然不强,而呼吸机等医疗器械对于方案的解释性尤为注重。
为了解决当前基于人工方式的通气模式匹配技术存在的成本高、时效性低和特征解释性不强的问题,达到降低成本、提高时效性和解释性的目的,综合考虑现有技术存在的缺点,本申请实际要解决的技术问题如下:
1、采用简单易部署、运算快速和解释性强的自动检测模型(方案一的缺点1、缺点2和缺点3)。基于人工方式的通气模式匹配技术部分满足了实际匹配的需求,但是无法满足实际部署过程中对于成本、时效性和特征解释性更严苛的要求。因此,需要一种自动检测模型取代人工方式,该模型应该具备简单易部署的特点,从而可以降低部署成本;该模型还应该具备运算快速的特点,从而可以解决时效性低的问题;最后该模型还需要具备较强的解释性,满足呼吸机等医疗器械对于解释性的要求。
综上所述,现有基于人工方式的通气模式匹配技术存在的成本高、时效性低和特征解释性不强的问题而导致无法满足实际部署检测的更高要求。因此,本申请提供的呼吸机机械通气的通气模式匹配方法,基于XGB模型和LR模型进行通气模式的匹配,具备简单易部署、运算快速和解释性强的特点,能够解决上述技术问题。
为方便更好地理解本申请方案,以下本申请实施例通过呼吸机100进行简单描述,请参见图1,图1是本申请实施例提供的一种呼吸机100的结构示意图。
呼吸机100可以包括:主机110,空氧混合器120,气源130,湿化器140,外部管道150等。可以理解的是,本发明实施例示意的结构并不构成对终端设备100的具体限定。在本申请另一些实施例中,终端设备100可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
主机110可以包括一个或多个处理单元,例如:主机110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,数字信号处理器(digital signal processor,DSP),和/或神经网络处理器(neural-networkprocessing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。
其中,控制器可以是呼吸机100的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
主机110中还可以设置存储器,用于存储指令和数据。在一些实施例中,主机110中的存储器为高速缓冲存储器。该存储器可以保存主机110刚用过或循环使用的指令或数据。如果主机110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了主机110的等待时间,因而提高了系统的效率。
在一些实施例中,主机110可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit,I2C)接口,集成电路内置音频(inter-integrated circuitsound,I2S)接口,脉冲编码调制(pulse code modulation,PCM)接口,通用异步收发传输器(universal asynchronous receiver/transmitter,UART)接口,移动产业处理器接口(mobile industry processor interface,MIPI),通用输入输出(general-purposeinput/output,GPIO)接口,用户标识模块(subscriber identity module,SIM)接口,和/或通用串行总线(universal serial bus,USB)接口等。主机110可以通过一个或多个接口与呼吸机100的其他部件或者其他外部的设备进行连接。
可以理解的是,本发明实施例示意的各模块间的接口连接关系,只是示意性说明,并不构成对呼吸机100的结构限定。在本申请另一些实施例中,终端设备100也可以采用上述实施例中不同的接口连接方式,或多种接口连接方式的组合。
