CN117045913B - 一种基于呼吸变量监测的机械通气模式智能切换系统 - Google Patents
一种基于呼吸变量监测的机械通气模式智能切换系统 Download PDFInfo
- Publication number
- CN117045913B CN117045913B CN202310873625.8A CN202310873625A CN117045913B CN 117045913 B CN117045913 B CN 117045913B CN 202310873625 A CN202310873625 A CN 202310873625A CN 117045913 B CN117045913 B CN 117045913B
- Authority
- CN
- China
- Prior art keywords
- variable
- ventilation
- mode
- breathing
- respiratory
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 230000000241 respiratory effect Effects 0.000 title claims abstract description 59
- 238000005399 mechanical ventilation Methods 0.000 title claims abstract description 33
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 126
- 238000009423 ventilation Methods 0.000 claims abstract description 120
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000011282 treatment Methods 0.000 claims abstract description 20
- 238000009499 grossing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 21
- 230000036387 respiratory rate Effects 0.000 claims description 17
- 230000003434 inspiratory effect Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 210000004072 lung Anatomy 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000035790 physiological processes and functions Effects 0.000 abstract description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 16
- 238000002474 experimental method Methods 0.000 description 13
- 230000002269 spontaneous effect Effects 0.000 description 13
- 230000008901 benefit Effects 0.000 description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 description 8
- 239000001569 carbon dioxide Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000010835 comparative analysis Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 208000000122 hyperventilation Diseases 0.000 description 4
- 230000000870 hyperventilation Effects 0.000 description 4
- 206010021133 Hypoventilation Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000035565 breathing frequency Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004868 gas analysis Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000006213 oxygenation reaction Methods 0.000 description 3
- 206010047302 ventricular tachycardia Diseases 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 210000004877 mucosa Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000002815 pulmonary hypertension Diseases 0.000 description 2
- 210000003019 respiratory muscle Anatomy 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000028399 Critical Illness Diseases 0.000 description 1
- 238000000729 Fisher's exact test Methods 0.000 description 1
- 206010021079 Hypopnoea Diseases 0.000 description 1
- 208000020128 Mitral stenosis Diseases 0.000 description 1
