CN116438609A - 医疗通气设备及通气监测方法 - Google Patents

Abstract

一种医疗通气设备及通气监测方法，通气监测方法包括：获取至少一种能够表征患者发生人机对抗事件的参数数据，参数数据包括设备通气参数数据和患者生理参数数据中的至少一个类型；启用与至少一种参数数据相关联的算法模块，以获取患者在通气过程中的人机对抗事件的识别结果，其中，算法模块包括多个，不同算法模块基于至少一种参数数据形成的不同数据组合进行计算，以获取识别结果；根据不同算法模块各自获取到的识别结果，确定患者发生的人机对抗事件；输出患者发生的人机对抗事件。将通气监测方法应用于医疗通气设备中，能够更加准确地判断是否发生人机对抗事件。

Description

医疗通气设备及通气监测方法 技术领域

本发明涉及医疗设备领域，具体涉及医疗通气设备及通气监测方法

背景技术

病人-呼吸机对抗（patient-ventilator asynchrony），又称人机对抗，指的是在病人接受机械通气的过程中，通气设备（例如呼吸机）送气与病人自主呼吸之间存在的不同步的现象。人机对抗的发生会影响病人病情，造成病人不适，例如呼吸做功增加以及上机时间延长。人机对抗严重的话，会导致病人肺损伤加重、病死率增加等事故。因此，在病人使用呼吸机进行呼吸支持的过程中，识别出人机对抗现象，将这种现象提示给医护人员是非常重要的。

目前，识别人机对抗的方法是实时监测病人通气波形，并通过波形特征自动识别出病人身上发生的人机对抗现象。其中，监测的通气波形通常是气道压力、流速、容积这三道波形。该方式的监测对象固定，存在识别准确度不够高、能够识别的人机对抗类型受限制等缺点，且人机对抗的识别结果很容易受到波形信号强度以及监测质量的影响，不利于人机对抗的准确识别。

技术解决方案

根据第一方面，本发明提供了一种医疗通气设备，包括：

气源接口，用于连接气源；

患者接口，用于连接患者的呼吸系统；

呼吸回路，用于将气源接口和患者接口连通，以将气源提供的气体输送给患者；

呼吸辅助装置，用于提供呼吸支持动力，以控制气源提供的气体输送给患者;

处理器，用于获取至少一种能够表征患者发生人机对抗事件的参数数据，所述参数数据包括设备通气参数数据和患者生理参数数据中的至少一个类型；

所述处理器还用于在接收到所述参数数据时，启用与所述参数数据相关联的算法模块，以获取所述患者在通气过程中的人机对抗事件的识别结果；其中，所述算法模块包括多个，不同的算法模块基于至少一种参数数据形成的不同数据组合进行计算，以获取所述患者在通气过程中的人机对抗事件的识别结果；所述识别结果包括:识别到所述人机对抗事件或者未识别到所述人机对抗事件；

以及根据不同算法模块各自获取到的识别结果，确定并输出所述患者发生的人机对抗事件。

根据第二方面，本发明提供了一种通气监测方法，包括步骤：

获取至少一种能够表征患者发生人机对抗事件的参数数据，所述参数数据包括设备通气参数数据和患者生理参数数据中的至少一个类型；

启用与所述至少一种参数数据相关联的算法模块，以获取所述患者在通气过程中的人机对抗事件的识别结果，其中，所述算法模块包括多个，不同所述算法模块基于至少一种参数数据形成的不同数据组合进行计算，以获取识别结果，所述识别结果包括:识别到所述人机对抗事件或者未识别到所述人机对抗事件；

根据不同所述算法模块各自获取到的识别结果，确定所述患者发生的人机对抗事件；

输出所述患者发生的人机对抗事件。

根据第三方面，本发明提供了一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现上述任一方面所述的方法。

有益效果

上述实施例中，根据至少一种参数数据启用相应的算法模块，综合各算法模块的识别结果确定患者在通气过程中发生的人机对抗事件，相比现有方式：

（1）输出的人机对抗事件基于至少一种参数数据，故可识别更多的人机对抗类型。

（2）不同算法模块可采用不同的算法进行人机对抗识别，而后综合多个算法模块的识别结果来确认人机对抗事件，使得人机对抗事件的识别准确度也更高、鲁棒性更好。

附图说明

图1为一种实施例的医疗通气设备的示意图；

图2为一种实施例的算法模块和其数据组合的示意图；

图3为一种实施例的发生无效触发事件时相应参数数据的波形图；

图4为图3中无效触发事件发生时刻的气道压力波形和气道流速波形的波形特征图；

图5为一种实施例的发生双触发事件时相应参数数据的波形图；

图6为另一种实施例的发生无效触发事件时相应参数数据的波形图；

图7为又一种实施例的发生无效触发事件时相应参数数据的波形图；

图8为一种实施例的各类型人机对抗事件对应的判断模块的示意图；

图9为一种实施例的在波形上标记人机对抗事件的示意图；

图10为一种实施例的显示提示信息及人机对抗统计率的显示界面；

图11为一种实施例的通气监测方法的流程图；

10、气源接口；

20、呼吸辅助装置；

30、呼吸回路；30a、吸气通路；30b、呼气通路；

31、二氧化碳接收器；32、单向阀；

40、患者接口；

50、处理器；

60、参数测量装置；

70、显示器。

本发明的实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接（联接）。

目前，人机对抗识别的现有技术主要集中在识别气道压力或流速上的人机对抗特征，但是仅从压力或者流速判断是无法判断误触发以及反向触发的，而当流速或压力波形存在干扰时，则会影响其对无效触发和切换提前等事件判断的准确性。若主要采用跨膈压、膈肌电信号来判断人机对抗，则结果非常容易受到信号监测质量的影响。例如，跨膈压的监测需要用到食道压力和胃内压力测量附件，且需要将测量附件放置在病人体内合适的测量位置，压力监测结果是否准确以及是否稳定非常依赖于测量附件本身以及操作流程是否规范的影响。在监测信号的过程中，信号噪声的强度、病人不自主的吞咽、或体位的变化都容易引起结果的误判。同样的，膈肌电的监测也需要相应的测量附件及放置流程，若病人自主呼吸能力弱，则膈肌电信号强度低，信号周期特征不明显，会导致用于识别人机对抗的信号效果不佳。此外，仅依靠跨膈压或膈肌电，无法识别病人流速过小、压力上升时间慢等人机对抗事件。

本发明所称的参数数据，包括了模拟数据和数字数据等，其可以是结构化数据，也可以是非结构化数据，下文中所称信号也包含在了本发明所称的参数数据中。

本发明中所称的特征提取，包括了对信号或数据进行计算的过程，该计算包括了对信号进行运算，得到新的中间信号的过程，可能的方式包括基本的数学运算，例如信号相加、相减，以及各种形式的数学计算；从信号中提取出新的参数用来辅助人机对抗识别的判断，例如计算均值、方差、标准差、各阶中心矩、各阶标准矩等也属于特征提取的意义范畴；对信号进行各种预处理或后处理、例如滤波，归一化等、也属于特征提取意义范畴。

