CN114141333B - 基于自适应神经模糊推理的智能心肺复苏机力学控制系统 - Google Patents
基于自适应神经模糊推理的智能心肺复苏机力学控制系统 Download PDFInfo
- Publication number
- CN114141333B CN114141333B CN202111492984.6A CN202111492984A CN114141333B CN 114141333 B CN114141333 B CN 114141333B CN 202111492984 A CN202111492984 A CN 202111492984A CN 114141333 B CN114141333 B CN 114141333B
- Authority
- CN
- China
- Prior art keywords
- pressing
- detector
- execution unit
- self
- position information
- 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.)
- Active
Links
- 238000003825 pressing Methods 0.000 claims abstract description 74
- 238000007906 compression Methods 0.000 claims abstract description 22
- 238000002680 cardiopulmonary resuscitation Methods 0.000 claims abstract description 21
- 230000001537 neural effect Effects 0.000 claims abstract description 21
- 230000006835 compression Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 230000002612 cardiopulmonary effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 208000010496 Heart Arrest Diseases 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 description 1
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000003788 cerebral perfusion Effects 0.000 description 1
- 101150038956 cup-4 gene Proteins 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 208000014221 sudden cardiac arrest Diseases 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Physical Education & Sports Medicine (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Percussion Or Vibration Massage (AREA)
Abstract
本发明提供了一种基于自适应神经模糊推理的智能心肺复苏机力学控制系统,包括多个呈矩阵设置的检测器,每个检测器独立采集一按压执行单元对应的位置信息和压力信息;自适应神经模糊推理系统,接收各检测器采集的位置信息和压力信息,被配置为根据位置信息和压力信息确定按压执行单元的按压深度,以按压深度和压力信息为输入参数,利用自适应神经模糊推理确定各按压执行单元的输出力值调整信息;本发明能够动态调整按压模式以获得最佳按压力度,实现对胸外按压的力学控制,提高心肺复苏机的个人适用性,提升心肺复苏效果。
Description
技术领域
本发明属于目标识别技术领域,具体涉及一种基于自适应神经模糊推理的智能心肺复苏机力学控制系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
心脏骤停在世界范围内具有极高的死亡率。心脏骤停一旦发生,患者的重要器官会由于缺血缺氧造成不可逆的损害,如得不到及时抢救会有生命危险。因此,心脏骤停后实施高效、快速的心肺复苏极其关键。胸外按压是心肺复苏的核心步骤。传统的胸外按压依靠现场施救者的人工按压,不仅需要施救者具有较好的按压技能,而且需要消耗施救者大量体力,且由于长时间按压造成的施救者肌肉疲劳等,使得按压深浅、按压频率、按压力度等随着施救时间的延长出现很大的变化,无法保证按压的稳定、高效、和有效原则。因此,设计开发心肺复苏机械设备,通过仪器设备实现全自动胸外按压以提高心脏骤停患者的心脑灌注量和肺部的通气量已成为当前急救设备领域的重点。
