CN116612875A - 一种智能数字化管理制氧机监测控制系统 - Google Patents
一种智能数字化管理制氧机监测控制系统 Download PDFInfo
- Publication number
- CN116612875A CN116612875A CN202310894077.7A CN202310894077A CN116612875A CN 116612875 A CN116612875 A CN 116612875A CN 202310894077 A CN202310894077 A CN 202310894077A CN 116612875 A CN116612875 A CN 116612875A
- Authority
- CN
- China
- Prior art keywords
- oxygenerator
- user
- decision
- oxygen flow
- flow
- 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.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 261
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 261
- 239000001301 oxygen Substances 0.000 claims abstract description 261
- 238000012549 training Methods 0.000 claims abstract description 129
- 230000002787 reinforcement Effects 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 239000008280 blood Substances 0.000 claims description 87
- 210000004369 blood Anatomy 0.000 claims description 87
- 238000000034 method Methods 0.000 claims description 45
- 230000008859 change Effects 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 206010009126 Chronic respiratory failure Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/021—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes operated by electrical means
- A61M16/022—Control means therefor
- A61M16/024—Control means therefor including calculation means, e.g. using a processor
- A61M16/026—Control means therefor including calculation means, e.g. using a processor specially adapted for predicting, e.g. for determining an information representative of a flow limitation during a ventilation cycle by using a root square technique or a regression analysis
-
- 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
- A61M16/10—Preparation of respiratory gases or vapours
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- A61M2205/50—General characteristics of the apparatus with microprocessors or computers
-
- 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
- A61M2230/00—Measuring parameters of the user
- A61M2230/20—Blood composition characteristics
- A61M2230/205—Blood composition characteristics partial oxygen pressure (P-O2)
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pulmonology (AREA)
- Hematology (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Emergency Medicine (AREA)
- Anesthesiology (AREA)