空氧混合器120的输入气体可以是压缩空气、环境空气或压缩氧气。氧气在空气中占21%,因此也可以利用压缩空气、环境空气作为呼吸机100的气源130,供给呼吸困难的患者进行治疗。对换气功能有障碍的患者,氧浓度必须适当提高,才能满足治疗需求。此时,空氧混合器120可接压缩氧气源并根据病情变化适当稠整氧浓度。
气源130一般分为电动供气和压缩气源两种。如果呼吸机100以电动机为动力,通过压缩泵或折叠式皮裹等装置产生一定的正压气流,向患者供气,则称为电动方式;如果呼吸机100采用压缩气泵,经过过滤、减压、湿化等处理后,再向患者供气,则称为气动方式。
湿化器140主要是替代鼻腔、口腔对吸入的气体进行湿化。呼吸机100向患者提供气体加以湿化的装置,称为湿化器;而将液体雾化处理的装置,称为雾化器。气体湿化、液体雾化,可以对患者的气管、支气管黏膜起到保护作用。通常湿化器140还具有加热装置,即加热湿化或加热雾化,以便使气体接近人的体温,减少对患者的刺激。
外部管道150把经过湿化或雾化的气体提供给患者,同时把患者呼出的气体通过呼吸活瓣直接排出。外部管道150还要把呼吸信号反馈给主机110,以便达到同步呼吸,有效地改善患者的换气效能。
基于图1提供的呼吸机的架构示意图,结合本申请中提供的呼吸机机械通气的通气模式匹配方法的流程进行说明,对本申请中提出的技术问题进行具体分析和解决。
参见图2a和图2b,图2a是本申请实施例提供的一种呼吸机机械通气的通气模式匹配方法的流程示意图,图2b是本申请实施例提供的一种XGB+LR模型处理流程示意图。该通气模式匹配方法可应用于上述图1所述的呼吸机100中,呼吸机100可以用于支持并执行图2a中所示的方法流程步骤S200-步骤S203,处理流程可以参考图2b。下面将结合附图2a从呼吸机侧进行描述。该通气模式匹配方法可以包括以下步骤S200-步骤S203。
步骤S200:获取第一训练数据集。
具体地,第一训练数据集可以是呼吸机100通过主机110从外部管道150中获取到的关于机械通气的原始波形信号。其中,该原始波形信号可以包括流量特征数据、气道压力特征数据中的一种或多种。为方便理解,本申请实施例以原始历史数据集包括流量特征数据和气道压力特征数据为例进行说明。需要说明的是,第一训练数据集可以是在构造XGB模型和LR模型前获取,也可以是在构造XGB模型和LR模型后获取,在此不作具体限定。
优选地,第一训练数据集可以是呼吸机100对主机110从外部管道150中获取到的关于机械通气的原始波形信号先进行数据划分和分割,再进行数据预处理得到的。其中,该原始波形信号可以包括流量特征数据、气道压力特征数据中的一种或多种;原始波形信号经过数据划分可以得到呼气阶段流量信号、吸气阶段流量信号、呼气阶段气道压力信号和吸气阶段气道压力信号,分别从各种信号中提取特征后进行数据分割得到第一训练数据集和第一测试数据集;数据预处理可以包括数据标注、数据标准化、补零对齐中的一种或多种。可参见图3a,图3a是本申请实施例提供的一种数据预处理流程示意图,可以进行设备或装置的设置、调试以及仿真,然后再将收集到的原始数据划分为训练数据和测试数据,最后再对它们进行数据标注、数据标准化以及补零对齐。本申请实施例以历史数据集包括流量特征数据和气道压力特征数据,数据预处理可以包括数据标注、数据标准化和补零对齐为例,可以先对训练数据和测试数据进行数据标注处理,再对经过数据标注处理后的数据进行数据标准化,最后对经过数据标准化处理后的数据进行补零对齐处理。其中,可以通过数据标注将训练数据和测试数据标注为容量控制、压力控制、压力支持、持续气道正压和比例辅助通气五种通气模式的类别,具体可由医学专家对呼吸机机械通气过程中的通气模式进行标注,专家对每一段呼吸周期都标注其所属的通气模式,每一段标注都由两位专家进行把关,对不一致的标注则协商成一致的意见;数据标准化可以是直线型方法(如极值法、标准差法)、折线型方法(如三折线法)、曲线型方法(如半正态性分布)等,本申请实施例中不作具体限定;补零对齐可以根据实际数据长度进行处理,过长则截断,过短则补充,保证数据尺寸大小统一。