- 206010028289 Muscle atrophy Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010038687 Respiratory distress Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000002399 angioplasty Methods 0.000 description 1
- 206010002906 aortic stenosis Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 238000013132 cardiothoracic surgery Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000002934 diuretic Substances 0.000 description 1
- 229940030606 diuretics Drugs 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000006887 mitral valve stenosis Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000020763 muscle atrophy Effects 0.000 description 1
- 201000000585 muscular atrophy Diseases 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000002106 pulse oximetry Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 238000009118 salvage therapy Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000002627 tracheal intubation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000003519 ventilatory effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/087—Measuring breath flow
- A61B5/0871—Peak expiratory flowmeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/091—Measuring volume of inspired or expired gases, e.g. to determine lung capacity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- A61M2230/40—Respiratory characteristics
-
- 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
- A61M2230/40—Respiratory characteristics
- A61M2230/42—Rate
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pulmonology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Hematology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Anesthesiology (AREA)
- Emergency Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于呼吸变量监测的机械通气模式智能切换系统,该系统实施的基于呼吸变量监测的机械通气模式智能切换方法包括以下步骤:S1、确定呼吸机的初始通气模式并输入初始通气参数;S2、根据实际需求设定呼吸机模式切换的触发条件;S3、实时监测与采集呼吸机运行过程中的呼吸变量;S4、利用混合模型对呼吸变量进行处理并确定触发参数;S5、根据触发参数对呼吸机进行平滑处理实现模式切换;S6、对稳定通气运行的呼吸机进行风险监测与自适应调节;S7、对呼吸变量进行持续监测并实现呼吸机通气模式的动态切换。本发明通过设定触发条件与混合模型,对呼吸变量进行精确分析识别,生理状态和通气需求进行智能分析,提高治疗效果。
Description
技术领域
本发明涉及医疗设备技术领域,具体来说,涉及一种基于呼吸变量监测的机械通气模式智能切换系统。
背景技术
机械通气是一种通过呼吸机等装置,以人工方式将空气或氧气推入患者肺部的治疗方法。机械通气广泛应用于重症医学科、急诊科、麻醉科、手术室等各个领域。在机械通气中,常用的通气模式包括但不限于:正弦波形压力调节容量控制模式(PRVC)、同步间歇强制通气模式(SIMV)、压力支持通气模式(PSV)及容量控制通气模式(VCV)等。不同的通气模式有其适应的人群、优缺点和适用场景。
其中,SIMV模式和PRVC模式是常见的机械通气模式,它们都有各自的优势和劣势。
SIMV模式的优势包括:可以允许患者自主呼吸:SIMV模式可以在固定的时间间隔内提供支持通气,同时也允许患者自主呼吸。这有助于避免机械通气引起的呼吸肌萎缩和通气不足。提供固定的通气压力支持:SIMV模式可以提供固定的通气压力支持,这可以减少呼吸肌的工作负荷,并降低通气不足的风险,可以帮助患者逐渐恢复自主呼吸。
SIMV模式的劣势包括:不适合需要高水平机械通气支持的患者:由于SIMV模式提供的是固定的通气压力支持,它可能无法满足需要高水平机械通气支持的患者的需求。难以满足不同呼吸频率的患者的需求:由于SIMV模式的通气时间是固定的,因此可能难以满足不同呼吸频率的患者的需求。
PRVC模式的优势包括:动态调整通气压力和潮气量:PRVC模式可以根据患者的需求动态调整通气压力和潮气量,以确保患者获得充分的通气支持。可以避免过度通气和通气不足:PRVC模式可以帮助避免过度通气和通气不足,从而提高通气支持的有效性和安全性。适用于不同呼吸频率的患者:由于PRVC模式的通气时间是动态调整的,因此可以适用于不同呼吸频率的患者。
