CN117731897A - 一种呼吸机压力控制方法 - Google Patents
一种呼吸机压力控制方法 Download PDFInfo
- Publication number
- CN117731897A CN117731897A CN202311711937.5A CN202311711937A CN117731897A CN 117731897 A CN117731897 A CN 117731897A CN 202311711937 A CN202311711937 A CN 202311711937A CN 117731897 A CN117731897 A CN 117731897A
- Authority
- CN
- China
- Prior art keywords
- pressure
- value
- event
- breathing
- 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.)
- Pending
Links
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 12
- 230000000241 respiratory effect Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 6
- 206010041235 Snoring Diseases 0.000 claims description 4
- 206010021079 Hypopnoea Diseases 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000036391 respiratory frequency Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 abstract description 6
- 230000036541 health Effects 0.000 abstract description 4
- 230000004044 response Effects 0.000 abstract description 4
- 101710163391 ADP-ribosyl cyclase/cyclic ADP-ribose hydrolase Proteins 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004202 respiratory function Effects 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 208000008784 apnea Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种呼吸机压力控制方法，包括以下步骤：S1.采用自抗扰控制器对呼吸机进行初始化处理，所述自抗扰控制器包括跟踪微分器、状态误差反馈控制、扩张状态观测器；S2.获取用户的呼吸信息，根据所述呼吸信息确定呼吸事件和事件严重程度，获取用户的目标压力值；S3.实时采集呼吸机当前时刻的压力值，将目标压力值和采集到呼吸机当前时刻的压力值输入到预设好的神经网络模型中，经过神经网络模型的训练得到当前时刻的压力补偿值。本发明通过引入自抗扰控制器对压力进行控制，能够有效降低超调，实现压力快速、稳定地响应，从而避免压力超调对使用者心肺造成压力的问题，有利于使用者的健康。
Description
技术领域
本发明属于呼吸机压力控制技术领域，具体涉及一种呼吸机压力控制方法。
背景技术
目前，随着人们对呼吸不畅(如打鼾等)可引发各种疾病的认识的提高，呼吸机的使用也越来越普便。呼吸机是一种人工的机械通气装置，用以辅助或控制患者的自主呼吸运动，以达到肺内气体交换的功能，降低人体的消耗，以利于呼吸功能的恢复。呼吸机的基本工作原理是利用气体的压力差进行工作。按应用可分为两大类，一类用于治疗呼吸系统的疾病，另一类用于维持手术麻醉状态下病人的正常呼吸功能。按功能又可分为定压型、定量型、持续气流型等。
现有的呼吸机中，为了得到目标的压力，通过传感器测量的压力与需要的压力作差，其差值输入到PID控制器，PID控制风机，从而得到期望的压力值，但是现有的呼吸机在压力控制中，会造成压力超调，压力超调会对使用者心肺造成压力，影响使用者健康，另外没有考虑不同的人群对压力波动的敏感性和适应性，调压过快会导致人机对抗，影响用户睡眠；调压过慢则无法完全解决睡眠呼吸障碍问题。为此我们提出一种呼吸机压力控制方法。
ADRC，全称叫做Active Disturbance Reiection Control，中文名是自抗扰控制技术。可以克服传统PID算法的诸多缺陷，为此我们提出基于ADRC的呼吸机流量控制方法。
发明内容
