CN115919287A - 一种基于智能算法的呼吸监测预测方法及呼吸机 - Google Patents

Abstract

本发明公开了一种基于智能算法的呼吸监测预测方法，该方法包括：获取用户睡眠数据和个人信息，包括用户性别、年龄、呼吸流量、血氧饱和度、鼾声；基于CNN‑LightGBM模型建立睡眠呼吸模型并进行模型训练，通过呼吸机监测数据结合预测模型提前预测阻塞性睡眠呼吸暂停的发生，采用模糊PID方法阶梯化调节呼吸机流量，实现了阻塞性睡眠呼吸暂停的提前预测，通过阶梯通过缓慢增加气流量解决了现有技术中突然增大气流量导致给用户较大的冲击，从而影响用户睡眠连续性的问题，并且通过了提前干预，减小了用户由于阻塞性睡眠呼吸暂停发生后才进行干预而造成的高血压、心律失常、心肺功能衷竭等严重后果。

Description

一种基于智能算法的呼吸监测预测方法及呼吸机

技术领域

本发明涉及医疗器械领域，尤其是一种基于智能算法的呼吸监测预测方法及呼吸机。

背景技术

睡眠可以较好地反映人体健康状况以及心理状态，对睡眠的持续监测可以很好地发现相关疾病并提前开始治疗，从而提高居民健康水平。睡眠呼吸疾病是危害人类健康的常见病，典型的包括睡眠呼吸暂停低通气综合征、睡眠相关的低通气症和睡眠相关低氧血症等。根据流行病学研究显示，成年人群体中，呼吸睡眠疾病的患病率为2％～4％，其中有42.7％的人患有呼吸睡眠障碍。随着睡眠科学研究的延伸、普及以及微电子技术、低功耗无线通信技术的发展，如何在自然状态下，以低生理、心理负荷的形态，长时间连续、可靠、准确地监测呼吸睡眠生理信号成为睡眠呼吸监测设备的重点发展方向，基于新型便携式睡眠监测设备的慢病管理平台及系统对患者的临床诊疗以及生活质量的提高具有重大意义。

现在市场上常见的自动呼吸机分为两种，一种是单水平呼吸机，一种是双水平呼吸机。单水平呼吸机能够持续的输出一个恒定压力，当患者吸气和呼气时，呼吸机都持续维持在一个压力工作模式的呼吸机。双水平呼吸机是为患者提供两个不同的气道正压。自动呼吸机的治疗流量可根据患者情况进行调节，比如患者入睡的时候，因为还没进入深睡期，气道发生阻塞情况相对深睡期较轻，需要的治疗流量也相对小一些，等到进入深睡眠，气道发生塌陷更严重，需要更大的压力帮助撑开气道，于是呼吸机会自动调整为一个更大的压力。目前市场占有率最高的也是这一种模式的呼吸机。

因此，现有技术中存在如下问题：呼吸机在检测到睡眠中呼吸暂停时，会自动调整增大气流量，而突然增大气流量会导致给用户较大的冲击，从而从睡梦中醒来，因此，本发明通过对呼吸的检测预测，提前预测用户呼吸异常的情况，通过缓慢增加气流量来解决上述问题。并且通过了提前干预，减小了用户由于阻塞性睡眠呼吸暂停发生后才进行干预而造成的高血压、心律失常、心肺功能衷竭等严重后果。

发明内容

(一)解决的技术问题

为了解决上述技术问题，本发明提供一种基于智能预测算法的呼吸监测预测方法以及呼吸机，该方法通过神经网络和LightGBM结合的预测算法实现了对阻塞性睡眠呼吸暂停发生的预测，并通过阶梯调节呼吸机流量，实现对阻塞性睡眠呼吸暂停的提前干预，并且减小了呼吸机流量调整对用户的冲击，保证用户的睡眠质量。