PRVC模式的劣势包括:可能引起过度通气或呼吸不协调:PRVC模式可能会引起过度通气或呼吸不协调,特别是在患者需要高水平机械通气支持时。
因此,为了满足不同场景,需要进行机械通气模式的切换,保证患者正常通气及肺部的健康。现有技术中,传统机械通气模式的不同模式切换采用默认的参数设置,需要操作繁琐的工作参数设置,而且不同模式的参数设置不一致导致的潮气量等重要参数的不同,会对肺部造成损害;即使产品可以预设多个不同的参数,仍需要重复繁琐的计算得出适应当前的工作参数,而发生计算失误,导致吸气潮气量设置不合理的风险,会完全转换为对用户的风险。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于呼吸变量监测的机械通气模式智能切换系统,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种基于呼吸变量监测的机械通气模式智能切换系统,该系统实施的基于呼吸变量监测的机械通气模式智能切换方法包括以下步骤:
S1、确定呼吸机的初始通气模式并输入初始通气参数;
S2、根据实际需求设定呼吸机模式切换的触发条件;
S3、实时监测与采集呼吸机运行过程中的呼吸变量;
S4、利用混合模型对呼吸变量进行处理并确定触发参数;
S5、根据触发参数对呼吸机进行平滑处理实现模式切换;
S6、对稳定通气运行的呼吸机进行风险监测与自适应调节;
S7、对呼吸变量进行持续监测并实现呼吸机通气模式的动态切换。
进一步的,呼吸变量包括潮气量、呼吸频率、峰值流量、吸气压力、呼气压力、氧气浓度及呼吸时间比。
进一步的,利用混合模型对呼吸变量进行处理并确定触发参数包括以下步骤:
S41、对呼吸变量进行预处理以及有效特征提取;
S42、根据专家经验将不同类型及不同数值的呼吸变量映射到对应的通气模式中,构建用于对呼吸变量进行判断与分类的逻辑规则;
S43、利用呼吸变量的有效特征建立机器学习模型并进行训练;
S44、融合逻辑规则与机器学习模型得到混合模型;
S45、利用混合模型对实时监测得到的呼吸变量进行识别处理,将识别通过后的变量数据作为触发参数。
进一步的,利用呼吸变量的有效特征建立机器学习模型并进行训练包括以下步骤:
S431、根据呼吸变量的类型定义不同类型的标签;
S432、选择合适的有效特征对标签进行匹配,作为每个标签的特征值;
S433、对呼吸变量进行扩充并划分为训练集与测试集;
S434、利用训练集构建用于标签识别的卷积神经网络模型并进行训练,再利用测试集对模型进行测试与优化得到机器学习模型。
进一步的,融合逻辑规则与机器学习模型得到混合模型包括以下步骤:
S441、利用堆叠法对逻辑规则与机器学习模型进行融合,得到混合模型;
S442、利用交叉验证法对混合模型的参数与结构进行验证与优化。
进一步的,根据触发参数对呼吸机进行平滑处理实现模式切换包括以下步骤:
S51、根据触发参数确定呼吸机进行模式切换的准备状态;
S52、记录当前呼吸周期数据,并选择在呼吸周期的低气流限期作为通气模式的切换时机;
S53、当进行通气模式切换时,逐步调整当前通气模式的通气参数达到目标通气模式的目标通气参数,直至达到两种通气模式的平衡,完成呼吸机单次通气模式的切换。
进一步的,对稳定通气运行的呼吸机进行风险监测与自适应调节包括以下步骤:
S61、获取呼吸机当前运行的通气模式的类型;
S62、对呼吸机实时监测的呼吸变量进行异常监测与风险识别;
S63、根据通气模式类型确定对应的控制变量及输出变量;
S64、将控制变量输入至自适应控制模型,计算得到对应的输出变量对呼吸机进行自适应调节。
进一步的,对呼吸变量进行异常监测与风险识别包括以下步骤:
S621、获取异常风险案例及其对应呼吸变量数据作为参考信息;
S622、对参考信息进行特征识别及扩充得到参考特征;
S623、利用参考特征构建XGBoost模型,并根据风险类型调整模型参数,进行训练与测试得到异常风险识别模型;
S624、将异常风险识别模型部署到呼吸机数据监测单元,根据模型输出结果识别潜在的风险。
进一步的,根据通气模式类型确定对应的控制变量及输出变量包括以下步骤:
S631、当呼吸机处于PRVC模式时,采集潮气量、肺容积及吸气峰值压力作为控制变量,并将呼吸机的压力设定值作为输出变量;
S632、当呼吸机处于SIMV模式时,采集主呼吸次数、通气量及呼吸频率作为控制变量,并将呼吸频率控制值作为输出变量。
进一步的,将控制变量输入至自适应控制模型,计算并反馈输出变量对呼吸机进行自适应调节包括以下步骤:
S641、将控制变量与控制变量变化率作为输入量并分别进行模糊化处理,确定对应的模糊变量;
S642、对呼吸机输出变量进行模糊化处理并设定对应模糊语言值;
S643、建立输入量与输出变量之间的模糊自适应规则;
S644、对实时变化的输入量进行模糊推理,实现呼吸机输出变量的计算与输出;
其中,呼吸机输出变量的计算公式为:
u=Kpe+Ki∫e+Kdec
式中,u表示输出变量,e表示控制变量,ec表示控制变量变化率,Kp表示比例系数,Ki表示积分系数,Kd表示微分系数。
本发明的有益效果为:通过设定触发条件与智能识别的混合模型,能够对实时监测得到的呼吸变量进行精确分析识别,即通过对患者的生理状态和通气需求进行智能分析和识别,可以选择最适合患者的通气模式,提高呼吸机治疗效果;通过选择适当的通气模式可以提高患者的舒适度和安全性,避免不合适的通气模式可能会导致不适和并发症。
通过构建自适应切换与调节模式可以减轻医护人员对患者的监测和调节工作,从而节省时间和精力并且有效减轻医护人员工作负担;适当的通气模式可以降低患者的治疗成本,避免因不合适的通气模式引起的并发症而导致的治疗费用增加,降低治疗成本;此外,智能切换通气模式可以实现远程监测和控制,为医疗机构提供更好的服务,提高患者的治疗效果和满意度。
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,下面将对实施例中所需要使用的附图作简单地介绍,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他的附图。
图1是根据本发明实施例的一种基于呼吸变量监测的机械通气模式智能切换系统的流程图;
图2是根据本发明实施例中进行通气模式对比分析实验的流程图;
图3是根据本发明实施例中进行通气模式对比分析实验中容积SIMV模式和PRVC-SIMV模式的波形对照图;