本发明的目的在于提供一种呼吸机压力控制方法，通过引入ADRC控制器对压力进行控制，能够有效降低超调，实现压力快速、稳定地响应，避免压力超调对使用者心肺造成压力的问题，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种呼吸机压力控制方法，包括以下步骤：
S1.采用自抗扰控制器对呼吸机进行初始化处理，所述自抗扰控制器包括跟踪微分器、状态误差反馈控制、扩张状态观测器；
S2.获取用户的呼吸信息，根据所述呼吸信息确定呼吸事件和事件严重程度，获取用户的目标压力值；
S3.实时采集呼吸机当前时刻的压力值，将目标压力值和采集到呼吸机当前时刻的压力值输入到预设好的神经网络模型中，经过神经网络模型的训练得到当前时刻的压力补偿值；
S4.根据当前时刻的压力补偿值，对所述呼吸机的压力进行控制。
优选的，所述跟踪微分器设置为参数可调跟踪微分器，所述参数可调跟踪微分器为带有速度饱和限制的变参数跟踪微分器，所述变参数跟踪微分器计算公式为：
其中,g1(t)是跟踪微分器的第一个输出，g2(t)是跟踪微分器的第二个输出，h(t)是被跟踪信号，r(t)是快速因子，设计为如下时变参数：
其中min()是最小值函数，σ≥1是可调参数，所给出的过渡过程的最大加速度为σ2amax，并且σ越大，所给出的过渡过程的最大速度也会增大。
优选的，所述变参数跟踪微分器的离散实现形式如下：
g2(k)＝sign(g2(k))·min(Vmax，丨g2(k)丨)
g1(k+1)＝g1(k)+Cg2(k)
g2(k+1)＝g2(k)+C(-r(t)2(g1(t)-h(t))-2r(t)g2(t))；
其中，sign()是符号函数，k∈N，C是采样步长。
优选的，所述跟踪微分器还用于信号去噪处理，所述信号去噪处理具体包括以下步骤：
步骤一、利用信号频域分解方法，将真实的惯性传感器信号J(t)分解到不同频域内，分别记为j1(t)、j2(t)、...、jn(t)；
步骤二、计算出j1(t)、j2(t)、...、jn(t)的熵值，分别记为E1、E2、...、En；
步骤三、调节非线性跟踪微分器的γ值，利用非线性跟踪微分器对jn(t)进行多次跟踪，通过观察跟踪曲线得到γ值的最大值N；
步骤四、以N为γ值的基准值，根据熵值E1、E2、...、En的比例关系确定不同熵值所对应的γ值，分别记为γ1、γ2、...、γn；
步骤五、基于γ1、γ2、...、γn构建n个不同的非线性跟踪微分器，分别对j1(t)、j2(t)、...、jn(t)进行去噪，得到i1(t)、i2(t)、...、in(t)；
步骤六、对i1(t)、i2(t)、...、in(t)进行信号重构，得到去噪后的惯性传感器信号I(t)。
优选的，所述S2中所述呼吸信息包括压力波形和流量波形，所述呼吸事件包括呼吸暂停事件、低通气事件、气流受限事件、鼾声事件中的至少一种。
优选的，所述根据所述呼吸信息确定事件严重程度的步骤包括：根据所述呼吸事件的持续时长确定所述事件严重程度。
优选的，所述S3中得到当前时刻的压力补偿值的具体方法为：
S301：确定各个压力下流道的流量范围，所述流量范围满足所有呼吸频率和潮气量；
S302：在4-20hpa的压力范围内改变流道气体流量，记录不同流量下面罩里压力偏差值，并把对应的偏差值作为训练压力补偿值；
S303：将压力和流道流量作为训练输入值、对应的偏差值作为训练输出值，同时输入到进行初始化后的神经网络模型中进行训练，直至训练误差值满足要求，则训练完成；
S304：保存训练完成后神经网络模型的各个权值和阈值；
S305：将当前时刻的压力和流道流量输入到训练好的神经网络模型中，计算得到当前时刻的压力补偿值。
优选的，所述神经网络模型由输入层、隐含层和输出层组成，结构为2-3-1，即输入层节点是2个，分别是压力值和流道流量值，隐含层节点是3个，输出层是1个，为压力补偿值。
优选的，所述S2中的目标压力值通过第一压力传感器测量，所述S3中的呼吸机当前时刻的压力值通过第二压力传感器测量，所述第一压力传感器和所述第二压力传感器的结构相同，且所述第一压力传感器和所述第二压力传感器均设置为气体压力传感器。
优选的，所述气体压力传感器包括闭环控制结构与数字处理系统；所述闭环控制结构设置有顺序连接的MEMS谐振器、跨阻放大器与比例积分控制器；所述数字处理系统设置有顺序连接的缓冲器、模数转换器、处理器与输入输出端子；所述比例积分控制器连接所述缓冲器。
与现有技术相比，本发明的有益效果是：
1、本发明通过引入ADRC控制器对压力进行控制，能够有效降低超调，实现压力快速、稳定地响应，从而避免压力超调对使用者心肺造成压力的问题，有利于使用者的健康；
2、本发明通过获取用户的呼吸信息，根据所述呼吸信息确定呼吸事件和事件严重程度，获取用户的目标压力值，通过实时监测用户的呼吸信息，并根据用户的呼吸信息判断呼吸事件和严重程度，根据呼吸事件类型、事件严重程度，对呼吸机压力给予对应调节，避免了调压过快导致的人机对抗和调压过慢导致的治疗效果欠佳，且提高了用户使用呼吸机的舒适度；
