CN114588427B - 一种自动分析调节吸入补偿量的电动雾化吸入器 - Google Patents

一种自动分析调节吸入补偿量的电动雾化吸入器 Download PDF

Info

Publication number
CN114588427B
CN114588427B CN202210294368.8A CN202210294368A CN114588427B CN 114588427 B CN114588427 B CN 114588427B CN 202210294368 A CN202210294368 A CN 202210294368A CN 114588427 B CN114588427 B CN 114588427B
Authority
CN
China
Prior art keywords
patient
rate
treatment
determining
time
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
Application number
CN202210294368.8A
Other languages
English (en)
Other versions
CN114588427A (zh
Inventor
吴健
罗洪燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan Herbaceous Atomization Biotechnology Co ltd
Original Assignee
Hainan Herbaceous Atomization Biotechnology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hainan Herbaceous Atomization Biotechnology Co ltd filed Critical Hainan Herbaceous Atomization Biotechnology Co ltd
Priority to CN202210294368.8A priority Critical patent/CN114588427B/zh
Publication of CN114588427A publication Critical patent/CN114588427A/zh
Application granted granted Critical
Publication of CN114588427B publication Critical patent/CN114588427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M11/00—Sprayers or atomisers specially adapted for therapeutic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M31/00—Devices for introducing or retaining media, e.g. remedies, in cavities of the body
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers
    • A61M2205/52—General characteristics of the apparatus with microprocessors or computers with memories providing a history of measured variating parameters of apparatus or patient
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2210/00—Anatomical parts of the body
    • A61M2210/10—Trunk
    • A61M2210/1025—Respiratory system
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Anesthesiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Hematology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Medicinal Preparation (AREA)

Abstract

本发明涉及电动雾化吸入器技术领域，具体涉及一种自动分析调节吸入补偿量的电动雾化吸入器，可实现：结合每个患者在治疗时的各呼吸时间比和各呼吸停留时间，确定每个患者的各可接受的受药率，进而确定每个患者的受药适应能力评级；结合每个受药适应能力评级中的每个患者的医护人员设定的等效雾化速率、每个患者的上次雾化速率和受药适应能力评级的群体雾化速率，从而确定每个患者所属的典型程度，最终确定每个患者的离线动态混合估计值；训练预测神经网络，实时对呼吸过程进行识别，并得到患者此时的动态混合估计值，下次患者使用时，基于电动雾化吸入器的识别结果，进行动态的吸入量调整。本发明可以有效确定患者治疗过程中的药物吸入量。

