CN115200911A - 一种机械通气分析预警方法及系统 - Google Patents

一种机械通气分析预警方法及系统 Download PDF

Info

Publication number
CN115200911A
CN115200911A CN202210768956.0A CN202210768956A CN115200911A CN 115200911 A CN115200911 A CN 115200911A CN 202210768956 A CN202210768956 A CN 202210768956A CN 115200911 A CN115200911 A CN 115200911A
Authority
CN
China
Prior art keywords
value
abnormal
ventilation
events
mechanical ventilation
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.)
Pending
Application number
CN202210768956.0A
Other languages
English (en)
Inventor
苏龙翔
隆云
黄晓波
何怀武
张嵩
刘圣均
池熠
岳芮名
张晓勤
卢森
马悦
刘宪龙
李彦
崔培存
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.)
Shandong Shumu Medical Technology Co ltd
Original Assignee
Shandong Shumu Medical Technology 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 Shandong Shumu Medical Technology Co ltd filed Critical Shandong Shumu Medical Technology Co ltd
Priority to CN202210768956.0A priority Critical patent/CN115200911A/zh
Publication of CN115200911A publication Critical patent/CN115200911A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
    • 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
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
    • A61M16/0051—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes with alarm devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L11/00—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00

Landscapes

  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Anesthesiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Hematology (AREA)
  • Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pulmonology (AREA)
  • Emergency Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种机械通气分析预警方法及系统，包括如下步骤：实时采集、同步解析机械通气的监测数据并进行数据质量分析；依据质量合格的监测数据进行呼吸周期、触发方式、通气类型、控制模式的划分；根据多条件区间划分后的监测数据，建立多层级决策模型进行机械通气异常事件自动监测和预警；基于多条件区间划分后特定子条件，根据线性拟合特征序列并行监测和预警呼吸系统力学变化异常事件。本申请识别并预警临床上所有常见的机械通气异常事件，通过监测数据的多条件区间化处理，进行呼吸机设置项参数判断、触发方式区分，建立多层级决策模型并动态分析呼吸系统力学变化，达到提高机械通气治疗疗效的目的，并降低呼吸机使用风险。