3、本发明通过预设好的神经网络模型，能够获得当前时刻呼吸机的压力补偿值，从而能够进行实时的压力补偿，能够减小面罩里治疗压力的偏差，增加了呼吸时的舒适感。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一种呼吸机压力控制方法，包括以下步骤：
S1.采用自抗扰控制器对呼吸机进行初始化处理，所述自抗扰控制器包括跟踪微分器、状态误差反馈控制、扩张状态观测器；
S2.获取用户的呼吸信息，根据所述呼吸信息确定呼吸事件和事件严重程度，获取用户的目标压力值；
S3.实时采集呼吸机当前时刻的压力值，将目标压力值和采集到呼吸机当前时刻的压力值输入到预设好的神经网络模型中，经过神经网络模型的训练得到当前时刻的压力补偿值；
S4.根据当前时刻的压力补偿值，对所述呼吸机的压力进行控制。
本实施例中，优选的，所述跟踪微分器设置为参数可调跟踪微分器，所述参数可调跟踪微分器为带有速度饱和限制的变参数跟踪微分器，所述变参数跟踪微分器计算公式为：
其中,g1(t)是跟踪微分器的第一个输出，g2(t)是跟踪微分器的第二个输出，h(t)是被跟踪信号，r(t)是快速因子，设计为如下时变参数：
其中min()是最小值函数，σ≥1是可调参数，所给出的过渡过程的最大加速度为σ2amax，并且σ越大，所给出的过渡过程的最大速度也会增大。
本实施例中，优选的，所述变参数跟踪微分器的离散实现形式如下：
g2(k)＝sign(g2(k))·min(Vmax，丨g2(k)丨)
g1(k+1)＝g1(k)+Cg2(k)
g2(k+1)＝g2(k)+C(-r(t)2(g1(t)-h(t))-2r(t)g2(t))；
其中，sign()是符号函数，k∈N，C是采样步长。
本实施例中，优选的，所述跟踪微分器还用于信号去噪处理，所述信号去噪处理具体包括以下步骤：
步骤一、利用信号频域分解方法，将真实的惯性传感器信号J(t)分解到不同频域内，分别记为j1(t)、j2(t)、...、jn(t)；
步骤二、计算出j1(t)、j2(t)、...、jn(t)的熵值，分别记为E1、E2、...、En；
步骤三、调节非线性跟踪微分器的γ值，利用非线性跟踪微分器对jn(t)进行多次跟踪，通过观察跟踪曲线得到γ值的最大值N；
步骤四、以N为γ值的基准值，根据熵值E1、E2、...、En的比例关系确定不同熵值所对应的γ值，分别记为γ1、γ2、...、γn；
步骤五、基于γ1、γ2、...、γn构建n个不同的非线性跟踪微分器，分别对j1(t)、j2(t)、...、jn(t)进行去噪，得到i1(t)、i2(t)、...、in(t)；
步骤六、对i1(t)、i2(t)、...、in(t)进行信号重构，得到去噪后的惯性传感器信号I(t)。
本实施例中，优选的，所述S2中所述呼吸信息包括压力波形和流量波形，所述呼吸事件包括呼吸暂停事件、低通气事件、气流受限事件、鼾声事件中的至少一种。
本实施例中，优选的，所述根据所述呼吸信息确定事件严重程度的步骤包括：根据所述呼吸事件的持续时长确定所述事件严重程度。
本实施例中，优选的，所述S3中得到当前时刻的压力补偿值的具体方法为：
S301：确定各个压力下流道的流量范围，所述流量范围满足所有呼吸频率和潮气量；
S302：在4-20hpa的压力范围内改变流道气体流量，记录不同流量下面罩里压力偏差值，并把对应的偏差值作为训练压力补偿值；
S303：将压力和流道流量作为训练输入值、对应的偏差值作为训练输出值，同时输入到进行初始化后的神经网络模型中进行训练，直至训练误差值满足要求，则训练完成；
S304：保存训练完成后神经网络模型的各个权值和阈值；
S305：将当前时刻的压力和流道流量输入到训练好的神经网络模型中，计算得到当前时刻的压力补偿值。
本实施例中，优选的，所述神经网络模型由输入层、隐含层和输出层组成，结构为2-3-1，即输入层节点是2个，分别是压力值和流道流量值，隐含层节点是3个，输出层是1个，为压力补偿值。
本实施例中，优选的，所述目标压力通过第一压力传感器测量，所述实际压力通过第二压力传感器测量，所述第一压力传感器和所述第二压力传感器的结构相同，且所述第一压力传感器和所述第二压力传感器均设置为气体压力传感器。
本实施例中，优选的，所述气体压力传感器包括闭环控制结构与数字处理系统；所述闭环控制结构设置有顺序连接的MEMS谐振器、跨阻放大器与比例积分控制器；所述数字处理系统设置有顺序连接的缓冲器、模数转换器、处理器与输入输出端子；所述比例积分控制器连接所述缓冲器。
本发明的原理及优点流程：
本发明通过引入ADRC控制器对压力进行控制，能够有效降低超调，实现压力快速、稳定地响应，从而避免压力超调对使用者心肺造成压力的问题，有利于使用者的健康；通过获取用户的呼吸信息，根据所述呼吸信息确定呼吸事件和事件严重程度，获取用户的目标压力值，通过实时监测用户的呼吸信息，并根据用户的呼吸信息判断呼吸事件和严重程度，根据呼吸事件类型、事件严重程度，对呼吸机压力给予对应调节，避免了调压过快导致的人机对抗和调压过慢导致的治疗效果欠佳，且提高了用户使用呼吸机的舒适度；通过预设好的神经网络模型，能够获得当前时刻呼吸机的压力补偿值，从而能够进行实时的压力补偿，能够减小面罩里治疗压力的偏差，增加了呼吸时的舒适感。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种呼吸机压力控制方法，其特征在于：包括以下步骤：
