CN113990138A - 一种可指导胸外按压深度及频率的系统及方法 - Google Patents

Abstract

本发明公开了一种可指导胸外按压深度及频率的系统及方法，包括：数据采集模块、数据处理模块和提示模块；所述数据采集模块采集患者当前的心电信号和当前胸阻抗信号，以及实际按压深度信号和按压频率信号；所述数据处理模块接收数据采集模块采集的数据，将采集的心电信号和胸阻抗信号输入到训练完成的神经网络模型中，输出有效性最优的按压深度和按压频率；所述提示模块根据数据处理模块输出的有效性最优的按压深度和按压频率驱动提示模块发出提示声音，指导按压深度和按压频率，使得抢救者能够根据这四种参数准确且及时得知当前胸外按压质量，确保抢救者实施的胸外按压合格，避免所实施的胸外按压方法不正确，对患者身体甚至是生命造成的危害。

Description

一种可指导胸外按压深度及频率的系统及方法

技术领域

本发明涉及医疗急救技术领域，尤其涉及一种可指导胸外按压深度及频率的系统及方法。

背景技术

心脏骤停(cardiac arrest,CA)是指心脏泵功能衰竭，突然停止射血，造成循环停止而产生的以意识丧失、晕厥、大动脉搏动消失等一系列的症状和体征的疾病，是猝死的主要原因之一。该疾病发生后如得不到及时的抢救，4～6min后会造成患者大脑和其他重要器官的不可逆损害。因此，心脏骤停后及时有效的心肺复苏至关重要。

2015年国际心肺复苏指南指出，4min内成功被救者的存活率可高达32％，同时，心肺复苏指南推荐的按压深度为5～6cm，频率为100～120次/分。院内心脏骤停发生以后，经过专业培训的医师团队能够迅速给予基础生命支持和高级生命支持，从而挽救患者的生命。但大约70％～87.8％的患者为院外心脏骤停，缺乏专业培训的目击者很难做到及时且有效的心肺复苏，按压深度及频率都不能满足指南推荐的水平，反而会由于按压深度和按压频率等不正确而对患者身体造成其他伤害，如按压过深导致肋骨骨折等并发症的发生，或按压过浅导致无效按压等。

自动体外除颤器(AED)能够自动监测心率，在必要时通过电击让患者心跳恢复正常，可极大提高心脏骤停患者的存活率。考虑到其便携且易操作的优点，可指导非专业人员进行基础生命支持治疗。随着AED和心肺复苏术的普及，越来越多的非医务工作者开始具备使用AED和胸外按压技术的能力。然而，在施救人员使用AED进行胸外按压救助时，如何评估按压过程中的按压深度及频率是否有效是目前普及心肺复苏的重中之重。

现有专利CN201921324762.1提出一种全自动体外除颤仪训练机，通过增加心肺复苏手环与AED建立无线通讯，将按压深度和频率发送给主机，主机模拟处理模块分析处理后输出按压深度和频率正确与否的提示，学员根据主机的提示调整按压的频率和深度，直至按压频率和深度都符合要求。然而其所述心肺复苏手环与全自动体外除颤仪训练机的连接需要无线通讯，对于真实的心脏骤停发生时的紧急情况的应用并不合适，没有培训过的人员使用初体验效果欠佳，仅用于CRP的培训。

因此，在现有的AED的基础上，本发明提供了一种方便简洁的可指导胸外按压深度及频率的系统及方法，在保证AED基础性能不变的情况下，大幅度提高胸外按压的有效性。

发明内容

为解决上述现有技术的不足，本发明提供了一种可指导胸外按压深度及频率的系统及方法，在保证AED基础性能不变的情况下，指导抢救者对患者进行正确的胸外按压，大幅度提高胸外按压的有效性，同时实时监测患者的身体状态，为后续进一步治疗奠定良好的基础。

第一方面，本公开提供了一种可指导胸外按压深度及频率的系统：

一种可指导胸外按压深度及频率的系统，包括：数据采集模块、数据处理模块和提示模块；

所述数据采集模块采集患者当前的心电信号和当前胸阻抗信号，以及实际按压深度信号和按压频率信号；

所述数据处理模块接收数据采集模块采集的心电信号、胸阻抗信号、按压深度信号和按压频率信号，将心电信号和胸阻抗信号输入到训练完成的神经网络模型中，输出有效性最优的按压深度和按压频率；