Description

一种机械通气分析预警方法及系统
技术领域
本申请涉及一种机械通气分析预警方法及系统。
背景技术
呼吸机是一种复杂的计算机生命支持设备，通过压力和流量传感器精确地调节向呼吸衰竭患者输送的气体，从而为治疗原发病争取宝贵时间。呼吸机辅助系统在代替呼吸器官进行有效通气、维持生命体征稳定的同时，还需要与机械通气治疗基本准则“生命安全性”、“治疗有效性”、“病人舒适性”达成一致，从而降低呼吸机使用给患者带来的伤害。
若想达到上述目标，则需要机械通气设备数据智能化处理，对可能造成患者呼吸损伤的机械通气异常事件预警、实时分析并及时捕获治疗过程中呼吸系统的力学变化，完善呼吸机性能、降低呼吸机使用风险。在进行有创通气治疗的同时，临床医生可以依据预警信息调整呼吸机模式与参数、调节压力与流量，实现对不同病患制定个体化通气治疗策略，达到提高呼吸机通气疗效目的，最大限度地降低患者不良反应风险。
目前为止国内外呼吸机仅集成阈值报警与技术报警、其衍生产品仅针对一种或几种异常事件报警、尚无相对全面的临床异常事件识别预警能力；并且呼吸机仅显示呼吸系统气道阻力和胸肺顺应性的监测数值，无法对治疗过程中呼吸力学的变化与患者病理状态给予评估。传统识别方法需要临床医生记录数值变化，并结合通气模式和多种参数，分析波形数据的表现特征，才能对病人整体状态做出评估。由于临床医生在患者床边观察时间有限，存在较大的局限性。因此，建立一种及时预警临床上所有常见的机械通气异常事件，并动态分析机械通气治疗过程中呼吸系统力学变化，完善呼吸机性能，降低呼吸机使用风险，提示医生护士干预，辅助医生整体评估患者的病理状态，达到提高呼吸机机械通气治疗疗效，是本领域亟需解决的问题。
发明内容
为了解决上述问题，本申请一方面提出了一种机械通气分析预警方法，其特征在于：包括如下步骤：步骤1：实时采集、同步解析机械通气的监测数据并进行数据质量分析；步骤2：若监测数据质量合格，则进行呼吸周期、触发方式、通气类型、控制模式的多条件区间划分；步骤3：根据多条件区间划分后的监测数据，建立多层级决策模型进行生命安全异常事件、机械通气质量异常事件、人机不同步异常事件的自动监测；基于多条件区间划分后的特定子条件，根据线性拟合的特征序列并行监测呼吸系统力学变化；步骤4：按照生命安全异常事件、机械通气质量异常事件、人机不同步异常事件的报警层级设置推送预警信息，同时并行推送呼吸系统力学变化异常事件预警信息。本申请立足于识别并预警临床上所有常见的机械通气异常事件，通过监测数据多条件区间化处理，进行呼吸机本身的设置项参数判断、患者触发与机器触发的区分，并最大化程度区分正常呼吸波形的一般性规律与异常事件波形特异性特征。以异常事件波形形态与变化的表现特征为基准，建立多层级决策模型，并基于多条件区间化中特定子条件进行呼吸系统力学变化分析，可以在早期发现机械通气异常事件，及时给予预警，提示医生护士干预，达到提高呼吸机机械通气治疗疗效，降低呼吸机使用风险目的。
优选的，所述监测数据包括压力波形数据、容量波形数据和流速波形数据，在获取监测数据的同时进行数据质量分析：包括波形数据是否存在漂移移动或干扰；波形数据值是否存在异常；若数据质量存在问题，则直接推送数据质量问题的预警信息并继续采集与解析监测数据。
优选的，所述呼吸周期划分根据极大值与极小值搜索算法，识别监测数据波形曲线的极值并进行呼吸区间划分；所述监测数据的时长不低于60s。
优选的，所述多条件区间划分指建立多模型集成架构，进行触发方式、通气类型、控制模式划分：
S1：根据触发方式划分规则，机器触发识别模块进一步将监测数据划分为机器触发与患者触发；
S2：根据通气类型划分规则，控制通气识别模块进一步将监测数据划分为控制通气、辅助通气与自主通气；
S3：根据控制模式划分规则，控制识别模块进一步将监测数据划分为容量控制类型、压力控制类型；
本申请将波形数据转换成以呼吸周期为单位，用于比较不同呼吸周期的波形形态与变化的表现特征，消除周期性规律并进行异常事件位置定位，由多模型集成架构进行触发方式、通气类型、控制模式划分，数学推导波形数据的表现特征，判断呼吸机本身设置参数是否正确，并识别患者触发与机器触发类型，为后续的异常事件分析监测与预警奠定基础。
优选的，本申请基于容量波形曲线，执行极大值与极小值搜索算法，将极大值与极小值位置作为区间划分依据，对单位监测时间内的压力、容量、流速时间序列进行呼吸周期划分，划分后压力时间序列记为P1、P2、...、Pt-2、Pt-1、Pt，第t个呼吸周期的压力波形数据记为
Figure BDA0003726675030000031
其中
Figure BDA0003726675030000032
为第t个呼吸周期中第n个数据采样点对应的压力值；划分后容量时间序列记为V1、V2、...、Vt-2、Vt-1、Vt，第t个呼吸周期的容量波形数据记为
Figure BDA0003726675030000033
其中
Figure BDA0003726675030000034
为第t个呼吸周期中第n个数据采样点对应的容量值；流速时间序列F1、F2、...、Ft-2、Ft-1、Ft，第t个呼吸周期的流速波形数据记为
Figure BDA0003726675030000035
其中
Figure BDA0003726675030000036
为第t个呼吸周期中第n个数据采样点对应的流速值；Inspt为第t个呼吸周期的吸气时间、Expt为第t个呼吸周期的呼气时间。
优选的，所述生命安全异常事件包括漏气事件、气道回路梗阻事件、气体陷闭事件；机械通气质量异常事件包括管路存在冷凝水、吸痰、CPR；人机不同步异常事件的周期不同步事件包括流速饥饿、提前切换、延迟切换、超射；人机不同步异常事件的频率不同步事件包括自动触发、无效触发、反向触发、重复触发；三大类异常事件的内部事件的监测采用并行监测方式；本申请进行三类划分是为了分级预警并排除事件之间干扰。
优选的，所述多层级决策模型由生命安全异常事件决策树作为第一层、机械通气质量异常事件决策树作为第二层、人机不同步异常事件决策树作为第三层构成，决策树内部选择偏好监测的波形数据，通过数学计算公式、拟合波形曲线判断函数特征、基于规则阈值方式建立完整的逻辑判断规则，将波形形态特征和变化规律与异常事件的表现特征建立对应关系，以此进行具体异常事件的识别与划分。
优选的，所述生命安全异常事件中漏气事件与气体陷闭事件的监测具体包括如下步骤：
选择容量时间序列、流速时间序列进行异常事件判定：
S1:首先根据流速时间序列F1、F2、...、Ft-2、Ft-1、Ft进行判断，依据为Ft是否在呼气末流速值归零即
Figure BDA0003726675030000041
S2:假若流速值在呼气末归零，则跳转到S4步；
S3:反之流速值在呼气末并未归零，继续按照Expt＝0进行判断：若Expt＝0成立，则跳转到S4步，否则跳转到S5步；
S4：再根据容量时间序列V1、V2、...、Vt-2、Vt-1、Vt进行判断，依据为Vt是否在呼吸末呈现垂直降落趋势，并且满足
Figure BDA0003726675030000042
两个条件都满足则跳转到S6步，否则终止监测；
S5：至少三个呼吸周期Ft-2、Ft-1、Ft的呼气末流速值并未归零即
Figure BDA0003726675030000043
则此时机械通气治疗过程中可能发生气体陷闭事件，将判定为生命安全异常事件发生；
S6：至少三个呼吸周期Vt-2、Vt-1、Vt满足S4中两个条件，则此时机械通气治疗过程中可能发生漏气事件，将判定为生命安全异常事件发生。