目前,多数心肺复苏机采用机械化标准按压模式,在按压过程中仅对按压深度即按压端的位置进行监测和判断,对于实际施加于病人胸廓的力没有准确的检测和记录,缺乏力学层面的自我调节和状态判断能力。
发明内容
本发明为了解决上述问题,提出了一种基于自适应神经模糊推理的智能心肺复苏机力学控制系统,本发明可提供多点的按压深度记录,并准确测量按压过程中按压边缘处和中心处的实时力信号,基于所得的信号矩阵建立模糊控制及补偿算法,从而调整按压模式以获得最佳按压力度,实现对胸外按压的力学控制,提高心肺复苏机的个人适用性,提升心肺复苏效果。
根据一些实施例,本发明采用如下技术方案:
一种基于自适应神经模糊推理的智能心肺复苏机力学控制系统,包括:
多个呈矩阵设置的检测器,每个检测器独立采集一按压执行单元对应的位置信息和压力信息;
自适应神经模糊推理系统,接收各检测器采集的位置信息和压力信息,被配置为根据位置信息和压力信息确定按压执行单元的按压深度,以按压深度和压力信息为输入参数,利用自适应神经模糊推理确定各按压执行单元的输出力值调整信息。
作为可选择的实施方式,所述检测器为六维力学传感器。
作为可选择的实施方式,所述检测器为九个,呈3×3阵列排布,各检测器与按压执行单元的按压吸盘连接。
作为可选择的实施方式,所述自适应神经模糊推理系统被配置为当按压前,控制各按压执行单元的按压端或对应的检测器位于同一水平面上。
作为可选择的实施方式,所述自适应神经模糊推理系统被配置为执行按压后一段时间内,控制各按压执行单元的按压端或对应的检测器移动,以接触患者胸部,且相应的检测器检测到压力达到阈值时,控制对应的按压执行单元不再移动,使得各按压端或检测器与患者胸部外廓拟合,并记录此时各检测器的位置信息。
作为可选择的实施方式,所述自适应神经模糊推理系统包括五层结构,第一层节点的功能与模糊化过程中的隶属函数相同,第二层表示生成规则的激活程度,第三层表示根据相应规则的标准化激活度,第四层更新第三层各节点的输出,第五层为最终输出层。
作为可选择的实施方式,所述自适应神经模糊推理系统被配置为,根据各检测器采集的位置信息和压力信息,结合记录的各检测器的压力阈值,计算各检测器对应的按压力值差,以及各检测器相对于初始位置的距离差,将计算值作为输入参数,进行模糊控制,求解目标函数,利用梯度下降法和扩展卡尔曼滤波相结合的方法优化参数,选取中心平均值,确定补偿值,得到最终解。
作为可选择的实施方式,所述目标函数为期望力值和实际输出力值的差值的平方数最小化。
一种智能心肺复苏机,包括固定板,所述固定板上设置有多组按压执行单元,每个按压执行单元的按压端设置有检测器,每个按压执行单元由独立的驱动机构驱动;
还包括自适应神经模糊推理系统,接收各检测器采集的位置信息和压力信息,根据当前位置信息和和压力信息确定按压执行单元的按压深度,以按压深度和压力信息为输入参数,利用自适应神经模糊推理确定各按压执行单元的输出力值调整信息。
作为可选择的实施方式,所述位置信息为相应检测器距离固定板的距离。
与现有技术相比,本发明的有益效果为:
本发明采用按压力值作为按压的指导参数之一,改变了以往以深度作为指标的按压模式,对于指导不同身形患者的心肺复苏具有重要意义。该系统通过神经模糊推理系统调整参数,并能根据病人的生理参数动态调整,以此评估按压模式的适用性,提高心肺复苏机的控制精度,提升控制效果。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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为智能心肺复苏机的结构示意图;
图2为本实施例的控制流程示意图;
图3为本实施例的工作状态示意图;
图4为本实施例具体模糊控制流程示意图。
其中:1为电机,2为固定板,3为检测器,4为吸盘。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,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。
基于自适应神经模糊推理的智能心肺复苏机力学控制系统,首先包括控制部分和检测部分。
本实施例中,检测部分包括九个六维力/力矩传感器,呈3×3阵列排布,固定在固定板2上,各传感器与对应的按压执行机构(图中未详细画出)的按压吸盘4连接。固定板上侧面安装有电机1阵列,初始状态下各电机1位于起始位置,即各传感器则位于同一水平面上。在按压过程中,通过电机的运转改变传感器水平位置,以获得不同深度条件下的按压数据。
检测机构可同时测量多个点位的体表相对位置以及按压过程中的力实时信号。在其他实施例中,检测器的个数可以进行调整。
按压执行机构为现有设备,具体结构不再在本发明中赘述。
第二部分是对于控制部分---自适应神经模糊推理系统的设计,如图4所示。