Description

一种自动分析调节吸入补偿量的电动雾化吸入器
技术领域
本发明涉及医疗设备技术领域，具体涉及一种自动分析调节吸入补偿量的电动雾化吸入器。
背景技术
雾化机是将试液进行雾化的设备。在医疗中，雾化机能把药物变成细微的雾状，雾化吸入治疗是呼吸系统疾病治疗方法中一种重要和有效的治疗方法，采用雾化吸入器将药液雾化成微小颗粒，药物通过呼吸吸入的方式进入呼吸道和肺部沉积，从而达到无痛、迅速有效治疗的目的。但是在这一治疗过程中，患者因某种具有刺激性的药物可能发生呼吸的不适感，而这种不适感无法直接通过传感器获取，因此需要一种自动分析调节吸入补偿量的电动雾化吸入器，以确定患者治疗过程中合适的药物吸入量。
发明内容
本发明的目的在于提供一种自动分析调节吸入补偿量的电动雾化吸入器，用于解决如何确定患者治疗过程中合适的药物吸入量的问题。
为解决上述技术问题，本发明提供了一种自动分析调节吸入补偿量的电动雾化吸入器，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现如下方法：
获取每个患者在治疗时的各呼吸时间比和各呼吸停留时间，并根据每个患者在治疗时的各呼吸时间比和各呼吸停留时间，确定每个患者在治疗时的各可接受的受药率；
根据每个患者在治疗时的各呼吸停留时间和各可接受的受药率，确定每个患者的受药适应能力评级；
获取每个受药适应能力评级中的每个患者在治疗时的医护人员设定的等效雾化速率，从而确定每个患者所属的典型雾化速率；
获取每个患者的上次雾化速率以及每个患者对应的受药适应能力评级的群体雾化速率，从而确定每个患者所属的典型程度；
根据每个患者所属的典型雾化速率、典型程度以及每个患者的上次雾化速率，确定每个患者的保守雾化速率；
根据每个患者在治疗时的各呼吸停留时间，确定每个患者的适应能力指标值，进而结合每个患者所属的典型雾化速率以及每个患者的保守雾化速率，确定每个患者的离线动态混合估计值；
训练预测神经网络，实时对呼吸过程进行识别，并得到患者此时的动态混合估计值，下次患者使用时，基于电动雾化吸入器的识别结果，进行动态的吸入量调整。
进一步的，确定每个患者在治疗时的各可接受的受药率对应的计算公式为：
Figure BDA0003561353560000021
/>
其中，U为每个患者在治疗时的可接受的受药率，Rafter为每个患者在治疗时的呼吸时间比，T为每个患者在治疗时的对应的呼吸停留时间。
进一步的，确定每个患者的受药适应能力评级的步骤包括：
根据每个患者在治疗时的各呼吸停留时间，确定每个患者在治疗时的代表呼吸停留时间；
根据每个患者在治疗时的代表呼吸停留时间和各可接受的受药率，确定每个患者的基本适应能力分数；
根据每个患者的基本适应能力分数，构建直方图，从而确定每个患者的受药适应能力评级。
进一步的，确定每个患者在治疗时的代表呼吸停留时间的步骤包括：
根据每个患者在治疗时的各呼吸停留时间，确定每个患者在治疗时的前设定时间段内的前设定比例的各呼吸停留时间，进而计算每个患者在治疗时的前设定时间段内的前设定比例的各呼吸停留时间的均值；
根据每个患者在治疗时的前设定时间段内的前设定比例的各呼吸停留时间的均值以及每个患者在治疗时的各可接受的受药率，确定每个患者在治疗时的代表呼吸停留时间。
进一步的，确定每个患者所属的典型雾化速率的步骤包括：
根据每个受药适应能力评级中的每个患者在治疗时的医护人员设定的等效雾化速率，计算每个受药适应能力评级中的所有的医护人员设定的等效雾化速率的均值，从而得到每个患者所属的典型雾化速率。
进一步的，确定每个患者所属的典型程度对应的计算公式为：
Figure BDA0003561353560000022
其中，βX为每个患者所属的典型程度，
Figure BDA0003561353560000023
为每个患者的上次雾化速率，/>
Figure BDA0003561353560000024