需要说明的是,上述通气模式的类型仅作为本申请实施例的示例,可理解地,其它通气模式也可以作为本申请实施例的对象,在此不作限定。还需要说明的是,从呼气阶段流量信号提取的特征可以包括呼气阶段流量信号的方差、峰度、所述呼气阶段流量信号波峰的斜率最小值、斜率方差、斜率均值、斜率方差中的一种或多种特征;从吸气阶段流量信号提取的特征可以包括吸气阶段流量信号的方差、峰度、所述吸气阶段流量信号波峰的斜率最小值、斜率方差、斜率均值、斜率方差、累积负斜率数组的负斜率方差、累积负斜率数组的负斜率均值、累积负斜率数组的负斜率中的一种或多种特征;从呼气阶段气道压力信号提取的特征可以包括呼气阶段气道压力信号的最大值、最小值、方差、绝对均值、峰度、偏度、众数、波峰方差、波谷方差中的一种或多种特征;从吸气阶段气道压力信号提取的特征可以包括吸气阶段气道压力信号的最大值、最小值、方差、绝对均值、峰度、偏度、众数、波峰方差、波谷方差中的一种或多种特征,可理解地,上述各种特征仅作为本申请实施例的示例,其它特征也可以作为本申请实施例的对象,在此不作限定。
步骤S201:将所述第一训练数据集输入至XGB模型进行训练,输出第一叶子节点索引值集合。
具体地,基于所构造的XGB模型中的一个或多个决策树进行训练,以此再创建出新的决策树并更新上述的一个或多个决策树,在训练过程中达到模型的上述各类参数的阈值,获得训练后的XGB模型,并基于该训练后的XGB模型输出第一叶子节点索引值集合。例如,基于XGB模型中的一个或多个决策树进行训练,创建出新的决策树并更新原有的一个或多个决策树,当每个树集合中的决策树达到90个时,暂停训练得到训练后的XGB模型,并且基于训练后的模型输出模型中所有叶子节点的索引值。经过训练后所得到的XGB模型的公式可以为其中f是函数空间/>中的函数,/>表示所有回归树的集合,K的值可以为90。需要说明的是,训练后的XGB模型输出的所有叶子节点索引值是比训练数据集的特征数据更具备表达能力的特征。
优选地,可以先在呼吸机100的主机110中构造XGB模型。其中,XGB模型中可以包括一个或多个决策树。构造XGB模型时,可以先设置总迭代次数、CART树的最大深度、损失函数和学习率等参数来完成XGB模型。例如总迭代次数可以为90,CART树的最大深度可以为3,损失函数可以采用对数似然损失函数,学习率可以为0.16。可理解地,以上参数也可以为其它值,本发明实施例对此不作具体限定。可参见图3b,图3b是本申请实施例提供的一种XGB+LR模型结构示意图,示意图展示了整个XGB+LR模型的上半部分是XGB模型的结构图,其中N的取值为90,即XGB模型有90颗树;下半部分是LR模型的结构图,在本申请实施例中LR模型的输出可以用于通气模式的匹配参考。
步骤S202:将所述第一叶子节点索引值集合输入至LR模型中进行训练,得到训练后的LR模型。
具体地,将训练后的XGB模型所输出的第一叶子节点索引值集合输入至构造的LR模型进行训练,以此得到训练后的LR模型。
优选地,可以先对训练后的XGB模型所输出的第一叶子节点索引值集合进行OneHot处理,得到第二训练数据集,再将该第二训练数据集输入至构造的LR模型进行训练,以此得到训练后的LR模型。经过训练后所得到的LR模型的公式可以为k=1,2,…,K-1,x∈Rn+1,wk∈Rn+1,其中的K的值为5,也即是通气模式分类的数目,n为样本数量,wk为权值向量的分量。
优选地,可以先在呼吸机100的主机110中构造LR模型。构造LR模型时,可以先设置LR模型的分类数目和权值向量。例如,分类数目可以是3。可理解地,以上参数也可以为其它值,本发明实施例对此不作具体限定。可参见图3b,图3b是本申请实施例提供的一种XGB+LR模型结构示意图。