(二)技术方案

为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：

一种基于智能算法的呼吸监测预测方法，包括以下步骤：

S1：获取用户数据，包括睡眠数据和个人信息。睡眠数据包括呼吸流量、血氧饱和度、鼾声，个人信息包括性别和年龄。

S2：建立预测算法模型。具体为建立基于CNN-LightGBM的睡眠呼吸状态模型。

S3：根据睡眠数据预测呼吸阻塞程度。基于步骤S2建立的LightGBM模型，结合呼吸机采集的用户睡眠数据，对用户的呼吸阻塞程度进行预测。

S4：根据预测情况提前进行呼吸机流量调节。采用模糊PID方法阶梯化调节呼吸机流量，使呼吸机流量缓慢变化。

进一步地，步骤S1还包括：用户个人信息通过用户输入获得，睡眠信息通过相应的传感器测量获得，具体为：采用流量传感器监测用户呼吸流量；采用便携式血氧监测仪监测用户血氧饱和度；采用麦克风采集鼾声信号，并采用基于机器学习算法的鼾声检测方法，自动无监督的鼾声检测，从声音片段中提取相应特征，识别鼾声音频信息。

进一步地，步骤S2还包括：

S21：将步骤S1的数据进行归一化处理，采集的数据包括用户性别、年龄、呼吸流量、血氧饱和度、鼾声。归一化方法具体如下：

其中，μ和σ分别为数据的均值和标准差。

S22：构建卷积神经网络CNN获取数据特征值：

本发明的神经网络由输入层、卷积层、池化层、全连接层和输出层组成。

(1)选择网络参数

网络由1个输入层，2个卷积层，2个池化层，1个全连接层和1个输出层组成。

卷积层将输入数据通过卷积核对数据紧促卷积，解决了数据过拟合的问题，提高计算速度，具体为：

其中，a_i ^k为第i卷积核k的权重；x_xj为第j卷积核局部区域；w为卷积核的宽度。

全连接层对卷积层输出向量进行分析，并进行预测：

z＝w*x+b

(2)使用网络提取数据特征

通过两个卷积层和两个池化层进行两次卷积和两次池化，两次卷积都采用3*3的卷积方式将数据转换成不同大小的特征图，并通过池化之后得到新的特征图，之后使用Reshape进行数据重组。

S23：利用LightGBM算法对特征值进行提取和分类

将高维特征向量输入到LightGBM模型进行预测。将CNN模型得到的特征向量作为输入传送给LightGBM模型，由LightGBM进行预测。

采用GOSS算法，分裂时增益公式为：

其中，j为特征数，O为在决策树待分裂节点的训练集，g_i为梯度值，

为左叶子节点的数量，

为右叶子节点数量，a为大梯度样本采样比例，b为小梯度样本采样比例，A为大梯度样本集，B为小梯度样本集。

目标函数为：

其中，

为当前叶子节点样本总体方差，

分别为分裂后左右叶子节点的样本总体方差和。O、L、R分别表示当前叶子节点、左右叶子节点的样本集合，g_i表示第i个样本的梯度值。

简化上述目标函数为：

其中，n、m分别为左右两侧叶子节点的样本数，因此，对于N个弱学习器的LightGBM模型，某特征的总增益为：

节点分裂次数为：

其中，I表示某棵树中使用该特征进行节点分裂的次数。

分析两种特征重要性分析方法所得到的重要性排名，并根据排名顺序进行倒序筛选，分别构造不同特征组合的模型进行准确性分析，最后得到最优特征组合。

选择LightGBM模型学习率为0.1，最大深度为8，一个树上最大叶子数为25。

S24：模型训练

将历史数据输入模型训练，具体为：

将睡眠历史数据，包括呼吸流量、血氧饱和度、鼾声数据输入模型，截取历史数据中发生阻塞性睡眠呼吸暂停的时刻，以及睡眠呼吸暂停前的呼吸流量、血氧饱和度、鼾声数据；其中，发生阻塞性睡眠呼吸暂停的时刻是指口、鼻气流停止流通达10秒或更长时间的时刻。

将截取的数据输入神经网络，对模型进行训练，获取最优参数。

本发明还提供一种呼吸机，其具体包括：

数据获取模块：其用于获取用户数据，包括睡眠数据和个人信息。睡眠数据包括呼吸流量、血氧饱和度、鼾声，个人信息包括性别和年龄。

预测模型建立模块：其用于基于卷积神经网络结合LightGBM算法进行预测模型建立。通过卷积神经网络提取数据特征，将数据特征输入LightGBM模型实现预测。

模型训练模块：用于对预测模型建立模块建立的模型进行训练。具体为将睡眠历史数据，包括呼吸流量、血氧饱和度、鼾声数据输入模型，截取历史数据中发生阻塞性睡眠呼吸暂停的时刻，以及睡眠呼吸暂停前的呼吸流量、血氧饱和度、鼾声数据；其中，发生阻塞性睡眠呼吸暂停的时刻是指口、鼻气流停止流通达10秒或更长时间的时刻。获得最优的模型参数。