优选的，所述机械通气质量异常事件中管路冷凝水事件的监测具体包括如下步骤：
选择流速时间序列进行异常事件判定：
首先根据流速时间序列F1、F2、...、Ft-2、Ft-1、Ft进行判断：计算呼气相中Ft的一阶差分Ft′与二阶差分Ft″；其中
Figure BDA0003726675030000051
Figure BDA0003726675030000052
二阶差分
Figure BDA0003726675030000053
Figure BDA0003726675030000054
根据一阶与二阶差分确定呼气相中局部极大值与局部极小值的位置与个数；
将流速时间序列F1、F2、...、Ft-2、Ft-1、Ft按照在呼气相中先上升后下降的波动规律，依据相邻的极小值位置值-极大值位置值，得到每次波动的持续时间，若震荡频次大于预先设定的规则阈值且每次震荡持续时间小于预先设定的规则阈值，则此时机械通气设备管路中可能存在冷凝水事件，判定为机械通气质量异常事件发生。
优选的，人机不同步异常事件判定具体包括如下步骤：
S1：根据机械通气周期与频率定义规则，机械通气周期与频率模块进一步将监测数据划分为周期不同步或者频率不同步，若为周期不同步，根据周期不同步子决策树进行周期不同步异常事件的识别与划分；若为频率不同步，根据频率不同步子决策树进行频率不同步异常事件的识别与划分。
S2：将人机不同步指数AI大于设定阈值(10％)认定为人机不同步严重事件：
Figure BDA0003726675030000055
统计监测时间内呼吸周期总数，其中包括机械呼吸周期与自主呼吸周期总数、人机不同步事件发生的呼吸周期数、无效触发事件发生的呼吸周期总数。通过上述公式计算,若人机不同步指数超过设定阈值时会进行相关报警推送；
所述人机不同步异常事件中流速饥饿异常事件与重复触发异常事件的监测具体包括如下步骤：
选择压力时间序列进行异常事件判定：
S1：流速饥饿异常事件执行周期不同步子决策树S2；重复触发异常事件执行频率不同步子决策树S5；
S2：首先根据压力时间序列P1、P2、...、Pt-2、Pt-1、Pt进行判断，依据为压力时间序列在吸气相呈现“凹陷”状态，将波形的表现特征转换成数学表述形式：计算吸气相中Pt的一阶差分Pt′与二阶差分Pt″；其中
Figure BDA0003726675030000061
Figure BDA0003726675030000062
二阶差分
Figure BDA0003726675030000063
Figure BDA0003726675030000064
S3：若吸气相压力时间序列的二阶差分非负，压力波形拟合曲线近似满足凹函数的特征，则此时机械通气治疗过程中可能发生流速饥饿事件，将判定为人机不同步异常事件发生，跳转到S6步；
S4：若吸气相压力时间序列的二阶差分存在异常值变化的点，表示在吸气相压力值上升的速度发生了变化，以异常值点作为分割点，若前后两段波形拟合曲线近似满足凸函数特征，则此时机械通气治疗过程中可能发生流速饥饿事件，将判定为人机不同步异常事件发生，跳转到S6步；
S5：若Expt＝0成立或者Expt≤0.5*mean(Insp1，...，Inspt)，即呼气时间小于平均吸气时间的一半，则此时机械通气治疗过程中可能发生重复触发事件，将判定为人机不同步异常事件发生，跳转到S6步；
S6：根据人机不同步指数AI计算公式得到人机不同步指数，当数值超过设定阈值时进行相关报警推送。
优选的，所述线性拟合的特征序列并行监测呼吸系统力学变化，呼吸系统力学变化监测相对于生命安全异常事件、机械通气质量异常事件、人机不同步异常事件将独立并行监测，主要包括如下操作步骤：
S1：根据多模型集成架构的多条件区间划分，选择机器触发的触发方式；
S2:根据多模型集成架构的多条件区间划分，选择控制通气的通气类型；
S3：根据多模型集成架构的多条件区间划分；进行容量控制类型、压力控制类型判断；
S4：执行顺应性变化趋势识别：
S4_1：在容量控制通气模式下，表示顺应性趋势的特征序列记为：
Figure BDA0003726675030000071
第m个呼吸周期的平台压
Figure BDA0003726675030000072
基于呼气相开始位置，将压力波形骤降后呈现平稳趋势区间内所有压力采样点数据值的平均值作为此呼吸周期的平台压值；
第m个呼吸周期的呼气末正压Peepm为：基于呼气相结束位置，将呼气相结束位置前压力波形呈现平稳趋势区间内所有压力采样点数据值的平均值作为此呼吸周期的peep值；
所述的平稳趋势区间为一阶差分值中上下波动幅度不超过0.1的连续区间。
PΔ2与顺应性值成反比关系，将PΔ2特征序列进行线性拟合后，拟合曲线可反映顺应性的变化趋势；
S4_2：在压力控制通气模式下，表示顺应性趋势的特征序列，有效吸气时间序列记为：
Δt＝[Δt1，Δt2，...，Δtm，...，Δtz]；
流速峰值夹角序列记为：
θ＝[θ1，θ2，...，θm，...，θz]；
Δt和θ与顺应性值成正相关关系，将Δt特征序列与θ特征序列分别进行线性拟合后，拟合曲线可反映顺应性的变化趋势；
S5：执行气道阻力变化趋势识别：
S5_1：在容量控制通气模式下，表示气道阻力趋势的特征序列记为：
Figure BDA0003726675030000073
第m个呼吸周期的峰值压
Figure BDA0003726675030000074
为：基于吸气相开始到呼气相结束，所有压力采样点数据值的最大值作为此呼吸周期的峰值压；
第m个呼吸周期的平台压
Figure BDA0003726675030000075
为：基于呼气相开始位置，将压力波形骤降后呈现平稳趋势区间内所有压力采样点数据值的平均值作为此呼吸周期的平台压值；
所述的平稳趋势区间为一阶差分值中上下波动幅度不超过0.1的连续区间。
PΔ1与气道阻力值成正比关系，将PΔ1特征序列进行线性拟合后，拟合曲线可反映气道阻力的变化趋势；
S5_2：在压力控制通气模式下，表示气道阻力趋势的特征序列，流速的峰值序列记为：
Figure BDA0003726675030000081
第m个呼吸周期流速的峰值
Figure BDA0003726675030000082
为：基于吸气相开始到呼气相结束，所有流速采样点数据值的最大值作为此呼吸周期的流速峰值；
fpeak与气道阻力值成反比关系，将fpeak特征序列进行线性拟合后，拟合曲线可用来反映气道阻力的变化趋势；
S6：执行呼吸系统动态变化分析，若趋势曲线出现以下情况，则判定为呼吸系统力学变化异常事件：
在容量控制通气模式下，单位时间内反映顺应性的变化趋势曲线在某一时刻呈现连续上升趋势，且上升幅度为该时刻对应值的8％时：
在压力控制通气模式下，单位时间内两条反映顺应性的变化趋势曲线在某一时刻呈现连续下降趋势，且下降幅度为该时刻对应值的4％时：
在容量控制通气模式下，单位时间内反映气道阻力的变化趋势曲线在某一时刻呈现连续上升趋势，且上升幅度为该时刻对应值的8％时；
在压力控制通气模式下，单位时间内反映气道阻力的变化趋势曲线在某一时刻呈现连续下降趋势，且下降幅度为该时刻对应值的6％时。
优选的，反映气道阻力、顺应性变化趋势的线性拟合特征序列均可从压力时间波形、流速时间波形的表现特征直接计算得到；气道阻力增加或顺应性下降表示病人在机械通气治疗过程中病理状态恶化，气道阻力上升表明病人的上呼吸道、气管、支气管可能存在病变；顺应性下降表明病人的胸、肺等器官可能存在病变并诱发相关疾病；因此临床医生可根据报警类型信息整体评估病人的病理状态，进行相关组织器官功能状态检查，给予针对性的治疗，有效地指导机械通气治疗实施。