为每个患者对应的受药适应能力评级的群体雾化速率，abs()为求绝对值函数。
进一步的，确定每个患者的保守雾化速率对应的计算公式为：
Figure BDA0003561353560000025
其中，
Figure BDA0003561353560000026
为每个患者的保守雾化速率，βX为每个患者所属的典型程度，VG为每个患者所属的典型雾化速率，/>
Figure BDA0003561353560000027
为每个患者的上次雾化速率，min()为取最小值函数。
进一步的，确定每个患者的适应能力指标值的步骤包括：
根据每个患者在治疗时的各呼吸停留时间，确定每个患者在上一设定次数次的呼吸停留时间的范围以及在当前设定次数次的呼吸停留时间的范围；
根据每个患者在上一设定次数次的呼吸停留时间的范围以及在当前设定次数次的呼吸停留时间的范围，确定每个患者的适应能力指标值。
进一步的，确定每个患者的离线动态混合估计值对应的计算公式为：
Figure BDA0003561353560000031
其中，
Figure BDA0003561353560000032
为每个患者的离线动态混合估计值，W为每个患者的适应能力指标值，VG为每个患者所属的典型雾化速率，/>
Figure BDA0003561353560000033
为每个患者的保守雾化速率。
本发明具有如下有益效果：通过结合每个患者在治疗时的各呼吸时间比和各呼吸停留时间，确定每个患者在治疗时的各可接受的受药率，进而确定每个患者的受药适应能力评级；结合每个受药适应能力评级中的每个患者在治疗时的医护人员设定的等效雾化速率，从而确定每个患者所属的典型雾化速率，结合每个患者的上次雾化速率以及每个患者对应的受药适应能力评级的群体雾化速率，从而确定每个患者所属的典型程度，从而确定每个患者的保守雾化速率，最终确定每个患者的离线动态混合估计值；训练预测神经网络，实时对呼吸过程的进行识别，并得到患者此时的动态混合估计值，下次患者使用时，基于电动雾化吸入器的识别结果，进行动态的吸入量调整。本发明可以有效确定患者治疗过程中的药物吸入量，有效缓解了患者的不适感。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明的自动分析调节吸入补偿量的电动雾化吸入器对应的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种自动分析调节吸入补偿量的电动雾化吸入器，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令，以实现一种自动分析调节吸入补偿量的方法，该方法对应的流程如图1所示，包括以下步骤：
(1)获取每个患者在治疗时的各呼吸时间比和各呼吸停留时间，并根据每个患者在治疗时的各呼吸时间比和各呼吸停留时间，确定每个患者在治疗时的各可接受的受药率。
首先，通过雾化吸入器获取患者的呼吸时间比R：
呼吸时间比是通过分析患者每次呼吸周期中吸气时间和呼气时间之比来得到的。为了得到呼吸时间比，需要电动雾化吸入器能够分析患者的呼吸周期，并基于呼吸周期进一步分析气流所占该周期内的时间。得到呼吸周期的数据的方法是现有技术手段，故不再赘述。
首先假设得到了一个患者的一个呼吸周期下的吸气时间Txi和呼气时间Thu，基于两者的比值可以得到呼吸时间比：
Figure BDA0003561353560000041
其中，呼吸时间比R的比值会处于1附近，当患者在吸药过程中发生紧张等不适感觉时，生物的本能会导致患者吸气时间更长，而呼气时间不会有大幅的变化。因此R>1时，R越大则认为患者的紧张程度较高。
为了更精确地确定患者的紧张与不适感，R的采集分为两个阶段：首先打开吸入器，吸入器仅雾化纯水，而非含有药剂的溶剂。记录一段时间的患者呼吸周期下的给药前呼吸比Rbefore。然后通过电动装置或手动方式混合药剂到纯水水箱中，从而继续采集患者吸药时的呼吸比Rafter。