步骤S203:基于所述训练后的XGB模型和所述训练后的LR模型,对呼吸机的待检测数据集进行处理,匹配出与所述待检测数据集对应的通气模式。
具体地,可以将呼吸机100的待检测数据集输入至经过训练后得到的XGB模型进行处理,得到表达能力更强的数据特征,再将该数据特征输入至经过训练后得到的LR模型处理,匹配出与待检测数据集对应通气模式是容量控制、压力控制、压力支持、持续气道正压和比例辅助通气中的哪一种。其中,训练后的LR模型可以分别输出容量控制、压力控制、压力支持、持续气道正压和比例辅助通气五种通气模式的概率值,其中概率值最大的可以被确定为与待检测数据集匹配的通气模式。例如,容量控制的概率值为5%、压力控制的概率值为70%,压力支持的概率值为15%,持续气道正压的概率值为5%,比例辅助通气的概率值为5%,则与待检测数据集匹配的通气模式为压力控制。可理解地,上述概率值在具体分析过程中也可以为其它值,本发明实施例对此仅做示例性解释,而不作具体限定。还需要说明的是,医护人员可以结合患者实际症状和通气模式类型概率值数据作为参考,进一步确定通气模式的具体类型,以此避免因极端值或临界值的存在而导致的误判。
优选地,在将呼吸机100的待检测数据集输入训练后的XGB模型和LR模型之前,还可以利用测试数据先对训练后的XGB模型和LR模型进行性能测试。可以设定一个阈值,例如阈值可以是95%,若测试的准确率没有达到阈值要求,则需要再另外获取训练数据对模型进行训练;若测试的准确率达到了阈值要求,则认为XGB模型和LR模型已训练好,可暂时不再另外获取训练数据对模型进行训练。需要说明的是,用于性能测试的数据集可以是在对原始波形信号进行数据划分时得到的(如S200中的第一测试数据集),用于性能测试的数据集也可以经过数据预处理,具体处理方式可参考S200中的内容,此处不再详述。还需要说明的是,当第一测试数据集输入至训练后的XGB模型进行处理后,输出表达能力更强的特征数据(即第二叶子节点索引值集合),再将该表达能力更强的特征数据输入至训练后的LR模型之前,可以先进行One Hot编码处理。
可选地,上述步骤S203之后还包括步骤S204:发送提示消息。
具体地,当匹配出与待检测数据集对应的通气模式与呼吸机100当前的通气模式不同时,呼吸机100可以通过主机110发送一个提示消息,该提示消息用于提示医护人员根据匹配出与所述待检测数据集对应的通气模式调整呼吸机100的通气模式,使其与患者的病状匹配。例如,呼吸机100可以利用主机110中的接口与一个外置的提示装置进行连接,当匹配出与待检测数据集对应的通气模式与呼吸机100当前的通气模式不同时,主机110向外置的提示装置发送提示消息,随后该外置的提示装置发出提示音。可理解地,提示方式也可以为采用其他方式,本发明实施例对此仅做示例性解释,而不作具体限定。
可理解地,当上述通气模式匹配方法应用于呼吸机的通气模式匹配时,由于采用了简单易部署、运算快速且解释性强的XGB+LR模型,使得通气模式匹配的判别和部署的时间以及资金成本得以降低,运算快速也为检测的高时效性提供保障,除此之外,该模型还具备强解释性,更是契合医疗领域对于方案解释性的高要求。
本申请实施例进行通气模式匹配的效果具体如何,以下对本申请实施例的实验过程和结果进行相关展示。需要说明的是,本申请实施例用于实验的数据包括了流量特征数据和气道压力特征数据,在实验过程中,借助经过训练的技术人员对这些原始历史数据进行数据划分,然后对经过划分的数据进行数据预处理(包括数据标注、数据标准化和补零对齐),确定数据长度为100。此外,构造的XGB模型参数为总迭代次数为90,CART树的最大深度为3,损失函数采用对数似然损失函数,学习率为0.16,LR模型的分类数目为5;训练后的XGB模型的公式为训练后的LR模型公式为/>k=1,2,…,K-1,x∈Rn+1,wk∈Rn+1。本申请实施例的具体训练过程以及模型使用效果可参见以下附图。
