CN113855955B - 一种呼吸机多模式工作控制系统及呼吸机 - Google Patents

Abstract

本发明涉及一种呼吸机多模式工作控制系统及呼吸机，包括：数据接收模块：被配置为接收采集的患者的体征信息；调节模块：被配置为根据接收的患者的设定的体征信息调节每个工作模式下对应的工作参数；状态判断模块：被配置为根据接收的患者的设定的体征信息和设定的模式切换阈值来判断患者的状态；自适应调整模块：被配置为根据状态判断模块判断的患者状态选择对应的工作模式；控制模块：被配置为根据自适应调整模块选择的工作模式，按照该工作模式被调节模块调节后的工作参数控制呼吸机工作，本发明的控制系统使得呼吸机自动化程度高，治疗效果好。

Description

一种呼吸机多模式工作控制系统及呼吸机

技术领域

本发明涉及医疗设备智能化和数字化技术领域，具体涉及一种呼吸机多模式工作控制系统及呼吸机。

背景技术

这里的陈述仅提供与本发明相关的背景技术，而不必然地构成现有技术。

呼吸机作为一种能够人工替代自主通气功能的有效手段，现使用非常普遍。但现有呼吸机设备的智能化与数字化水平还比较低，呼吸机复杂的操作模式极大程度限制了呼吸机的推广使用。而由于患者佩戴呼吸机辅助呼吸的过程中，不同的患者具有不同的体征信息，其呼吸频率、潮气量等会有所不同，同一患者使用时也会具有不同的使用状态。目前现有技术中，提出了一种呼吸疾病患者清醒和睡眠状态检测方法和系统，但是发明人发现，上述方法和系统应用于呼吸机时，只能检测患者呼吸功能相关参数，但是并不能够针对检测参数进行分类识别，也无法针对性的控制呼吸机的工作模式，对治疗效果造成了一定的影响。

发明内容

本发明的目的是为克服上述现有技术的不足，提供一种呼吸机多模式工作控制系统，使得呼吸机工作方便，且治疗效果好。

为实现上述目的，本发明采用如下技术方案：

第一方面，本发明的实施例提供了一种呼吸机多模式工作控制系统，包括：

数据接收模块：被配置为接收采集的患者的体征信息；

调节模块：被配置为根据接收的患者的设定的体征信息调节每个工作模式下对应的工作参数；

状态判断模块：被配置为根据接收的患者的设定的体征信息和设定的模式切换阈值来判断患者的状态；

自适应调整模块：被配置为根据状态判断模块判断的患者状态选择对应的工作模式；

控制模块：被配置为根据自适应调整模块选择的工作模式，按照该工作模式被调节模块调节后的工作参数控制呼吸机工作。

可选的，还包括模式切换阈值获取模块，被配置为根据接收的患者的设定的体征信息来确定模式切换阈值。

可选的，所述切换阈值获取模块根据设定的体征信息采用滤波法或迭代法或双峰法或大律法得到模式切换阈值。

可选的，调节模块利用迁移学习算法对不同工作模式下预先设定好的机器学习模型进行调节，得到不同工作模式下适合于患者的对应工作参数。

可选的，所述机器学习模型的获取方法为：根据受试者体征信息范围，分呈多个训练数据集，每个训练数据集均包括采集的受试者的体征信息及对应的呼吸机工作参数，基于机器学习算法利用训练数据集得到机器学习模型，机器学习模型能够基于采集的患者的体征信息预测对应的合适的呼吸机工作参数。

可选的，所述迁移学习算法的具体步骤为：将患者的体征信息与受试者的体征信息进行比较，利用核均值匹配算法，对训练数据集中的训练数据重新分配权重，将与患者的体征信息距离小的受试者的数据分配第一设定权重，与患者的体征信息距离大的受试者的数据分配第二设定权重，第一设定权重大于第二设定权重，根据确定的第一设定权重和第二设定权重重新对机器学习模型进行训练。