所述提示模块根据数据处理模块输出的有效性最优的按压深度和按压频率驱动提示模块发出提示声音，指导按压深度和按压频率。

进一步的技术方案，所述数据采集模块包括心电信号及胸阻抗信号检测模块和按压深度信号及频率信号检测模块，分别采集患者在进行胸外按压时的心电信号及胸阻挡信号、按压深度信号及按压频率信号。

进一步的技术方案，所述按压深度信号及频率信号检测模块为传感器，对传感器采集到的信号进行二次积分，得到当前按压深度信号以及按压频率信号。

进一步的技术方案，所述训练神经网络模型的具体步骤为：

采集患者的心电信号和胸阻抗信号以及与所述心电信号和胸阻抗信号相对应的实际按压深度信号和按压频率信号，对采集的数据进行数据处理，构建神经网络的学习样本数据集；

将所述学习样本中的心电信号、胸阻抗信号、按压深度信号和按压频率信号输入神经网络中进行预测和决策，训练神经网络，得到训练完成的神经网络模型。

进一步的技术方案，所述神经网络模型的构建过程中，采集数据为正确实施心肺复苏按压过程中的数据。

进一步的技术方案，所述系统还包括显示模块，所述显示模块与所述数据处理模块连接，所述显示模块实时显示数据处理模块中的心电信号、实际按压深度和输出的有效性最优的按压深度。

进一步的技术方案，所述显示模块根据按压深度形成按压位移曲线，显示实时采集的按压深度形成的按压位移曲线。

进一步的技术方案，所述提示模块以有效性最优的按压频率相同的频率发出声音，指导施救者的按压频率。

进一步的技术方案，所述数据处理模块比较实际采集的按压频率和神经网络输出的有效性最优的按压频率，当实际按压频率大于有效性最优的按压频率时，提示模块发出“过快”的声音提醒，当实际按压频率小于有效性最优的按压频率时，提示模块发出“过慢”的声音提醒。

进一步的技术方案，所述数据处理模块比较实际采集的按压深度和神经网络输出的有效性最优的按压深度，当实际按压深度大于有效性最优的按压深度时，提示模块发出“过深”的声音提醒，当实际按压深度小于有效性最优的按压深度时，提示模块发出“过浅”的声音提醒。

进一步的技术方案，所述系统还包括存储模块，所述存储模块存储并记录抢救期间患者的心电信号、胸阻抗信号、按压深度和按压频率。

进一步的技术方案，所述系统还包括模拟模块，所述模拟模块调取所述存储模块中存储的心电信号、胸阻抗信号以及与所述心电信号和胸阻抗信号相对应的有效性最优的按压深度和按压频率，通过显示信号显示调取的心电信号和胸阻抗信号，进行模拟训练。

第二方面，本公开提供了一种可指导胸外按压深度及频率的方法，包括：

步骤S01：采集患者当前心电信号、当前胸阻抗信号、当前按压深度信号和当前按压频率信号。

步骤S02：将所述当前心电信号和所述当前胸阻抗信号输入训练完成的神经网络模型，输出有效性最优的按压深度信号和按压频率信号。

步骤S03：将获取的效果最优的按压深度信号和按压频率信号与实际按压深度和实际按压频率比较，根据比较结果，通过语音提示调整人工按压的深度和频率，指导人工按压过程。

进一步的技术方案，所述神经网络模型的训练过程包括：

采集患者的心电信号和胸阻抗信号以及与所述心电信号和胸阻抗信号相对应的实际按压深度信号和按压频率信号，对采集的数据进行数据处理，构建神经网络的学习样本数据集；

将所述学习样本中的心电信号、胸阻抗信号、按压深度信号和按压频率信号输入神经网络中进行预测和决策，训练神经网络，得到训练完成的神经网络模型。

以上一个或多个技术方案存在以下有益效果：

1、本公开提出了一种可指导胸外按压深度及频率的系统及方法，通过采集患者的当前心电信号和当前胸阻抗信号，以及当前按压深度信号和当前按压频率信号，经训练完成的神经网络模型，输出有效性最优的按压深度和按压频率，使得抢救者能够根据这四种参数准确且及时得知当前胸外按压质量，并确保抢救者实施的胸外按压合格，避免所实施的胸外按压方法不正确，对患者身体甚至是生命造成的危害。