图4是根据本发明实施例中进行通气模式对比分析实验中容积SIMV模式和PRVC-SIMV模式的PIP值对比示意图;
图5是根据本发明实施例中进行通气模式对比分析实验中容积SIMV模式和PRVC-SIMV模式的Vmax值对比示意图;
图6是根据本发明实施例中进行通气模式对比分析实验中容积SIMV模式和PRVC-SIMV模式的WOBv值对比示意图;
图7是根据本发明实施例中进行通气模式对比分析实验中容积SIMV模式和PRVC-SIMV模式的PCO2值对比示意图。
具体实施方式
根据本发明的实施例,提供了一种基于呼吸变量监测的机械通气模式智能切换系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于呼吸变量监测的机械通气模式智能切换系统,该系统实施的基于呼吸变量监测的机械通气模式智能切换方法包括以下步骤:
S1、确定呼吸机的初始通气模式并输入初始通气参数。
本发明针对SIMV模式和PRVC模式之间的模式切换进行设计,SIMV模式和PRVC模式都是用于机械通气的模式,但它们的基本原理和工作方式有所不同。SIMV模式是一种时间触发的模式,它允许患者自主呼吸,并提供固定的通气压力支持,而PRVC模式是一种压力/容积控制模式,它根据患者的需求动态调整通气压力和潮气量。因此,本发明优先根据使用者实际情况选择初始的通气模式,并设定具体的通气参数。
S2、根据实际需求设定所述呼吸机模式切换的触发条件。
从SIMV模式与PRVC模式之间相互切换的触发条件可以根据不同的需求和实际情况进行定义。
一般来说,触发条件需要综合考虑以下几个方面:
一、患者病情:患者病情是切换模式的最主要考虑因素。例如,对于重症患者,需要更好的通气支持,可能需要切换到PRVC模式。而对于一些可以自主呼吸的患者,可以使用SIMV模式。
二、监测参数:监测参数也是切换模式的重要参考依据。例如,如果患者在SIMV模式下吸气压力或呼气时间不够,或者在PRVC模式下压力支持水平太高,可能需要考虑切换模式。
三、治疗效果:治疗效果是切换模式的重要评估指标。例如,在某个模式下达到了良好的通气和氧合状态,而在另一个模式下效果不如意,可以考虑维持当前模式。
四、医生意见:医生的意见和经验也是切换模式的重要参考。例如,有些医生更倾向于使用PRVC模式,有些则更倾向于使用SIMV模式,需要根据医生的意见进行调整。
在自动化切换场景下,本发明优先考虑监测参数的因素,对监测得到的呼吸变量进行自动识别处理,该领域相关触发条件包括:
1、患者需要更高的通气量或更高的正压呼气末屏气水平来维持正常通气。
2、患者需要更高的氧合水平,即需要更高的吸入氧浓度来维持正常氧合。
3、患者需要更高的呼吸频率来维持正常通气。
4、患者的潮气量需求超过了SIMV模式可以提供的最大潮气量。
5、患者的吸气压力需求超过了SIMV模式可以提供的最大吸气压力。
6、患者出现了呼吸窘迫的情况,如呼吸频率增快,潮气量下降,呼气末二氧化碳浓度升高等。
具体的触发条件需要根据患者的具体情况和呼吸机的设置进行调整和优化,以实现更加合理和有效的模式切换。同时,也需要注意触发条件的设置和优先级,以确保模式切换的及时性和准确性。
S3、实时监测与采集所述呼吸机运行过程中的呼吸变量。
所述呼吸变量包括潮气量(VT)、呼吸频率(RR)、峰值流量(Vmax)、吸气压力(PIP)、呼气压力(PEEP)、氧气浓度、呼吸时间比(I:E)及呼气末二氧化碳分压(PCO2)等。
S4、利用混合模型对所述呼吸变量进行处理并确定触发参数。
对于呼吸变量的识别检测,可以基于规则的逻辑来通过手动编写规则来实现数据处理和判断。例如,在呼吸机监测中,可以编写规则来判断患者的通气状态是否正常,例如判断患者的呼吸频率是否过高或过低等等。这种方法的优点是易于理解和实现,缺点是需要手动编写规则,难以处理复杂的数据。
也可以利用机器学习算法,通过训练数据来自动学习数据的特征和规律,从而实现数据处理和判断。例如,在呼吸机监测中,可以使用机器学习算法来识别患者的通气状态,并对呼吸机的设置进行自动调整。这种方法的优点是能够处理复杂的数据和问题,缺点是需要大量的训练数据和算法的调整和优化。
为了综合上述两种方法的优点,并提高数据检测的精确性,本发明采用混合模型的方式,使用基于规则的逻辑和机器学习算法的混合方法来实现数据处理和判断。先使用规则逻辑来快速判断患者的通气状态,然后再使用机器学习算法对数据进行进一步分析和判断,从而提高判断的准确性和实时性。
其中,所述利用混合模型对所述呼吸变量进行处理并确定触发参数包括以下步骤:
S41、对所述呼吸变量进行预处理以及有效特征提取。
对呼吸机原始的呼吸变量数据进行预处理和特征提取,是建立有效的监测参数识别和模式切换模型的重要步骤。一般来说,预处理的目的是使数据更易于分析和处理,而特征提取的目的则是从原始数据中提取有用的信息。以下是本发明对于预处理和特征提取的流程与步骤:
数据清洗:删除无效数据、填补缺失值、处理异常值等。
信号滤波:对原始数据进行去噪处理,例如低通滤波、带通滤波等。
数据标准化:对数据进行归一化或标准化处理,例如最大最小值归一化、均值方差标准化等。
特征提取:从原始数据中提取有用的特征,例如时域、频域和小波域等特征。
S42、根据专家经验将不同类型及不同数值的所述呼吸变量映射到对应的通气模式中,构建用于对所述呼吸变量进行判断与分类的逻辑规则。
S43、利用所述呼吸变量的有效特征建立机器学习模型并进行训练,包括以下步骤:
S431、根据所述呼吸变量的类型定义不同类型的标签。
其中,不同的标签可以按照模式的不同进行定义,由于SIMV模式与PRVC模式下呼吸变量具备不同的数值与特征,因此可以直接将两种模式作为标签,按照该标签下呼吸变量的数值进行分类。
或者按照患者的通气状态进行标签定义,即划分为有自主呼吸标签与无自主呼吸标签,通过实时监测患者是否具备自主呼吸,来完成后续数据的识别与模式的切换。本发明中选择用自主呼吸标签与无自主呼吸标签进行分类,对后续的模型进行构建与训练。
判断患者是否存在自主呼吸通常需要通过以下呼吸变量进行反映:
呼吸频率:呼吸频率是指每分钟呼吸的次数。在正常情况下,成人的呼吸频率为12-20次/分钟。如果患者存在自主呼吸,则可以通过呼吸频率的变化来反映。
潮气量:潮气量是指每次吸气或呼气时,进入或排出肺部的空气量。潮气量的大小通常与呼吸机设定参数有关,但如果患者存在自主呼吸,则可以通过潮气量的变化来反映。