可选的，所述机器学习算法采用神经网络算法或高斯过程回归算法或朴素贝叶斯算法或决策树算法。

可选的，还包括数据处理模块，用于对数据接收模块接收的体征信息数据进行预处理。

可选的，所述数据处理模块采用滤波法或去趋势法或傅里叶变换法或小波变换法对数据进行预处理。

第二方面，本发明的实施例提供了一种呼吸机，设置有第一方面所述的呼吸机多模式工作控制系统，还包括体征信息采集元件，用于采集患者的体征信息。

上述本发明的有益效果如下：

1.本发明的控制系统，通过接收采集的患者的体征信息，能够利用状态判断模块判断患者的状态，并根据状态判断模块的判断结果利用自适应调整模块来选择合适的工作模式，实现了呼吸机工作模式根据患者状态的自适应调节，使得呼吸机的工作自动化程度更好，操作更加方便，治疗效果更好。

2.本发明的控制系统，具有调节模块，能够根据患者的体征信息调节呼吸机每种工作模式下的输出工作参数，使其更适合患者，满足了不同患者的使用需求，提高了呼吸机的治疗效果。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的限定。

图1是本发明实施例1控制系统示意图；

图2是本发明实施例1控制系统对讲话模式和换气模式控制流程图；

图3是本发明实施例1患者状态机(换气状态和讲话状态)示意图；

图4是本发明实施例1控制系统讲话模式和换气模式状态机示意图；

图5是本发明实施例1控制系统对吸气模式和呼气模式控制流程图；

图6是本发明实施例1患者状态机(吸气状态和呼气状态)示意图；

图7是本发明实施例1控制系统吸气模式和呼气模式状态机示意图；

图8是本发明实施例1控制系统呼吸模式和换气模式状态机示意图；

图9是本发明实施例1控制系统对呼吸模式和讲话模式控制流程图；

图10是本发明实施例1患者状态机(呼吸状态和讲话状态)示意图；

图11是本发明实施例1控制系统不同睡眠时期模式状态机示意图；

图12是本发明实施例1控制系统对不同睡眠时期模式控制流程图；

图13是本发明实施例1患者状态机(不同睡眠时期)示意图；

图14是本发明实施例1控制系统不同睡眠体位模式状态机示意图。

图15是本发明实施例1控制系统对不同睡眠体位模式控制流程图；

图16是本发明实施例1患者状态机(不同睡眠体位状态)示意图；

具体实施方式

实施例1

本实施例提供了一种呼吸机多模式工作控制系统，能够实现呼吸机不同工作模式的自动切换，所述呼吸机的工作模式包括清醒状态下的工作模式和睡眠状态下的工作模式，所述清醒模式下又划分为讲话状态模式和呼吸状态模式，讲话状态模式分为讲话模式和换气模式，呼吸模式分为呼气模式和吸气模式，睡眠模式可分为非眼球快速运动睡眠(NREM)和眼球快速运动睡眠(REM)，NREM又以其脑电图特征分为四期：第一期、第二期、第三期和第四期。睡眠模式按照不同体位分为仰躺模式、俯压模式、左侧身模式和右侧身模式。所述控制系统根据采集的患者的体征信息按照上述模式对呼吸机进行工作模式切换。

患者清醒状态和睡眠状态采用申请号为202110192447.3的申请所记载的方法进行检测，当检测到患者在清醒状态下时，本实施例的控制系统根据清醒状态下的不同工作模式进行切换。

以患者清醒状态下讲话状态模式下的换气模式和讲话模式为例进行说明：

如图1所示，所述控制系统包括数据接收模块，所述数据接收模块用于接收采集的患者的体征信息，所述体征信息包括患者的身高、体重、心率、血压、血氧、体温，患者呼吸时的潮气量、气体流量和气体压力等。