本实施例中，给药前的呼吸比测量周期为120次，可以保证患者对吸入去的雾气产生适应，从而在后期分析中得到更准确的基准表征。测量给药前呼吸比Rbefore时，实施者应单独判断何时开始记录信息，以患者适应一段时间后为宜，从而保证给药前呼吸比Rbefore的数值噪声较低。本实施例中，给药后的呼吸测量周期不做限制，电动雾化吸入器围绕给药前后的数据进行实时调整。
至此，通过上述过程，每个患者治疗时都可以采集到该患者的所有呼吸比的记录R。
其次，还需要采集患者的呼吸停留时间T：
患者呼吸停留时间T是一个呼吸周期中，患者吸入雾化气体后保持少量的吸气和呼气的时间，即一种雾化药物较为有效地停留在肺部的过程的时间。为了得到呼吸停留时间T，需要基于呼吸的气流流速和呼吸周期状态来联合判断，具体地，需要基于分析呼吸数据的结果进行判断：实施者设定呼吸流速阈值，患者吸气后，等待流速下降至阈值范围内，直到呼气速度高于阈值范围。上述时间能够体现患者保证药物进入呼吸道，实现肺部沉积的时长。
至此，该过程联合采集呼吸时间比的记录R的过程，一同采集每个患者治疗时的呼吸停留时间T。
基于一个病患在给药后的呼吸过程的记录，可以得到各个时刻可接受的受药率，对应的计算公式为：
Figure BDA0003561353560000051
其中，U为每个患者在治疗时的可接受的受药率，Rafter为每个患者在治疗时的呼吸时间比，T为每个患者在治疗时的对应的呼吸停留时间。
根据上述的可接受的受药率的计算公式可知，U取决于患者当时一次呼吸周期时，上次呼吸周期结束后到该次呼吸周期开始过程中，T的时长，当T较长时，说明患者配合度高，故视为患者能够接受的受药率可能较高。U还取决于Rafter，Rafter>1时，R越大则认为患者的紧张程度较高，从而导致吸气过程变缓，从而体现出患者不能够很好接受药物下次在肺部沉积的情况。
因此，U结合肺部药物沉积的时间长度和吸气相对于呼气的时间比值联合估计患者在吸入时对药物的可接受的受药率。当U较大时，T较长且Rafter不会过大，能够体现患者能够接受的情况。当U较小时，T不会很长，且Rafter较大，能够体现患者呼吸较为谨慎，同时肺部沉积时间不长。
通过积累前期病患数据，可以得到较大的样本数，从而基于机器学习方法来实现患者呼吸行为的识别，并给予行为下的速率估计和调控。
(2)根据每个患者在治疗时的各呼吸停留时间T和各可接受的受药率，确定每个患者的受药适应能力评级。
对每个患者进行受药适应能力的评级，从而确定雾化参数的调节范围，具体实现过程包括：对于病患的给药前呼吸比Rbefore的数据，可以构建患者的基准呼吸比Rbase。其中，
Figure BDA0003561353560000052
基准呼吸比Rbase基于每个给药前呼吸比/>
Figure BDA0003561353560000053
进行求平均值而得到。病患的基准呼吸比可以体现该患者和其余患者数据的呼吸行为程度上的典型差异。
由于病患的给药前呼吸比Rbefore可以体现病患的基础吸入效果，Rafter可以体现患者实际吸入过程中的吸入效果；在吸入过程中可接受的受药率U的变化情况亦能够体现患者适应药物能力和实际接受药物的能力。因此，有患者的基本适应能力分数S：
由于电动雾化吸入器需要学习患者的行为，患者吸药的吸入过程的前5min的数据能够代表患者适应的过程，因此在此期间对历史患者数据和正在使用的患者数据都进行如下的分析，有患者的基本适应能力分数：
Figure BDA0003561353560000054
其中，
Figure BDA0003561353560000061
为患者在吸药过程中前5min过程的前10％的呼吸停留时间T的均值，代表患者在整个吸入过程中能达到的最大的停留时间，停留时间越大，患者接受的药物在肺部的能力越强，患者的肺部情况越好。
患者的肺部情况指的是患者支气管的敏感情况，吸入药液浓度较高的情况下，患者肺内粘膜受损，对药物刺激更加敏感，当药液浓度过高情况下，还可使咽喉部受到刺激,，导致呛咳等现象。