S1.采用自抗扰控制器对呼吸机进行初始化处理，所述自抗扰控制器包括跟踪微分器、状态误差反馈控制、扩张状态观测器；
S2.获取用户的呼吸信息，根据所述呼吸信息确定呼吸事件和事件严重程度，获取用户的目标压力值；
S3.实时采集呼吸机当前时刻的压力值，将目标压力值和采集到呼吸机当前时刻的压力值输入到预设好的神经网络模型中，经过神经网络模型的训练得到当前时刻的压力补偿值；
S4.根据当前时刻的压力补偿值，对所述呼吸机的压力进行控制。
2.根据权利要求1所述的一种呼吸机压力控制方法，其特征在于：所述跟踪微分器设置为参数可调跟踪微分器，所述参数可调跟踪微分器为带有速度饱和限制的变参数跟踪微分器，所述变参数跟踪微分器计算公式为：
其中,g1(t)是跟踪微分器的第一个输出，g2(t)是跟踪微分器的第二个输出，h(t)是被跟踪信号，r(t)是快速因子，设计为如下时变参数：
其中min()是最小值函数，σ≥1是可调参数，所给出的过渡过程的最大加速度为σ2amax，并且σ越大，所给出的过渡过程的最大速度也会增大。
3.根据权利要求2所述的一种呼吸机压力控制方法，其特征在于：所述变参数跟踪微分器的离散实现形式如下：
g2(k)＝sign(g2(k))·min(Vmax，丨g2(k)丨)
g1(k+1)＝g1(k)+Cg2(k)
g2(k+1)＝g2(k)+C(-r(t)2(g1(t)-h(t))-2r(t)g2(t))；
其中，sign()是符号函数，k∈N，C是采样步长。
4.根据权利要求3所述的一种呼吸机压力控制方法，其特征在于：所述跟踪微分器还用于信号去噪处理，所述信号去噪处理具体包括以下步骤：
步骤一、利用信号频域分解方法，将真实的惯性传感器信号J(t)分解到不同频域内，分别记为j1(t)、j2(t)、...、jn(t)；
步骤二、计算出j1(t)、j2(t)、...、jn(t)的熵值，分别记为E1、E2、...、En；
步骤三、调节非线性跟踪微分器的γ值，利用非线性跟踪微分器对jn(t)进行多次跟踪，通过观察跟踪曲线得到γ值的最大值N；
步骤四、以N为γ值的基准值，根据熵值E1、E2、...、En的比例关系确定不同熵值所对应的γ值，分别记为γ1、γ2、...、γn；
步骤五、基于γ1、γ2、...、γn构建n个不同的非线性跟踪微分器，分别对j1(t)、j2(t)、...、jn(t)进行去噪，得到i1(t)、i2(t)、...、in(t)；
步骤六、对i1(t)、i2(t)、...、in(t)进行信号重构，得到去噪后的惯性传感器信号I(t)。
5.根据权利要求1所述的一种呼吸机压力控制方法，其特征在于：所述S2中所述呼吸信息包括压力波形和流量波形，所述呼吸事件包括呼吸暂停事件、低通气事件、气流受限事件、鼾声事件中的至少一种。
6.根据权利要求5所述的一种呼吸机压力控制方法，其特征在于：所述根据所述呼吸信息确定事件严重程度的步骤包括：根据所述呼吸事件的持续时长确定所述事件严重程度。
7.根据权利要求1所述的一种呼吸机压力控制方法，其特征在于：所述S3中得到当前时刻的压力补偿值的具体方法为：
S301：确定各个压力下流道的流量范围，所述流量范围满足所有呼吸频率和潮气量；
S302：在4-20hpa的压力范围内改变流道气体流量，记录不同流量下面罩里压力偏差值，并把对应的偏差值作为训练压力补偿值；
S303：将压力和流道流量作为训练输入值、对应的偏差值作为训练输出值，同时输入到进行初始化后的神经网络模型中进行训练，直至训练误差值满足要求，则训练完成；
S304：保存训练完成后神经网络模型的各个权值和阈值；
S305：将当前时刻的压力和流道流量输入到训练好的神经网络模型中，计算得到当前时刻的压力补偿值。
8.根据权利要求7所述的一种呼吸机压力控制方法，其特征在于：所述神经网络模型由输入层、隐含层和输出层组成，结构为2-3-1，即输入层节点是2个，分别是压力值和流道流量值，隐含层节点是3个，输出层是1个，为压力补偿值。
9.根据权利要求1所述的一种呼吸机压力控制方法，其特征在于：所述S2中的目标压力值通过第一压力传感器测量，所述S3中的呼吸机当前时刻的压力值通过第二压力传感器测量，所述第一压力传感器和所述第二压力传感器的结构相同，且所述第一压力传感器和所述第二压力传感器均设置为气体压力传感器。
10.根据权利要求9所述的一种呼吸机压力控制方法，其特征在于：所述气体压力传感器包括闭环控制结构与数字处理系统；所述闭环控制结构设置有顺序连接的MEMS谐振器、跨阻放大器与比例积分控制器；所述数字处理系统设置有顺序连接的缓冲器、模数转换器、处理器与输入输出端子；所述比例积分控制器连接所述缓冲器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311711937.5A CN117731897A (zh) | 2023-12-13 | 2023-12-13 | 一种呼吸机压力控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311711937.5A CN117731897A (zh) | 2023-12-13 | 2023-12-13 | 一种呼吸机压力控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117731897A true CN117731897A (zh) | 2024-03-22 |