2、本公开提出了一种可指导胸外按压深度及频率的系统及方法，基于获取的标准按压深度和按压频率信息，输出相应的提示信息，从而使抢救者能够专心进行救治，无需再关注显示屏的显示信息，直接根据听到的提示信息及时调整所实施的胸外按压，提高了对心脏病骤停患者救治的成功率。

3、本公开提出了一种可指导胸外按压深度及频率的系统及方法，在模拟人身上进行模拟训练，通过模拟模块调取存储模块中存储的心电信号、胸阻抗信号以及与所述心电信号和胸阻抗信号相对应的有效性最优的按压深度和按压频率，显示屏实时显示心电信号和胸阻抗信号，训练者根据显示的信息进行心肺复苏的操作，采集训练者在模拟人身上的按压深度和按压频率，进行模拟训练，给训练者身临其境的感觉。

附图说明

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

图1为本发明实施例一所述可指导胸外按压深度及频率的系统的结构示意图；

图2为本发明实施例二所述可指导胸外按压深度及频率的方法的流程图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在实际应用中，胸外按压的质量与按压深度、按压频率和胸廓的回弹程度等密切相关，在实际抢救中，必须要有足够的按压深度和按压频率，才能保持一定冠状动脉灌注压(Coronary Perfusion Pressure，CPP)，而CPP是目前预测患者能否恢复自主循环(ReturnOf Spontaneous Circulation，ROSC)最直接的指标。由此可见，在抢救心脏骤停患者过程中，对胸外按压有效性的评估显得尤为重要。

为此，考虑到自动体外除颤器(AED)便携且易操作的优势，本申请在现有的AED的基础上，提出了一种可指导胸外按压深度及频率的系统及方法，在保证AED基础性能不变的情况下，指导抢救者对患者进行正确的胸外按压，大幅度提高胸外按压的有效性，同时实时监测患者的身体状态，为后续进一步治疗奠定良好的基础。

实施例一

本实施例提供了一种可指导胸外按压深度及频率的系统：

如图1所示，一种可指导胸外按压深度及频率的系统，包括：数据采集模块、数据处理模块、模拟模块和显示模块。

数据采集模块采集患者当前的心电信号和当前胸阻抗信号。

在本实施例实际应用中，将AED的电极片放置在患者胸口相应位置后，为了评估抢救者对患者进行的胸外按压的按压质量，需要同步监测患者的心脏和血管内血流等变化情况，以便据此调整胸外按压的按压深度和按压频率，确保对患者实施正确且及时的心肺复苏。因此，本公开利用自动体外除颤器AED自动检测和采集在患者进行胸外按压时的心电信号和当前胸阻抗信号。

具体的，在该胸外按压过程中，采集患者的当前胸阻抗信号，以便了解胸外按压使患者胸腔的变化，以及患者心脏和血管内血流等变化情况；采集患者的当前心电信号，以检测患者当前状态。

所述数据采集模块还包括按压深度及频率检测模块，采集患者在进行胸外按压时的按压深度和按压频率。

在本实施例实际应用中，AED包括抗过敏粘贴带，所述抗过敏粘贴带采用最新型的抗过敏材料制成，局部粘贴能力强，且不会带来皮肤过敏等不良反应，可以十分融洽的贴合在心脏骤停患者的胸前，向下的冲击力不会造成抗过敏粘贴带的位移。

所述按压深度及频率检测模块包括传感器，该传感器贴放在抗过敏粘贴带上，将该传感器贴于患者胸骨中下三分之一处，以此保证救助者在按压过程中始终保持在正确的按压位置上。

所述传感器用于在胸外按压过程中，对采集到的第一信号进行二次积分，得到当前按压深度信号。

所述传感器具体可为加速度传感器，在对患者进行胸外按压过程中，由于抢救者的手掌是置于患者胸上进行的，随着抢救者的操作上下垂直移动，该过程中，可通过加速度传感器检测到按压的加速度信号，经积分运算后得到按压速度和按压深度，通过二次积分即可获得当前按压深度信号，在此基础上经过简单的数学运算，即可得到胸外按压频率，从而据此判断抢救者对患者的胸外按压是否合格。