本发明中所称的二氧化碳模块，指的是用于监测二氧化碳浓度的模块，其监测原理大多是通过红外线吸收光谱技术，利用气体中二氧化碳浓度与吸收率的关系，计算患者呼出气体中二氧化碳浓度。

请参照图1所示的实施例，该实施例提供了一种医疗通气设备（例如呼吸机、麻醉机等），该医疗通气设备包括气源接口10、呼吸辅助装置20、呼吸回路30、患者接口40 和处理器50。

气源接口10用于与气源（图中未示出）连接，气源用以提供气体。该气体通常可采用氧气和空气等。一些实施例中，该气源可以采用压缩气瓶或中心供气源，通过气源接口10为医疗通气设备供气，供气种类有氧气O2和空气等。气源接口10中可以包括压力表、压力调节器、流量计、减压阀和比例调控保护装置等常规组件，分别用于控制各种气体（例如氧气和空气）的流量。气源接口10输入的气体进入呼吸回路30中，和呼吸回路30中原有的气体组成混合气体。

呼吸辅助装置20用于为患者的非自主呼吸提供动力，维持气道通畅，即将气源接口10输入的气体和呼吸回路30中的混合气体驱动到患者的呼吸系统，并将患者呼出的气体引流到呼吸回路30中，从而改善通气和氧合，防止患者机体缺氧和二氧化碳在患者体内蓄积。在具体实施例中，呼吸辅助装置20通常包括机控通气模块，机控通气模块的气流管道和呼吸回路30连通。在手术过程中的患者未恢复自主呼吸的状态下，采用机控通气模块为患者提供呼吸的动力。

呼吸回路30包括吸气通路30a、呼气通路30b和二氧化碳吸收器31，吸气通路30a和呼气通路30b连通构成一闭合回路，二氧化碳吸收器31设置在呼气通路30b的管路上。气源接口10引入的新鲜空气的混合气体由吸气通路30a的入口输入，通过设置在吸气通路30a的出口处的患者接口40提供给患者。患者接口40可以是面罩、鼻插管或气管插管。在较佳的实施例中，吸气通路30a上设置有单向阀32，该单向阀32在吸气相时打开，在呼气相时关闭。呼气通路30b也上设置有单向阀32，该单向阀32在吸气相时关闭，在呼气相时打开。呼气通路30b的入口和患者接口40连通，当患者呼气时，呼出的气体经呼气通路30b进入二氧化碳吸收器31中，呼出的气体中的二氧化碳被二氧化碳吸收器31中的物质滤除，滤除二氧化碳后的气体再循环进入吸气通路30a中。在有的实施例中，在呼吸回路30中还设置有流量传感器和/或压力传感器，分别用于检测气体流量和/或管路中的压力。

处理器50用于执行指令或程序，对呼吸辅助装置20、气源接口10和/或呼吸回路30中的各种控制阀进行控制，或对接收的数据进行处理，生成所需要的计算或判断结果，或者生成可视化数据或图形，并将可视化数据或图形输出给显示器70进行显示。

本实施例中，处理器50接收外部设备测量的至少一种能够表征患者发生人机对抗事件的参数数据，参数数据包括设备通气参数数据和患者生理参数数据中的至少一个类型。设备通气参数数据包括医疗通气设备本身设置的控制参数数据，也包括医疗通气设备本身监测到的与通气相关的参数数据，这些参数数据包括数值数据、波形数据等。同样的，生理参数数据也包括数值数据、波形数据等。例如，设备通气参数数据包括医疗通气设备的气道压力、气道流速和气体容积等中的至少一个，生理参数数据包括患者在通气过程中的食道压、胃内压、跨膈压、二氧化碳浓度、膈肌电等中的至少一个，上述外部设备可以是放置于患者体内的各类传感器或者设置在医疗通气设备上的各类插件或模块，例如放置于患者食道内的食道压传感器、用于测量二氧化碳浓度的二氧化碳模块等，在其他实施例中，医疗通气设备自身还可以包括参数测量装置60，用于获取上述参数数据。需要说明的是，本发明中，设备通气参数数据和患者生理参数是参数数据的两个类型，而气道压力等是一种参数数据，如果处理器50接收到外部设备测量得到的气道压力和气道流速，那么获取到的就是一个类型中的两种参数数据。

在接收到上述参数数据时，处理器50启用与接收到的参数数据相关联的算法模块，以获取患者在通气过程中的人机对抗事件的识别结果。其中算法模块包括多个，不同的算法模块基于至少一种参数数据形成的不同数据组合进行计算，以获取患者在通气过程中的人机对抗事件的识别结果。可将算法模块与其进行计算所基于的参数数据之间定义为相关联。上述数据组合指的是广义上的组合，只有一种参数数据时可以被称为数据组合，即算法模块可以基于只有一种参数数据的数据组合进行计算。一些实施例中，算法模块与其对应数据组合之间的关系如图2所示，其中，算法模块A对应的数据组合中只包括气道压力一种参数数据，算法模块D对应的数据组合则包括了气道压力和气体容积这两种参数数据。本实施例中，获取到的至少一种参数数据满足算法模块对参数数据的数据组合的要求时，处理器50才会启用相应的算法模块。例如以图2所示为例，如果处理器50获取到气道压力这一参数数据，那么就启用算法模块A，而不会基于气道压力启动算法模块B。在其他实施例中，数据组合对于参数数据的要求还包括对参数数据的有效性要求，同样以图2为例，如果处理器50获取到了气道压力，处理器50会对气道压力进行有效性的判断，如果气道压力为有效数据，则处理器50启用算法模块A。上述参数数据的有效性要求可以是数据范围以及周期性等要求，例如如果获取到的气道压力不在预设的范围内，则判断气道压力是不具备有效性的。

图2所示为参数数据形成的数据组合的一种方式，在其他实施例中，各算法模块的数据组合可以均包括气道流速和/或气道压力，或者是其他任意数目的参数数据的组合，使得人机对抗的特征更明显，更易获取。

上述算法模块可以是存储在存储器中相应的计算机程序，对算法模块的数量也可以做增减，算法模块也可以手动开启或关闭。算法模块基于参数数据计算得到识别结果可以包括识别到人机对抗事件或者未识别到人机对抗事件，也就是说，图2中的算法模块A能够根据气道压力并基于一定的计算方法判断人机对抗事件是否发生，算法模块C则能够根据气道压力和气道流速并基于一定的计算方法判断人机对抗事件是否发生。尽管算法模块A和算法模块C都用到了气道压力这一参数数据，但是算法模块A和算法模块C的计算方法可以是独立，也就是说，算法模块A和算法模块C的识别结果可以是独立的。