预测模块：用于使用模型训练模块训练好的模型结合呼吸机采集用户睡眠数据，对用户的呼吸阻塞程度进行预测。

流量调节模块：用于根据预测情况提前进行呼吸机流量调节。具体为采用模糊PID方法阶梯化调节呼吸机流量。

(三)有益效果

本发明通过呼吸机监测数据结合预测模型提前预测阻塞性睡眠呼吸暂停的发生，采用模糊PID方法阶梯化调节呼吸机流量，实现了阻塞性睡眠呼吸暂停的提前预测，通过阶梯通过缓慢增加气流量解决了现有技术中突然增大气流量导致给用户较大的冲击，从而影响用户睡眠连续性的问题，并且通过了提前干预，减小了用户由于阻塞性睡眠呼吸暂停发生后才进行干预而造成的高血压、心律失常、心肺功能衷竭等严重后果。

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是根据本申请实施例的基于智能算法的呼吸监测预测方法的流程图；

图2是根据本申请实施例的构建基于CNN-LightGBM的睡眠呼吸状态模型的示意图；

图3是根据本申请实施例的基于Leaf-wise策略的LightGBM算法叶子节点生成方式示意图；

图4是根据本申请实施例的调节呼吸机流量的示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

参见图1，基于智能算法的呼吸监测预测方法包括：

S1：获取用户数据，包括睡眠数据和个人信息。睡眠数据包括呼吸流量、血氧饱和度、鼾声，个人信息包括性别和年龄。

呼吸流量是最直观的检测呼吸的方式，也是目前大多数呼吸机检测用户睡眠状态所采用的指标，阻塞性睡眠呼吸暂停，一般是指每次发作时，口、鼻气流停止流通达10秒或更长时间，因此，通过检测用户口、鼻气流量来检测呼吸状态；

并且，当阻塞性睡眠呼吸暂停时，常常伴有血氧饱和度下降；

同时，当患者患有睡眠呼吸疾病，如阻塞性睡眠呼吸暂停时，临床表现常为打鼾并产生特殊的声音，因此可以通过鼾声来检测呼吸状态。

并且，阻塞性睡眠呼吸暂停低通气综合征与患者的年龄，性别也有一定的关系，因此，还需要获取用户的年龄和性别。

用户个人信息通过用户输入获得，睡眠信息通过相应的传感器测量获得，具体为：采用流量传感器监测用户呼吸流量；采用便携式血氧监测仪监测用户血氧饱和度；采用麦克风采集鼾声信号，并采用基于机器学习算法的鼾声检测方法，自动无监督的鼾声检测，从声音片段中提取相应特征，识别鼾声音频信息。

S2：建立预测算法模型

建立基于CNN-LightGBM的睡眠呼吸状态模型，具体如图2所示：

S21：将步骤S1的数据进行归一化处理，采集的数据包括用户性别、年龄、呼吸流量、血氧饱和度、鼾声。归一化方法具体如下：

其中，μ和σ分别为数据的均值和标准差。

S22：构建卷积神经网络CNN获取数据特征值：

本发明的神经网络由输入层、卷积层、池化层、全连接层和输出层组成。

(1)选择网络参数

网络由1个输入层，2个卷积层，2个池化层，1个全连接层和1个输出层组成。

卷积层将输入数据通过卷积核对数据紧促卷积，解决了数据过拟合的问题，提高计算速度，具体为：

其中，a_i ^k为第i卷积核k的权重；x_xj为第j卷积核局部区域；w为卷积核的宽度。

全连接层对卷积层输出向量进行分析，并进行预测：

z＝w*x+b

其中，w为网络权重，z为输出，x为输入，b为网络阈值。

(2)使用网络提取数据特征

通过两个卷积层和两个池化层进行两次卷积和两次池化，两次卷积都采用3*3的卷积方式将数据转换成不同大小的特征图，并通过池化之后得到新的特征图，之后使用Reshape进行数据重组。