当支气管有炎症时，患者为了配合雾化治疗会尽可能减少自身的呼吸停留时间从而防止呛咳，因为患者无法在雾化浓度较大的情况下接受药物长时间停留。
基于患者历史数据中S的分布，使用直方图方法对患者接受能力进行分级，当一个患者可接受的受药率U较高且整个过程中能达到的停留时间较长，则认为该患者能够较好地吸收药物。反之，任何情况都意味着患者更容易不适。
构建一个直方图，实施者根据实际情况确定直方图的bin数量(等级数量)，本实施例中，bin数量为7。当一个患者完成一次治疗后，对当前患者进行建档，后期基于该数据进行自学习和自动调节。至此，每次都可以基于患者的治疗数据进行前期的适应能力的评级K，K为分级索引(1～7)。
基于不同评级的患者，对每个级别的患者确定等效雾化速率的调整范围和基础偏置，具体实现过程如下：
(3)获取每个受药适应能力评级中的每个患者在治疗时的医护人员设定的等效雾化速率，从而确定每个患者所属的典型雾化速率。
首先，由于每次治疗过程中，医护人员都会为患者设置合适的雾化速率，由于每个雾化机的调节参数有区别，本实施例采用占空比的方式，对雾化器的挡位进行等效转换，从而得到等效物化速率V，V的取值范围在[0,1]，代表0～100％的占空比。
基于每个bin计算当前bin的雾化速率V的典型值VG，以第K个bin为例，VG＝Mean(VX)，其中VX为某患者首次使用时，医护人员设定的雾化速率的等效雾化速率。VG代表了当前级别的患者群体基于医学经验能够承受的雾化速率。
获取每个患者的上次雾化速率以及每个患者对应的受药适应能力评级的群体雾化速率，从而确定每个患者所属的典型程度，具体实现过程如下：
(4)获取每个患者的上次雾化速率以及每个患者对应的受药适应能力评级的群体雾化速率，从而确定每个患者所属的典型程度。
由于每个患者在bin内的分布并不是完全合适，因此计算话只能何在当前患者在当前等级内，而不能计算当前患者的具体雾化速率。首先确定当前患者在当前分级的患者群体中的典型程度β，当前讨论患者的上次雾化速率为VQX，此时βX＝Σabs(VQX-VQi)。
基于上述计算方式，确定等级内群体中每个患者的β，从而得到每个患者的β，此时的β越大，认为患者越确切代表该等级下的典型患者。对群体内的所有患者的β进行极差标准化，保证当前群体下的患者β不超过1。然后对所有患者的β进行如下处理：βX＝1-βX。
至此，得到了患者的雾化速率相对于当前级别下患者所接受的物化速率的典型程度。此处VQX为当前患者的上次雾化速率，VQi为当前级别的患者群体中的雾化速率。
(5)根据每个患者所属的典型雾化速率、典型程度以及每个患者的上次雾化速率，确定每个患者的保守雾化速率。
基于患者个体雾化速率相对群体的雾化速率可以得知当前患者相对于该群体的差异程度，基于雾化速率VG，确定该患者的保守雾化速率
Figure BDA0003561353560000071
此处保守雾化速率以不超过VQX为准，从而使得患者的体验过程中的雾化速率基于群体的雾化速率而降低，从而缓解人工判断的较高速率导致患者长期忍耐不适感的问题。
当患者的典型程度越大，则保守雾化速率
Figure BDA0003561353560000072
越接近患者群体的典型速率VG，反之雾化速率/>
Figure BDA0003561353560000073
越接近患者上次的雾化速率。此处假设患者上次雾化速率是能够完成整个治疗过程的速率，实施者应结合管理经验对患者的上次雾化速率进行记录，简易的方法是：记录患者反馈后调小后的速率值，或科室针对患者情况保守估计雾化速率。此处的保守物化速率并不会直接作为患者的实际速率，但本实施例会基于该速率进行实时调节，从而适时地根据患者的不适体验进行调节。
基于患者适应能力，训练BP深度神经网络，并基于患者实时调整能力确定患者所能接受实时雾化速率，具体实现过程如下：