在一些实施例中，识别结果还包括所识别的人机对抗事件的类型，也就是说，算法模块A不但可以根据气道压力识别人机对抗事件是否发生，还根据可以气道压力识别发生的人机对抗是什么类型的。上述人机对抗的类型包括无效触发事件、双触发事件、误触发事件、反向触发事件、触发延迟事件、切换提前事件、切换延迟事件以及流速过小事件中的一种或多种。下文中以算法模块C和算法模块D 为例对算法模块如何获取上述识别结果进行说明。

如图3所示为处理器50根据气道压力和气道流速生成的相应的气道压力波形和气道流速波形。如果患者发生人机对抗事件，那么在气道压力波形和气道流速波形上会留下相应的“痕迹”，表现为波形特征会发生异常，并且，不同类型的人机对抗事件波形特征的异常表现不同。以无效触发事件为例，如图4所示为发生无效触发事件时的气道压力波形和气道流速波形的波形特征，在图4中上方的是气道压力波形，在图4中下方的是气道流速波形。如果在某一时刻同时出现气道流速波形的突然上升与气道压力波形的突然下降，且在波形变化中某些波形特征满足预设的阈值条件，则表示患者发生无效触发事件。上述波形特征可以包括波形的变化幅度、变化率（一阶导数）、二阶导数以及变化持续时间等。算法模块C对气道压力波形和气道流速波形进行特征提取，也就是对参数数据进行计算。如果提取后的特征满足预设的阈值条件，则算法模块C会得到患者发生无效触发事件的识别结果。一些实施例中，可以设定如果气道流速波形的波形特征和气道压力的波形特征同时满足相应的阈值条件时，算法模块C得到患者发生无效触发事件的识别结果。在另一些实施例中，也可以是气道流速波形的波形特征和气道压力的波形特征中的其中一个满足相应的阈值条件的一定时间范围内，另一个波形特征也满足相应的阈值条件时，算法模块C得到患者发生无效触发事件的识别结果。

图5中为处理器50根据气道压力和气体容积生成的相应的气道压力波形和气体容积波形。以双触发事件为例，算法模块D可根据得到的气道压力能够计算得到患者的呼吸周期的时长，如果在一个呼吸周期内患者的呼气时间过短并小于一个预设的阈值，则可认定在该呼吸周期内存在双触发事件。本实施例中，预设的阈值可以是多个相关的阈值条件共同限制得到的结果。例如，可以计算本次呼吸周期之前的多个（例如12个）呼吸周期的平均吸气时间、平均呼气时间，若本次呼吸周期的呼气时间小于平均吸气时间的一半、平均呼气时间的一半以及一个固定时间阈值（例如500ms）这三者之间的最小值，则算法模块D的识别结果为本次呼吸周期内发生双触发事件。除此之外，算法模块D还可以结合气体容积一同判断是否存在双触发事件。因为存在双触发事件的呼吸周期中会存在一个非常短的呼气阶段，从而导致病人呼出潮气量偏小，故算法模块D可根据得到的气体容积计算呼出潮气量和/或吸入潮气量，当识别到呼出潮气量小于一个阈值时（例如当前呼吸周期吸入潮气量的1/2），或者吸入潮气量减去呼出潮气量的结果大于IBW*k（IBW为理想体重，k为系数阈值，例如k=1ml/kg），则算法模块D的识别结果为发生双触发事件。

上面对算法模块如何获取人机对抗事件的识别结果进行了举例说明。其中，算法模块C除了能够识别无效触发事件外，也能够根据气道压力和气道流速识别其他类型的人机对抗事件。而对于某一种类型人机对抗事件，可以存在能够判断该类型的人机对抗事件是否发生的多个算法模块，例如，除了算法模块C外，算法模块E、算法模块G、算法模块H、算法模块I、算法模块K也可以识别到无效触发事件是否发生，其中，多个算法模块可以根据不完全相同的参数数据，采用不同的计算方式进行计算，基于此，上文以及下文中涉及到的阈值条件、阈值时间、阈值等根据算法模块的不同和/或所识别的人机对抗事件的类型不同，可以具有不同的设置值或预设值，这样可以避免不同算法模块重复同一判断逻辑（计算及判定方式）。本发明从不同的角度去识别人机对抗事件，使得识别结果鲁棒性更好，准确度更高。

例如，图6所示的实施例中，患者发生无效触发事件引起的气道压力变化幅度较小，如果只依靠气道压力去判断无效触发事件是否发生，可能会出现因气道压力的特征不够明显导致判断不准确。图6中还结合了食道压来共同判断无效触发事件是否发生。当患者存在自主呼吸时，患者的膈肌、肋间肌等呼吸肌肉主动收缩，引起胸膜腔内压力下降，而临床上将这种食道压的监测近似等同于监测患者的胸膜腔压力，故识别食道压的变化能够区分患者自主呼吸状态，图6中箭头对应时刻可以看出存在患者自主吸气引起的食道压变化，同时气道压力也存在微弱的压力幅度变化，这两处也是患者发生无效触发事件的时刻。本实施例中，通过识别到的食道压向下压力摆动的特征，可以得到患者自主吸气阶段的特征，结合该特征与识别到的气道压力的特征，可以一同来判断无效触发事件，即如果识别到气道压力出现关于无效触发事件的特征后的一段阈值时间内，又通过食道压的变化而检测到患者存在自主呼吸努力，那么可以判断患者发生了无效触发事件。可以设置两个算法模块分别基于气道压力和食道压获取人机对抗事件的识别结果，也可以如图2所示的实施例中，设置了算法模块E，该算法模块E能够根据气道压力和食道压综合判断人机对抗事件（例如无效触发事件）是否发生，从而提高了判断的准确性。

又例如，图7所示的实施例还结合了二氧化碳浓度这一参数数据来共同判断是否发生无效触发事件。在一些实施例中，可以通过外接的二氧化碳模块来对患者的二氧化碳浓度进行监测，患者处于呼气阶段时，可以看出二氧化碳波形曲线上升，当患者处于吸气阶段时，可以看出二氧化碳波形曲线下降。由此，当检测到二氧化碳波形存在明显的波形下降特征（例如下降幅度、下降持续时间满足一定阈值），则表示患者存在吸气努力，若此时医疗通气设备没有触发送气，则表示存在无效触发事件，图7中箭头对应时刻是发生无效触发事件的时刻。可见，通过二氧化碳波形特征来判断无效触发可以与原本的通过气道压力、气道流速、气体容积曲线等判断无效触发的方式结合起来，从而提高判断的准确性。通过算法模块对于二氧化碳波形进行特征提取，也就说对二氧化碳浓度的变化进行计算，能够检测到二氧化碳波形存在明显的波形下降特征，从而得到人机对抗事件的识别结果，例如，在图2所示的实施例中，启用了算法模块H，与其他算法模块共同判断无效触发事件是否发生。