- Animal Behavior & Ethology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种智能数字化管理制氧机监测控制系统,涉及制氧机智能监控技术领域,通过设置身份认证模块预先获得制氧机使用者的身份信息,设置耐受度评估模块在使用者使用制氧机前,进行耐受度评估,更新身份信息中对应的使用者耐受流量步长,设置训练数据收集模块预先收集压力波动训练数据以及氧气流量决策训练数据,设置模型训练模块训练数据训练预测压力波动的神经网络模型以及实时决策氧气流量的深度强化学习模型,设置监测控制模块在每个决策周期中为该使用者生成氧气流量大小的决策;实现氧气流量大小的自动化控制,提高制氧机的制氧效率并提高了用户体验感。
Description
技术领域
本发明属于涉及制氧机智能监控技术领域,具体是一种智能数字化管理制氧机监测控制系统。
背景技术
制氧机作为一种重要的医疗设备,被广泛应用于慢性呼吸衰竭患者的康复和治疗过程中。制氧机通过提供高浓度的氧气,帮助患者维持正常的血氧饱和度,改善呼吸功能,提高生活质量。
然而,传统的制氧机在氧气供应方面存在一些问题。首先,传统制氧机通常只能提供固定的氧气流量,无法根据使用者的实际需求进行个性化调节。这种固定流量设置无法满足在不同氧气耐受度的人群中,智能根据耐受度调节氧气流量的增速,再进一步地,无法基于患者本身的生理数据和制氧机的压力波动,实现智能调节氧气流量的需求;
授权公告号为CN103984277B的中国专利公开了一种全数字化制氧机监测控制系统,设置压力检测装置与所述制氧机相连,用于检测所述制氧机的系统压力信号;设置温度检测装置的探头伸入至所述制氧机的内部,用于检测所述制氧机的机内运行温度信号;设置控制器与所述压力检测装置和所述温度检测装置相连,用于设置时间中断源和AD中断源;实现了数字化直观的给用户显示制氧机内部的相关报警信息以及数字化调节参数,但该发明并未能解决智能调控氧气流量的问题;
为此,本发明提出一种智能数字化管理制氧机监测控制系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种智能数字化管理制氧机监测控制系统,实现氧气流量大小的自动化控制,提高制氧机的制氧效率并提高了用户体验感。
为实现上述目的,本发明提出一种智能数字化管理制氧机监测控制系统,包括身份认证模块、耐受度评估模块、训练数据收集模块、模型训练模块以及监测控制模块;其中,各个模块之间通过有线方式连接;
身份认证模块,预先获得制氧机使用者的身份信息,并将制氧机使用者的身份信息发送至监测控制模块;
耐受度评估模块,在使用者使用制氧机前,进行耐受度评估,更新身份信息中对应的使用者耐受流量步长;
训练数据收集模块,预先收集压力波动训练数据以及氧气流量决策训练数据,并将收集的压力波动训练数据以及氧气流量决策训练数据发送至模型训练模块;
模型训练模块,基于压力波动训练数据训练预测压力波动的神经网络模型,以及基于氧气流量决策训练数据训练实时决策氧气流量的深度强化学习模型,并将训练完成的神经网络模型和深度强化学习模型发送至监测控制模块;
监测控制模块,基于身份信息、神经网络模型和深度强化学习模型,在使用者使用制氧机时,在每个决策周期中为该使用者生成氧气流量大小的决策。
进一步地,收集每个制氧机使用者的身份信息的方式为:
每个使用者启动制氧机时,输入使用者的身份认证特征与数据存储设备中保存的身份认证特征进行匹配,若数据存储设备存在匹配的身份认证特征,则获取该使用者的身份信息;若数据存储设备不存在匹配的身份认证特征,则重新建立一组身份信息保存身份认证特征。
进一步地,所述身份信息包括使用者编号、身份认证特征、预设的目标血氧浓度值、预设的血氧浓度目标范围以及使用者耐受流量步长的对应关系。
进一步地,进行耐受度评估,更新身份信息中对应的使用者耐受流量步长的方式为:
预先设置一组氧气流量步长序列,所述氧气流量步长序列按氧气流量步长从小到大的顺序进行排序;
将使用者的编号标记为i,将氧气流量步长序列标记为B,将氧气流量步长序列中氧气流量步长的编号标记为b,其中b=1,2,3…|B|;将第b个氧气流量步长的值标记为Lb;
在第i个使用者初次使用制氧机时,制氧机控制后台控制制氧机,将生成的氧气流量控制为预设的初始流量值;
对于第i个使用者,将初始流量值标记为f,按氧气流量步长序列顺序,依次提高制氧机的氧气流量,第b次提高氧气流量的值为氧气流量步长Lb,每次提高的时长间隔为预设的测试时长间隔,制氧机控制后台实时记录第i个使用者的每次氧气流量提高过程的血氧饱和度变化序列;
计算第b条血氧饱和度变化序列的耐受度权重Wb;
从氧气流量步长序列中选择对应的耐受度权重Wb最大的氧气流量步长作为使用者耐受流量步长,并更新制氧机控制后台的数据存储设备中对应的身份信息中的使用者耐受流量步长。
进一步地,所述耐受度权重Wb的计算公式为:
Wb=a1*pb-a2*sb;其中,pb为第b条血氧饱和度变化序列的平均值与第b-1条血氧饱和度变化序列的平均值的差值;其中,sb为第b条血氧饱和度变化序列的标准差;a1和a2分别为预设的大于0的比例系数。
进一步地,所述压力波动训练数据包括若干历史流量波动序列以及若干历史压力波动序列;
所述历史流量波动序列为制氧机控制后台收集的每个使用者在每次使用过程中,制氧机制造的氧气流量值随时间变化的序列;
其中,所述历史压力波动序列为制氧机控制后台收集的每个使用者在每次使用过程中,历史流量波动序列对应的历史压力波动序列。
进一步地,所述氧气流量决策训练数据包括训练四元组集合,所述训练四元组集合包括所有在制氧机历史使用过程中每个决策周期中,生成的训练四元组;
所述决策周期为制氧机控制后台中预先设置的进行氧气流量决策的时间周期,所述氧气流量决策为决策是否将制氧机制造的氧气流量的大小提高标准步长;所述标准步长为使用者耐受流量步长;
进一步地,所述训练四元组包括每次决策周期的初始状态、选择的动作、奖励值Q、下一个状态;