(6)根据每个患者在治疗时的各呼吸停留时间，确定每个患者的适应能力指标值，进而结合每个患者所属的典型雾化速率以及每个患者的保守雾化速率，确定每个患者的离线动态混合估计值。
患者的调整能力具备时间上的适应性，同一级别患者的实时调整能力不同。患者不光能够在多次治疗过程中适应雾化器的不适感，也能实时适应过程中的不适反应。
人对于外界刺激有一定实时适应能力：基于人的适应能力，患者在治疗过程中会随时间而适应肺部的不适感，因此实时调整能力的程度可以体现当前情况下雾化器能否动态调节补偿量，以及补偿量的具体数值。此处适应能力指的是：
W＝ReLU(Range(Tlast5)-Range(Tnow5))
其中，Range(Tlast5)是患者上5次的呼吸停留时间T的范围，Range(Tnow5)指的是患者在当前5次的呼吸停留时间T的范围。所述5次的过程是一个信号窗口宽度为5的采样窗，对上5次和近5次进行分析，每当一个呼吸周期完成，Tlast5和Tnow5都将更新。
W的逻辑是：当W>0时，W为原始值；当W<0时，W为0。在一次患者的治疗完成过程后，对W进行极差标准化，从而保证W的范围在[0,1]。W越接近1，则认为患者5次呼吸停留情况可以代表患者正在尝试更深和长久的呼吸。患者的调整过程是一个波动过程。患者上5才的采样结果相对于最近5才的采样结果可以实时体现患者是否能够更好控制不适感，从而接受当前的药物雾化速率。
确定患者的呼吸正负样本，并标注当前适应能力对不适感改善与否的标注值：针对每个样本，5次呼吸停留时间T的标签为当前时刻患者相对于当前级别的患者群体的代表值VG的离线动态混合估计值，对应的计算公式为：
Figure BDA0003561353560000081
其中，
Figure BDA0003561353560000082
是基于患者行为记录中的适应情况确定的估计值，当患者能够更好控制不适感时，W较大，/>
Figure BDA0003561353560000083
更贴近病患群体的典型速率，反之越接近保守的速率
Figure BDA0003561353560000084
基于此方法标注所有患者的每5次呼吸的停留时间T的样本，并获得离线动态混合估计值
Figure BDA0003561353560000085
(7)训练预测神经网络，实时对呼吸过程进行识别，并得到患者此时的动态混合估计值，下次患者使用时，基于电动雾化吸入器的识别结果，进行动态的吸入量调整。
(7-1)训练BP神经网络，实时对呼吸过程的进行识别，并得到患者此时的动态混合估计值VDyn。
本实施例提供的BP神经网络模型是采用误差反向传播算法(Error Back-propagation Algorithm)的多层前馈人工神经网络，该算法因其良好的非线性逼近能力和泛化能力以及使用的易适性，广泛用于非线性系统的拟合和预测。所述BP神经网络模型由输入层、隐含层和输出层组成，本发明使用的神经网络模型结构为5-3-1，即输入层节点是5个，分别是5次的呼吸停留时间T，隐含层节点是3个，输出层节点是1个，即增益值。训练神经网络的方法为随机梯度下降法，损失函数使用均方差函数。
(7-2)下次患者使用时，基于电动雾化吸入器的识别结果，进行动态的吸入量调整：
后期患者使用过程中仍需要得到当前的适应能力
Figure BDA0003561353560000086
其中，∈为手工调整的缩放倍数，用于控制W在常规情况下不超过倍数1，由医师基于患者治疗过程的历史记录进行设置。电动雾化吸入器的识别结果为VBP，当W<0时，保持吸入器的雾化速率为/>
Figure BDA0003561353560000091
反之为/>
Figure BDA0003561353560000092
至此，电动雾化吸入器可以根据患者的呼吸过程实时调整雾化速率，从而抑制治疗过程的不适感。
需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (1)