优选的，在对临床所有常见机械通气异常事件进行实时监测的同时，对生命安全异常事件、机械通气质量异常事件、人机不同步异常事件进行多层级报警，依据临床指南的治疗基本准则，首先保证治疗过程中患者的生命安全、其次保证机械通气治疗方式有效、再次满足治疗过程中患者的舒适性，最大限度减少人机对抗情况的发生；
按照生命安全异常事件优先预警处理、机械通气质量异常事件及时控制、潜在损伤人机不同步异常事件精准推送的预警顺序，与此同时对机械通气治疗整个过程中呼吸系统力学变化异常事件进行并行推送。本申请结合临床实施多层级预警与并行的呼吸系统力学变化异常事件预警,在监测过程中，筛查所有的异常事件，在报警时采用层级顺序的设置，优先对危急事件报警，保障危急生命安全事件处理的效率，同时兼顾到其他类别的异常事件。
另一方面，本申请还公开了一种机械通气分析预警系统，包括：数据获取模块，用于实时采集、同步解析机械通气的监测数据并进行数据质量分析；数据预处理模块，在监测数据质量合格的情况下，用于进行呼吸周期、触发方式、通气类型、控制模式的多条件区间划分；事件监测模块，用于根据多条件区间划分后的监测数据，建立多层级决策模型进行生命安全异常事件、机械通气质量异常事件、人机不同步异常事件的自动监测；基于多条件区间划分后的特定子条件，根据线性拟合的特征序列并行监测呼吸系统力学变化；事件预警模块，用于按照生命安全异常事件、机械通气质量异常事件、人机不同步异常事件的报警层级设置推送预警信息，同时并行推送呼吸系统力学变化异常事件预警信息。
本申请能够带来如下有益效果：
1.本申请通过监测数据多条件区间化处理，进行呼吸机本身的设置项参数判断、患者触发与机器触发的区分，最大化程度区分正常呼吸波形的一般性规律与异常事件波形特异性特征，以异常事件波形形态与变化的表现特征为基准，建立多层级决策模型，并基于多条件区间化中特定子条件进行呼吸系统力学变化分析，可以在早期发现机械通气异常事件，及时给予预警，提示医生护士干预，达到提高呼吸机机械通气治疗疗效，降低呼吸机使用风险目的；
2.本申请将波形数据转换成以呼吸周期为单位，用于比较不同呼吸周期的波形形态与变化的表现特征，消除周期性规律并进行异常事件位置定位，由多模型集成架构进行触发方式、通气类型、控制模式划分，数学推导波形数据的表现特征，判断呼吸机本身设置参数是否正确，并识别患者触发与机器触发类型，为后续的异常事件分析监测与预警奠定基础；
3.本申请结合临床具体情况，建立多层级预警，以及并行的呼吸系统力学变化异常事件预警，在监测过程中，筛查所有的异常事件，在报警时采用层级顺序的设置，优先对危急事件报警，保障危急生命安全事件处理的效率，同时兼顾到其他类别的异常事件。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，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不当限定。在附图中：
图1为实施例1的示意图；
图2为实施例2的示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，对本申请进行详细阐述。
方案的说明已经在发明内容中已经进行了阐述，为了更好的阐述本申请的技术方案，本申请按照各个事件中的更为具体的一个方面进行展开说明：
实施例1：一种机械通气分析预警方法，如图1所示，包括如下步骤：
S101：实时采集、同步解析机械通气的监测数据并进行数据质量分析；
所述监测数据包括压力波形数据、容量波形数据和流速波形数据，在获取监测数据的同时进行数据质量分析：包括波形数据是否存在漂移移动或干扰；波形数据值是否存在异常；若数据质量存在问题，则直接推送数据质量问题的预警信息并继续采集与解析监测数据；
S102：若监测数据质量合格，则进行呼吸周期、触发方式、通气类型、控制模式的多条件区间划分；所述呼吸周期划分根据极大值与极小值搜索算法，识别监测数据波形曲线的极值并进行呼吸区间划分；所述监测数据的时长不低于60s；
所述多条件区间划分指建立多模型集成架构，进行触发方式、通气类型、控制模式划分：
S1：根据触发方式划分规则，机器触发识别模块进一步将监测数据划分为机器触发与患者触发；
S2：根据通气类型划分规则，控制通气识别模块进一步将监测数据划分为控制通气、辅助通气与自主通气；
S3：根据控制模式划分规则，控制识别模块进一步将监测数据划分为容量控制类型、压力控制类型；
基于容量波形曲线，执行极大值与极小值搜索算法，并将极大值与极小值位置作为区间划分依据，对单位监测时间内的压力、容量、流速时间序列进行呼吸周期划分，划分后压力时间序列记为P1、P2、...、Pt-2、Pt-1、Pt，第t个呼吸周期的压力波形数据记为
Figure BDA0003726675030000111
其中
Figure BDA0003726675030000112
为第t个呼吸周期中第n个数据采样点对应的压力值；划分后容量时间序列记为V1、V2、...、Vt-2、Vt-1、Vt，第t个呼吸周期的容量波形数据记为
Figure BDA0003726675030000113
其中
Figure BDA0003726675030000114
为第t个呼吸周期中第n个数据采样点对应的容量值；流速时间序列F1、F2、...、Ft-2、Ft-1、Ft，第t个呼吸周期的流速波形数据记为
Figure BDA0003726675030000115
其中
Figure BDA0003726675030000116
为第t个呼吸周期中第n个数据采样点对应的流速值；Inspt为第t个呼吸周期的吸气时间、Expt为第t个呼吸周期的呼气时间。
S103：根据多条件区间划分后的监测数据，建立多层级决策模型进行生命安全异常事件、机械通气质量异常事件、人机不同步异常事件的自动监测；基于多条件区间划分后的特定子条件，根据线性拟合的特征序列并行监测呼吸系统力学变化；
所述多层级决策模型由生命安全异常事件决策树作为第一层、机械通气质量异常事件决策树作为第二层、人机不同步异常事件决策树作为第三层构成，决策树内部选择偏好监测的波形数据，通过数学计算公式、拟合波形曲线判断函数特征、基于规则阈值方式建立完整的逻辑判断规则，将波形形态特征和变化规律与异常事件的表现特征建立对应关系，以此进行具体异常事件的识别与划分；
所述生命安全异常事件包括漏气事件、气道回路梗阻事件、气体陷闭事件；机械通气质量异常事件包括管路存在冷凝水、吸痰、CPR；人机不同步异常事件的周期不同步事件包括流速饥饿、提前切换、延迟切换、超射；人机不同步异常事件的频率不同步事件包括自动触发、无效触发、反向触发、重复触发；三大类异常事件的内部事件的监测采用并行监测方式；
S104：按照生命安全异常事件、机械通气质量异常事件、人机不同步异常事件的报警层级设置推送预警信息，同时并行推送呼吸系统力学变化异常事件预警信息。
所述生命安全异常事件中漏气事件与气体陷闭事件的监测具体包括如下步骤：
选择容量时间序列、流速时间序列进行异常事件判定：
S1:首先根据流速时间序列P1、P2、...、Pt-2、Pt-1、Pt进行判断，依据为Ft是否在呼气末流速值归零即
Figure BDA0003726675030000121
S2:假若流速值在呼气末归零，则跳转到S4步；
S3:反之流速值在呼气末并未归零，继续按照Expt＝0进行判断：若Expt＝0成立，则跳转到S4步，否则跳转到S5步；