其中,所述初始状态包括每个决策周期开始时,氧气流量大小、血氧浓度值以及制氧机的压力波动;
其中,所述选择的动作为氧气流量决策;
其中,所述奖励值Q为选择的动作带来的收益值;
所述下一个状态为下一个决策周期的氧气流量大小、血氧浓度值以及制氧机的压力波动。
进一步地,奖励值Q的计算方式为:
计算血氧稳定度差值和下一个决策周期的压力波动;所述血氧稳定度差值为下一个决策周期中血氧稳定度与当前决策周期的血氧稳定度的差值;
将血氧稳定度标记为H;血氧稳定度的计算公式为H=-c2*std+c3*x;其中,其中,std为当前决策周期中,血氧浓度的标准差,x为当前决策周期中,血氧浓度在血氧浓度目标范围内的时长;
将血氧稳定度差值和下一个决策周期的压力波动分别标记为Hc和Y;
则奖励值Q=d1*(nt-n)+d2*Hc-d3*Y;其中,n为决策周期开始时的血氧浓度值,nt为目标血氧浓度值;其中,c2、c3、d1、d2以及d3分别为预设的比例系数。
进一步地,训练预测压力波动的神经网络模型的方式为:
根据预设的预测时间步长、预设的滑动步长以及预设的滑动窗口长度,将历史流量波动序列以及历史压力波动序列使用滑动窗口法转化为若干组训练样本,将训练样本作为神经网络模型的输入,神经网络模型以未来的预测时间步长的预测的压力波动序列为输出,训练样本的后续预测时间步长内对应的历史压力波动序列作为预测目标,以预测准确率作为训练目标,使用均方误差或平均绝对误差作为损失函数来衡量预测结果的准确性,通过反向传播算法来更新模型的权重和偏置,生成预测输出功率曲线的神经网络模型;所述预测时间步长为每个决策周期的时长;所述神经网络模型为LSTM神经网络模型。
进一步地,基于氧气流量决策训练数据训练实时决策氧气流量的深度强化学习模型的方式为:
将训练四元组集合作为深度强化学习模型的输入,该深度强化学习模型通过从训练四元组集合中随机抽取若干四元组进行训练,学习在不同的初始状态下,是否选择将制氧机制造的氧气流量的大小提高标准步长;所述标准步长为使用者耐受流量步长,以获得最大奖励值Q的策略;所述深度强化学习模型为深度Q网络模型。
进一步地,在每个决策周期中为该使用者生成氧气流量大小的决策的方式为:
从使用者的身份信息中获得该使用者对应的使用者耐受流量步长;
在每个决策周期开始时,获得当前时刻使用者的血氧浓度值,以及制氧机的压力波动和氧气流量大小作为待决策初始状态;
将当前时刻前的滑动窗口长度的递增历史压力波动序列作为神经网络模型的输入,获得预测的下一个决策周期的压力波动值;所述递增历史压力波动序列是指筛除当前时刻前,未选择将制氧机制造的氧气流量的大小提高使用者耐受流量步长的决策周期,再依次获取当前时刻前的滑动窗口长度的历史压力波动序列;
将待决策初始状态作为深度强化学习模型的输入,将深度强化学习模型中的奖励值计算过程中的变量Y更新为预测的下一个决策周期的压力波动值;获得深度强化学习模型输出的决策;
若输出的决策为将制氧机制造的氧气流量的大小提高使用者耐受流量步长,则控制制氧机将氧气流量提高该使用者对应的使用者耐受流量步长;若输出的决策为不将制氧机制造的氧气流量的大小提高使用者耐受流量步长,则不进行控制。
一种智能数字化管理制氧机监测控制方法,包括以下步骤:
获得制氧机使用者的身份信息;
在使用者使用制氧机前,进行耐受度评估,更新身份信息中对应的使用者耐受流量步长;
预先收集压力波动训练数据以及氧气流量决策训练数据;
基于压力波动训练数据训练预测压力波动的神经网络模型,以及基于氧气流量决策训练数据训练实时决策氧气流量的深度强化学习模型;
基于身份信息、神经网络模型和深度强化学习模型,在使用者使用制氧机时,在每个决策周期中为该使用者生成氧气流量大小的决策。
一种电子设备,包括:处理器和存储器,其中,
所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,在制氧机控制后台中执行上述的一种智能数字化管理制氧机监测控制方法。
一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述的一种智能数字化管理制氧机监测控制方法。
与现有技术相比,本发明的有益效果是:
本发明通过预先获得制氧机使用者的身份信息,以实现为每个使用者建立不同的控制方案,在使用者使用制氧机前,为每个使用者进行耐受度评估,更新身份信息中对应的使用者耐受流量步长,通过预先收集压力波动训练数据以及氧气流量决策训练数据,基于压力波动训练数据训练预测压力波动的神经网络模型,以及基于氧气流量决策训练数据训练实时决策氧气流量的深度强化学习模型,在使用者实际使用过程中,制氧机实时获取当前使用者的血氧浓度值,以及制氧机的压力波动和氧气流量大小作为初始状态,作为深度强化学习模型的输入,再使用神经网络模型获得预测的下一个决策周期的压力波动,并将预测的下一个决策周期的压力波动作为奖励值Q的参数,从而获得深度强化学习模型输出的对制氧机的流量大小的智能决策;基于使用者的实时生理特征和制氧机的机器状态,实现氧气流量大小的自动化控制,提高制氧机的制氧效率并提高了用户体验感。
附图说明
图1为本发明的实施例1中的智能数字化管理制氧机监测控制系统的模块连接关系图;
图2为本发明的实施例2中的智能数字化管理制氧机监测控制方法的流程图;
图3为本发明实施例3的一种电子设备示意图;
图4为本发明实施例4提供的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
如图1所示,一种智能数字化管理制氧机监测控制系统,用于制氧机控制后台中,包括身份认证模块、耐受度评估模块、训练数据收集模块、模型训练模块以及监测控制模块;其中,各个模块之间通过有线方式连接;