Family
ID=90251993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311711937.5A Pending CN117731897A (zh) | 2023-12-13 | 2023-12-13 | 一种呼吸机压力控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117731897A (zh) |
-
2023
- 2023-12-13 CN CN202311711937.5A patent/CN117731897A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104302338B (zh) | 用于通气治疗的装置和方法 | |
| CN108619597B (zh) | 一种呼吸机流道的压力补偿方法 | |
| EP2157991B1 (en) | System for treating ventilatory instability | |
| US20220409835A1 (en) | Breathing control using high flow respiration assistance | |
| ES2198240T3 (es) | Ventilacion asistida para responder a las necesidades respiratorias de un paciente. | |
| CN107106799A (zh) | 呼吸压力治疗系统 | |
| JP5739863B2 (ja) | 自発呼吸対象者の呼吸量を調節するためのシステム及び方法 | |
| CN107106800A (zh) | 治疗过度觉醒病症的方法和设备 | |
| CN103330979A (zh) | 一种呼吸机控制方法及应用控制方法的呼吸机 | |
| CN104739413B (zh) | 一种鼾声检测方法及系统 | |
| US20230158261A1 (en) | Systems and methods for breath detection | |
| KR20220045932A (ko) | 의료용 디바이스의 양방향 통신 | |
| CN215961621U (zh) | 一种双水平呼吸机的潮气量检测装置 | |
| JP2023517062A (ja) | 呼吸療法装置の意図的なリーク特性曲線を検出するシステムおよび方法 | |
| Guler et al. | Design of a fuzzy-LabVIEW-based mechanical ventilator | |
| CN106725337A (zh) | 鼾声检测方法和装置、正压呼吸机 | |
| JP6941095B2 (ja) | 古典的フィードバック制御を用いる患者の呼吸仕事量を自動制御する機械式換気 | |
| Volyanskyy et al. | Pressure-and work-limited neuroadaptive control for mechanical ventilation of critical care patients | |
| CN117731897A (zh) | 一种呼吸机压力控制方法 | |
| CN110461395A (zh) | 用于呼吸障碍的通气治疗的方法和设备 | |
| CN114588443A (zh) | 一种基于肺部成像的经鼻高流量氧疗智能调节系统 | |
| CN109890444A (zh) | 患者呼气压力的自动调节 | |
| Li et al. | The study of intelligent control algorithm in CPAP ventilator | |
| Korrapati et al. | Adaptive inverse dynamics control for a two-compartment respiratory system | |
| Guler et al. | Estimation of inspiration and expiration time by using fuzzy control with respect to lung's dynamics |
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 |