S4：再根据容量时间序列V1、V2、...、Vt-2、Vt-1、Vt进行判断，依据为Vt是否在呼吸末呈现垂直降落趋势，并且满足
Figure BDA0003726675030000136
两个条件都满足则跳转到S6步，否则终止监测；
S5：至少三个呼吸周期Ft-2、Ft-1、Ft的呼气末流速值并未归零即
Figure BDA0003726675030000131
则此时机械通气治疗过程中可能发生气体陷闭事件，将判定为生命安全异常事件发生；
S6：至少三个呼吸周期Vt-2、Vt-1、Vt满足S4中两个条件，则此时机械通气治疗过程中可能发生漏气事件，将判定为生命安全异常事件发生。
机械通气质量异常事件中管路冷凝水事件的监测具体包括如下步骤：
选择流速时间序列进行异常事件判定：
首先根据流速时间序列F1、F2、...、Ft-2、Ft-1、Ft进行判断：计算呼气相中Ft的一阶差分Ft′与二阶差分Ft″；其中
Figure BDA0003726675030000132
Figure BDA0003726675030000133
二阶差分
Figure BDA0003726675030000134
Figure BDA0003726675030000135
根据一阶与二阶差分确定呼气相中局部极大值与局部极小值的位置与个数；
将流速时间序列F1、F2、...、Ft-2、Ft-1、Ft按照在呼气相中先上升后下降的波动规律，依据相邻的极小值位置值-极大值位置值，得到每次波动的持续时间，若震荡频次大于预先设定的规则阈值且每次震荡持续时间小于预先设定的规则阈值，则此时机械通气设备管路中可能存在冷凝水事件，判定为机械通气质量异常事件发生。
人机不同步异常事件判定具体包括如下步骤：
S1：根据机械通气周期与频率定义规则，机械通气周期与频率模块进一步将监测数据划分为周期不同步或者频率不同步，若为周期不同步，根据周期不同步子决策树进行周期不同步异常事件的识别与划分；若为频率不同步，根据频率不同步子决策树进行频率不同步异常事件的识别与划分；
S2：将人机不同步指数AI大于设定阈值(10％)认定为人机不同步严重事件：
Figure BDA0003726675030000141
统计监测时间内呼吸周期总数，其中包括机械呼吸周期与自主呼吸周期总数、人机不同步事件发生的呼吸周期数、无效触发事件发生的呼吸周期总数。通过上述公式计算,若人机不同步指数超过设定阈值时会进行相关报警推送；
所述人机不同步异常事件中流速饥饿异常事件与重复触发异常事件的监测具体包括如下步骤：
选择压力时间序列进行异常事件判定：
S1：流速饥饿异常事件执行周期不同步子决策树S2；重复触发异常事件执行频率不同步子决策树S5；
S2：首先根据压力时间序列P1、P2、…、Pt-2、Pt-1、Pt进行判断，依据为压力时间序列在吸气相呈现“凹陷”状态，将波形的表现特征转换成数学表述形式：计算吸气相中Pt的一阶差分Pt′与二阶差分Pt″；其中
Figure BDA0003726675030000142
Figure BDA0003726675030000143
二阶差分
Figure BDA0003726675030000144
Figure BDA0003726675030000145
S3：若吸气相压力时间序列的二阶差分非负，压力波形拟合曲线近似满足凹函数的特征，则此时机械通气治疗过程中可能发生流速饥饿事件，将判定为人机不同步异常事件发生，跳转到S6步；
S4：若吸气相压力时间序列的二阶差分存在异常值变化的点，表示在吸气相压力值上升的速度发生了变化，以异常值点作为分割点，若前后两段波形拟合曲线近似满足凸函数特征，则此时机械通气治疗过程中可能发生流速饥饿事件，将判定为人机不同步异常事件发生，跳转到S6步；
S5：若Expt＝0成立或者Expt≤0.5*mean(Insp1，...，Inspt)，即呼气时间小于平均吸气时间的一半，则此时机械通气治疗过程中可能发生重复触发事件，将判定为人机不同步异常事件发生，跳转到S6步；
S6：根据人机不同步指数AI计算公式得到人机不同步指数，当数值超过设定阈值时进行相关报警推送。
所述线性拟合的特征序列并行监测呼吸系统力学变化，呼吸系统力学变化监测相对于生命安全异常事件、机械通气质量异常事件、人机不同步异常事件将独立并行监测，主要包括如下操作步骤：
S1：根据多模型集成架构的多条件区间划分，选择机器触发的触发方式；
S2:根据多模型集成架构的多条件区间划分，选择控制通气的通气类型；
S3：根据多模型集成架构的多条件区间划分；进行容量控制类型、压力控制类型判断；
S4：执行顺应性变化趋势识别：
S4_1：在容量控制通气模式下，表示顺应性趋势的特征序列记为：
Figure BDA0003726675030000151
第m个呼吸周期的平台压
Figure BDA0003726675030000152
基于呼气相开始位置，将压力波形骤降后呈现平稳趋势区间内所有压力采样点数据值的平均值作为此呼吸周期的平台压值；
第m个呼吸周期的呼气末正压Peepm为：基于呼气相结束位置，将呼气相结束位置前压力波形呈现平稳趋势区间内所有压力采样点数据值的平均值作为此呼吸周期的peep值；
所述的平稳趋势区间为一阶差分值中上下波动幅度不超过0.1的连续区间。
PΔ2与顺应性值成反比关系，将PΔ2特征序列进行线性拟合后，拟合曲线可反映顺应性的变化趋势；
S4_2：在压力控制通气模式下，表示顺应性趋势的特征序列，有效吸气时间序列记为：
Δt＝[Δt1,Δt2,...，Δtm，...Δtz]；
流速峰值夹角序列记为：
θ＝[θ1，θ2，...，θm，...，θz]；
Δt和θ与顺应性值成正相关关系，将Δt特征序列与θ特征序列分别进行线性拟合后，拟合曲线可反映顺应性的变化趋势；
S5：执行气道阻力变化趋势识别：
S5_1：在容量控制通气模式下，表示气道阻力趋势的特征序列记为：
Figure BDA0003726675030000161
第m个呼吸周期的峰值压
Figure BDA0003726675030000162
为：基于吸气相开始到呼气相结束，所有压力采样点数据值的最大值作为此呼吸周期的峰值压；
第m个呼吸周期的平台压
Figure BDA0003726675030000163
为：基于呼气相开始位置，将压力波形骤降后呈现平稳趋势区间内所有压力采样点数据值的平均值作为此呼吸周期的平台压值；
所述的平稳趋势区间为一阶差分值中上下波动幅度不超过0.1的连续区间。
PΔ1与气道阻力值成正比关系，将PΔ1特征序列进行线性拟合后，拟合曲线可反映气道阻力的变化趋势；
S5_2：在压力控制通气模式下，表示气道阻力趋势的特征序列，流速的峰值序列记为：
Figure BDA0003726675030000164
第m个呼吸周期流速的峰值
Figure BDA0003726675030000165
为：基于吸气相开始到呼气相结束，所有流速采样点数据值的最大值作为此呼吸周期的流速峰值；
fpeak与气道阻力值成反比关系，将fpeak特征序列进行线性拟合后，拟合曲线可用来反映气道阻力的变化趋势；
S6：执行呼吸系统动态变化分析，若趋势曲线出现以下情况，则判定为呼吸系统力学变化异常事件：
在容量控制通气模式下，单位时间内反映顺应性的变化趋势曲线在某一时刻呈现连续上升趋势，且上升幅度为该时刻对应值的8％时：
在压力控制通气模式下，单位时间内两条反映顺应性的变化趋势曲线在某一时刻呈现连续下降趋势，且下降幅度为该时刻对应值的4％时：