其中,所述身份认证模块主要用于预先获得制氧机使用者的身份信息;
收集每个制氧机使用者的身份信息的方式为:
每个使用者启动制氧机时,输入使用者的身份认证特征与数据存储设备中保存的身份认证特征进行匹配,若数据存储设备存在匹配的身份认证特征,则获取该使用者的身份信息;若数据存储设备不存在匹配的身份认证特征,则重新建立一组身份信息保存身份认证特征;
所述身份认证特征包括但不限于面部特征信息以及指纹特征信息等象征用户身份的特征数据;
所述身份信息包括使用者编号、身份认证特征、目标血氧浓度值、血氧浓度目标范围以及使用者耐受流量步长的对应关系;其中,使用者耐受流量步长的初始值为制氧机出厂时的预设值;
所述目标血氧浓度值和血氧浓度目标范围分别为由专业医护人员针对每个使用者的具体情况确定的血氧浓度值和血氧浓度范围;
所述身份认证模块将制氧机使用者的身份信息发送至监测控制模块;
其中,所述耐受度评估模块主要用于在使用者使用制氧机前,进行耐受度评估,更新身份信息中对应的使用者耐受流量步长;
在一个优选的实施例中,进行耐受度评估,更新身份信息中对应的使用者耐受流量步长的方式为:
预先设置一组氧气流量步长序列,所述氧气流量步长序列按氧气流量步长从小到大的顺序进行排序;所述氧气流量步长由医学专业人员根据实际经验设置;
将使用者的编号标记为i,将氧气流量步长序列标记为B,将氧气流量步长序列中氧气流量步长的编号标记为b,其中b=1,2,3…|B|;将第b个氧气流量步长的值标记为Lb;
在第i个使用者初次使用制氧机时,制氧机控制后台控制制氧机,将生成的氧气流量控制为预设的初始流量值;
对于第i个使用者,将初始流量值标记为f,按氧气流量步长序列顺序,依次提高制氧机的氧气流量,第b次提高氧气流量的值为氧气流量步长Lb,每次提高的时长间隔为预设的测试时长间隔,制氧机控制后台实时记录第i个使用者的每次氧气流量提高过程的血氧饱和度变化序列;所述血氧饱和度变化序列为在每次氧气流量提高过程中,使用者血氧饱和度的实时值随时间变化的序列;
计算第b条血氧饱和度变化序列的耐受度权重Wb;
所述耐受度权重Wb的计算公式为:
Wb=a1*pb-a2*sb;其中,pb为第b条血氧饱和度变化序列的平均值与第b-1条血氧饱和度变化序列的平均值的差值;其中,sb为第b条血氧饱和度变化序列的标准差;a1和a2分别为预设的大于0的比例系数;可以理解的是,pb衡量的是血氧饱和度的变化速率,变化速率越快说明该氧气流量步长的效果越明显,而sb衡量的是血氧饱和度的稳定程度;因此,应该选择变化速率较大且稳定的耐受度权重作为第i个使用者的适合的耐受性;
从氧气流量步长序列中选择对应的耐受度权重Wb最大的氧气流量步长作为使用者耐受流量步长,并更新制氧机控制后台的数据存储设备中对应的身份信息中的使用者耐受流量步长;
其中,所述训练数据收集模块主要用于预先收集压力波动训练数据以及氧气流量决策训练数据;
在一个优选的实施例中,所述压力波动训练数据包括若干历史流量波动序列以及若干历史压力波动序列;
其中,所述历史流量波动序列包括制氧机控制后台收集的每个使用者在每次使用过程中,制氧机制造的氧气流量值随时间变化的序列;
其中,所述历史压力波动序列为制氧机控制后台收集的每个使用者在每次使用过程中,历史流量波动序列对应的历史压力波动序列;
需要说明的是,压力波动是指监测制氧机输出的氧气压力的波动范围,如果压力波动过大或无法保持稳定会对使用者产生极大的呼吸干扰,而压力波动的大小与氧气流量大小具有较大的联系,一般氧气流量越大,压力波动越大;所述压力波动通过使用压力传感器实时获得;
所述氧气流量决策训练数据包括训练四元组集合,所述训练四元组集合包括所有在制氧机历史使用过程中每个决策周期中,生成的训练四元组;
所述决策周期为制氧机控制后台中预先设置的进行氧气流量决策的时间周期,所述氧气流量决策为决策是否将制氧机制造的氧气流量的大小提高标准步长;所述标准步长为使用者耐受流量步长;
所述训练四元组包括每次决策周期的初始状态、选择的动作、奖励值Q、下一个状态;
其中,所述初始状态包括每个决策周期开始时,氧气流量大小、血氧浓度值以及制氧机的压力波动;
其中,所述选择的动作为氧气流量决策,即是否选择将制氧机制造的氧气流量的大小提高使用者耐受流量步长中的任意一个;
其中,所述奖励值Q为选择的动作带来的收益值;
具体的,奖励值Q的计算方式为:
计算血氧稳定度差值和下一个决策周期的压力波动;所述血氧稳定度差值为下一个决策周期中血氧稳定度与当前决策周期的血氧稳定度的差值;
将血氧稳定度标记为H;血氧稳定度的计算公式为H=-c2*std+c3*x;其中,其中,std为当前决策周期中,血氧浓度的标准差,x为当前决策周期中,血氧浓度在血氧浓度目标范围内的时长;
可以理解的是,std越小,血氧稳定度越大,即血氧浓度越稳定;x越大,说明血氧浓度在血氧浓度目标范围内时长越长,即血氧浓度波动越小;
将血氧稳定度差值和下一个决策周期的压力波动分别标记为Hc和Y;
则奖励值Q=d1*(nt-n)+d2*Hc-d3*Y;其中,n为决策周期开始时的血氧浓度值,nt为目标血氧浓度值;其中,c2、c3、d1、d2以及d3分别为预设的比例系数
可以理解的是,当nt-n越大时,说明血氧浓度越远离目标血氧浓度值,因此,在nt-n越大时,越需要增加氧气流量大小,以加快血氧浓度达到目标血氧浓度值的时间;当Hc越小时,说明血氧浓度已趋向于稳定,因此,应该避免增加氧气流量大小;当Y越大,说明下一个决策周期的压力波动越大,应该避免增加氧气流量;
所述下一个状态为下一个决策周期的氧气流量大小、血氧浓度值以及制氧机的压力波动;
所述训练数据收集模块将收集的压力波动训练数据以及氧气流量决策训练数据发送至模型训练模块;