在本实施例实际应用中，AED还包括按压冲击带，按压冲击带粘于传感器之上，具备吸汗及增加摩擦力的作用，可避免在炎热或按压时间过长的情况下造成的掌心出汗所导致的按压位移。

数据处理模块接收数据采集模块采集的按压过程中患者当前一定时间段内的心电信号、胸阻抗信号、按压深度和按压频率，将心电信号和胸阻抗信号输入到训练完成的神经网络模型中，输出最优的按压深度和按压频率。

所述训练神经网络模型的具体步骤为：

采集患者的心电信号和胸阻抗信号以及与所述心电信号和胸阻抗信号相对应的实际按压深度和按压频率，对采集的数据进行数据处理，构建神经网络的学习样本数据集；

将所述学习样本中的心电信号、胸阻抗信号、按压深度和按压频率输入神经网络中进行预测和决策，训练神经网络，得到训练完成的神经网络模型。

所述神经网络模型的构建过程中，采集数据为正确实施心肺复苏按压过程中的数据。

所述数据处理的过程为将采集的心电信号和胸阻抗信号以及与这两种信号相对应的按压深度和按压频率按照一定的时间长度分为若干个片段。

在本实施例中，施救者对患者进行心肺复苏的全部时间为T，按时间长度t将整个心肺复苏的过程分为若干个片段，每个片段的心电信号、胸阻抗信号、按压深度和按压频率为一个学习样本数据，以此构建神经网络的学习样本数据集。

训练完成的神经网络能够根据输入的心电信号和胸阻抗信号输出有效性最优的按压深度和按压频率。

显示模块与数据处理模块连接，数据处理模块将采集的心电信号、按压深度和输出的有效性最优的按压深度传输至显示模块，由显示模块实时显示。

显示模块实时显示所述心电信号，施救者根据该心电信号指导施救者是否实施电除颤；

显示模块根据按压深度形成按压位移曲线，显示实时采集的按压深度形成的按压位移曲线。

在本实施例中，显示模块为AED的显示屏。将该显示屏扩大，实时显示心电信号的同时，实时显示实际的按压位移曲线。

提示模块与数据处理模块连接，根据数据处理模块输出的有效性最优的按压频率驱动提示模块按照相同的频率发出“嘀”的声音，指导施救者的按压频率。

进一步地，数据处理模块比较实际采集的按压深度和神经网络输出的有效性最优的按压深度，当实际按压深度大于有效性最优的按压深度时，提示模块发出“过深”的声音提醒，当实际按压深度小于有效性最优的按压深度时，提示模块发出“过浅”的声音提醒。

进一步地，数据处理模块比较实际采集的按压频率和神经网络输出的有效性最优的按压频率，当实际按压频率大于有效性最优的按压频率时，提示模块发出“过快”的声音提醒，当实际按压频率小于有效性最优的按压频率时，提示模块发出“过慢”的声音提醒。

由此可见，在本申请实际应用中，显示模块获得正在接受胸外按压救治的患者的心电信号、胸阻抗信号和按压深度信号并显示后，可基于获取的标准按压深度和按压频率信息，输出相应的提示信息，从而使抢救者能够专心进行救治，无需再关注AED的显示屏，直接根据听到的提示信息及时调整所实施的胸外按压即可，非常方便，且提高了对心脏病骤停患者救治的成功率。

存储模块与数据处理模块连接，存储并记录抢救期间患者的心电信号、胸阻抗信号、按压深度和按压频率。

进一步地，后续还可以对存储的心电信号进行分析，并对按压深度、按压频率和胸阻抗变化的相关性分析，为该患者的后续治疗提供参数数据，其中，具体分析过程可采用现有的软件实现，本实施对此不作具体限定。

所述可指导胸外按压深度及频率的系统还包括模拟模块。

模拟模块调取存储模块中存储的心电信号、胸阻抗信号以及与所述心电信号和胸阻抗信号相对应的有效性最优的按压深度和按压频率，通过显示信号显示调取的心电信号和胸阻抗信号，进行模拟训练。

在本实施例中，在模拟人身上进行模拟训练，通过模拟模块调取存储模块中存储的心电信号、胸阻抗信号以及与所述心电信号和胸阻抗信号相对应的有效性最优的按压深度和按压频率，AED显示屏实时显示心电信号和胸阻抗信号，训练者根据显示的信息进行心肺复苏的操作，采集训练者在模拟人身上的按压深度和按压频率，进行模拟训练，给训练者身临其境的感觉。