所述体征信息采用对应的测量设备或传感器采集即可，在此不进行详细叙述。

为了方便后续数据分析的准确性，所述数据接收模块与数据处理模块连接，能够将采集的体征信息传输给数据处理模块，数据处理模块用于对数据进行预处理，优选的，所述预处理方法包括滤波法或去趋势法或傅里叶变换法或小波变换法或机器学习特征提取法等，本领域技术人员可根据实际需要选择合适的预处理方法。

所述数据处理模块与调节模块和状态判断模块连接，能够将预处理后的体征信息数据传输给调节模块和状态判断模块。

所述调节模块被配置为根据接收的患者的设定的体征信息调节每个工作模式下对应的工作参数，设定的体征信息可根据实际需要进行选择。

所述调节模块包括云端服务器和模型微调模块，云端服务器包括数据存储模块、模型训练模块和模型存储模块。

所述数据存储模块用于接收数据处理模块上传的预处理后的体征信息数据。

所述模型训练模块用于根据预先存储的多个受试者的设定的体征信息和对应的呼吸机的在换气工作模式和讲话工作模式下的工作参数来训练机器学习模型。

具体的，根据受试者体征信息的范围，分成多个训练数据集，每个训练集都包括由受试者传感器数据提取的特征和受试者呼吸设备参数，基于机器学习算法利用训练集训练多个换气工作模式和讲话工作模式对应的机器学习模型，机器学习模型能够根据采集的患者的设定的体征信息预测对应工作模式下呼吸机的工作参数，所述工作参数包括漏气补充量，模式切换阈值等。

所述机器学习算法采用神经网络算法或高斯过程回归算法，本领域技术人员根据实际需要进行选择即可。

训练好的机器模型存储在模型存储模块的云端模型库中。

所述模型微调模块能够接收数据处理模块上传的患者的设定的体征信息并进行存取，从云端模型库中选择合适的机器学习模型迁移到边缘端，并利用迁移学习算法对换气工作模式和讲话工作模式对应的机器学习模型进行微调，从而实现对两种模式下的工作参数进行调节，使得工作参数适应于相应的患者。

所述迁移学习算法的具体步骤为：将患者的体征信息与受试者的体征信息进行比较，利用核均值匹配算法，对训练数据集中的训练数据重新分配权重，将与患者的体征信息距离小的受试者的数据分配第一设定权重，与患者的体征信息距离大的受试者的数据分配第二设定权重，第一设定权重大于第二设定权重，第一设定权重和第二设定权重的大小根据实际需求进行确定，根据确定的第一设定权重和第二设定权重重新对机器学习模型进行训练。

所述数据处理模块与状态判断模块连接，能够将数据处理模块预处理后的患者体征信息数据传输给状态判断模块，状态判断模块被配置为根据接收的设定的患者的体征信息和模式切换阈值来判断患者的状态。

所述状态判断模块与切换阈值获取模块连接，切换阈值获取模块与状态判断模块连接。

所述切换阈值获取模块被配置为根据患者的体征信息获取模式切换阈值，所述模式切换阈值包括触发阈值、撤换阈值、声音强度阈值和时长阈值，所述切换阈值获取模块通过滤波法或迭代法或双峰法或大律法得到模式切换阈值，触发阈值和撤换阈值在每次呼吸中的动态改变，实现了对每次呼吸的漏气量的补偿。

所述状态判断模块接收模式切换阈值，并与数据处理模块上传的设定的患者体征信息进行比对，进而判断患者的状态。

具体的，若接收到的患者呼吸气体的流量或压力达到触发阈值，则检测到患者的触发点，判断患者进入换气状态，若检测得到的呼吸气体的流量或压力达到撤换阈值，则检测到患者的撤换点，判断患者进入讲话状态。

或者，检测到患者的声音信号强度低于声音强度阈值，并且持续声音高于时长阈值，则判断患者进入换气状态，若检测到患者的声音强度高于声音强度阈值，则判断患者进入讲话状态；