在容量控制通气模式下，单位时间内反映气道阻力的变化趋势曲线在某一时刻呈现连续上升趋势，且上升幅度为该时刻对应值的8％时；
在压力控制通气模式下，单位时间内反映气道阻力的变化趋势曲线在某一时刻呈现连续下降趋势，且下降幅度为该时刻对应值的6％时。
在第二个实施例中，如图2所示，一种机械通气分析预警系统，其特征在于：包括：
数据获取模块201，用于实时采集、同步解析机械通气的监测数据并进行数据质量分析；
数据预处理模块202，在监测数据质量合格的情况下，用于进行呼吸周期、触发方式、通气类型、控制模式的多条件区间划分；
事件监测模块203，用于根据多条件区间划分后的监测数据，建立多层级决策模型进行生命安全异常事件、机械通气质量异常事件、人机不同步异常事件的自动监测；基于多条件区间划分后的特定子条件，根据线性拟合的特征序列并行监测呼吸系统力学变化；
事件预警模块204，用于按照生命安全异常事件、机械通气质量异常事件、人机不同步异常事件的报警层级设置推送预警信息，同时并行推送呼吸系统力学变化异常事件预警信息。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种机械通气分析预警方法，其特征在于：包括如下步骤：
步骤1：实时采集、同步解析机械通气的监测数据并进行数据质量分析；
步骤2：若监测数据质量合格，则进行呼吸周期、触发方式、通气类型、控制模式的多条件区间划分；
步骤3：根据多条件区间划分后的监测数据，建立多层级决策模型进行生命安全异常事件、机械通气质量异常事件、人机不同步异常事件的自动监测；基于多条件区间划分后的特定子条件，根据线性拟合的特征序列并行监测呼吸系统力学变化；
步骤4：按照生命安全异常事件、机械通气质量异常事件、人机不同步异常事件的报警层级设置推送预警信息，同时并行推送呼吸系统力学变化异常事件预警信息。
2.根据权利要求1所述一种机械通气分析预警方法，其特征在于：所述监测数据包括压力波形数据、容量波形数据和流速波形数据，在获取监测数据的同时进行数据质量分析：包括波形数据是否存在漂移移动或干扰；波形数据值是否存在异常；若数据质量存在问题，则直接推送数据质量问题的预警信息并继续采集与解析监测数据。
3.根据权利要求1所述一种机械通气分析预警方法，其特征在于：所述呼吸周期划分根据极大值与极小值搜索算法，识别监测数据波形曲线的极值并进行呼吸区间划分；所述监测数据的时长不低于60s；所述多条件区间划分，指建立多模型集成架构，进行触发方式、通气类型、控制模式划分：
S1：根据触发方式划分规则，机器触发识别模块进一步将监测数据划分为机器触发与患者触发；
S2：根据通气类型划分规则，控制通气识别模块进一步将监测数据划分为控制通气、辅助通气与自主通气；
S3：根据控制模式划分规则，控制识别模块进一步将监测数据划分为容量控制类型、压力控制类型；
基于容量波形曲线，执行极大值与极小值搜索算法，并将极大值与极小值位置作为区间划分依据，对单位监测时间内的压力、容量、流速时间序列进行呼吸周期划分，划分后压力时间序列记为P1、P2、...、Pt-2、Pt-1、Pt，第t个呼吸周期的压力波形数据记为
Figure FDA0003726675020000021
其中
Figure FDA0003726675020000022
为第t个呼吸周期中第n个数据采样点对应的压力值；划分后容量时间序列记为V1、V2、...、Vt-2、Vt-1、Vt，第t个呼吸周期的容量波形数据记为
Figure FDA0003726675020000023
其中
Figure FDA0003726675020000024
为第t个呼吸周期中第n个数据采样点对应的容量值；流速时间序列F1、F2、...、Ft-2、Ft-1、Ft，第t个呼吸周期的流速波形数据记为
Figure FDA0003726675020000025
其中
Figure FDA0003726675020000026
为第t个呼吸周期中第n个数据采样点对应的流速值；Inspt为第t个呼吸周期的吸气时间、Expt为第t个呼吸周期的呼气时间。
4.根据权利要求1所述一种机械通气分析预警方法，其特征在于：所述生命安全异常事件包括漏气事件、气道回路梗阻事件、气体陷闭事件；机械通气质量异常事件包括管路存在冷凝水、吸痰、CPR；人机不同步异常事件的周期不同步事件包括流速饥饿、提前切换、延迟切换、超射；人机不同步异常事件的频率不同步事件包括自动触发、无效触发、反向触发、重复触发；三大类异常事件的内部事件的监测采用并行监测方式。
5.根据权利要求1所述一种机械通气分析预警方法，其特征在于：所述多层级决策模型由生命安全异常事件决策树作为第一层、机械通气质量异常事件决策树作为第二层、人机不同步异常事件决策树作为第三层构成，决策树内部选择偏好监测的波形数据，通过数学计算公式、拟合波形曲线判断函数特征、基于规则阈值方式建立完整的逻辑判断规则，将波形形态特征和变化规律与异常事件的表现特征建立对应关系，以此进行具体异常事件的识别与划分。
6.根据权利要求4所述一种机械通气分析预警方法，其特征在于：所述生命安全异常事件中漏气事件与气体陷闭事件的监测具体包括如下步骤：
选择容量时间序列、流速时间序列进行异常事件判定：
S1：首先根据流速时间序列F1、F2、...、Ft-2、Ft-1、Ft进行判断，依据为Ft是否在呼气末流速值归零即
Figure FDA0003726675020000031
S2：假若流速值在呼气末归零，则跳转到S4步；
S3：反之流速值在呼气末并未归零，继续按照Expt＝0进行判断：若Expt＝0成立，则跳转到S4步，否则跳转到S5步；
S4：再根据容量时间序列V1、V2、...、Vt-2、Vt-1、Vt进行判断，依据为Vt是否在呼吸末呈现垂直降落趋势，并且满足
Figure FDA0003726675020000032
两个条件都满足则跳转到S6步，否则终止监测；
S5：至少三个呼吸周期Ft-2、Ft-1、Ft的呼气末流速值并未归零即
Figure FDA0003726675020000033
则此时机械通气治疗过程中可能发生气体陷闭事件，将判定为生命安全异常事件发生；
S6：至少三个呼吸周期Vt-2、Vt-1、Vt满足S4中两个条件，则此时机械通气治疗过程中可能发生漏气事件，将判定为生命安全异常事件发生。
7.根据权利要求4所述一种机械通气分析预警方法，其特征在于：所述机械通气质量异常事件中管路冷凝水事件的监测具体包括如下步骤：
选择流速时间序列进行异常事件判定：
首先根据流速时间序列F1、F2、...、Ft-2、Ft-1、Ft进行判断：计算呼气相中Ft的一阶差分Ft′与二阶差分Ft″；其中
Figure FDA0003726675020000034
Figure FDA0003726675020000035
二阶差分
Figure FDA0003726675020000036
Figure FDA0003726675020000037
根据一阶与二阶差分确定呼气相中局部极大值与局部极小值的位置与个数；
将流速时间序列F1、F2、...、Ft-2、Ft-1、Ft按照在呼气相中先上升后下降的波动规律，依据相邻的极小值位置值-极大值位置值，得到每次波动的持续时间，若震荡频次大于预先设定的规则阈值且每次震荡持续时间小于预先设定的规则阈值，则此时机械通气设备管路中可能存在冷凝水事件，判定为机械通气质量异常事件发生。
8.根据权利要求4所述一种机械通气分析预警方法，其特征在于：人机不同步异常事件判定具体包括如下步骤：