处理器50还用于根据不同算法模块各自获取到的识别结果，确定患者发生的人机对抗事件，一些实施例中，依照类型的不同来区分患者发生的人机对抗事件，即确定患者发生了哪些类型的人机对抗事件。不同算法模块综合判断某一类型的人机对抗事件是否发生的示意图如图8所示，该图中各类型的人机对抗事件均具有对应的判断模块，各判断模块内均包括了能够识别该同一类型人机对抗事件的各算法模块，判断模块的输出结果是其对应的人机对抗事件发生或不发生，也就是说，判断模块根据能够识别同一类型人机对抗事件的各算法模块的识别结果,判断其对应类型的人机对抗事件是否发生，而患者发生了哪些类型的人机对抗事件，可根据各判断模块的输出结果确定，该输出结果又基于内部各算法模块的识别结果确定。例如，在无效触发判断模块中，一部分算法模块的识别结果可以是发生了无效触发事件，另一部分算法模块的识别结果可以是未发生无效触发事件，如果最终无效触发判断模块的输出结果是发生了无效触发事件，则表示处理器50所启用的算法模块综合判断的结果是患者发生了无效触发事件。其他类型的人机对抗事件对应的判断模块同样也会得到相应的输出结果，从而确定患者发生的各类型的人机对抗事件。

在一些实施例中，可以以如下方式确定判断模块的输出结果：

获取第一算法模块的可信度，其中，第一算法模块为识别结果为识别到人机对抗事件的算法模块，例如，无效触发判断模块中，算法模块C、算法模块E和算法模块G的识别结果为识别到了无效触发事件，则这三个算法模块被定义为第一算法模块，在其他实施例中，第一算法模块是识别出所在判断模块对应类型的人机对抗事件的算法模块。然后，根据各第一算法模块的可信度，判断各第一算法模块所识别的同一类型人机对抗事件是否发生，在本实施例中就是根据算法模块C、算法模块E和算法模块G的可信度判断无效触发事件是否发生，可信度可以与算法模块相关联的参数数据的信噪比、特征明确程度以及规律程度等的至少一个相关。例如，在用气道压力和气道流速进行无效触发事件的识别时，可以根据识别到的压力下降幅度、流速一阶导数变化幅度等特征大小，划分出该特征的明确程度，即压力下降幅度越大，流速一阶导数变化幅度越大，则特征明确程度越高，可信度越高。而在使用食道压或膈肌电这些患者生理信号进行人机对抗识别时，信号监测质量、信噪比等都会影响对应算法模块的可信度。例如，当检测到信号波动幅度较弱、或无规律周期运动时，则可信度低，反之，若信号波动大于一定阈值，且检测到最近一段时间内存在规律波动周期，则可信度高。

根据第一算法模块的可信度，处理器50可生成与第一算法模块的可信度对应的可信度评分，再结合第一算法模块对应的权重系数，对第一算法模块的可信度评分进行修正，得到修正的可信度评分，其中，对于不同类型的人机对抗事件，不同算法模块预先设置有对应的权重系数，例如，权重系数可以至少基于算法模块与人机对抗事件的类型的关联程度确定，比如，识别触发延迟事件时，考虑到一般情况下膈肌电信号会早于食道压信号，因此给予采用了膈肌电进行识别的算法模块更高的权重系数，这样做的好处是，可以尽可能根据临床共识、或者参数本质特征来一定程度修正算法结果，使算法结果更可信。根据修正的可信度评分，计算各第一算法模块的可信度评分之和，再判断可信度评分之和是否大于预设阈值，若大于预设阈值，则各第一算法模块所识别的同一类型人机对抗事件发生，否则，各第一算法模块所识别的同一类型人机对抗事件未发生。上述各第一算法模块的可信度评分之和，指的是同一个判断模块内的第一算法模块的可信度评分之和，如果该判断模块内的各第一算法模块的可信度评分之和大于预设阈值，则判断模块的输出结果是发生对应类型的人机对抗事件。

上述方式综合考虑了各第一算法模块识别结果的可信度，当判断模块内各第一算法模块的总的可信度满足一定条件时，判断模块的输出结果才是对应类型的人机对抗事件发生。

在另一些实施例中，根据第一算法模块与第二算法模块之间的比例和/或数量关系，判断各算法模块所识别的同一类型人机对抗事件是否发生，其中，第一算法模块为识别结果为识别到人机对抗事件的算法模块，第二算法模块为识别结果为未识别到人机对抗事件的算法模块。例如，在无效触发判断模块中，算法模块C、算法模块E和算法模块G的识别结果为识别到了无效触发事件，则这三个算法模块被定义为第一算法模块，算法模块H、算法模块I和算法模块K未识别到无效触发事件，则这三个算法模块是第二算法模块。本实例中，有三个第一算法模块，如果预先规定一个判断模块中，有两个以上的第一算法模块，则该判断模块的输出结果是发生对应类型的人机对抗事件，则无效触发判断模块的输出结果就是发生了无效触发事件。本实施例的优点在于，能够尽量避免误识别，因为过多的误识别会引发用户信息疲劳，削弱了原本的提示效果。

确定到患者发生的人机对抗事件后，处理器50还输出患者发生的人机对抗事件至显示器70或其他显示设备的显示界面上。

一些实施例中，处理器50将识别出的人机对抗事件标记在显示界面内对应参数数据波形的相应特征附近，例如，如图9所示，通过三角标符号和/或人机对抗名称的形式提示人机对抗事件的发生（Paw为气道压力、Pes为食道压），三角标符号用来指示人机对抗事件对应特征在波形上的位置，三角标符号下方的字符串表示该人机对抗事件的类型名称，（IE是无效触发事件的简写、DT是双触发事件的简写、RT是反向触发事件的简写）。标记方式还可以采用任何符号、颜色、字符串的形式来进行区分不同类型的人机对抗事件。这样的好处在于能够将人机对抗事件的类型与波形上的相应特征对应起来，有经验的医生可以直接从标记结果上判断识别结果的准确性，波形上的标记也与人机对抗事件发生率的监测值变化一致，医生可以清楚明白人机对抗发生率监测值的含义。对于一般的医护人员来说，也可以对照波形标注来进行学习，若不进行波形标注，只有人机对抗事件发生率的监测值，医生无法了解识别算法是否准确。在波形界面上直接标注结果的另一个好处是，不需要冻结波形，或者切换到其它界面，用户仍然可以观察到最新的通气波形，此外，不需要用户通过额外的操作来看到识别结果以及波形特征，方便易用。

在一些实施例中，如图10所示，根据人机对抗事件的识别结果，统计各类型的人机对抗事件的发生率。这种统计可以是统计最近一段时间内的发生率，也可以统计最近一定数量呼吸周期数中人机对抗事件的发生率。当其中某类型的人机对抗事件发生率高于一定阈值时，在主界面上特定区域提示用户该类型的人机对抗事件发生过多，并且给出操作建议。以无效触发为例，图10展示的是，监测到无效触发事件的发生率高于10%时的一种提示方式。该方式主要体现两个信息，第一个是提示用户发生过多的人机对抗事件的类型名称，第二个是给出操作建议，例如图10中的提示信息为根据当前通气参数中触发灵敏度阈值，提示用户降低阈值设置。