卷积神经网络中全连接层是将数据的所有特征进行集成，这些特征经过多次卷积以及高度抽象化，具有非线性组合的特点，全连接层通过一种简单的学习方式来预测输出。但是当原始数据较少，或者数据质量较差时，上述学习就会陷入局部最优，因此需要引入更强的分器。

S23：利用LightGBM算法对特征值进行提取和分类

将高维特征向量输入到LightGBM模型进行预测。将CNN模型得到的特征向量作为输入传送给LightGBM模型，由LightGBM进行预测。

其核心为梯度提升树(GBDT)算法。传统的GBDT算法需要构建一定数量的决策树，划分最优分割点，并对特征值进行排序，这花费了大量的计算时间，降低了计算效率。同时随着目前所有解决问题所含数据量的增加，单一的GBDT算法的精度和计算效率无法满足需求，因此需要引入LightGBM算法。

在LightGBM算法中采用按叶生长策略，主要思想是每次分裂时，先在当前所有子叶中找到分裂增益最大的一个叶子，再进行下一步的搜索和分裂，如此循环。

按叶生长比按层生长策略的叶子分裂效率更高，能够较快达到预期目标，所得到的决策树有更好的预测效果，如图3所示，其中白色节点表示分裂增益最大的叶子节点。通过按叶生长策略，可以降低分裂误差，并且具有更快的训练速度，缓解过拟合的特点。

Leaf-wise策略生长树在每一层叶子节点分裂时，首先会找到最有训练价值的叶子节点，然后对其他叶子节点进行剪枝，这与传统策略的生长树相比，在相同树高的情况下，减小了需要消耗的资源，同时获得更高的精度。

对输入信息的特征进行特征筛选，并通过准确率来验证确定模型的最终输入。分别按照使用某个特征在分裂时的信息总增益以及使用特征在所有树中作为分裂次数进行特征重要度分析，并根据重要度排名进行特征筛选。

采用GOSS算法后，分裂时增益公式为：

其中，j为特征数，O为在决策树待分裂节点的训练集，g_i为梯度值，

为左叶子节点的数量，

为右叶子节点数量，a为大梯度样本采样比例，b为小梯度样本采样比例，A为大梯度样本集，B为小梯度样本集。

特征信息总增益是模型中每棵树的叶子节点分裂都是最大化样本总体方差减少的过程，对于当前节点而言，定义节点当前样本集合为O，期望遍历所有候选特征以及候选分裂点，找到一个特征j和对应的分裂点d，使得分裂当前节点后左右子节点上的样本总方差更小，也使分裂之前节点的均方误差与分裂以后左右子节点的样本均方误差和差值最大。

其中，

为当前叶子节点样本总体方差，

分别为分裂后左右叶子节点的样本总体方差和。O、L、R分别表示当前叶子节点、左右叶子节点的样本集合，g_i表示第i个样本的梯度值。

简化上述目标函数为：

其中，n、m分别为左右两侧叶子节点的样本数，因此，对于N个弱学习器的LightGBM模型，某特征的总增益为：

节点分裂次数为：

其中，I表示某棵树中使用该特征进行节点分裂的次数。

分析两种特征重要性分析方法所得到的重要性排名，并根据排名顺序进行倒序筛选，分别构造不同特征组合的模型进行准确性分析，最后得到最优特征组合。

选择LightGBM模型学习率为0.1，最大深度为8，一个树上最大叶子数为25。

S24：模型训练

将历史数据输入模型训练，具体为：

将睡眠历史数据，包括呼吸流量、血氧饱和度、鼾声数据输入模型，截取历史数据中发生阻塞性睡眠呼吸暂停的时刻，以及睡眠呼吸暂停前的呼吸流量、血氧饱和度、鼾声数据；其中，发生阻塞性睡眠呼吸暂停的时刻是指口、鼻气流停止流通达10秒或更长时间的时刻。