或者，将接收到的体征信息数据不同组合作为输入，根据云端服务器的机器学习模型，判断患者的换气或讲话状态。

所述状态判断模块与自适应调整模块连接，能够将判断的患者的状态信息传输给自适应调整模块，所述自适应调整模块根据接收到的患者状态信息选择对应的工作模式，所述调节模块与控制模块连接，将对应工作模式下被调节后的工作参数传输给控制模块，控制模块接收传输的工作参数，然后控制呼吸机工作。

本实施例中，人在讲话的过程中，呼气是通过讲话将气体排出去的，换气是在讲话停顿时进行的。当判断患者处于讲话状态时，吸气触发的灵敏度应降低，防止错误吸气的发生。换气时，呼吸设备所提供的吸气相的时间应少于预设的时间阈值，防止过度充气。

如图3所示，患者由讲话状态变为换气状态时，需要经历三个阶段，即开始换气阶段、患者保持换气状态阶段和患者开始讲话阶段，患者由换气状态变为讲话状态时，需要经历三个阶段，即开始讲话、患者保持讲话、开始换气阶段，相应的，如图4所示，呼吸机进入讲话模式时，需要检测到患者开始讲话、检测保持患者讲话状态及检测患者开始换气状态，呼吸机进入换气模式时，需要检测患者开始换气、检测患者保持换气状态、检测患者开始讲话状态，如图2所示，本实施例的工作控制系统的工作方法为：数据接收模块接收采集的患者体征信息，并通过数据处理模块对体征信息数据进行处理，处理后的数据传输给调节模块，调节模块根据接收的数据选择合适的讲话模式和换气模式下的机器学习模型，并根据患者的体征信息利用迁移学习算法对机器学习模型进行调节，得到适合于患者的讲话模式下的工作参数和换气模式下的工作参数，即预测呼吸设备参数。

状态判断模块根据患者的体征信息和切换阈值获取模块得到的模式切换阈值来判断患者的状态，并将判断结果传输给自适应调节模块，自适应调整模块选择对应的工作模式，当自适应调整模块选择讲话工作模式时，控制模块将调节模块调节后的适合于患者的讲话模式下的工作参数输出，控制呼吸机按照讲话模式工作，当自适应调整模块选择换气工作模式时，控制模块将调节模块调节后的适合于患者的换气模式下的工作参数输出，控制呼吸机按照换气模式工作。

所述控制系统还能够实现患者吸气和呼气时呼吸机对应的吸气模式和呼气模式的切换。其工作原理与讲话模式和换气模式的工作原理相同，区别在于：

所述切换阈值获取模块根据患者的体征信息确定呼气模式和吸气模式下的触发阈值和撤换阈值，当数据处理模块上传的患者呼吸气体流量达到触发阈值时，则检测到患者的触发点，状态判断模块判断患者进入吸气状态，若患者的呼吸气体流量达到撤换阈值时，则检测到患者的撤换点，状态判断模块判断患者进入呼气状态。

所述调节模块根据患者的体征信息对预先设置的吸气模式和呼气模式的机器学习模型进行调节，得到适合于患者的吸气模式下的工作参数和呼气模式下的工作参数。

所述自适应调整模块根据接收到的患者状态信息选择对应的工作模式即选择吸气模式或呼气模式，所述调节模块与控制模块连接，将对应工作模式下被调节后的工作参数传输给控制模块，控制模块接收传输的工作参数，然后控制呼吸机工作。

如图6所示，患者呼气状态时，需要经历三个阶段，即患者开始呼气，患者保持呼气状态和患者开始吸气阶段，患者吸气状态时，需要经历三个阶段，即患者开始吸气、患者保持吸气状态和患者开始呼气，相应的，如图7所示，呼吸机的呼气模式需要检测患者开始呼气、检测患者保持呼气状态、检测患者开始吸气，呼吸机的吸气模式需要检测患者开始吸气、检测患者保持吸气状态、检测患者开始呼气。

如图5所示，控制系统的工作方法为：数据接收模块接收采集的患者体征信息，并通过数据处理模块对体征信息数据进行处理，处理后的数据传输给调节模块，调节模块根据接收的数据选择合适的吸气模式和呼气模式下的机器学习模型，并根据患者的体征信息利用迁移学习算法对机器学习模型进行调节，得到适合于患者的吸气模式下的工作参数和呼气模式下的工作参数，即预测呼吸设备参数。