呼气末二氧化碳分压:呼气末二氧化碳分压是指每次呼气结束时,呼出的肺泡气中二氧化碳的分压。在正常情况下,EtCO2与动脉血二氧化碳分压(PaCO2)存在相关性。如果患者存在自主呼吸,则可以通过EtCO2的变化来反映。
S432、选择合适的所述有效特征对所述标签进行匹配,作为每个所述标签的特征值。
S433、对所述呼吸变量进行扩充并划分为训练集与测试集。
S434、利用所述训练集构建用于标签识别的卷积神经网络模型并进行训练,再利用所述测试集对所述模型进行测试与优化得到机器学习模型。
S44、融合所述逻辑规则与所述机器学习模型得到混合模型,包括以下步骤:
S441、利用堆叠法对所述逻辑规则与所述机器学习模型进行融合,得到混合模型。
堆叠法是将不同的模型进行组合,使得模型具有更高的泛化能力。
S442、利用交叉验证法对所述混合模型的参数与结构进行验证与优化。
S45、利用所述混合模型对实时监测得到的所述呼吸变量进行识别处理,将识别通过后的变量数据作为触发参数。
通过以上步骤,可以建立一个逻辑规则与机器学习的混合模型,实现对呼吸机的呼吸变量进行识别和模式切换的目标。在实际应用中,可以根据具体的情况和需求,调整和优化混合模型的参数和结构,以适应不同的呼吸机设备和临床场景。
S5、根据所述触发参数对所述呼吸机进行平滑处理实现模式切换,包括以下步骤:
S51、根据所述触发参数确定所述呼吸机进行模式切换的准备状态。
S52、记录当前呼吸周期数据,并选择在呼吸周期的低气流限期作为通气模式的切换时机。
同时,切换时机还应该考虑患者的生理状态、通气需求以及当前通气模式的适应性等因素。
S53、当进行通气模式切换时,逐步调整当前通气模式的通气参数达到目标通气模式的目标通气参数,直至达到两种通气模式的平衡,完成所述呼吸机单次通气模式的切换。
比如,在从SIMV模式切换到PRVC模式时,可以逐渐降低SIMV模式下的控制通气量,同时逐渐增加PRVC模式下的目标通气量,直到两者达到平衡。
S6、对稳定通气运行的所述呼吸机进行风险监测与自适应调节,包括以下步骤:
S61、获取所述呼吸机当前运行的通气模式的类型。
S62、对所述呼吸机实时监测的呼吸变量进行异常监测与风险识别,包括以下步骤:
S621、获取异常风险案例及其对应呼吸变量数据作为参考信息。
S622、对所述参考信息进行特征识别及扩充得到参考特征。
S623、利用所述参考特征构建XGBoost模型,并根据风险类型调整模型参数,进行训练与测试得到异常风险识别模型。
XGBoost是一种基于决策树的集成学习算法,具有高准确率、快速处理速度和可解释性好等特点,可以用于呼吸机监测数据的识别处理。
对于呼吸机监测数据,可以通过采集多个相关的监测参数作为特征,如患者呼吸频率、潮气量、吸呼比、氧饱和度等等,然后利用XGBoost模型进行分类或回归预测。
在使用XGBoost模型时,需要对数据进行预处理和特征工程,包括数据清洗、特征选择、特征提取、特征变换等步骤。然后将数据分为训练集和测试集,利用训练集训练XGBoost模型,并根据测试集的评价指标对模型进行评估和优化。
S624、将所述异常风险识别模型部署到所述呼吸机数据监测单元,根据模型输出结果识别潜在的风险。
S63、根据所述通气模式类型确定对应的控制变量及输出变量,包括以下步骤:
S631、当所述呼吸机处于PRVC模式时,采集潮气量、肺容积及吸气峰值压力作为控制变量,并将所述呼吸机的压力设定值作为输出变量。
在PRVC模式中,呼吸机会根据患者的肺容积和呼吸力量等因素,自动调整每次呼吸的压力,使得患者的通气量保持在一个稳定的水平。通过不断监测患者的呼吸参数,如潮气量、肺容积、吸气峰值压力等,来实时调整呼吸机的压力设定。利用采用反馈控制的方法,将实时监测的呼吸参数作为输入,将调整后的压力设定作为输出,通过不断地迭代优化,使得呼吸机的控制精度不断提高。
S632、当所述呼吸机处于SIMV模式时,采集主呼吸次数、通气量及呼吸频率作为控制变量,并将呼吸频率控制值作为输出变量。
在SIMV模式中,患者会自主呼吸,呼吸机会在自主呼吸和控制呼吸之间自动切换。为了使呼吸机的控制更加精确,通过监测患者的自主呼吸次数和通气量等因素,来动态调整SIMV模式的设定参数,如控制呼吸频率、控制呼吸的潮气量等,使得患者的通气水平始终保持在一个合适的范围内。
S64、将所述控制变量输入至自适应控制模型,计算得到对应的输出变量对所述呼吸机进行自适应调节,包括以下步骤:
S641、将所述控制变量与所述控制变量变化率作为输入量并分别进行模糊化处理,确定对应的模糊变量。
S642、对所述呼吸机输出变量进行模糊化处理并设定对应模糊语言值;
S643、建立所述输入量与所述输出变量之间的模糊自适应规则。
S644、对实时变化的所述输入量进行模糊推理,实现所述呼吸机输出变量的计算与输出。
其中,呼吸机输出变量的计算公式为:
u=Kpe+Ki∫e+Kdec
式中,u表示输出变量,e表示控制变量,ec表示控制变量变化率,Kp表示比例系数,Ki表示积分系数,Kd表示微分系数。
S7、对所述呼吸变量进行持续监测并实现呼吸机通气模式的动态切换。
此外,为获取SIMV模式、PRVC模式及其变种模式在实际使用过程中呼吸变量参数的差别与变化,并验证通气模式智能切换的重要性,本发明通过设计实验进行验证,获取相关数据起到数据支撑,具体内容包括:
一、实验方案设计
选用AVEA呼吸机系统,该系统可以设置为SIMV模式或PRVC模式。在患者在容量SIMV模式下稳定30分钟后,记录呼吸机设置和动脉血气分析结果。然后,病人被切换到PRVC-SIMV模式。总室性心动过速、呼气末正压(PEEP)、Vmax(I:E)和RR如前所述进行调整;30分钟后,重复动脉血气分析,流程如图2所示。
每位患者的研究周期最长为1小时(PRVC-SIMV模式为30分钟,容积-SIMV模式为30分钟)。在每种模式开始前,呼吸机的设置被调整到PaCO2在30-45mmHg(正常二氧化碳)范围内。调整吸入的氧分数(FiO2)以达到用脉搏血氧定量法(SpO2)测量的高于98%的氧饱和度。
在一个实验实例中,呼吸机变量设置如下:气管内导管内径(75-85mm)、VT(8-12ml/kg)、RR(10-16n/min)、TP(0s)、PEEP(5cmH2O)、PSV(10cmH2O)和I:E(1:2)。
在容积-SIMV模式(volume-SIMV)和PRVC-SIMV模式中,VT、R、Tp、PEEP,I:E,PSV,即PSV和FiO2的设置是相同的,如图3所示。