其中,所述模型训练模块主要用于基于压力波动训练数据训练预测压力波动的神经网络模型,以及基于氧气流量决策训练数据训练实时决策氧气流量的深度强化学习模型;
训练预测压力波动的神经网络模型的方式为:
根据预设的预测时间步长、预设的滑动步长以及预设的滑动窗口长度,将历史流量波动序列以及历史压力波动序列使用滑动窗口法转化为若干组训练样本,将训练样本作为神经网络模型的输入,神经网络模型以未来的预测时间步长的预测的压力波动序列为输出,训练样本的后续预测时间步长内对应的历史压力波动序列作为预测目标,以预测准确率作为训练目标,使用均方误差或平均绝对误差作为损失函数来衡量预测结果的准确性,通过反向传播算法来更新模型的权重和偏置,生成预测输出功率曲线的神经网络模型;所述预测时间步长为每个决策周期的时长;所述神经网络模型为LSTM神经网络模型;
需要说明的是,滑动窗口方法作为时间序列预测模型的常规技术手段,本发明在此不再做原理性说明;但为了本发明更便于实施,本发明提供如下的关于滑动窗口方法的示例:
假设我们要用历史数据[1,2,3,4,5,6]来训练一个时间预测模型,设置预测时间步长为1,滑动步长设置1,以及滑动窗口长度设置为3;则生成3组训练数据和对应的预测目标数据:[1,2,3]、[2,3,4]以及[3,4,5]作为训练数据,以[4]、[5]以及[6]分别作为预测目标;
基于氧气流量决策训练数据训练实时决策氧气流量的深度强化学习模型的方式为:
将训练四元组集合作为深度强化学习模型的输入,该深度强化学习模型通过从训练四元组集合中随机抽取若干四元组进行训练,学习在不同的初始状态下,是否选择将制氧机制造的氧气流量的大小提高使用者耐受流量步长,以获得最大奖励值Q的策略;优选的,所述深度强化学习模型为深度Q网络模型;
所述模型训练模块将训练完成的神经网络模型和深度强化学习模型发送至监测控制模块;
其中,所述监测控制模块主要用于基于身份信息、神经网络模型和深度强化学习模型,在使用者使用制氧机时,在每个决策周期中为该使用者生成氧气流量大小的决策;
在一个优选的实施例中,在每个决策周期中为该使用者生成氧气流量大小的决策的方式为:
从使用者的身份信息中获得该使用者对应的使用者耐受流量步长;
在每个决策周期开始时,获得当前时刻使用者的血氧浓度值,以及制氧机的压力波动和氧气流量大小作为待决策初始状态;
将当前时刻前的滑动窗口长度的递增历史压力波动序列作为神经网络模型的输入,获得预测的下一个决策周期的压力波动值;所述递增历史压力波动序列是指筛除当前时刻前,未选择将制氧机制造的氧气流量的大小提高使用者耐受流量步长的决策周期,再依次获取当前时刻前的滑动窗口长度的历史压力波动序列;
将待决策初始状态作为深度强化学习模型的输入,再将深度强化学习模型中的奖励值计算过程中的变量Y更新为预测的下一个决策周期的压力波动值;获得深度强化学习模型输出的决策;
若输出的决策为将制氧机制造的氧气流量的大小提高使用者耐受流量步长,则控制制氧机将氧气流量提高该使用者对应的使用者耐受流量步长;若输出的决策为不将制氧机制造的氧气流量的大小提高使用者耐受流量步长,则不进行控制;
需要说明的是,在深度强化学习模型中,奖励值中的诸多参数是根据历史数据训练使用神经网络模型学习获得的,例如下一个决策周期中的血氧稳定度和下一个决策周期的压力波动,但因参数较多,深度强化学习模型中的神经网络模型较难精确预测到每个参数,因此,通过将下一个决策周期的压力波动值作为输入参数,可以提高深度强化学习模型的准确性。
实施例2
如图2所示,一种智能数字化管理制氧机监测控制方法,包括以下步骤:
获得制氧机使用者的身份信息;
在使用者使用制氧机前,进行耐受度评估,更新身份信息中对应的使用者耐受流量步长;
预先收集压力波动训练数据以及氧气流量决策训练数据;
基于压力波动训练数据训练预测压力波动的神经网络模型,以及基于氧气流量决策训练数据训练实时决策氧气流量的深度强化学习模型;
基于身份信息、神经网络模型和深度强化学习模型,在使用者使用制氧机时,在每个决策周期中为该使用者生成氧气流量大小的决策。
实施例3
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示,根据本申请的又一方面还提供了一种电子设备300。该电子设备300可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,可以执行如上所述的智能数字化管理制氧机监测控制方法。
根据本申请实施方式的方法可以借助于图3所示的电子设备的架构来实现。如图3所示,电子设备300可包括总线301、一个或多个CPU302、只读存储器(ROM)303、随机存取存储器(RAM)304、连接到网络的通信端口305、输入/输出组件306、硬盘307等。电子设备300中的存储设备,例如ROM303或硬盘307可存储本申请提供的智能数字化管理制氧机监测控制方法。智能数字化管理制氧机监测控制方法可例如包括:获得制氧机使用者的身份信息;在使用者使用制氧机前,进行耐受度评估,更新身份信息中对应的使用者耐受流量步长;预先收集压力波动训练数据以及氧气流量决策训练数据;基于压力波动训练数据训练预测压力波动的神经网络模型,以及基于氧气流量决策训练数据训练实时决策氧气流量的深度强化学习模型;基于身份信息、神经网络模型和深度强化学习模型,在使用者使用制氧机时,在每个决策周期中为该使用者生成氧气流量大小的决策。进一步地,电子设备300还可包括用户界面308。当然,图3所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图3示出的电子设备中的一个或多个组件。
实施例4