与现有技术相比，这样做的好处是，不在人机对抗发生时就提示给用户，而是当人机对抗发生率超过一定程度时才进行提示，因为频繁提示用户会造成用户信息或视觉疲劳。此外，与现有技术相比的另一个好处是，现有技术只基于监测参数异常来判断人机对抗事件，并给出操作提示（US9027552），而临床当中对于人机对抗的定义和识别却是基于波形特征的，本发明中的算法模块还对参数数据的波形进行特征提取来进行人机对抗判断，从而针对性地给出改善这种人机对抗的操作提示，与临床中医生操作更为接近，提示结果与指导信息也更有意义。

本发明还提供了一种通气监测方法，如图11所示，包括步骤：

步骤1000、获取至少一种能够表征患者发生人机对抗事件的参数数据。

参数数据包括设备通气参数数据和患者生理参数数据中的至少一个类型。例如，通气参数数据包括医疗通气设备的气道压力、气道流速和气体容积等中的至少一个，生理参数数据包括患者在通气过程中的食道压、胃内压、跨膈压、二氧化碳浓度、膈肌电等中的至少一个。需要说明的是，设备通气参数数据和患者生理参数是参数数据的两个类型，而气道压力等是一种参数数据，如果获取到气道压力和气道流速，那么获取到的就是一个类型中的两种参数数据。

上述参数数据能够通过外部设备测量得到，外部设备可以是放置于患者体内的各类传感器或者设置在医疗通气设备上的各类插件或模块，例如放置于患者食道内的食道压传感器、用于测量二氧化碳浓度的二氧化碳模块等，在其他实施例中，医疗通气设备自身还可以包括参数测量装置60，用于获取上述参数数据。

步骤2000、启用与至少一种参数数据相关联的算法模块，以获取患者在通气过程中的人机对抗事件的识别结果。其中，算法模块包括多个，不同的算法模块基于至少一种参数数据形成的不同数据组合进行计算，以获取患者在通气过程中的人机对抗事件的识别结果。

本步骤中，可将算法模块与其进行计算所基于的参数数据之间定义为相关联。上述数据组合指的是广义上的组合，只有一种参数数据时可以被称为数据组合，即算法模块可以基于只有一种参数数据的数据组合进行计算。一些实施例中，算法模块与其对应数据组合之间的关系如图2所示，其中，算法模块A对应的数据组合中只包括气道压力一种参数数据，算法模块D对应的数据组合则包括了气道压力和气体容积这两种参数数据。本实施例中，获取到的至少一种参数数据满足算法模块对参数数据的数据组合的要求时，才会启用相应的算法模块。例如以图2所示为例，如果获取到气道压力这一参数数据，那么就启用算法模块A，而不会基于气道压力启动算法模块B。在其他实施例中，数据组合对于参数数据的要求还包括对参数数据的有效性要求，同样以图2为例，如果获取到了气道压力，可对气道压力进行有效性的判断，如果气道压力为有效数据，则启用算法模块A。上述参数数据的有效性要求可以是数据范围以及周期性等要求，例如如果获取到的气道压力不在预设的范围内，则判断气道压力是不具备有效性的。

图2所示为参数数据形成的数据组合的一种方式，在其他实施例中，各算法模块的数据组合可以均包括气道流速和/或气道压力，或者是其他任意数目的参数数据的组合，使得人机对抗的特征更明显，更易获取。

上述算法模块可以是存储在存储器中相应的计算机程序，对算法模块的数量也可以做增减。算法模块基于参数数据计算得到识别结果可以包括识别到人机对抗事件或者未识别到人机对抗事件，也就是说，图2中的算法模块A能够根据气道压力并基于一定的计算方法判断人机对抗事件是否发生，算法模块C则能够根据气道压力和气道流速并基于一定的计算方法判断人机对抗事件是否发生。尽管算法模块A和算法模块C都用到了气道压力这一参数数据，但是算法模块A和算法模块C的计算方法可以是独立，也就是说，算法模块A和算法模块C的识别结果可以是独立的

在一些实施例中，识别结果还包括所识别的人机对抗事件的类型，也就是说，算法模块A不但可以根据气道压力识别人机对抗事件是否发生，还根据可以气道压力识别发生的人机对抗是什么类型的。上述人机对抗的类型包括无效触发事件、双触发事件、误触发事件、反向触发事件、触发延迟事件、切换提前事件、切换延迟事件以及流速过小事件中的一种或多种。下文中以算法模块C和算法模块D 为例对算法模块如何获取上述识别结果进行说明

如图3所示为根据气道压力和气道流速生成的相应的气道压力波形和气道流速波形。如果患者发生人机对抗事件，那么在气道压力波形和气道流速波形上会留下相应的“痕迹”，表现为波形特征会发生异常，并且，不同类型的人机对抗事件波形特征的异常表现不同。以无效触发事件为例，如图4所示为发生无效触发事件时的气道压力波形和气道流速波形的波形特征，在图4中上方的是气道压力波形，在图4中下方的是气道流速波形。如果在某一时刻同时出现气道流速波形的突然上升与气道压力波形的突然下降，且在波形变化中某些波形特征满足预设的阈值条件，则表示患者发生无效触发事件。上述波形特征可以包括波形的变化幅度、变化率（一阶导数）、二阶导数以及变化持续时间等。算法模块C对气道压力波形和气道流速波形进行特征提取，也就是对参数数据进行计算。如果提取后的特征满足预设的阈值条件，则算法模块C会得到患者发生无效触发事件的识别结果。一些实施例中，可以设定如果气道流速波形的波形特征和气道压力的波形特征同时满足相应的阈值条件时，算法模块C得到患者发生无效触发事件的识别结果。在另一些实施例中，也可以是气道流速波形的波形特征和气道压力的波形特征中的其中一个满足相应的阈值条件的一定时间范围内，另一个波形特征也满足相应的阈值条件时，算法模块C得到患者发生无效触发事件的识别结果。

图5中为根据气道压力和气体容积生成的相应的气道压力波形和气体容积波形。以双触发事件为例，算法模块D可根据得到的气道压力能够计算得到患者的呼吸周期的时长，如果在一个呼吸周期内患者的呼气时间过短并小于一个预设的阈值，则可认定在该呼吸周期内存在双触发事件。本实施例中，预设的阈值可以是多个相关的阈值条件共同限制得到的结果。例如，可以计算本次呼吸周期之前的多个（例如12个）呼吸周期的平均吸气时间、平均呼气时间，若本次呼吸周期的呼气时间小于平均吸气时间的一半、平均呼气时间的一半以及一个固定时间阈值（例如500ms）这三者之间的最小值，则算法模块D的识别结果为本次呼吸周期内发生双触发事件。除此之外，算法模块D还可以结合气体容积一同判断是否存在双触发事件。因为存在双触发事件的呼吸周期中会存在一个非常短的呼气阶段，从而导致病人呼出潮气量偏小，故算法模块D可根据得到的气体容积计算呼出潮气量和/或吸入潮气量，当识别到呼出潮气量小于一个阈值时（例如当前呼吸周期吸入潮气量的1/2），或者吸入潮气量减去呼出潮气量的结果大于IBW*k（IBW为理想体重，k为系数阈值，例如k=1ml/kg），则算法模块D的识别结果为发生双触发事件。