首先是检测器阵列随按压头接触病人胸部,如图3所示。根据病人胸部外廓的不同,每个检测器最终所处的水平位置不同。在按压过程开始前,检测器下降接触病人胸部,达到压力阈值后停止下降,与病人的胸部外廓拟合,并记录此时位置信息,在按压开始后改变各检测器并位置采集力学数据,实时生产3×3力值矩阵和位置矩阵。
具体来说,第一阶段,按压开始后10秒的时间里,按压参数选择标准胸外按压频率,即100次/分钟,最大按压力度300N(上述参数在其他实施例中,可以根据具体情况进行调整),在此过程中,虽然各检测器竖直方向下降距离相同,但由于下降终止位置相对于人体的深度不同,所受的组织压力并不相同,总体上检测器下降的最终位置相对人体深度与所受组织压力呈近似正弦函数关系,记录每次按压过程中各检测器最深位置点即压力最大点力值矩阵为M{mk},记录初始参数条件下力值矩阵集合为FM0{M(t)},位置矩阵为D0{hk},其中k=1,2,3,4,5,6,7,8,9。
取所得力值矩阵FM0{M(t)}中的最大点力值矩阵M{mk}依次代入系统,定义ek为在使用300N按压力度下,k点检测器采集的数据值与实验所得标准值Fks的差量,记为x1=Fks-ek,x2=ed,即各检测器相对于固定板的垂直距离。
此系统调节器使用双输入模糊调节器,设定输入x1为第n点过程最大力,输入x2为检测器最深点相对于固定板的垂直距离,输出u采用模糊Sugeno模型系统,由以下四个规则组成:
Rule1:if x1 is A1 and x2 is B1 then u1=f1(x1,x2)=a1x1+b1x2+c1
Rule2:if x1 is A1 and x2 is B2 then u2=f2(x1,x2)=a2x1+b2x2+c2
Rule3:if x1 is A2 and x2 is B1 then u3=f3(x1,x2)=a3x1+b3x2+c3
Rule4:if x1 is A2 and x2 is B2 then u4=f4(x1,x2)=a4x1+b4x2+c4
系统包含以下五层结构:
第一层:该层节点的功能与模糊化过程中的隶属函数相同,即:
第二层:该层表示生成规则的激活程度。
第三层:该层表示根据第i条规则的标准化激活度。
第四层:
O4,i=O3,ifi(aie+biΔe+ci)vi (4)
其中vi是第3层节点i的输出,{ai,bi,ci}是更新集参数。
第五层:在这个层中,只有一个节点决定了整个输出,通过使用以下表达式:
我们为每个输入x1和x2关联两个模糊集,即N(负)和P(正)。μN和μp表示隶属度对变量席的预适应,关于模糊子集A和B,由以下成员函数定义:
设定yd和y分别是期望力值和系统的实际输出力值。通过最小化以下目标函数来调整结果参数:
e=yd-y (8)
另外,设φi为待调整参数的向量。利用梯度下降法和扩展卡尔曼滤波相结合的方法来寻找向量φ的参数a、b和c。写作:
由于不能计算,可以使用扩展的卡尔曼滤波方程:
φi(k+1)=φi(k)+K′ψie (12)
可识别为扩展卡尔曼滤波方程:
φi(k+1)=φi(k)+K(k)e (15)
定义K(k)e是卡尔曼增益:
其中H(k)是系统的观测矩阵,P(k)是误差的协方差估计矩阵,R(k)是过程噪声的协方差矩阵。
H(k)=(ψi)T,P(k)=λ1,R(k)=λ2,得
最后,结果参数φi的向量可通过以下关系进行调整:
φi(k+1)=φi(k)+K′(ψi)e (20)
通过取中心平均值,输出u值为:
通过使用:
zi=wi (22)
这两个操作,将补偿形式添加为:
式中ri∈(0,1)是补偿度,补偿神经模糊推理如下:
为简化,定义
考虑ANFIS二维数据向量x∈(e,Δe)以及一维输出数据向量u2。为了限制计算时间,我们通过最小化以下目标函数,对结果参数和补偿度进行了优化调整:
其中yd和y分别是输出系统的期望值和实际值。现在,作为更新参数的向量。我们的目标是确定向量φ2i,通过扩展卡尔曼滤波器,在每个采样周期将控制输入周围的输出线性化。这相当于写作
式中λ1和λ2是改变收敛速度的自适应增益。此外,为了消除约束γi重新定义γi如下:
其中pi和ri是更新参数,γi∈(0,1)。因此对于CANFIS,更新参数的向量表示为(φ2i)T=[ai,bi,ci,pi,ri,]。根据定义有:
最后,参数Φ2i的向量使用以下公式进行调整:
φ2i(k+1)=φ2i+K′(ψ2i)e (38)
对于调整后系统输出值uk,计算最终
其控制规则如下:
(1)当|uf|大于设定值时,说明此时装置实施的力与最适于病人的力差值较大,uf>0应大幅度增大力值以保证有效救治,uf<0应该停止按压并检查病人状态。
(2)当|uf|在设置范围内时,说明此时装置实施的力与最适于病人的力存在差距,uf>0应小幅度增大力值以保证有效救治,uf<0应该小幅度减小力值以保证有效救治。
(3)当|uf|小于预设值时,说明此时装置实施的力与最适于病人的力差值不大,应保持此力值。