将截取的数据输入神经网络，对模型进行训练，获取最优参数。

LightGBM算法通过以下几个方面提高了算法的高效性：

(1)将特征值划分为多个区间，在每个区间中选取对应的分割点，这样即提升了计算效率，同时避免了过拟合的现象；

(2)采用Leaf-wise生长策略，每生长一枚叶子时相比于传统的策略都可以减少损失，同时需要设定额外的参数避免过拟合的现象；

(3)使用特征捆绑方法，高维度数据中存在多个特征值，且特征值之间存在信息冗余问题，特征捆绑法将上述特征值放入稀疏空间中，降低计算复杂性。

S3：根据睡眠数据预测呼吸阻塞程度

基于步骤S2建立的LightGBM模型，结合呼吸机采集用户睡眠数据，对用户的呼吸阻塞程度进行预测。

采用分级方式将预测的呼吸阻塞程度分为十级，即0-10级，等级由阻塞程度轻至重依次增加。

S4：根据预测情况提前进行呼吸机流量调节

现有技术中，呼吸机在检测到睡眠中呼吸暂停时，会自动调整增大气流量，而突然增大气流量会导致给用户较大的冲击，从而从睡梦中醒来，导致用户睡眠连续性变差，因此，通过对通过步骤S3的预测，提前预测用户呼吸异常的情况，通过缓慢增加气流量来解决上述问题。

模糊控制最大的优点就是设计的时候不需要建立被控对象的数学模型，对那些具有时滞、非线性和时变的系统有很好的控制能力，而且模糊控制的鲁棒性很好，当系统的参数发生改变的时候，模糊控制能会好的修复并控制。模糊控制的缺点在于其不能消除稳态误差。PID控制的最大特点在于它的结构简单，对于线性系统很好的控制，并有稳定性好，可靠性高等特点。但是对于上述所说的滞后、非线性和时变的系统PID控制则不能很好的控制。所以两种控制方式都有其各自的优缺点，而且更重要的是它们的优点和缺点可以互补，因此，将模糊控制和PID控制想结合，产生新的控制算法来控制呼吸机流量。

采用模糊PID方法阶梯化调节呼吸机流量，调节呼吸机流量的方法如图4所示：

直接调节呼吸机流量到预定值会导致流量变化过快，从而导致用户在睡眠中收到快速变化的流量冲击，影响用户的睡眠状态，因此，采用阶梯化方式逐渐调节流量到预定值，阶梯变化的时间由预测呼吸阻塞提前时间决定。

本发明实施例还提出一种基于智能算法的呼吸监测预测方法的呼吸机，其具体包括：

数据获取模块：其用于获取用户数据，包括睡眠数据和个人信息。睡眠数据包括呼吸流量、血氧饱和度、鼾声，个人信息包括性别和年龄。

预测模型建立模块：其用于基于卷积神经网络结合LightGBM算法进行预测模型建立。通过卷积神经网络提取数据特征，将数据特征输入LightGBM模型实现预测。

模型训练模块：用于对预测模型建立模块建立的模型进行训练。具体为将睡眠历史数据，包括呼吸流量、血氧饱和度、鼾声数据输入模型，截取历史数据中发生阻塞性睡眠呼吸暂停的时刻，以及睡眠呼吸暂停前的呼吸流量、血氧饱和度、鼾声数据；其中，发生阻塞性睡眠呼吸暂停的时刻是指口、鼻气流停止流通达10秒或更长时间的时刻。获得最优的模型参数。

预测模块：用于使用模型训练模块训练好的模型结合呼吸机采集用户睡眠数据，对用户的呼吸阻塞程度进行预测。

流量调节模块：用于根据预测情况提前进行呼吸机流量调节。具体为采用模糊PID方法阶梯化调节呼吸机流量。

以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

1.一种基于智能算法的呼吸监测预测方法，，其特征在于包括以下步骤：

S1：获取用户数据，包括睡眠数据和个人信息；睡眠数据包括呼吸流量、血氧饱和度、鼾声，个人信息包括性别和年龄；

S2：建立预测算法模型；具体为建立基于CNN-LightGBM的睡眠呼吸状态模型；

S3：根据睡眠数据预测呼吸阻塞程度；基于步骤S2建立的LightGBM模型，结合呼吸机采集的用户睡眠数据，对用户的呼吸阻塞程度进行预测；

S4：根据预测情况提前进行呼吸机流量调节；采用模糊PID方法阶梯化调节呼吸机流量，使呼吸机流量缓慢变化。

2.根据权利要求1所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S1还包括：用户个人信息通过用户输入获得，睡眠信息通过相应的传感器测量获得，具体为：采用流量传感器监测用户呼吸流量；采用便携式血氧监测仪监测用户血氧饱和度；采用麦克风采集鼾声信号，并采用基于机器学习算法的鼾声检测方法，自动无监督的鼾声检测，从声音片段中提取相应特征，识别鼾声音频信息。