其中,AVEA呼吸机系统具备PRVC模式与SIMV模式及其多个变种模式,包括PRVC-SIMV模式、体积-PRVC模式、容积-PRVC模式、容量-SIMV模式及容积-SIMV模式。
PRVC-SIMV模式是混合模式,其结合PRVC模式与SIMV模式两种模式的优点,可以实现对患者的全面控制。在该模式下,呼吸机通过控制吸气压力和控制通气频率,以达到控制潮气量和呼吸频率的目标。这样可以在一定程度上满足患者的自主呼吸需求,同时也保证了患者的通气量和通气频率达到目标。
体积-PRVC模式中,通气机通过控制每次吸气的潮气量(即预设的目标范围),自适应地调整吸气压力。在这种模式下,吸气压力是变化的,但潮气量保持不变。
在容积-PRVC模式中,通气机通过控制每次吸气的压力,自适应地调整吸气潮气量,使其保持在预设的目标范围内。在这种模式下,吸气压力是恒定的,但潮气量是变化的。
容量-SIMV模式是SIMV模式的一种变种,其中呼吸机提供的通气是基于潮气量的,而不是基于压力的。换句话说,呼吸机会提供一定的潮气量,以帮助患者维持正常通气。
容积-SIMV模式是容量SIMV模式的一种变种,其中呼吸机提供的通气是基于设定的潮气量和呼气末正压的,而不是基于设定的压力。在容积SIMV模式下,呼吸机会调整气道压力和呼气末正压,以达到设定的潮气量。
二、数据收集:
记录基线特征和主要结果。在容积-SIMV模式下,从呼吸机记录Vmax、PIP和WOBv(呼吸机做功)。在PRVC-SIMV模式下,从呼吸机记录PIP和WOBv,但Vmax是用直尺测量的。从血气分析结果记录PO2和PCO2。
如果PIP高于30cmH2O超过10分钟或≥35cmH2O超过5分钟,则实验终止,并开始抢救治疗(机械吸引、减少潮气量或呼吸干预)。记录了终止实验的原因。
三、统计分析
连续变量以平均标准偏差(SD)表示。分类变量以频率或百分比表示。在适当的情况下,使用卡方分析或Fisher精确检验比较两种治疗之间的结果差异。所有统计分析在SPSS(版本20.0,IBM,纽约,美国)中进行。P<0.05被认为具有统计学意义。
四、实验结果
在实验期间,54名癌症患者入住心胸重症监护室,其中15名被排除。最后,39名符合条件的患者参与并完成了研究。如表1所示,这些患者的基本人口统计学和临床特征如下:
平均年龄为62.2(±12.1)岁,平均体重为65.0(±13.5)公斤。几乎一半的患者(48.7%)是男性。
平均室性心动过速为0.6(±0.1)升,平均相对危险度为12.8(±1.1)。
43.6%的患者进行了体外循环。
基础疾病是主动脉瓣狭窄/二尖瓣狭窄/置换或成形术,17例(43.6%),冠状动脉旁路移植术,11例(28.2%),大血管置换,4例(10.3%)。
表1:参与者特征表
具有正弦波形的PRVC模式的PIP、Vmax和WOBv明显高于具有减速波形的SIMV模式(20.2±3.2对19.8±2.9,t=-2.300,P=0.027139.9±6.4对30.6±6.4,t=-13.86,P<0.00011.1±0.2对0.9±0.2,t=-9.191,P<0.0001),如图4-图6所示。与PRVC模式相比,SIMV模式在AVEA呼吸机上的PCO2显著降低(36.9±6.3对37.5±6.0,P=0.0024),如图7所示。
五、实验讨论
由于来自心胸外科手术的生理压力,使用合适的机械通气模式是极其重要的。吸气流速波形可用于评估气道压力。具有最小机械应力的机械通气对于接受机械通气的患者是至关重要的。
在本实验中,具有正弦波形的PRVC模式的PIP明显高于具有减速波形的SIMV模式。
通过计算ABCD(SABCD)内等于VT(SABCD=VT)的图形面积,还测试了公式这个公式包括了AVEA呼吸机容量-SIMV模式的所有变量。
然而,实验无法获得每个变量的结果,因为血流波形、VT、R、Vmax、TP和I:E相互影响。另外,实验还发现血流波形、室性心动过速、心率、Vmax、脉搏波传导速度和I:E可以影响气道。
最后,现有有研究提出在VC和PRVC模式下使用减速吸气流量类似于正常的肺生理,可能提供比标准容量控制通气更低的PIP。
尽管两种模式下的PO2没有差异,但是SIMV模式下的PCO2显著低于PRVC模式。可能是由于在容积-PRVC模式中较高的Vmax对生理功能的影响,较高的流量能更有效地分散气体。因此,在容积-PRVC模式中,吸入的O2可以以较高的Vmax均匀分散。在高血氧饱和度的患者中,较高的Vmax也可以很容易地清除二氧化碳。对于肺动脉高压患者,在容积-PRVC模式下,机械通气可以降低CO2分压和肺动脉高压。
在体积-PRVC模式下,较高的Vmax可以去除大量的水。例如,较高的Vmax很容易吹走呼吸道分泌物。婴儿通常接受小型气管插管装置。当更高的Vmax通过气管内导管时,速度甚至会进一步增加,这会对婴儿的生理功能产生负面影响。在接受心肺旁路手术的心血管疾病患者中,气道粘膜可能脱水和干燥,因为这些患者通常接受利尿剂以减轻术后心脏负担。当较高的Vmax通过气管导管时,气道粘膜进一步脱水。需要进一步的临床试验来证实这些假设。
六、实验结论
本实验证明了容积-PRVC模式与容积-SIMV模式相比,具有较低的PCO2和正弦波。此外,与容积-SIMV模式下的吸气流量减速相比,容积-PRVC模式下正弦波的PIP和Vmax更高。
上述各个模式之间相互作用的变量和流动波形应该以严格控制的方式设置,以满足每个患者的需要,因此亟需设计智能切换系统满足更多的患者与使用场景。
综上所述,借助于本发明的上述技术方案,通过设定触发条件与智能识别的混合模型,能够对实时监测得到的呼吸变量进行精确分析识别,即通过对患者的生理状态和通气需求进行智能分析和识别,可以选择最适合患者的通气模式,提高呼吸机治疗效果;通过选择适当的通气模式可以提高患者的舒适度和安全性,避免不合适的通气模式可能会导致不适和并发症。
通过构建自适应切换通气模式可以减轻医护人员对患者的监测和调节工作,从而节省时间和精力并且有效减轻医护人员工作负担;适当的通气模式可以降低患者的治疗成本,避免因不合适的通气模式引起的并发症而导致的治疗费用增加,降低治疗成本;此外,智能切换通气模式可以实现远程监测和控制,为医疗机构提供更好的服务,提高患者的治疗效果和满意度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于呼吸变量监测的机械通气模式智能切换系统,其特征在于,该系统实施的基于呼吸变量监测的机械通气模式智能切换方法包括以下步骤:
S1、确定呼吸机的初始通气模式并输入初始通气参数;