请参见图4a,图4a是本申请实施例提供的一种XGB模型提取特征的特征重要度分布图。该分布图中展示出33个特征的重要度分布情况,以便于可视化查看。横轴表示的是特征的权重,权重越高表明特征的重要度越高;纵轴是特征的编码,不同编码对应不同的具体特征,在此不详细体现具体编码与具体特征的对应情况,仅表明不同特征的重要度会有所不同,并且本申请实施例能够将这些不同特征重要度的具体情况通过可视化手段展示出来。需要说明的是,上述的33个特征分别包括呼气阶段流量信号的方差、峰度、所述呼气阶段流量信号波峰的斜率最小值、斜率方差、斜率均值、斜率方差的6个特征,吸气阶段流量信号的方差、峰度、所述吸气阶段流量信号波峰的斜率最小值、斜率方差、斜率均值、斜率方差、累积负斜率数组的负斜率方差、累积负斜率数组的负斜率均值、累积负斜率数组的负斜率的9个特征,呼气阶段气道压力信号的最大值、最小值、方差、绝对均值、峰度、偏度、众数、波峰方差、波谷方差的9个特征,吸气阶段气道压力信号的最大值、最小值、方差、绝对均值、峰度、偏度、众数、波峰方差、波谷方差的9个特征。
请参见图4b,图4b是本申请实施例提供的一种XGB+LR模型的ROC曲线与AUC值参数示意图。该示意图中展示出XGB+LR模型宏平均和微平均ROC曲线与它们对应的AUC值,其中AUC值用于说明模型性能,其取值越接近1说明模型性能越好。其中,微平均ROC曲线相应的AUC值为0.91;宏平均ROC曲线相应的AUC值为0.92。本申请实施例提供的XGB+LR模型的宏平均和微平均ROC曲线的AUC值都相当接近1,也即是说,本申请实施例提供的XGB+LR模型的性能不错。
综上,本申请通过XGB+LR模型进行呼吸机通气模式匹配的方案可行性高,并且可以克服现有人工匹配方式存在的成本高、时效性低、解释性不强的问题。
上述详细阐述了本申请实施例的方法,下面提供了本申请实施例的相关装置。
请参见图5,图5是本申请实施例提供的一种呼吸机机械通气的通气模式匹配装置的结构示意图。该通气模式匹配装置10可以包括获取模块101、第一训练模块102、第二训练模块103和确定模块104,可选地,还包括发送模块105。其中,各个模块的详细描述如下:
获取模块101,用于获取第一训练数据集,所述第一训练数据集包括机械通气的第一流量数据集、第一气道压力数据集中的一种或多种;
第一训练模块102,用于将所述第一训练数据集输入至XGB模型中进行训练,所述XGB模型基于一个或多个决策树创建新的决策树并更新所述一个或多个决策树,得到训练后的XGB模型,并基于所述训练后的XGB模型输出第一叶子节点索引值集合;
第二训练模块103,用于将所述第一叶子节点索引值集合输入至LR模型中进行训练,得到训练后的LR模型;
确定模块104,用于基于所述训练后的XGB模型和所述训练后的LR模型,对所述呼吸机的待检测数据集进行处理,匹配出与所述待检测数据集对应的通气模式。
在一种可能的实施方式中,所述确定模块104,具体用于:
获取第一测试数据集,所述第一测试数据集包括机械通气的第二流量数据集、第二气道压力数据集中的一种或多种;
将所述第一测试数据集输入至所述训练后的XGB模型中进行处理,得到第二叶子节点索引值集合;
将所述第二叶子节点索引值集合输入所述训练后的LR模型中进行处理,直到基于所述训练后的LR模型的匹配结果准确率达到预设阈值后,得到训练好的XGB+LR模型;
将所述呼吸机的待检测数据集输入至所述训练好的XGB+LR模型进行处理,匹配出与所述待检测数据集对应的通气模式。
在一种可能的实施方式中,所述确定模块104,具体用于:
获取每一个呼吸周期的原始流量波形信号和原始气道压力波形信号;
将所述原始流量波形信号划分为呼气阶段流量信号和吸气阶段流量信号;
将所述原始气道压力波形信号划分为呼气阶段气道压力信号和吸气阶段气道压力信号;