状态判断模块根据患者的体征信息和调节模块得到的模式切换阈值来判断患者的状态，并将判断结果传输给自适应调节模块，自适应调整模块选择对应的工作模式，当自适应调整模块选择吸气工作模式时，控制模块将调节模块调节后的适合于患者的吸气模式下的工作参数输出，控制呼吸机按照吸气模式工作，当自适应调整模块选择呼气工作模式时，控制模块将调节模块调节后的适合于患者的呼气模式下的工作参数输出，控制呼吸机按照呼气模式工作。

所述状态判断模块还需要判断患者是处于讲话状态模式还是处于呼吸状态模式，

如图8所示，患者讲话状态时，包括患者开始讲话、患者保持讲话状态和患者结束讲话三个阶段，对应的患者呼吸状态时，包括患者结束讲话、患者保持呼吸状态和患者开始讲话三个阶段，因此本实施例的呼吸机工作时，通过采集患者嘴部的气体流速、流量及声音强度，利用实施例1的控制系统控制呼吸机在呼吸模式和讲话模式之间进行自动切换，如图9所示，当检测到患者结束讲话时，进入呼吸模式工作，检测患者保持呼吸状态，当检测到患者开始讲话时进入讲话模式工作，检测患者保持讲话状态，检测到患者结束讲话时，进入呼吸模式工作。

如图10所示，控制系统对呼吸状态和讲话状态的判断方法为：

步骤a：当状态判断模块接收到的患者嘴部气体的气体流速超过流速阈值时，可判断患者将要开始讲话。流速阈值为设定的模式切换阈值，通过切换阈值获取模块采用滤波法或迭代法或双峰法或大律法获得。

步骤b：当患者嘴部气体的气体流速超过流速阈值之后的第一时间间隔内，如果直接通过体征信息采集元件(气体流量传感器)检测得到的气体流量低于流量阈值，则判断患者进入讲话状态；

流量阈值为设定的模式切换阈值，通过切换阈值获取模块采用滤波法或迭代法或双峰法或大律法获得。

或者，当患者嘴部气体的气体流速超过流速阈值之后的第一时间间隔内，直接通过体征信息采集元件(气体流量传感器)检测得到的患者周围的气体流量曲线为脉冲状的，则可判断患者进入讲话状态；

本实施例中，状态判断模块采用差分方程法或Hankel矩阵法或相关分析法判断气体流量曲线是否为脉冲状。

或者，当状态判断模块接收到的患者嘴部气体的气体流速超过流速阈值之后的第一时间间隔内，直接通过体征信息采集元件(声音强度传感器)检测得到的声音强度与气体流量具有设定的函数关系，则判断患者进入讲话状态。

设定的函数关系预先置入状态判断模块中即可，本实施例中，状态判断模块采用相关性分析方法判断声音强度与气体流量波形是否相关即是否具有设定的函数关系。

所述第一时间间隔根据实际需求人为预先在状态判断模块中设置即可。

步骤c：患者进入讲话状态后，如果在讲话状态的第二时间间隔内，检测到患者嘴部周围的气体流量高于气体流量阈值，或者检测到患者的声音强度低于声音阈值，则可判断患者结束讲话，进入呼吸状态。否则判断为仍然保持讲话状态。

状态判断模块判断患者是处于呼吸状态还是讲话状态后，利用自适应调整模块选择对应的工作模式，当选择为讲话状态工作模式后，按照上述的方法对讲话模式和换气模式进行切换，当选择为呼吸状态工作模式后，按照上述的方法对呼气模式和吸气模式进行切换。

当检测到患者为睡眠模式时，控制系统对睡眠状态下的不同分期工作模式进行切换。

如图11所示，患者在睡眠状态下存在NREM四种状态和REM状态，患者上一个状态结束即进入下一个睡眠状态，相应的，如图12所示，呼吸机至少存在五种状态，NREM四种模式和REM模式。