S1：根据机械通气周期与频率定义规则，机械通气周期与频率模块进一步将监测数据划分为周期不同步或者频率不同步，若为周期不同步，根据周期不同步子决策树进行周期不同步异常事件的识别与划分；若为频率不同步，根据频率不同步子决策树进行频率不同步异常事件的识别与划分；
S2：将人机不同步指数AI大于设定阈值(10％)认定为人机不同步严重事件：
Figure FDA0003726675020000041
统计监测时间内呼吸周期总数，其中包括机械呼吸周期与自主呼吸周期总数、人机不同步事件发生的呼吸周期数、无效触发事件发生的呼吸周期总数。通过上述公式计算，若人机不同步指数超过设定阈值时会进行相关报警推送；
所述人机不同步异常事件中流速饥饿异常事件与重复触发异常事件的监测具体包括如下步骤：
选择压力时间序列进行异常事件判定：
S1：流速饥饿异常事件执行周期不同步子决策树S2；重复触发异常事件执行频率不同步子决策树S5；
S2：首先根据压力时间序列P1、P2、...、Pt-2、Pt-1、Pt进行判断，依据为压力时间序列在吸气相呈现“凹陷”状态，将波形的表现特征转换成数学表述形式：计算吸气相中Pt的一阶差分Pt′与二阶差分Pt″；其中
Figure FDA0003726675020000042
Figure FDA0003726675020000043
二阶差分
Figure FDA0003726675020000044
Figure FDA0003726675020000045
S3：若吸气相压力时间序列的二阶差分非负，压力波形拟合曲线近似满足凹函数的特征，则此时机械通气治疗过程中可能发生流速饥饿事件，将判定为人机不同步异常事件发生，跳转到S6步；
S4：若吸气相压力时间序列的二阶差分存在异常值变化的点，表示在吸气相压力值上升的速度发生了变化，以异常值点作为分割点，若前后两段波形拟合曲线近似满足凸函数特征，则此时机械通气治疗过程中可能发生流速饥饿事件，将判定为人机不同步异常事件发生，跳转到S6步；
S5：若Expt＝0成立或者Expt≤0.5*mean(Insp1，...，Inspt)，即呼气时间小于平均吸气时间的一半，则此时机械通气治疗过程中可能发生重复触发事件，将判定为人机不同步异常事件发生，跳转到S6步；
S6：根据人机不同步指数AI计算公式得到人机不同步指数，当数值超过设定阈值时进行相关报警推送。
9.根据权利要求1所述一种机械通气分析预警方法，其特征在于：所述线性拟合的特征序列并行监测呼吸系统力学变化，呼吸系统力学变化监测相对于生命安全异常事件、机械通气质量异常事件、人机不同步异常事件将独立并行监测，主要包括如下操作步骤：
S1：根据多模型集成架构的多条件区间划分，选择机器触发的触发方式；
S2：根据多模型集成架构的多条件区间划分，选择控制通气的通气类型；
S3：根据多模型集成架构的多条件区间划分；进行容量控制类型、压力控制类型判断；
S4：执行顺应性变化趋势识别：
S4_1：在容量控制通气模式下，表示顺应性趋势的特征序列记为：
Figure FDA0003726675020000051
第m个呼吸周期的平台压
Figure FDA0003726675020000052
基于呼气相开始位置，将压力波形骤降后呈现平稳趋势区间内所有压力采样点数据值的平均值作为此呼吸周期的平台压值；
第m个呼吸周期的呼气末正压Peepm为：基于呼气相结束位置，将呼气相结束位置前压力波形呈现平稳趋势区间内所有压力采样点数据值的平均值作为此呼吸周期的peep值；
所述的平稳趋势区间为一阶差分值中上下波动幅度不超过0.1的连续区间。
PΔ2与顺应性值成反比关系，将PΔ2特征序列进行线性拟合后，拟合曲线可反映顺应性的变化趋势；
S4_2：在压力控制通气模式下，表示顺应性趋势的特征序列，有效吸气时间序列记为：
Δt＝[Δt1，Δt2，...，Δtm，...，Δtz]；
流速峰值夹角序列记为：
θ＝[θ1，θ2，...，θm，...，θz]；
Δt和θ与顺应性值成正相关关系，将Δt特征序列与θ特征序列分别进行线性拟合后，拟合曲线可反映顺应性的变化趋势；
S5：执行气道阻力变化趋势识别：
S5_1：在容量控制通气模式下，表示气道阻力趋势的特征序列记为：
Figure FDA0003726675020000061
第m个呼吸周期的峰值压
Figure FDA0003726675020000062
为：基于吸气相开始到呼气相结束，所有压力采样点数据值的最大值作为此呼吸周期的峰值压；
第m个呼吸周期的平台压
Figure FDA0003726675020000063
为：基于呼气相开始位置，将压力波形骤降后呈现平稳趋势区间内所有压力采样点数据值的平均值作为此呼吸周期的平台压值；
所述的平稳趋势区间为一阶差分值中上下波动幅度不超过0.1的连续区间。
PΔ1与气道阻力值成正比关系，将PΔ1特征序列进行线性拟合后，拟合曲线可反映气道阻力的变化趋势；
S5_2：在压力控制通气模式下，表示气道阻力趋势的特征序列，流速的峰值序列记为：
Figure FDA0003726675020000064
第m个呼吸周期流速的峰值
Figure FDA0003726675020000071
为：基于吸气相开始到呼气相结束，所有流速采样点数据值的最大值作为此呼吸周期的流速峰值；
fpeak与气道阻力值成反比关系，将fpeak特征序列进行线性拟合后，拟合曲线可用来反映气道阻力的变化趋势；
S6：执行呼吸系统动态变化分析，若趋势曲线出现以下情况，则判定为呼吸系统力学变化异常事件：
在容量控制通气模式下，单位时间内反映顺应性的变化趋势曲线在某一时刻呈现连续上升趋势，且上升幅度为该时刻对应值的8％时：
在压力控制通气模式下，单位时间内两条反映顺应性的变化趋势曲线在某一时刻呈现连续下降趋势，且下降幅度为该时刻对应值的4％时：
在容量控制通气模式下，单位时间内反映气道阻力的变化趋势曲线在某一时刻呈现连续上升趋势，且上升幅度为该时刻对应值的8％时；
在压力控制通气模式下，单位时间内反映气道阻力的变化趋势曲线在某一时刻呈现连续下降趋势，且下降幅度为该时刻对应值的6％时。
10.一种机械通气分析预警系统，其特征在于：包括：
数据获取模块，用于实时采集、同步解析机械通气的监测数据并进行数据质量分析；
数据预处理模块，在监测数据质量合格的情况下，用于进行呼吸周期、触发方式、通气类型、控制模式的多条件区间划分；
事件监测模块，用于根据多条件区间划分后的监测数据，建立多层级决策模型进行生命安全异常事件、机械通气质量异常事件、人机不同步异常事件的自动监测；基于多条件区间划分后的特定子条件，根据线性拟合的特征序列并行监测呼吸系统力学变化；
事件预警模块，用于按照生命安全异常事件、机械通气质量异常事件、人机不同步异常事件的报警层级设置推送预警信息，同时并行推送呼吸系统力学变化异常事件预警信息。
CN202210768956.0A 2022-07-01 2022-07-01 一种机械通气分析预警方法及系统 Pending CN115200911A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210768956.0A CN115200911A (zh) 2022-07-01 2022-07-01 一种机械通气分析预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210768956.0A CN115200911A (zh) 2022-07-01 2022-07-01 一种机械通气分析预警方法及系统