分别从所述呼气阶段流量信号和所述吸气阶段流量信号中提取出呼气阶段流量原始特征和吸气阶段流量原始特征;所述呼气阶段流量原始特征包括所述呼气阶段流量信号的方差、峰度、所述呼气阶段流量信号波峰的斜率最小值、斜率方差、斜率均值、斜率方差中的一种或多种特征,所述吸气阶段流量原始特征包括所述吸气阶段流量信号的方差、峰度、所述吸气阶段流量信号波峰的斜率最小值、斜率方差、斜率均值、斜率方差、累积负斜率数组的负斜率方差、累积负斜率数组的负斜率均值、累积负斜率数组的负斜率中的一种或多种特征;
分别从所述呼气阶段气道压力信号和所述吸气阶段气道压力信号中提取出呼气阶段气道压力原始特征和吸气阶段气道压力原始特征;所述呼气阶段气道压力原始特征包括所述呼气阶段气道压力信号的最大值、最小值、方差、绝对均值、峰度、偏度、众数、波峰方差、波谷方差中的一种或多种特征,所述吸气阶段气道压力原始特征包括所述吸气阶段气道压力信号的最大值、最小值、方差、绝对均值、峰度、偏度、众数、波峰方差、波谷方差中的一种或多种特征;
分别按照预设比例对所述呼气阶段流量原始特征、所述吸气阶段流量原始特征、所述呼气阶段气道压力原始特征和所述吸气阶段气道压力原始特征进行数据分割,得到原始训练数据集和原始测试数据集;
对所述原始测试数据集进行数据预处理,得到所述第一测试数据集;所述数据预处理包括数据标注、数据标准化、补零对齐中的一种或多种;
所述获取第一训练数据集,包括:
对所述原始训练数据集进行所述数据预处理,得到所述第一训练数据集。
在一种可能的实施方式中,所述第二训练模块103,具体用于:
对所述第一叶子节点索引值集合进行One Hot编码处理,得到第二训练数据集;
将所述第二训练数据集输入至所述LR模型中进行训练,得到训练后的LR模型。
在一种可能的实施方式中,所述确定模块104,具体用于:
对所述第二叶子节点索引值集合进行One Hot编码处理,得到第二测试数据集;
将所述第二测试数据集输入至所述训练后的LR模型中进行处理。
在一种可能的实施方式中,所述第一训练模块102,具体用于:
设置所述XGB模型的训练参数,得到所述XGB模型;所述XGB模型的训练参数包括所述XGB模型的总迭代次数、所述XGB模型的CART树的最大深度、所述XGB模型的损失函数和所述XGB模型的学习率;
将所述第一训练数据集输入至所述XGB模型中进行训练;
所述第二训练模块103,具体用于:
设置所述LR模型的训练参数,得到所述LR模型;所述LR模型的训练参数包括所述LR模型的分类数目和权值向量;
将所述第一叶子节点索引值集合输入至所述LR模型中进行训练。
在一种可能的实施方式中,所述通气模式包括容量控制、压力控制、压力支持、持续气道正压和比例辅助通气中的一种或多种。
在一种可能的实施方式中,所述通气模式包括容量控制、压力控制、压力支持、持续气道正压和比例辅助通气;
所述确定模块104,具体用于:
得到所述容量控制、所述压力控制、所述压力支持、所述持续气道正压和所述比例辅助通气对应的五组概率值;
基于所述五组概率值和预设条件匹配出与所述待检测数据集对应的通气模式。
在一种可能的实施方式中,所述装置,还包括:
发送模块105,用于当匹配出与所述待检测数据集对应的通气模式与所述呼吸机当前的通气模式不同时,发送提示消息,所述提示消息用于提示医护人员根据匹配出与所述待检测数据集对应的通气模式调整所述呼吸机当前的通气模式。
需要说明的是,本申请实施例中所描述的通气模式匹配装置10中各功能单元的功能可参见上述图2a中所述的方法实施例中步骤S200-步骤S204的相关描述,此处不再赘述。
请参见图6,图6是本申请实施例提供的另一种呼吸机机械通气的通气模式匹配装置的结构示意图。如图6所示,该装置20可以包括:一个或多个处理器601;一个或多个输入设备602,一个或多个输出设备603和存储器604。上述处理器601、输入设备602、输出设备603和存储器604通过总线605连接。存储器604用于存储计算机程序,所述计算机程序包括程序指令,处理器601用于执行存储器604存储的程序指令。