如图13所示，工作方法为：

数据接收模块接收患者呼吸气体流量和压力，并通过数据处理模块对获取的数据进行预处理，根据切换阈值获取模块获取NREM模式和REM模式模式切换阈值，所述模式切换阈值包括呼吸频率阈值、潮气量阈值、心跳阈值、呼吸设备的触发阈值和撤换阈值等，检测患者的触发点。通

过状态判断模块判断患者进入的工作模式，调节模块根据数据接收模块获取的患者的体征信息对对应工作模式对应的工作参数进行调整，调节模块中预先置入有不同数据提取到的特征的不同组合，基于机器学习算法(包括但不限于Logistic回归、决策树、朴素贝叶斯、神经网络等)得到的机器学习模型，调节模块利用迁移学习算法对机器学习模型进行调节，得到适合于设定患者的呼吸机不同工作模式下的工作参数。迁移学习算法与上述迁移学习算法的原理相同，在此不进行重复叙述。

自适应调整模块根据状态判断模块判断的患者状态选择对应的工作模式，控制模块利用调节模块调整后的工作参数控制呼吸机按照对应的工作模式进行工作。

调节模块的工作原理与患者清醒状态下呼吸模式和讲话模式下调节模块的工作原理相同，在此不进行重复叙述。

当检测到患者为睡眠模式时，对睡眠状态下不同体位的工作模式进行切换，如图14所示，患者自身存在四种状态-仰躺、俯压、左侧身和右侧身状态，如图15所示，相应的，呼吸机至少存在四种工作模式，仰躺模式、俯压模式、左侧身模式和右侧身模式。

如图16所示，数据接收模块接收患者的体征信息，所述体征信息包括呼气气体流量、压力以及前胸、后背、左右臂的压力等，然后切换阈值获取模块根据采集得到的体征信息通过滤波法或迭代法或双峰法或大律法得到四种体位的模式切换阈值，所述模式切换阈值包括呼吸频率阈值、潮气量阈值和心跳阈值，体位通过摄像头进行识别。对数据接收模块接收的数据进行预处理，调节模块对不同数据提取到的特征的不同组合，基于机器学习算法(包括但不限于Logistic回归、决策树、朴素贝叶斯、神经网络等)得到不同体位下的机器学习模型，并进行存储，调节模块根据采集的患者体征信息对机器学习模型利用迁移学习算法进行调节，得到适配于设定患者的不同体位工作模式下的工作参数。

数据接收模块接收患者的流量、压力以及前胸、后背、左右臂的压力等体征信息并传送给状态判断模块，状态判断模块根据切换模式阈值和采集的体征信息判断患者的体位状态，并传送给自适应调整模块，自适应根据状态判断模块的判断结果选择对应的工作模式，控制模块根据调节模块调节后的对应的工作模式的工作参数控制呼吸机工作。

实施例2：

本实施例提供了一种呼吸机，设置有实施例1所述的呼吸机多模式工作控制系统，还包括体征信息采集元件，所述体征信息采集元件用于采集患者的体征信息，采用现有的测量设备和传感器即可，例如气体流量采用气体流量传感器、心率采用心率传感器、体温采用温度传感器等，采用现有元件即可，在此不进行详细叙述。

所述体征信息采集元件通过有线通信或无线网络通信与数据接收模块连接，能够将采集的数据传输给数据接收模块。

当采用有线通信时，采用并行通信或串行通信，当采用无线网络通信时，采用蓝牙通信或WiFi通信。

本实施例的呼吸机，能够自适应检测患者的状态，及时了解患者的状态，为患者提供合适的呼吸参数或为患者提供合理的治疗方案，可大大提高治疗体验和安全系数，提高患者的治疗效率与效果，并且解放大量的人力物力，增加呼吸机等呼吸设备对场景的适应性。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种呼吸机多模式工作控制系统，其特征在于，包括：