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示,是根据本申请一个实施方式的计算机可读存储介质400。计算机可读存储介质400上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的智能数字化管理制氧机监测控制方法。计算机可读存储介质400包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外,根据本申请的实施方式,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质存储有机器可读指令,所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令,例如:获得制氧机使用者的身份信息;在使用者使用制氧机前,进行耐受度评估,更新身份信息中对应的使用者耐受流量步长;预先收集压力波动训练数据以及氧气流量决策训练数据;基于压力波动训练数据训练预测压力波动的神经网络模型,以及基于氧气流量决策训练数据训练实时决策氧气流量的深度强化学习模型;基于身份信息、神经网络模型和深度强化学习模型,在使用者使用制氧机时,在每个决策周期中为该使用者生成氧气流量大小的决策。在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本申请的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本申请实施为记录在记录介质中的程序,这些程序包括用于实现根据本申请的方法的机器可读指令。因而,本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外,本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
如上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是,以上所述仅为本发明的具体实施方式,并不用于限制本发明。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
Claims (15)
1.一种智能数字化管理制氧机监测控制系统,其特征在于,包括身份认证模块、耐受度评估模块、训练数据收集模块、模型训练模块以及监测控制模块;其中,各个模块之间通过有线方式连接;
身份认证模块,预先获得制氧机使用者的身份信息,并将制氧机使用者的身份信息发送至监测控制模块;
耐受度评估模块,在使用者使用制氧机前,进行耐受度评估,更新身份信息中对应的使用者耐受流量步长;
训练数据收集模块,预先收集压力波动训练数据以及氧气流量决策训练数据,并将收集的压力波动训练数据以及氧气流量决策训练数据发送至模型训练模块;
模型训练模块,基于压力波动训练数据训练预测压力波动的神经网络模型,以及基于氧气流量决策训练数据训练实时决策氧气流量的深度强化学习模型,并将训练完成的神经网络模型和深度强化学习模型发送至监测控制模块;
监测控制模块,基于身份信息、神经网络模型和深度强化学习模型,在使用者使用制氧机时,在每个决策周期中为该使用者生成氧气流量大小的决策。
2.根据权利要求1所述的一种智能数字化管理制氧机监测控制系统,其特征在于,收集每个制氧机使用者的身份信息的方式为:
每个使用者启动制氧机时,输入使用者的身份认证特征与数据存储设备中保存的身份认证特征进行匹配,若数据存储设备存在匹配的身份认证特征,则获取该使用者的身份信息;若数据存储设备不存在匹配的身份认证特征,则重新建立一组身份信息保存身份认证特征。
3.根据权利要求2所述的一种智能数字化管理制氧机监测控制系统,其特征在于,所述身份信息包括使用者编号、身份认证特征、预设的目标血氧浓度值、预设的血氧浓度目标范围以及使用者耐受流量步长的对应关系。
4.根据权利要求3所述的一种智能数字化管理制氧机监测控制系统,其特征在于,进行耐受度评估,更新身份信息中对应的使用者耐受流量步长的方式为:
预先设置一组氧气流量步长序列,所述氧气流量步长序列按氧气流量步长从小到大的顺序进行排序;
将使用者的编号标记为i,将氧气流量步长序列标记为B,将氧气流量步长序列中氧气流量步长的编号标记为b,其中b=1,2,3…|B|;将第b个氧气流量步长的值标记为Lb;
在第i个使用者初次使用制氧机时,制氧机控制后台控制制氧机,将生成的氧气流量控制为预设的初始流量值;
对于第i个使用者,将初始流量值标记为f,按氧气流量步长序列顺序,依次提高制氧机的氧气流量,第b次提高氧气流量的值为氧气流量步长Lb,每次提高的时长间隔为预设的测试时长间隔,制氧机控制后台实时记录第i个使用者的每次氧气流量提高过程的血氧饱和度变化序列;
计算第b条血氧饱和度变化序列的耐受度权重Wb;
从氧气流量步长序列中选择对应的耐受度权重Wb最大的氧气流量步长作为使用者耐受流量步长,并更新制氧机控制后台的数据存储设备中对应的身份信息中的使用者耐受流量步长。
5.根据权利要求4所述的一种智能数字化管理制氧机监测控制系统,其特征在于,所述耐受度权重Wb的计算公式为:
Wb=a1*pb-a2*sb;其中,pb为第b条血氧饱和度变化序列的平均值与第b-1条血氧饱和度变化序列的平均值的差值;其中,sb为第b条血氧饱和度变化序列的标准差;a1和a2分别为预设的大于0的比例系数。
6.根据权利要求5所述的一种智能数字化管理制氧机监测控制系统,其特征在于,所述压力波动训练数据包括若干历史流量波动序列以及若干历史压力波动序列;
所述历史流量波动序列为制氧机控制后台收集的每个使用者在每次使用过程中,制氧机制造的氧气流量值随时间变化的序列;
其中,所述历史压力波动序列为制氧机控制后台收集的每个使用者在每次使用过程中,历史流量波动序列对应的历史压力波动序列。