S2、根据实际需求设定所述呼吸机模式切换的触发条件;
S3、实时监测与采集所述呼吸机运行过程中的呼吸变量;
S4、利用混合模型对所述呼吸变量进行处理并确定触发参数;
S5、根据所述触发参数对所述呼吸机进行平滑处理实现模式切换;
S6、对稳定通气运行的所述呼吸机进行风险监测与自适应调节;
S7、对所述呼吸变量进行持续监测并实现呼吸机通气模式的动态切换;
其中,所述利用混合模型对所述呼吸变量进行处理并确定触发参数包括以下步骤:
S41、对所述呼吸变量进行预处理以及有效特征提取;
S42、根据专家经验将不同类型及不同数值的所述呼吸变量映射到对应的通气模式中,构建用于对所述呼吸变量进行判断与分类的逻辑规则;
S43、利用所述呼吸变量的有效特征建立机器学习模型并进行训练;
S44、融合所述逻辑规则与所述机器学习模型得到混合模型;
S45、利用所述混合模型对实时监测得到的所述呼吸变量进行识别处理,将识别通过后的变量数据作为触发参数;
所述根据所述触发参数对所述呼吸机进行平滑处理实现模式切换包括以下步骤:
S51、根据所述触发参数确定所述呼吸机进行模式切换的准备状态;
S52、记录当前呼吸周期数据,并选择在呼吸周期的低气流限期作为通气模式的切换时机;
S53、当进行通气模式切换时,逐步调整当前通气模式的通气参数达到目标通气模式的目标通气参数,直至达到两种通气模式的平衡,完成所述呼吸机单次通气模式的切换;
所述对稳定通气运行的所述呼吸机进行风险监测与自适应调节包括以下步骤:
S61、获取所述呼吸机当前运行的通气模式的类型;
S62、对所述呼吸机实时监测的呼吸变量进行异常监测与风险识别;
S63、根据所述通气模式类型确定对应的控制变量及输出变量;
S64、将所述控制变量输入至自适应控制模型,计算得到对应的输出变量对所述呼吸机进行自适应调节。
2.根据权利要求1所述的一种基于呼吸变量监测的机械通气模式智能切换系统,其特征在于,所述呼吸变量包括潮气量、呼吸频率、峰值流量、吸气压力、呼气压力、氧气浓度及呼吸时间比。
3.根据权利要求2所述的一种基于呼吸变量监测的机械通气模式智能切换系统,其特征在于,所述利用所述呼吸变量的有效特征建立机器学习模型并进行训练包括以下步骤:
S431、根据所述呼吸变量的类型定义不同类型的标签;
S432、选择合适的所述有效特征对所述标签进行匹配,作为每个所述标签的特征值;
S433、对所述呼吸变量进行扩充并划分为训练集与测试集;
S434、利用所述训练集构建用于标签识别的卷积神经网络模型并进行训练,再利用所述测试集对所述模型进行测试与优化得到机器学习模型。
4.根据权利要求3所述的一种基于呼吸变量监测的机械通气模式智能切换系统,其特征在于,所述融合所述逻辑规则与所述机器学习模型得到混合模型包括以下步骤:
S441、利用堆叠法对所述逻辑规则与所述机器学习模型进行融合,得到混合模型;
S442、利用交叉验证法对所述混合模型的参数与结构进行验证与优化。
5.根据权利要求4所述的一种基于呼吸变量监测的机械通气模式智能切换系统,其特征在于,所述对所述呼吸变量进行异常监测与风险识别包括以下步骤:
S621、获取异常风险案例及其对应呼吸变量数据作为参考信息;
S622、对所述参考信息进行特征识别及扩充得到参考特征;
S623、利用所述参考特征构建XGBoost模型,并根据风险类型调整模型参数,进行训练与测试得到异常风险识别模型;
S624、将所述异常风险识别模型部署到所述呼吸机数据监测单元,根据模型输出结果识别潜在的风险。
6.根据权利要求5所述的一种基于呼吸变量监测的机械通气模式智能切换系统,其特征在于,所述根据所述通气模式类型确定对应的控制变量及输出变量包括以下步骤:
S631、当所述呼吸机处于PRVC模式时,采集潮气量、肺容积及吸气峰值压力作为控制变量,并将所述呼吸机的压力设定值作为输出变量;
S632、当所述呼吸机处于SIMV模式时,采集主呼吸次数、通气量及呼吸频率作为控制变量,并将呼吸频率控制值作为输出变量。
7.根据权利要求6所述的一种基于呼吸变量监测的机械通气模式智能切换系统,其特征在于,所述将所述控制变量输入至自适应控制模型,计算并反馈输出变量对所述呼吸机进行自适应调节包括以下步骤:
S641、将所述控制变量与所述控制变量变化率作为输入量并分别进行模糊化处理,确定对应的模糊变量;
S642、对所述呼吸机输出变量进行模糊化处理并设定对应模糊语言值;
S643、建立所述输入量与所述输出变量之间的模糊自适应规则;
S644、对实时变化的所述输入量进行模糊推理,实现所述呼吸机输出变量的计算与输出;
其中,所述呼吸机输出变量的计算公式为:
u=Kpe+Ki∫e+Kdec
式中,u表示输出变量;
e表示控制变量;
ec表示控制变量变化率;
Kp表示比例系数;
Ki表示积分系数;
Kd表示微分系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310873625.8A CN117045913B (zh) | 2023-07-14 | 2023-07-14 | 一种基于呼吸变量监测的机械通气模式智能切换系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310873625.8A CN117045913B (zh) | 2023-07-14 | 2023-07-14 | 一种基于呼吸变量监测的机械通气模式智能切换系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117045913A CN117045913A (zh) | 2023-11-14 |
CN117045913B true CN117045913B (zh) | 2024-04-30 |
Family
ID=88663519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310873625.8A Active CN117045913B (zh) | 2023-07-14 | 2023-07-14 | 一种基于呼吸变量监测的机械通气模式智能切换系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117045913B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109011066A (zh) * | 2018-08-29 | 2018-12-18 | 宋兴荣 | 一种呼吸机模式控制系统 |