1.一种自动分析调节吸入补偿量的电动雾化吸入器，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现如下方法：
获取每个患者在治疗时的各呼吸时间比和各呼吸停留时间，并根据每个患者在治疗时的各呼吸时间比和各呼吸停留时间，确定每个患者在治疗时的各可接受的受药率；所述呼吸停留时间为雾化药物有效停留在患者肺部的时间，所述雾化药物有效停留在患者肺部的时间为：患者吸气后，患者呼吸的气流流速下降至预设呼吸流速阈值范围内然后又高于预设呼吸流速阈值范围的时间；
根据每个患者在治疗时的各呼吸停留时间和各可接受的受药率，确定每个患者的受药适应能力评级；
获取每个受药适应能力评级中的每个患者在治疗时的医护人员设定的等效雾化速率，从而确定每个患者所属的典型雾化速率；所述等效雾化速率是对雾化器的挡位进行等效转换后所得的雾化速率；
获取每个患者的上次雾化速率以及每个患者对应的受药适应能力评级的群体雾化速率，从而确定每个患者所属的典型程度；所述群体雾化速率为患者在当前分级的患者群体中的雾化速率；
根据每个患者所属的典型雾化速率、典型程度以及每个患者的上次雾化速率，确定每个患者的保守雾化速率；
根据每个患者在治疗时的各呼吸停留时间，确定每个患者的适应能力指标值，进而结合每个患者所属的典型雾化速率以及每个患者的保守雾化速率，确定每个患者的离线动态混合估计值；
训练预测神经网络，实时对呼吸过程进行识别，并得到患者此时的动态混合估计值，下次患者使用时，基于电动雾化吸入器的识别结果，进行动态的吸入量调整；
确定每个患者在治疗时的各可接受的受药率对应的计算公式为：
Figure FDA0004196444480000011
其中，U为每个患者在治疗时的可接受的受药率，Rafter为每个患者在治疗时的呼吸时间比，T为每个患者在治疗时的对应的呼吸停留时间；
确定每个患者的受药适应能力评级的步骤包括：
根据每个患者在治疗时的各呼吸停留时间，确定每个患者在治疗时的代表呼吸停留时间；
根据每个患者在治疗时的代表呼吸停留时间和各可接受的受药率，确定每个患者的基本适应能力分数，所述基本适应能力分数的计算公式为：
Figure FDA0004196444480000012
其中，S为基本适应能力分数，
Figure FDA0004196444480000013
为患者在吸药过程中前5min过程的前10％的呼吸停留时间的均值，U为可接受的受药率；
根据每个患者的基本适应能力分数，构建直方图，从而确定每个患者的受药适应能力评级；
确定每个患者在治疗时的代表呼吸停留时间的步骤包括：
根据每个患者在治疗时的各呼吸停留时间，确定每个患者在治疗时的前设定时间段内的前设定比例的各呼吸停留时间，进而计算每个患者在治疗时的前设定时间段内的前设定比例的各呼吸停留时间的均值；
根据每个患者在治疗时的前设定时间段内的前设定比例的各呼吸停留时间的均值以及每个患者在治疗时的各可接受的受药率，确定每个患者在治疗时的代表呼吸停留时间；
确定每个患者所属的典型雾化速率的步骤包括：
根据每个受药适应能力评级中的每个患者在治疗时的医护人员设定的等效雾化速率，计算每个受药适应能力评级中的所有的医护人员设定的等效雾化速率的均值，从而得到每个患者所属的典型雾化速率；
确定每个患者所属的典型程度对应的计算公式为：
Figure FDA0004196444480000021
其中，βX为每个患者所属的典型程度，
Figure FDA0004196444480000022
为每个患者的上次雾化速率，/>
Figure FDA0004196444480000023
为每个患者对应的受药适应能力评级的群体雾化速率，abs()为求绝对值函数；
确定每个患者的保守雾化速率对应的计算公式为：
Figure FDA0004196444480000024
其中，
Figure FDA0004196444480000025
为每个患者的保守雾化速率，βX为每个患者所属的典型程度，VG为每个患者所属的典型雾化速率，/>
Figure FDA0004196444480000026
为每个患者的上次雾化速率，min()为取最小值函数；
确定每个患者的适应能力指标值的步骤包括：
根据每个患者在治疗时的各呼吸停留时间，确定每个患者在上一设定次数次的呼吸停留时间的范围以及在当前设定次数次的呼吸停留时间的范围；
根据每个患者在上一设定次数次的呼吸停留时间的范围以及在当前设定次数次的呼吸停留时间的范围，确定每个患者的适应能力指标值，所述适应能力指标值的计算公式为：
W＝ReLU(Range(Tlast5)-Range(Tnow5))
其中，Range(Tlast5)是患者上5次的呼吸停留时间T的范围，ReLU为激活函数，Range(Tnow5)指的是患者在当前5次的呼吸停留时间T的范围；确定每个患者的离线动态混合估计值对应的计算公式为：
Figure FDA0004196444480000031
其中，
Figure FDA0004196444480000032
为每个患者的离线动态混合估计值，W为每个患者的适应能力指标值，VG为每个患者所属的典型雾化速率，/>
Figure FDA0004196444480000033
为每个患者的保守雾化速率。/>
CN202210294368.8A 2022-03-23 2022-03-23 一种自动分析调节吸入补偿量的电动雾化吸入器 Active CN114588427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210294368.8A CN114588427B (zh) 2022-03-23 2022-03-23 一种自动分析调节吸入补偿量的电动雾化吸入器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210294368.8A CN114588427B (zh) 2022-03-23 2022-03-23 一种自动分析调节吸入补偿量的电动雾化吸入器