7.根据权利要求6所述的一种智能数字化管理制氧机监测控制系统,其特征在于,所述氧气流量决策训练数据包括训练四元组集合,所述训练四元组集合包括所有在制氧机历史使用过程中每个决策周期中,生成的训练四元组;
所述决策周期为制氧机控制后台中预先设置的进行氧气流量决策的时间周期,所述氧气流量决策为决策是否将制氧机制造的氧气流量的大小提高标准步长;所述标准步长为使用者耐受流量步长。
8.根据权利要求7所述的一种智能数字化管理制氧机监测控制系统,其特征在于,所述训练四元组包括每次决策周期的初始状态、选择的动作、奖励值Q、下一个状态;
其中,所述初始状态包括每个决策周期开始时,氧气流量大小、血氧浓度值以及制氧机的压力波动;
其中,所述选择的动作为氧气流量决策;
其中,所述奖励值Q为选择的动作带来的收益值;
所述下一个状态为下一个决策周期的氧气流量大小、血氧浓度值以及制氧机的压力波动。
9.根据权利要求8所述的一种智能数字化管理制氧机监测控制系统,其特征在于,奖励值Q的计算方式为:
计算血氧稳定度差值和下一个决策周期的压力波动;所述血氧稳定度差值为下一个决策周期中血氧稳定度与当前决策周期的血氧稳定度的差值;
将血氧稳定度标记为H;血氧稳定度的计算公式为H=-c2*std+c3*x;其中,其中,std为当前决策周期中,血氧浓度的标准差,x为当前决策周期中,血氧浓度在血氧浓度目标范围内的时长;
将血氧稳定度差值和下一个决策周期的压力波动分别标记为Hc和Y;
则奖励值Q=d1*(nt-n)+d2*Hc-d3*Y;其中,n为决策周期开始时的血氧浓度值,nt为目标血氧浓度值;其中,c2、c3、d1、d2以及d3分别为预设的比例系数。
10.根据权利要求9所述的一种智能数字化管理制氧机监测控制系统,其特征在于,训练预测压力波动的神经网络模型的方式为:
根据预设的预测时间步长、预设的滑动步长以及预设的滑动窗口长度,将历史流量波动序列以及历史压力波动序列使用滑动窗口法转化为若干组训练样本,将训练样本作为神经网络模型的输入,神经网络模型以未来的预测时间步长的预测的压力波动序列为输出,训练样本的后续预测时间步长内对应的历史压力波动序列作为预测目标,以预测准确率作为训练目标,使用均方误差或平均绝对误差作为损失函数来衡量预测结果的准确性,通过反向传播算法来更新模型的权重和偏置,生成预测输出功率曲线的神经网络模型;所述预测时间步长为每个决策周期的时长;所述神经网络模型为LSTM神经网络模型。
11.根据权利要求10所述的一种智能数字化管理制氧机监测控制系统,其特征在于,基于氧气流量决策训练数据训练实时决策氧气流量的深度强化学习模型的方式为:
将训练四元组集合作为深度强化学习模型的输入,该深度强化学习模型通过从训练四元组集合中随机抽取若干四元组进行训练,学习在不同的初始状态下,是否选择将制氧机制造的氧气流量的大小提高使用者耐受流量步长,以获得最大奖励值Q的策略;所述深度强化学习模型为深度Q网络模型。
12.根据权利要求11所述的一种智能数字化管理制氧机监测控制系统,其特征在于,在每个决策周期中为该使用者生成氧气流量大小的决策的方式为:
从使用者的身份信息中获得该使用者对应的使用者耐受流量步长;
在每个决策周期开始时,获得当前时刻使用者的血氧浓度值,以及制氧机的压力波动和氧气流量大小作为待决策初始状态;
将当前时刻前的滑动窗口长度的递增历史压力波动序列作为神经网络模型的输入,获得预测的下一个决策周期的压力波动值;所述递增历史压力波动序列是指筛除当前时刻前,未选择将制氧机制造的氧气流量的大小提高使用者耐受流量步长的决策周期,再依次获取当前时刻前的滑动窗口长度的历史压力波动序列;
将待决策初始状态作为深度强化学习模型的输入,将深度强化学习模型中的奖励值计算过程中的变量Y更新为预测的下一个决策周期的压力波动值;获得深度强化学习模型输出的决策;
若输出的决策为将制氧机制造的氧气流量的大小提高使用者耐受流量步长,则控制制氧机将氧气流量提高该使用者对应的使用者耐受流量步长;若输出的决策为不将制氧机制造的氧气流量的大小提高使用者耐受流量步长,则不进行控制。
13.一种智能数字化管理制氧机监测控制方法,基于权利要求1-12任意一条所述的一种智能数字化管理制氧机监测控制系统实现,其特征在于,包括以下步骤:
获得制氧机使用者的身份信息;
在使用者使用制氧机前,进行耐受度评估,更新身份信息中对应的使用者耐受流量步长;
预先收集压力波动训练数据以及氧气流量决策训练数据;
基于压力波动训练数据训练预测压力波动的神经网络模型,以及基于氧气流量决策训练数据训练实时决策氧气流量的深度强化学习模型;
基于身份信息、神经网络模型和深度强化学习模型,在使用者使用制氧机时,在每个决策周期中为该使用者生成氧气流量大小的决策。
14.一种电子设备,其特征在于,包括:处理器和存储器,其中,
所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,在制氧机控制后台中执行权利要求13所述的智能数字化管理制氧机监测控制方法。
15.一种计算机可读存储介质,其特征在于,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行权利要求13所述的智能数字化管理制氧机监测控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310894077.7A CN116612875A (zh) | 2023-07-20 | 2023-07-20 | 一种智能数字化管理制氧机监测控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310894077.7A CN116612875A (zh) | 2023-07-20 | 2023-07-20 | 一种智能数字化管理制氧机监测控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116612875A true CN116612875A (zh) | 2023-08-18 |