Publications (1)

Publication Number Publication Date
CN115200911A true CN115200911A (zh) 2022-10-18

Family

ID=83579055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210768956.0A Pending CN115200911A (zh) 2022-07-01 2022-07-01 一种机械通气分析预警方法及系统

Country Status (1)

Country Link
CN (1) CN115200911A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116832285A (zh) * 2023-09-01 2023-10-03 吉林大学 基于云平台的呼吸机运行异常监测预警系统
CN117032054A (zh) * 2023-10-09 2023-11-10 北京惠朗时代科技有限公司 基于人工智能的工业设备控制方法
CN117688505A (zh) * 2024-02-04 2024-03-12 河海大学 一种植被大范围区域化负异常的预测方法及系统
CN117782364A (zh) * 2024-02-28 2024-03-29 西瑞思创(西安)实验仪器有限公司 一种高通量自动材料快筛反应器的实时监测方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116832285A (zh) * 2023-09-01 2023-10-03 吉林大学 基于云平台的呼吸机运行异常监测预警系统
CN116832285B (zh) * 2023-09-01 2023-11-07 吉林大学 基于云平台的呼吸机运行异常监测预警系统
CN117032054A (zh) * 2023-10-09 2023-11-10 北京惠朗时代科技有限公司 基于人工智能的工业设备控制方法
CN117032054B (zh) * 2023-10-09 2023-12-26 北京惠朗时代科技有限公司 基于人工智能的工业设备控制方法
CN117688505A (zh) * 2024-02-04 2024-03-12 河海大学 一种植被大范围区域化负异常的预测方法及系统
CN117688505B (zh) * 2024-02-04 2024-04-19 河海大学 一种植被大范围区域化负异常的预测方法及系统
CN117782364A (zh) * 2024-02-28 2024-03-29 西瑞思创(西安)实验仪器有限公司 一种高通量自动材料快筛反应器的实时监测方法及系统
CN117782364B (zh) * 2024-02-28 2024-05-03 西瑞思创(西安)实验仪器有限公司 一种高通量自动材料快筛反应器的实时监测方法及系统

Similar Documents

Publication Publication Date Title
CN115200911A (zh) 一种机械通气分析预警方法及系统
JP6564318B2 (ja) リアルタイム肺メカニクスを評価するためのシステム
CN109998482B (zh) 睡眠状况的检测
JP6199330B2 (ja) 酸素測定信号を用いるチェーンストークス呼吸パターンの識別
CN109893732B (zh) 一种基于循环神经网络的机械通气人机不同步检测方法
JP6960929B2 (ja) 中心静脈圧マノメトリの使用を介した呼吸パラメーター推定及び非同調検出アルゴリズムの強化
CN112675393B (zh) 一种呼吸机撤机管理系统及方法
JP6956640B2 (ja) 睡眠呼吸障害のスクリーニング、診断および監視のためのシステムおよび方法
Bozkurt et al. Detection of abnormal respiratory events with single channel ECG and hybrid machine learning model in patients with obstructive sleep apnea
CN111563451B (zh) 基于多尺度小波特征的机械通气无效吸气努力识别方法
US11110239B2 (en) Cough detection in a respiratory support system
CN101087559A (zh) 从呼吸信号中检测和区别呼吸模式的方法
CN108135493A (zh) 用于通气机械参数估计的异常检测设备和方法
Otero et al. Algorithms for the analysis of polysomnographic recordings with customizable criteria
CN111227792B (zh) 呼吸暂停的检测方法、系统、电子设备及存储介质
EP2445561A1 (en) Integrated pulmonary index for weaning from mechanical ventilation
Le et al. Prediction of sleep apnea episodes from a wireless wearable multisensor suite
Ankitha et al. Literature review on sleep APNEA analysis by machine learning algorithms using ECG signals
Ozdemir et al. A time-series approach to predict obstructive sleep apnea (OSA) Episodes
CN111227793A (zh) 呼吸暂停的识别方法、系统、电子设备及存储介质
Avcı et al. Comparison of the ANN based classification accuracy for real time sleep apnea detection methods
Ozdemir et al. An early warning algorithm to predict obstructive sleep apnea (OSA) episodes
Sunil et al. Analysis of OSA syndrome from PPG signal using CART-PSO classifier with time domain and frequency domain features
KR102075688B1 (ko) 환자의 상태 정보를 기초로 자율 구동되는 인공 지능형 의료용 석션기 및 인공 지능형 의료용 석션기의 제어 방법
Odame et al. Inferring copd severity from tidal breathing

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