综上所述，本实施例通过在对患者进行胸外按压过程中，同时获取该患者的心电信号、胸阻抗信号、按压深度和按压频率信号，并在处理后通过显示模块在AED显示屏上显示，使得抢救者能够根据这四种参数准确且及时得知当前胸外按压质量，并确保抢救者实施的胸外按压合格，避免所实施的胸外按压方法不正确，对患者身体甚至是生命造成的危害。同时，在实际救治时，所述系统依托于现有的AED，操作简单，携带方便，使其具有更大的应用范围，尤其适用于院外CPR监测，保证了系统能够为操作者实施的胸外按压提供正确的指导，以提高抢救心脏骤停患者的成功率。

实施例二

本实施例提供了一种可指导胸外按压深度及频率的方法：

如图2所示，一种可指导胸外按压深度及频率的方法，该方法基于上述系统得以实施。本实施例提供的可指导胸外按压深度及频率的方法，包括：

步骤S01：采集患者当前心电信号、当前胸阻抗信号、当前按压深度信号和当前按压频率信号。

在本实施例中，将AED电极片贴在患者胸口的相应位置后，将抗过敏粘贴带粘贴在患者的胸前，在抗过敏粘贴带上，将传感器贴于患者胸骨中下三分之一处，再将按压冲击带粘贴于传感器之上，避免在炎热或按压时间过长的情况下造成的掌心出汗所导致的按压位移。

根据AED显示屏显示的患者当前的心电信号和胸阻抗信号进行胸外按压，在胸外按压过程中，获取所述患者的当前心电信号、当前胸阻抗信号、当前按压深度信号和当前按压频率信号。

基于上述分析得知，现有的AED和传感器可获得患者的当前心电信号、当前胸阻抗信号、当前按压深度信号和当前按压频率信号，具体过程可参照上述实施例一对应部分的描述，本实施在此不再赘述。

步骤S02：将所述当前心电信号和所述当前胸阻抗信号输入训练完成的神经网络模型，输出有效性最优的按压深度信号和按压频率信号。

其中，对所述当前心电信号、所述当前胸阻抗信号以及所述当前按压深度信号、所述当前按压频率信号的处理过程可参照上述实施例一对应部分的描述，本实施例在此不再赘述。

具体地，所述神经网络模型的训练过程包括：

采集患者的心电信号和胸阻抗信号以及与所述心电信号和胸阻抗信号相对应的实际按压深度信号和按压频率信号，对采集的数据进行数据处理，构建神经网络的学习样本数据集；

将所述学习样本中的心电信号、胸阻抗信号、按压深度信号和按压频率信号输入神经网络中进行预测和决策，训练神经网络，得到训练完成的神经网络模型。

其中，上述神经网络模型训练过程中所采集的数据为正确实施心肺复苏按压过程中的数据。

步骤S03：将获取的效果最优的按压深度信号和按压频率信号与实际按压深度和实际按压频率比较，根据比较结果，通过语音提示调整人工按压的深度和频率，指导人工按压过程。

其中，上述比较过程以及语音提示过程可参照上述实施例一对应部分的描述，本实施例在此不再赘述。

综上所述，本实施例通过在对患者进行胸外按压过程中，同时获取该患者的心电信号、胸阻抗信号、按压深度和按压频率信号，并在处理后通过显示模块在AED显示屏上显示，使得抢救者能够根据这四种参数准确且及时得知当前胸外按压质量，并确保抢救者实施的胸外按压合格，避免所实施的胸外按压方法不正确，对患者身体甚至是生命造成的危害。同时，在实际救治时，所述系统依托于现有的AED，操作简单，携带方便，使其具有更大的应用范围，尤其适用于院外CPR监测，保证了系统能够为操作者实施的胸外按压提供正确的指导，保证胸外按压质量，达到心肺复苏的目的，以提高抢救心脏骤停患者的成功率，为患者的进一步治疗争取了时间，避免了盲目进行胸外按压，对患者身体造成的伤害。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

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 (10)