3.根据权利要求1所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S2还包括：S21：将步骤S1的数据进行归一化处理；采集的数据包括用户性别、年龄、呼吸流量、血氧饱和度、鼾声；S22：构建卷积神经网络CNN获取数据特征值；S23：利用LightGBM算法对特征值进行提取和分类、S24：将历史数据输入模型，对模型进行训练。

4.根据权利要求3所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S21中归一化处理具体如下：

其中，μ和σ分别为数据的均值和标准差。

5.根据权利要求3所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S22中还包括：选择网络参数，网络由1个输入层，2个卷积层，2个池化层，1个全连接层和1个输出层组成。

6.根据权利要求4所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S22中还包括：使用网络提取数据特征，通过两个卷积层和两个池化层进行两次卷积和两次池化，两次卷积都采用3*3的卷积方式将数据转换成不同大小的特征图，并通过池化之后得到新的特征图，之后使用Reshape进行数据重组。

7.根据权利要求3所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S23包括：将高维特征向量输入到LightGBM模型进行预测；将神经网络模型得到的特征向量作为输入传送给LightGBM模型，由LightGBM进行预测；

采用GOSS算法，分裂时增益公式为：

其中，j为特征数，O为在决策树待分裂节点的训练集，g_i为梯度值，

为左叶子节点的数量，

为右叶子节点数量，a为大梯度样本采样比例，b为小梯度样本采样比例，A为大梯度样本集，B为小梯度样本集。

8.根据权利要求7所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S23还包括：

目标函数为：

其中，

为当前叶子节点样本总体方差，

分别为分裂后左右叶子节点的样本总体方差和；O、L、R分别表示当前叶子节点、左右叶子节点的样本集合，g_i表示第i个样本的梯度值；

其中，n、m分别为左右两侧叶子节点的样本数，因此，对于N个弱学习器的LightGBM模型，某特征的总增益为：

分析特征重要性分析方法所得到的重要性排名，并根据排名顺序进行倒序筛选，分别构造不同特征组合的模型进行准确性分析，最后得到最优特征组合。

9.根据权利要求8所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S24还包括：

将睡眠历史数据，包括呼吸流量、血氧饱和度、鼾声数据输入模型，截取历史数据中发生阻塞性睡眠呼吸暂停的时刻，以及睡眠呼吸暂停前的呼吸流量、血氧饱和度、鼾声数据；其中，发生阻塞性睡眠呼吸暂停的时刻是指口、鼻气流停止流通达10秒或更长时间的时刻；

将截取的数据输入神经网络，对模型进行训练，获取最优参数。

10.一种如权利要求1-9任意项所述的基于智能算法的呼吸监测预测方法的呼吸机，其特征在于，所述呼吸机包括：

数据获取模块：其用于获取用户数据，包括睡眠数据和个人信息；睡眠数据包括呼吸流量、血氧饱和度、鼾声，个人信息包括性别和年龄；

预测模型建立模块：其用于基于卷积神经网络结合LightGBM算法进行预测模型建立；通过卷积神经网络提取数据特征，将数据特征输入LightGBM模型实现预测；

模型训练模块：用于对预测模型建立模块建立的模型进行训练；具体为将睡眠历史数据，包括呼吸流量、血氧饱和度、鼾声数据输入模型，截取历史数据中发生阻塞性睡眠呼吸暂停的时刻，以及睡眠呼吸暂停前的呼吸流量、血氧饱和度、鼾声数据；其中，发生阻塞性睡眠呼吸暂停的时刻是指口、鼻气流停止流通达10秒或更长时间的时刻；获得最优的模型参数；

预测模块：用于使用模型训练模块训练好的模型结合呼吸机采集用户睡眠数据，对用户的呼吸阻塞程度进行预测；

流量调节模块：用于根据预测情况提前进行呼吸机流量调节；具体为采用模糊PID方法阶梯化调节呼吸机流量。

Images