其中,处理器601被配置用于调用所述程序指令执行:获取第一训练数据集,所述第一训练数据集包括机械通气的第一流量数据集、第一气道压力数据集中的一种或多种;将所述第一训练数据集输入至XGB模型中进行训练,所述XGB模型基于一个或多个决策树创建新的决策树并更新所述一个或多个决策树,得到训练后的XGB模型,并基于所述训练后的XGB模型输出第一叶子节点索引值集合;将所述第一叶子节点索引值集合输入至LR模型中进行训练,得到训练后的LR模型;基于所述训练后的XGB模型和所述训练后的LR模型,对所述呼吸机的待检测数据集进行处理,匹配出与所述待检测数据集对应的通气模式。
应当理解,在本申请实施例中,所称处理器601可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备602可以包括触控板、麦克风等,输出设备603可以包括显示器(LCD等)、扬声器等。
该存储器604可以包括只读存储器和随机存取存储器,并向处理器601提供指令和数据。存储器604的一部分还可以包括非易失性随机存取存储器。例如,存储器604还可以存储设备类型的信息。
具体实现中,本申请实施例中所描述的处理器601、输入设备602、输出设备603可执行本申请实施例提供的呼吸机机械通气的通气模式匹配方法中所描述的实现方式,也可执行本申请实施例所描述的呼吸机机械通气的通气模式匹配装置的实现方式,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令被处理器执行时实现图2a所示的呼吸机机械通气的通气模式匹配方法,具体细节请参照图2a所示实施例的描述,在此不再赘述。
上述计算机可读存储介质可以是前述任一实施例所述的通气模式匹配装置或电子设备的内部存储单元,例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备,例如该电子设备上配备的插接式硬盘,智能存储卡(smartmedia card,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。进一步地,该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种呼吸机100,包括主机110、空氧混合器120、气源130、湿化器140、外部管道150,请参见图1,图1是本申请实施例提供的一种呼吸机100的结构示意图。该主机110、空氧混合器120、气源130、湿化器140和外部管道150相互连接,其中,该主机110用于存储计算机程序,该计算机程序包括程序指令,该主机被配置用于调用该程序指令,执行上述的呼吸机机械通气的通气模式匹配方法。
可理解地,上述呼吸机100仅是本申请实施例中的一种示例,而不应作为本发明的限定。其它仅包括上述主机、空氧混合器、气源、湿化器和外部管道中的一种或多种的呼吸机,当其存在执行上述的呼吸机机械通气的通气模式匹配方法进行通气模式匹配的模块或单元或部件时,也应属于本发明保护范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请是参照本申请实施例的方法、装置和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程诊疗数据的处理设备的处理器以产生一个机器,使得通过计算机或其他可编程诊疗数据的处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程诊疗数据的处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程诊疗数据的处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。