当然,在其他实施例中,可以对上述实施例进行简单变形或参数调整。如,按压执行机构为4×4阵列排布。
如果有方案设置其他类型的生理参数基于自适应神经模糊推理指导按压,应视为同一发明。如果有方案简单修改检测器的外观构造,应当视为同一发明。如果有方案简单修改系统参数,应当视为同一发明。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、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数据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数据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数据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数据处理设备上,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。
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 (8)
1.一种基于自适应神经模糊推理的智能心肺复苏机力学控制系统,其特征是:包括:
多个呈矩阵设置的检测器,每个检测器独立采集一按压执行单元对应的位置信息和压力信息;
自适应神经模糊推理系统,接收各检测器采集的位置信息和压力信息,被配置为根据位置信息和压力信息确定按压执行单元的按压深度,以按压深度和压力信息为输入参数,利用自适应神经模糊推理确定各按压执行单元的输出力值调整信息;
所述检测器为九个,呈3×3阵列排布,各检测器与按压执行单元的按压吸盘连接;
所述自适应神经模糊推理系统被配置为,根据各检测器采集的位置信息和压力信息,结合记录的各检测器的压力阈值,计算各检测器对应的按压力值差,以及各检测器相对于初始位置的距离差,将计算值作为输入参数,进行模糊控制,求解目标函数,利用梯度下降法和扩展卡尔曼滤波相结合的方法优化参数,选取中心平均值,确定补偿值,得到最终解。
2.如权利要求1所述的一种基于自适应神经模糊推理的智能心肺复苏机力学控制系统,其特征是:所述检测器为六维力学传感器。
3.如权利要求1所述的一种基于自适应神经模糊推理的智能心肺复苏机力学控制系统,其特征是:所述自适应神经模糊推理系统被配置为当按压前,控制各按压执行单元的按压端或对应的检测器位于同一水平面上。
4.如权利要求1所述的一种基于自适应神经模糊推理的智能心肺复苏机力学控制系统,其特征是:所述自适应神经模糊推理系统被配置为执行按压后一段时间内,控制各按压执行单元的按压端或对应的检测器移动,以接触患者胸部,且相应的检测器检测到压力达到阈值时,控制对应的按压执行单元不再移动,使得各按压端或检测器与患者胸部外廓拟合,并记录此时各检测器的位置信息。
5.如权利要求1所述的一种基于自适应神经模糊推理的智能心肺复苏机力学控制系统,其特征是:所述自适应神经模糊推理系统包括五层结构,第一层节点的功能与模糊化过程中的隶属函数相同,第二层表示生成规则的激活程度,第三层表示根据相应规则的标准化激活度,第四层更新第三层各节点的输出,第五层为最终输出层。
6.如权利要求1所述的一种基于自适应神经模糊推理的智能心肺复苏机力学控制系统,其特征是:所述目标函数为期望力值和实际输出力值的差值的平方数最小化。
7.一种智能心肺复苏机,其特征是:包括固定板,所述固定板上设置有多组按压执行单元,每个按压执行单元的按压端设置有检测器,每个按压执行单元由独立的驱动机构驱动;
还包括自适应神经模糊推理系统,接收各检测器采集的位置信息和压力信息,根据当前位置信息和和压力信息确定按压执行单元的按压深度,以按压深度和压力信息为输入参数,利用自适应神经模糊推理确定各按压执行单元的输出力值调整信息;
所述检测器为九个,呈3×3阵列排布,各检测器与按压执行单元的按压吸盘连接;
所述自适应神经模糊推理系统被配置为,根据各检测器采集的位置信息和压力信息,结合记录的各检测器的压力阈值,计算各检测器对应的按压力值差,以及各检测器相对于初始位置的距离差,将计算值作为输入参数,进行模糊控制,求解目标函数,利用梯度下降法和扩展卡尔曼滤波相结合的方法优化参数,选取中心平均值,确定补偿值,得到最终解。
8.如权利要求7所述的一种智能心肺复苏机,其特征是:所述位置信息为相应检测器距离固定板的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492984.6A CN114141333B (zh) | 2021-12-08 | 2021-12-08 | 基于自适应神经模糊推理的智能心肺复苏机力学控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492984.6A CN114141333B (zh) | 2021-12-08 | 2021-12-08 | 基于自适应神经模糊推理的智能心肺复苏机力学控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114141333A CN114141333A (zh) | 2022-03-04 |