上面对算法模块如何获取人机对抗事件的识别结果进行了举例说明。其中，算法模块C除了能够识别无效触发事件外，也能够根据气道压力和气道流速识别其他类型的人机对抗事件。而对于某一种类型人机对抗事件，可以存在能够判断该类型的人机对抗事件是否发生的多个算法模块，例如，除了算法模块C外，算法模块E、算法模块G、算法模块H、算法模块I、算法模块K也可以识别到无效触发事件是否发生，其中，多个算法模块可以根据不完全相同的参数数据，采用不同的计算方式进行计算，基于此，上文以及下文中涉及到的阈值条件、阈值时间、阈值等根据算法模块的不同和/或所识别的人机对抗事件的类型不同，可以具有不同的设置值或预设值，这样可以避免不同算法模块重复同一判断逻辑（计算及判定方式）。本发明从不同的角度去识别人机对抗事件，使得识别结果鲁棒性更好，准确度更高。

例如，图6所示的实施例中，患者发生无效触发事件引起的气道压力变化幅度较小，如果只依靠气道压力去判断无效触发事件是否发生，可能会出现因气道压力的特征不够明显导致判断不准确。图6中还结合了食道压来共同判断无效触发事件是否发生。当患者存在自主呼吸时，患者的膈肌、肋间肌等呼吸肌肉主动收缩，引起胸膜腔内压力下降，而临床上将这种食道压的监测近似等同于监测患者的胸膜腔压力，故识别食道压的变化能够区分患者自主呼吸状态，图6中箭头对应时刻可以看出存在患者自主吸气引起的食道压变化，同时气道压力也存在微弱的压力幅度变化，这两处也是患者发生无效触发事件的时刻。本实施例中，通过识别到的食道压向下压力摆动的特征，可以得到患者自主吸气阶段的特征，结合该特征与识别到的气道压力的特征，可以一同来判断无效触发事件，即如果识别到气道压力出现关于无效触发事件的特征后的一段阈值时间内，又通过食道压的变化而检测到患者存在自主呼吸努力，那么可以判断患者发生了无效触发事件。可以设置两个算法模块分别基于气道压力和食道压获取人机对抗事件的识别结果，也可以如图2所示的实施例中，设置了算法模块E，该算法模块E能够根据气道压力和食道压综合判断人机对抗事件（例如无效触发事件）是否发生，从而提高了判断的准确性。

又例如，图7所示的实施例还结合了二氧化碳浓度这一参数数据来共同判断是否发生无效触发事件。在一些实施例中，可以通过外接的二氧化碳模块来对患者的二氧化碳浓度进行监测，患者处于呼气阶段时，可以看出二氧化碳波形曲线上升，当患者处于吸气阶段时，可以看出二氧化碳波形曲线下降。由此，当检测到二氧化碳波形存在明显的波形下降特征（例如下降幅度、下降持续时间满足一定阈值），则表示患者存在吸气努力，若此时医疗通气设备没有触发送气，则表示存在无效触发事件，图7中箭头对应时刻是发生无效触发事件的时刻。可见，通过二氧化碳波形特征来判断无效触发可以与原本的通过气道压力、气道流速、气体容积曲线等判断无效触发的方式结合起来，从而提高判断的准确性。通过算法模块对于二氧化碳波形进行特征提取，也就说对二氧化碳浓度的变化进行计算，能够检测到二氧化碳波形存在明显的波形下降特征，从而得到人机对抗事件的识别结果，例如，在图2所示的实施例中，启用了算法模块H，与其他算法模块共同判断无效触发事件是否发生。

步骤3000、根据不同算法模块各自获取到的识别结果，确定患者发生的人机对抗事件。

一些实施例中，步骤3000可以包括：

步骤3100、根据能够识别同一类型人机对抗事件的各算法模块的识别结果,判断各算法模块所识别的同一类型人机对抗事件是否发生。

在一些实施例中，如图8所示，该图中各类型的人机对抗事件均具有对应的判断模块，各判断模块内均包括了能够识别该同一类型人机对抗事件的各算法模块，判断模块的输出结果是其对应的人机对抗事件发生或不发生，也就是说，判断模块根据能够识别同一类型人机对抗事件的各算法模块的识别结果,判断其对应类型的人机对抗事件是否发生。基于此，步骤3100具体包括：

步骤3110、获取第一算法模块的可信度。其中，第一算法模块为识别结果为识别到人机对抗事件的算法模块，例如，无效触发判断模块中，算法模块C、算法模块E和算法模块G的识别结果为识别到了无效触发事件，则这三个算法模块被定义为第一算法模块，在其他实施例中，第一算法模块是识别出所在判断模块对应类型的人机对抗事件的算法模块。

步骤3120、根据各第一算法模块的可信度，判断各第一算法模块所识别的同一类型人机对抗事件是否发生。

在本实施例中就是根据算法模块C、算法模块E和算法模块G的可信度判断无效触发事件是否发生，可信度可以与算法模块相关联的参数数据的信噪比、特征明确程度以及规律程度等的至少一个相关。例如，在用气道压力和气道流速进行无效触发事件的识别时，可以根据识别到的压力下降幅度、流速一阶导数变化幅度等特征大小，划分出该特征的明确程度，即压力下降幅度越大，流速一阶导数变化幅度越大，则特征明确程度越高，可信度越高。而在使用食道压或膈肌电这些患者生理信号进行人机对抗识别时，信号监测质量、信噪比等都会影响对应算法模块的可信度。例如，当检测到信号波动幅度较弱、或无规律周期运动时，则可信度低，反之，若信号波动大于一定阈值，且检测到最近一段时间内存在规律波动周期，则可信度高。

一些实施例中，步骤3120可以包括：

根据第一算法模块的可信度，生成与第一算法模块的可信度对应的可信度评分。

结合第一算法模块对应的权重系数，对第一算法模块的可信度评分进行修正，得到修正的可信度评分。

其中，对于不同类型的人机对抗事件，不同算法模块预先设置有对应的权重系数，例如，权重系数可以至少基于算法模块与人机对抗事件的类型的关联程度确定，比如，识别触发延迟事件时，考虑到一般情况下膈肌电信号会早于食道压信号，因此给予采用了膈肌电进行识别的算法模块更高的权重系数，这样做的好处是，可以尽可能根据临床共识或者参数本质特征来一定程度修正算法结果，使算法结果更可信。