CN113855955A (zh) * | 2021-10-21 | 2021-12-31 | 山东大学 | 一种呼吸机多模式工作控制系统及呼吸机 |
CN114177451A (zh) * | 2021-12-29 | 2022-03-15 | 杭州电子科技大学 | 一种呼吸机的单呼吸周期压力—容量双控模式的控制方法 |
CN114191665A (zh) * | 2021-12-01 | 2022-03-18 | 中国科学院深圳先进技术研究院 | 机械通气过程中人机异步现象的分类方法和分类装置 |
CN115814222A (zh) * | 2023-01-17 | 2023-03-21 | 中国科学院深圳先进技术研究院 | 混合机械通气模式下人机不同步波形识别方法及相关设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100218766A1 (en) * | 2009-02-27 | 2010-09-02 | Nellcor Puritan Bennett Llc | Customizable mandatory/spontaneous closed loop mode selection |
US9027552B2 (en) * | 2012-07-31 | 2015-05-12 | Covidien Lp | Ventilator-initiated prompt or setting regarding detection of asynchrony during ventilation |
-
2023
- 2023-07-14 CN CN202310873625.8A patent/CN117045913B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109011066A (zh) * | 2018-08-29 | 2018-12-18 | 宋兴荣 | 一种呼吸机模式控制系统 |
CN113855955A (zh) * | 2021-10-21 | 2021-12-31 | 山东大学 | 一种呼吸机多模式工作控制系统及呼吸机 |
CN114191665A (zh) * | 2021-12-01 | 2022-03-18 | 中国科学院深圳先进技术研究院 | 机械通气过程中人机异步现象的分类方法和分类装置 |
CN114177451A (zh) * | 2021-12-29 | 2022-03-15 | 杭州电子科技大学 | 一种呼吸机的单呼吸周期压力—容量双控模式的控制方法 |
CN115814222A (zh) * | 2023-01-17 | 2023-03-21 | 中国科学院深圳先进技术研究院 | 混合机械通气模式下人机不同步波形识别方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117045913A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104302338B (zh) | 用于通气治疗的装置和方法 | |
EP2029209B1 (en) | Method of using a ventilator monitor system | |
US5752509A (en) | Artificial ventilation system | |
US6796305B1 (en) | Ventilator monitor system and method of using same | |
EP3493216A1 (en) | Medical system, apparatus and method | |
US20100249559A1 (en) | Medical Device For Assessing Intravascular Blood Volume And Technique For Using The Same | |
EP2934640A1 (de) | Beatmungssystem | |
CN107209797A (zh) | 用于对机械通气的基于模型的优化的系统和方法 | |
CN111752156B (zh) | 一种经鼻高流量湿化氧疗专家治疗方法及治疗系统 | |
CN110812638B (zh) | 基于ards肺保护性策略的智能闭环机械通气控制系统及方法 | |
EP3551248B1 (en) | System for co2 removal | |
CN111921050A (zh) | 一种用于控制氧气输送的方法 | |
JP2012531246A (ja) | 人工呼吸から離脱させる統合肺指標 | |
CN110537917A (zh) | 一种基于呼吸力学的机械通气智能监测系统及监测方法 | |
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 | |
CN114887169A (zh) | 一种呼吸机智能控制决策方法与系统 | |
CN112384263B (zh) | 用于借助人工呼吸和体外的血液气体交换来辅助血液气体交换的系统以及根据方法工作的系统 | |
Weiler et al. | The AVL-mode: a safe closed loop algorithm for ventilation during total intravenous anesthesia | |
CN114870187A (zh) | 一种基于心电信号智能判断及解决过度通气的方法及装置 | |
CN114588427A (zh) | 一种自动分析调节吸入补偿量的电动雾化吸入器 | |
CN117861027A (zh) | 有创呼吸机参数的智能调节方法及系统 | |
Tehrani et al. | The Role of Physiological Models in Critiquing Mechanical Ventilation Treatments | |
Miller et al. | VQ-ATTENDING: Goal-Directed Critiquing of Ventilator Management |
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 |