1.一种可指导胸外按压深度及频率的系统，其特征是，包括：数据采集模块、数据处理模块和提示模块；

所述数据采集模块采集患者当前的心电信号和当前胸阻抗信号，以及实际按压深度信号和按压频率信号；

所述数据处理模块接收数据采集模块采集的心电信号、胸阻抗信号、按压深度信号和按压频率信号，将心电信号和胸阻抗信号输入到训练完成的神经网络模型中，输出有效性最优的按压深度和按压频率；

所述提示模块根据数据处理模块输出的有效性最优的按压深度和按压频率驱动提示模块发出提示声音，指导按压深度和按压频率。

2.如权利要求1所述的一种可指导胸外按压深度及频率的系统，其特征是，所述数据采集模块包括心电信号及胸阻抗信号检测模块和按压深度信号及频率信号检测模块，分别采集患者在进行胸外按压时的心电信号及胸阻挡信号、按压深度信号及按压频率信号；

所述按压深度信号及频率信号检测模块为传感器，对传感器采集到的信号进行二次积分，得到当前按压深度信号以及按压频率信号。

3.如权利要求1所述的一种可指导胸外按压深度及频率的系统，其特征是，所述训练神经网络模型的具体步骤为：

采集患者的心电信号和胸阻抗信号以及与所述心电信号和胸阻抗信号相对应的实际按压深度信号和按压频率信号，对采集的数据进行数据处理，构建神经网络的学习样本数据集；

将所述学习样本中的心电信号、胸阻抗信号、按压深度信号和按压频率信号输入神经网络中进行预测和决策，训练神经网络，得到训练完成的神经网络模型。

4.如权利要求3所述的一种可指导胸外按压深度及频率的系统，其特征是，所述神经网络模型的构建过程中，采集数据为正确实施心肺复苏按压过程中的数据。

5.如权利要求1所述的一种可指导胸外按压深度及频率的系统，其特征是，所述数据处理模块比较实际采集的按压频率和神经网络输出的有效性最优的按压频率，当实际按压频率大于有效性最优的按压频率时，提示模块发出“过快”的声音提醒，当实际按压频率小于有效性最优的按压频率时，提示模块发出“过慢”的声音提醒。

6.如权利要求1所述的一种可指导胸外按压深度及频率的系统，其特征是，所述数据处理模块比较实际采集的按压深度和神经网络输出的有效性最优的按压深度，当实际按压深度大于有效性最优的按压深度时，提示模块发出“过深”的声音提醒，当实际按压深度小于有效性最优的按压深度时，提示模块发出“过浅”的声音提醒。

7.如权利要求1所述的一种可指导胸外按压深度及频率的系统，其特征是，所述系统还包括显示模块，所述显示模块与所述数据处理模块连接，所述显示模块实时显示数据处理模块中的心电信号、实际按压深度和输出的有效性最优的按压深度。

8.如权利要求1所述的一种可指导胸外按压深度及频率的系统，其特征是，所述系统还包括模拟模块，所述模拟模块调取存储模块中存储的心电信号、胸阻抗信号以及与所述心电信号和胸阻抗信号相对应的有效性最优的按压深度和按压频率，通过显示信号显示调取的心电信号和胸阻抗信号，进行模拟训练。

9.一种可指导胸外按压深度及频率的方法，其特征是，包括：

步骤S01：采集患者当前心电信号、当前胸阻抗信号、当前按压深度信号和当前按压频率信号。

步骤S02：将所述当前心电信号和所述当前胸阻抗信号输入训练完成的神经网络模型，输出有效性最优的按压深度信号和按压频率信号。

步骤S03：将获取的效果最优的按压深度信号和按压频率信号与实际按压深度和实际按压频率比较，根据比较结果，通过语音提示调整人工按压的深度和频率，指导人工按压过程。

10.如权利要求9所述的一种可指导胸外按压深度及频率的方法，其特征是，所述神经网络模型的训练过程包括：

采集患者的心电信号和胸阻抗信号以及与所述心电信号和胸阻抗信号相对应的实际按压深度信号和按压频率信号，对采集的数据进行数据处理，构建神经网络的学习样本数据集；

将所述学习样本中的心电信号、胸阻抗信号、按压深度信号和按压频率信号输入神经网络中进行预测和决策，训练神经网络，得到训练完成的神经网络模型。

Images