根据修正的可信度评分，计算各第一算法模块的可信度评分之和。

判断可信度评分之和是否大于预设阈值，若大于预设阈值，则各第一算法模块所识别的同一类型人机对抗事件发生，否则，各第一算法模块所识别的同一类型人机对抗事件未发生。

上述各第一算法模块的可信度评分之和，指的是同一个判断模块内的第一算法模块的可信度评分之和，如果该判断模块内的各第一算法模块的可信度评分之和大于预设阈值，则判断模块的输出结果是发生对应类型的人机对抗事件。

上述方式综合考虑了各第一算法模块识别结果的可信度，当判断模块内各第一算法模块的总的可信度满足一定条件时，判断模块的输出结果才是对应类型的人机对抗事件发生。

在另一些实施例中，步骤3100具体包括：根据第一算法模块与第二算法模块之间的比例和/或数量关系，判断各算法模块所识别的同一类型人机对抗事件是否发生，其中，第一算法模块为识别结果为识别到人机对抗事件的算法模块，第二算法模块为识别结果为未识别到人机对抗事件的算法模块。例如，在无效触发判断模块中，算法模块C、算法模块E和算法模块G的识别结果为识别到了无效触发事件，则这三个算法模块被定义为第一算法模块，算法模块H、算法模块I和算法模块K未识别到无效触发事件，则这三个算法模块是第二算法模块。本实例中，有三个第一算法模块，如果预先规定一个判断模块中，有两个以上的第一算法模块，则该判断模块的输出结果是发生对应类型的人机对抗事件，则无效触发判断模块的输出结果就是发生了无效触发事件。本实施例的优点在于，能够尽量避免误识别，因为过多的误识别会引发用户信息疲劳，削弱了原本的提示效果。

步骤3200、根据不同类型的人机对抗事件各自是否发生，确定患者发生的各类型的人机对抗事件。

患者发生了哪些类型的人机对抗事件，可根据各判断模块的输出结果确定，该输出结果又基于内部各算法模块的识别结果确定。

步骤4000、输出患者发生的人机对抗事件。

一些实施例中，将识别出的人机对抗事件标记在对应参数数据波形的相应特征附近，例如，如图9所示，通过三角标符号与人机对抗名称的形式提示人机对抗事件的发生，三角标符号用来指示人机对抗事件对应特征在波形上的位置，三角标符号下方的字符串表示该人机对抗事件的类型名称，（IE是无效触发事件的简写、DT是双触发事件的简写、RT是反向触发事件的简写）。标记方式还可以采用任何符号、颜色、字符串的形式来进行区分不同类型的人机对抗事件。这样的好处在于能够将人机对抗事件的类型与波形上的相应特征对应起来，有经验的医生可以直接从标记结果上判断识别结果的准确性，波形上的标记也与人机对抗事件发生率的监测值变化一致，医生可以清楚明白人机对抗发生率监测值的含义。对于一般的医护人员来说，也可以对照波形标注来进行学习，若不进行波形标注，只有人机对抗事件发生率的监测值，医生无法了解识别算法是否准确。在波形界面上直接标注结果的另一个好处是，不需要冻结波形，或者切换到其它界面，用户仍然可以观察到最新的通气波形，此外，不需要用户通过额外的操作来看到识别结果以及波形特征，方便易用。

在一些实施例中，如图10所示，根据人机对抗事件的识别结果，统计各类型的人机对抗事件的发生率。这种统计可以是统计最近一段时间内的发生率，也可以统计最近一定数量呼吸周期数中人机对抗事件的发生率。当其中某类型的人机对抗事件发生率高于一定阈值时，在主界面上特定区域提示用户该类型的人机对抗事件发生过多，并且给出操作建议。以无效触发为例，图10展示的是，监测到无效触发事件的发生率高于10%时的一种提示方式。该方式主要体现两个信息，第一个是提示用户发生过多的人机对抗事件的类型名称，第二个是给出操作建议，例如图10中的提示信息为根据当前通气参数中触发灵敏度阈值，提示用户降低阈值设置。

本发明根据至少一种参数数据，采用了多种算法模块，运用不同的算法对人机对抗事件进行综合分析判断，使得人机对抗事件的识别结果更加准确、鲁棒性更好。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本领域的一般技术人员，依据本发明的思想，可以对上述具体实施方式进行变化。

Claims (26)

1. 一种医疗通气设备，其特征在于，包括：

   气源接口，用于连接气源；

   患者接口，用于连接患者的呼吸系统；

   呼吸回路，用于将气源接口和患者接口连通，以将气源提供的气体输送给患者；

   呼吸辅助装置，用于提供呼吸支持动力，以控制气源提供的气体输送给患者;

   处理器，用于获取至少一种能够表征患者发生人机对抗事件的参数数据，所述参数数据包括设备通气参数数据和患者生理参数数据中的至少一个类型；

   所述处理器还用于在接收到所述参数数据时，启用与所述参数数据相关联的算法模块，以获取所述患者在通气过程中的人机对抗事件的识别结果；其中，所述算法模块包括多个，不同的算法模块基于至少一种参数数据形成的不同数据组合进行计算，以获取所述患者在通气过程中的人机对抗事件的识别结果；所述识别结果包括:识别到所述人机对抗事件或者未识别到所述人机对抗事件；

   以及根据不同算法模块各自获取到的识别结果，确定并输出所述患者发生的人机对抗事件。
2. 如权利要求1所述的医疗通气设备，其特征在于，启用与所述参数数据相关联的算法模块，包括：

   确定到所述获取到的至少一种参数数据满足算法模块对参数数据的数据组合的要求时，则启用所述算法模块。
3. 如权利要求2所述的医疗通气设备，其特征在于，所述数据组合对于参数数据的要求包括对参数数据的有效性要求。
4. 如权利要求1所述的医疗通气设备，其特征在于，所述算法模块的识别结果还包括所识别的人机对抗事件的类型。
5. 如权利要求4所述的医疗通气设备，其特征在于，所述人机对抗事件的类型包括无效触发事件、双触发事件、误触发事件、反向触发事件、触发延迟事件、切换提前事件、切换延迟事件以及流速过小事件中的一种或多种。
6. 如权利要求4所述的医疗通气设备，其特征在于，根据不同算法模块各自获取到的识别结果，确定所述患者发生的人机对抗事件，包括：

   根据能够识别同一类型人机对抗事件的各算法模块的识别结果,判断各算法模块所识别的同一类型人机对抗事件是否发生；

   根据不同类型的人机对抗事件各自是否发生，确定所述患者发生的各类型的人机对抗事件。
7. 如权利要求6所述的医疗通气设备，其特征在于，根据能够识别同一类型人机对抗事件的各算法模块的识别结果, 判断各算法模块所识别的同一类型人机对抗事件是否发生，包括：