Publications (2)

Publication Number Publication Date
CN114588427A CN114588427A (zh) 2022-06-07
CN114588427B true CN114588427B (zh) 2023-06-02

Family

ID=81811184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210294368.8A Active CN114588427B (zh) 2022-03-23 2022-03-23 一种自动分析调节吸入补偿量的电动雾化吸入器

Country Status (1)

Country Link
CN (1) CN114588427B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107029326A (zh) * 2015-07-30 2017-08-11 沈阳昌泰医疗科技有限公司 一种用于正压通气治疗机的呼吸信号判定算法
CN107693909A (zh) * 2017-10-25 2018-02-16 江南大学 基于多视角模糊智能系统的手持式智能人工雾化器
US10702166B1 (en) * 2010-08-13 2020-07-07 Respiratory Motion, Inc. Devices and methods for respiratory variation monitoring by measurement of respiratory volumes, motion and variability

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2399464C (en) * 2000-02-11 2008-10-07 Medic-Aid Limited Drug delivery apparatus
US8371299B2 (en) * 2007-04-19 2013-02-12 Respironics Respiratory Drug Delivery Ventilator aerosol delivery
US8261738B2 (en) * 2007-07-24 2012-09-11 Respironics Respiratory Drug Delivery (Uk) Ltd. Apparatus and method for maintaining consistency for aerosol drug delivery treatments
US8491491B2 (en) * 2010-03-02 2013-07-23 Data Sciences International, Inc. Respiration measurements and dosimetry control in inhalation testing systems
WO2013126417A1 (en) * 2012-02-20 2013-08-29 University Of Florida Research Foundation, Inc. Method and apparatus for predicting work of breathing
US20160106935A1 (en) * 2014-10-17 2016-04-21 Qualcomm Incorporated Breathprint sensor systems, smart inhalers and methods for personal identification
CN205729927U (zh) * 2016-01-11 2016-11-30 西华大学 全自动呼吸自适应医用雾化器
CN106310471A (zh) * 2016-11-03 2017-01-11 西安汇智医疗集团有限公司 一种智能控药的射流式雾化吸入系统
CN110639101A (zh) * 2019-11-11 2020-01-03 西安汇智医疗集团有限公司 基于呼吸频率和目标血氧值协同控制的多功能氧气输出系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10702166B1 (en) * 2010-08-13 2020-07-07 Respiratory Motion, Inc. Devices and methods for respiratory variation monitoring by measurement of respiratory volumes, motion and variability
CN107029326A (zh) * 2015-07-30 2017-08-11 沈阳昌泰医疗科技有限公司 一种用于正压通气治疗机的呼吸信号判定算法
CN107693909A (zh) * 2017-10-25 2018-02-16 江南大学 基于多视角模糊智能系统的手持式智能人工雾化器

Also Published As

Publication number Publication date
CN114588427A (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
JP4162118B2 (ja) 睡眠中に肺胞換気低下を伴う患者のための適正な人工呼吸器の設定値の決定
EP3104775B1 (en) Real-time detection of periodic breathing
JP3366651B2 (ja) 呼気内の一酸化窒素の特定装置
JP3795527B2 (ja) 断続的ガス吸入装置
Sutt et al. Speaking valves in tracheostomised ICU patients weaning off mechanical ventilation-do they facilitate lung recruitment?
Garstang et al. Patient Preference for ln-Exsufflation for Secretion Management with Spinal Cord Injury
JP6640832B2 (ja) 薬剤送達用陽圧吸入装置
CN107106800A (zh) 治疗过度觉醒病症的方法和设备
Snell et al. Effects of sulfur dioxide on expiratory flow rates and total respiratory resistance in normal human subjects
CN108543182A (zh) 无创呼吸机用辅助排痰方法及无创呼吸机
CN111760252B (zh) 一种多参数呼吸训练装置及呼吸训练方法
US20140290646A1 (en) Therapy appliance
AU3495999A (en) Aspiration screening process for assessing post surgery patient&#39;s risk for pneumonia
US20230158261A1 (en) Systems and methods for breath detection
CN111921050A (zh) 一种用于控制氧气输送的方法
CN108366756B (zh) 基于呼吸气体确定对象的呼吸特征的装置、系统和方法
WO2017185128A1 (en) Diagnosis and monitoring of respiratory disorders
Denyer et al. Domiciliary experience of the Target Inhalation Mode (TIM) breathing maneuver in patients with cystic fibrosis
CN114588427B (zh) 一种自动分析调节吸入补偿量的电动雾化吸入器
RU2752856C1 (ru) Способ реабилитации поствирусных повреждений паренхимы легких и устройство для его осуществления
CN117045913B (zh) 一种基于呼吸变量监测的机械通气模式智能切换系统
RU83187U1 (ru) Устройство для респираторной поддержки пациентов с тяжелой черепно-мозговой травмой
Schott et al. Real-time computation of a patient's respiratory effort during ventilation
CN216536432U (zh) 肺功能仪气雾给药系统
Bennett Nursing the breathless patient

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