Family
ID=87682189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310894077.7A Withdrawn CN116612875A (zh) | 2023-07-20 | 2023-07-20 | 一种智能数字化管理制氧机监测控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612875A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216483A (zh) * | 2023-11-07 | 2023-12-12 | 湖南一特医疗股份有限公司 | 一种制氧机流量监测数据处理方法 |
CN117819484A (zh) * | 2024-03-06 | 2024-04-05 | 深圳市凝锐电子科技有限公司 | 一种便携式分子筛制氧机及其监测控制系统 |
CN118331157A (zh) * | 2024-06-12 | 2024-07-12 | 深圳市润普科技有限公司 | 基于人工智能的制氧剂量控制系统及方法 |
-
2023
- 2023-07-20 CN CN202310894077.7A patent/CN116612875A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216483A (zh) * | 2023-11-07 | 2023-12-12 | 湖南一特医疗股份有限公司 | 一种制氧机流量监测数据处理方法 |
CN117216483B (zh) * | 2023-11-07 | 2024-02-20 | 湖南一特医疗股份有限公司 | 一种制氧机流量监测数据处理方法 |
CN117819484A (zh) * | 2024-03-06 | 2024-04-05 | 深圳市凝锐电子科技有限公司 | 一种便携式分子筛制氧机及其监测控制系统 |
CN117819484B (zh) * | 2024-03-06 | 2024-05-03 | 深圳市凝锐电子科技有限公司 | 一种便携式分子筛制氧机及其监测控制系统 |
CN118331157A (zh) * | 2024-06-12 | 2024-07-12 | 深圳市润普科技有限公司 | 基于人工智能的制氧剂量控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116612875A (zh) | 一种智能数字化管理制氧机监测控制系统 | |
CN204463124U (zh) | 用于预测透析中参数的装置 | |
CN117113729B (zh) | 一种基于数字孪生的电力设备在线状态监测系统 | |
CN116322479A (zh) | 用于检测和/或预测心脏事件的心电图处理系统 | |
CN114781439A (zh) | 模型获取系统、手势识别方法、装置、设备及存储介质 | |
CN116415500A (zh) | 一种基于大数据的呼吸机故障预测方法及系统 | |
CN118072943A (zh) | 一种基于人工智能医疗数据分析的辅助系统 | |
CN118034112A (zh) | 制氧机远程控制方法及系统 | |
CN110289090A (zh) | 事件发现方法及装置、存储介质、终端 | |
CN112819224B (zh) | 基于深度学习融合模型的机组出力预测及置信评估方法 | |
CN109935327A (zh) | 基于智能决策支持的高血压患者心血管危险分层评估方法 | |
CN117742816A (zh) | 基板管理控制器的运行控制方法及装置 | |
CN111931360A (zh) | 一种励磁系统参数在线辨识方法和装置 | |
US20200019858A1 (en) | Optimization of cyber-physical systems | |
CN115188474B (zh) | 一种基于神经网络的血糖浓度预测及高低血糖预警方法 | |
CN115063891A (zh) | 一种人体异常体征数据监测方法 | |
CN106647707A (zh) | 一种简易的医疗设备管理控制系统 | |
CN116934041B (zh) | 一种基于物联网协同的工厂任务管理方法及系统 | |
CN116884649B (zh) | 一种用于监测用户安全的控制系统 | |
CN116439698B (zh) | 一种重症监护室血糖监测预警方法、系统及设备 | |
CN117289889B (zh) | 基于智能护眼的平板电脑亮度调节方法及系统 | |
CN117854709B (zh) | 一种基于深度对比聚类的糖尿病六分型方法和系统 | |
CN112820401B (zh) | 一种辅助心脏自适应康复训练的方法及系统 | |
CN113095140B (zh) | 基于Q-Learning的移动终端传感器调度方法 | |
CN118472323A (zh) | 基于燃料电池的自适应pid温度控制方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230818 |