   获取第一算法模块的可信度，其中，所述第一算法模块为识别结果为识别到所述人机对抗事件的算法模块；

   根据各所述第一算法模块的可信度，判断各第一算法模块所识别的同一类型人机对抗事件是否发生。
8. 如权利要求7所述的医疗通气设备，其特征在于，所述可信度与所述算法模块相关联的参数数据的信噪比、特征明确程度以及规律程度的至少一个相关。
9. 如权利要求7所述的医疗通气设备，其特征在于，根据各第一算法模块的可信度，判断各第一算法模块所识别的同一类型人机对抗事件是否发生，包括：

   生成与所述第一算法模块的可信度对应的可信度评分；

   结合所述第一算法模块对应的权重系数，对所述第一算法模块的可信度评分进行修正，得到修正的可信度评分，其中，对于不同类型的人机对抗事件，不同所述算法模块预先设置有对应的权重系数；

   根据所述修正的可信度评分，计算各第一算法模块的可信度评分之和；

   判断所述可信度评分之和是否大于预设阈值，若大于预设阈值，则各第一算法模块所识别的同一类型人机对抗事件发生，否则，各第一算法模块所识别的同一类型人机对抗事件未发生。
10. 如权利要求9所述的医疗通气设备，其特征在于，所述权重系数至少基于所述算法模块与人机对抗事件的类型的关联程度确定。
11. 如权利要求6所述的医疗通气设备，其特征在于，根据能够识别同一类型人机对抗事件的各算法模块的识别结果, 判断各算法模块所识别的同一类型人机对抗事件是否发生，包括：

    根据第一算法模块与第二算法模块之间的比例和/或数量关系，判断各算法模块所识别的同一类型人机对抗事件是否发生，其中，所述第一算法模块为识别结果为识别到所述人机对抗事件的算法模块，所述第二算法模块为识别结果为未识别到所述人机对抗事件的算法模块。
12. 如权利要求1所述的医疗通气设备，其特征在于，获取至少一种能够表征患者发生人机对抗事件的参数数据，包括：

    接收外部设备测量的所述参数数据，或者

    所述医疗通气设备还包括参数测量装置，获取至少一种能够表征患者发生人机对抗事件的参数数据，包括所述参数测量装置通过测量获取所述参数数据。
13. 如权利要求1所述的医疗通气设备，其特征在于，所述通气参数数据包括气道压力、气道流速和气体容积中的至少一个；

    所述生理参数数据包括食道压、胃内压、跨膈压、二氧化碳浓度、膈肌电中的至少一个。
14. 一种通气监测方法，其特征在于，包括步骤：

    获取至少一种能够表征患者发生人机对抗事件的参数数据，所述参数数据包括设备通气参数数据和患者生理参数数据中的至少一个类型；

    启用与所述至少一种参数数据相关联的算法模块，以获取所述患者在通气过程中的人机对抗事件的识别结果，其中，所述算法模块包括多个，不同所述算法模块基于至少一种参数数据形成的不同数据组合进行计算，以获取识别结果，所述识别结果包括:识别到所述人机对抗事件或者未识别到所述人机对抗事件；

    根据不同所述算法模块各自获取到的识别结果，确定所述患者发生的人机对抗事件；

    输出所述患者发生的人机对抗事件。
15. 如权利要求14所述的通气监测方法，其特征在于，启用与所述至少一种参数数据相关联的算法模块，包括：

    确定到至少一种参数数据满足所述算法模块的数据组合对于参数数据的要求时，则启用所述算法模块。
16. 如权利要求15所述的通气监测方法，其特征在于，所述数据组合对于参数数据的要求包括对参数数据的有效性要求。
17. 如权利要求14所述的通气监测方法，其特征在于，所述算法模块的识别结果还包括所识别的人机对抗事件的类型。
18. 如权利要求17所述的通气监测方法，其特征在于，所述人机对抗事件的类型包括无效触发事件、双触发事件、误触发事件、反向触发事件、触发延迟事件、切换提前事件、切换延迟事件以及流速过小事件中的一种或多种。
19. 如权利要求17所述的通气监测方法，其特征在于，根据不同所述算法模块各自获取到的识别结果，确定所述患者发生的人机对抗事件，包括：

    根据能够识别同一类型人机对抗事件的各算法模块的识别结果,判断各算法模块所识别的同一类型人机对抗事件是否发生；

    根据不同类型的人机对抗事件各自是否发生，确定所述患者发生的各类型的人机对抗事件。
20. 如权利要求19所述的通气监测方法，其特征在于，根据能够识别同一类型人机对抗事件的各算法模块的识别结果, 判断各算法模块所识别的同一类型人机对抗事件是否发生，包括：

    获取第一算法模块的可信度，其中，所述第一算法模块为识别结果为识别到所述人机对抗事件的算法模块；

    根据各所述第一算法模块的可信度，判断各第一算法模块所识别的同一类型人机对抗事件是否发生。
21. 如权利要求20所述的通气监测方法，其特征在于，所述可信度与所述算法模块相关联的参数数据的信噪比、特征明确程度以及规律程度的至少一个相关。
22. 如权利要求20所述的通气监测方法，其特征在于，根据各第一算法模块的可信度，判断各第一算法模块所识别的同一类型人机对抗事件是否发生，包括：

    生成与所述第一算法模块的可信度对应的可信度评分；

    结合所述第一算法模块对应的权重系数，对所述第一算法模块的可信度评分进行修正，得到修正的可信度评分，其中，对于不同类型的人机对抗事件，不同所述算法模块预先设置有对应的权重系数；

    根据所述修正的可信度评分，计算各所述第一算法模块的可信度评分之和；

    判断所述可信度评分之和是否大于预设阈值，若大于预设阈值，则各第一算法模块所识别的同一类型人机对抗事件发生，否则，各第一算法模块所识别的同一类型人机对抗事件未发生。
23. 如权利要求22所述的通气监测方法，其特征在于，所述权重系数至少基于所述算法模块与人机对抗事件的类型的关联程度确定。
24. 如权利要求19所述的通气监测方法，其特征在于，根据能够识别同一类型人机对抗事件的各算法模块的识别结果, 判断各算法模块所识别的同一类型人机对抗事件是否发生，包括：

    根据第一算法模块与第二算法模块之间的比例和/或数量关系，判断各算法模块所识别的同一类型人机对抗事件是否发生，其中，所述第一算法模块为识别结果为识别到所述人机对抗事件的算法模块，所述第二算法模块为识别结果为未识别到所述人机对抗事件的算法模块。
25. 如权利要求14所述的通气监测方法，其特征在于，所述通气参数数据包括气道压力、气道流速和气体容积中的至少一个；

    所述生理参数数据包括食道压、胃内压、跨膈压、二氧化碳浓度、膈肌电中的至少一个。
26. 一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求14-25中任一项所述的方法。

Images