数据接收模块：被配置为接收采集的患者的体征信息；

调节模块：被配置为根据接收的患者的设定的体征信息调节每个工作模式下对应的工作参数；

状态判断模块：被配置为根据接收的患者的设定的体征信息和设定的模式切换阈值来判断患者的状态；

自适应调整模块：被配置为根据状态判断模块判断的患者状态选择对应的工作模式；

控制模块：被配置为根据自适应调整模块选择的工作模式，按照该工作模式被调节模块调节后的工作参数控制呼吸机工作；

所述调节模块根据患者的体征信息利用迁移学习算法对不同工作模式下预先设置的吸气模式和呼气模式的机器学习模型进行调节，得到适合于患者的吸气模式下的工作参数和呼气模式下的工作参数；

所述机器学习模型的获取方法为：根据受试者体征信息范围，分呈多个训练数据集，每个训练数据集均包括采集的受试者的体征信息及对应的呼吸机工作参数，基于机器学习算法利用训练数据集得到机器学习模型，机器学习模型能够基于采集的患者的体征信息预测对应的合适的呼吸机工作参数；

所述迁移学习算法的具体步骤为：将患者的体征信息与受试者的体征信息进行比较，利用核均值匹配算法，对训练数据集中的训练数据重新分配权重，将与患者的体征信息距离小的受试者的数据分配第一设定权重，与患者的体征信息距离大的受试者的数据分配第二设定权重，第一设定权重大于第二设定权重，根据确定的第一设定权重和第二设定权重重新对机器学习模型进行训练；

所述状态判断模块与自适应调整模块连接，能够将判断的患者的状态信息传输给自适应调整模块，所述自适应调整模块根据接收到的患者状态信息选择对应的工作模式，所述调节模块与控制模块连接，将对应工作模式下被调节后的工作参数传输给控制模块，控制模块接收传输的工作参数，然后控制呼吸机工作；

还包括模式切换阈值获取模块，被配置为根据接收的患者的设定的体征信息来确定模式切换阈值；

讲话模式和换气模式切换时，所述模式切换阈值包括触发阈值、撤换阈值、声音强度阈值和时长阈值，若接收到的患者呼吸气体的流量或压力达到触发阈值，则检测到患者的触发点，判断患者进入换气状态，若检测得到的呼吸气体的流量或压力达到撤换阈值，则检测到患者的撤换点，判断患者进入讲话状态，

或者，检测到患者的声音信号强度低于声音强度阈值，并且持续声音高于时长阈值，则判断患者进入换气状态，若检测到患者的声音强度高于声音强度阈值，则判断患者进入讲话状态；

吸气模式和呼气模式的切换时，模式切换阈值包括触发阈值和撤换阈值，当数据处理模块上传的患者呼吸气体流量达到触发阈值时，则检测到患者的触发点，状态判断模块判断患者进入吸气状态，若患者的呼吸气体流量达到撤换阈值时，则检测到患者的撤换点，状态判断模块判断患者进入呼气状态。

2.如权利要求1所述的一种呼吸机多模式工作控制系统，其特征在于，所述切换阈值获取模块根据设定的体征信息采用滤波法或迭代法或双峰法或大律法得到模式切换阈值。

3.如权利要求1所述的一种呼吸机多模式工作控制系统，其特征在于，所述机器学习算法采用神经网络算法或高斯过程回归算法或朴素贝叶斯算法或决策树算法。

4.如权利要求1所述的一种呼吸机多模式工作控制系统，其特征在于，还包括数据处理模块，用于对数据接收模块接收的体征信息数据进行预处理。

5.如权利要求4所述的一种呼吸机多模式工作控制系统，其特征在于，所述数据处理模块采用滤波法或去趋势法或傅里叶变换法或小波变换法对数据进行预处理。

6.一种呼吸机，其特征在于，设置有权利要求1-5任一项所述的呼吸机多模式工作控制系统，还包括体征信息采集元件，用于采集患者的体征信息。