CN114141333B true CN114141333B (zh) | 2024-04-30 |
Family
ID=80385356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111492984.6A Active CN114141333B (zh) | 2021-12-08 | 2021-12-08 | 基于自适应神经模糊推理的智能心肺复苏机力学控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114141333B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020023993A (ko) * | 2001-12-31 | 2002-03-29 | 김수영 | 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법 |
CN108279565A (zh) * | 2017-12-06 | 2018-07-13 | 中国人民解放军军事医学科学院卫生装备研究所 | 可自适应调节胸外按压深度的闭环自动胸外按压控制系统 |
CN109102066A (zh) * | 2018-07-12 | 2018-12-28 | 山东师范大学 | 基于模糊推理的在线时序数据预测方法、系统及存储介质 |
CN110123616A (zh) * | 2019-06-27 | 2019-08-16 | 邹晓辉 | 一种医用救援心肺复苏机 |
EP3735954A1 (en) * | 2019-05-06 | 2020-11-11 | Koninklijke Philips N.V. | Cardiopulmonary resuscitation device, control method and computer program |
CN112107471A (zh) * | 2020-07-22 | 2020-12-22 | 吉林大学第一医院 | 一种基于自适应阻抗调整的心肺复苏机控制系统 |
CN113274279A (zh) * | 2021-06-09 | 2021-08-20 | 山东大学 | 一种胸腹联合心肺复苏装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015095729A1 (en) * | 2013-12-19 | 2015-06-25 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Automatic chest compression systems that incorporate biological feedback |
-
2021
- 2021-12-08 CN CN202111492984.6A patent/CN114141333B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020023993A (ko) * | 2001-12-31 | 2002-03-29 | 김수영 | 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법 |
CN108279565A (zh) * | 2017-12-06 | 2018-07-13 | 中国人民解放军军事医学科学院卫生装备研究所 | 可自适应调节胸外按压深度的闭环自动胸外按压控制系统 |
CN109102066A (zh) * | 2018-07-12 | 2018-12-28 | 山东师范大学 | 基于模糊推理的在线时序数据预测方法、系统及存储介质 |
EP3735954A1 (en) * | 2019-05-06 | 2020-11-11 | Koninklijke Philips N.V. | Cardiopulmonary resuscitation device, control method and computer program |
CN110123616A (zh) * | 2019-06-27 | 2019-08-16 | 邹晓辉 | 一种医用救援心肺复苏机 |
CN112107471A (zh) * | 2020-07-22 | 2020-12-22 | 吉林大学第一医院 | 一种基于自适应阻抗调整的心肺复苏机控制系统 |
CN113274279A (zh) * | 2021-06-09 | 2021-08-20 | 山东大学 | 一种胸腹联合心肺复苏装置 |
Non-Patent Citations (3)
Title |
---|
KALMAN-BASED STOCHASTIC GRADIENT METHOD WITH STOP CONDITION AND INSENSITIVITY TO CONDITIONING;VIVAK PATEL;2016society for industrial and applied mathematics;20161129;第26卷(第4期);2620–2648 * |
娄文忠.动态运物浓度测试方法与技术.北京理工大学出版社,2021,350. * |
师丽等.智能控制基础.机械工业出版社,2021,P146-147. * |
Also Published As
Publication number | Publication date |
---|---|
CN114141333A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107625627B (zh) | 一种心肺复苏辅助系统 | |
Fetanat et al. | A physiological control system for an implantable heart pump that accommodates for interpatient and intrapatient variations | |
KR102350790B1 (ko) | 생체 신호 감지 기능을 지닌 무선 음향 변환 시스템 | |
JP2007512043A (ja) | 胸部圧迫アーチファクトを除去するための生理学的信号処理への胸部速度の使用 | |
WO2014015300A1 (en) | Cardiac assist device with pulse wave analysis | |
CN111685992B (zh) | 一种心肺复苏反馈系统 | |
CN108279565A (zh) | 可自适应调节胸外按压深度的闭环自动胸外按压控制系统 | |
CN114141333B (zh) | 基于自适应神经模糊推理的智能心肺复苏机力学控制系统 | |
CN104274172A (zh) | 一种胸外按压深度的监测方法、系统和除颤仪 | |
CN112370742A (zh) | 机械臂的主动拖动方法、装置及上肢康复机器人 | |
CN112107471A (zh) | 一种基于自适应阻抗调整的心肺复苏机控制系统 | |
Shi | A novel design of fuzzy PID controllers for dual-sensor cardiac pacemaker systems | |
JP7325538B2 (ja) | 心肺機能蘇生デバイス、制御方法及びコンピュータプログラム | |
Shi | Advanced intelligent control of cardiac pacemaker systems using a fuzzy PID controller | |
JPH11169455A (ja) | 代用心臓の制御装置 | |
Qiu et al. | Exoskeleton active walking assistance control framework based on frequency adaptive dynamics movement primitives | |
CN116421457A (zh) | 一种基于无创预测冠状动脉灌注压的心肺复苏系统及方法 | |
CN115645735A (zh) | 一种人工心脏泵多目标生理控制方法、系统、装置及存储介质 | |
KR102520875B1 (ko) | 헬스케어 기능을 구비한 안락 의자 | |
JP7232351B2 (ja) | 心肺機能蘇生デバイス、制御方法及びコンピュータプログラム | |
Coskun et al. | Effect of filter selection on classification of extrasystole heart sounds via mobile devices | |
Liu et al. | A model-based fuzzy logic controller with Kalman filtering for tracking mean arterial pressure | |
KR102152274B1 (ko) | 생체 신호를 활용한 착용 로봇 제어 장치, 이의 방법 및 이 방법을 저장한 컴퓨터 판독 가능 저장 매체 | |
Kitamura | Left atrial pressure controller design for an artificial heart | |
CN116844709B (zh) | 心脏复苏机控制系统及方法 |
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 |