一种心肺复苏胸外自动按压设备及按压自反馈系统技术方案

本实用新型专利技术涉及医疗设备技术领域，尤其涉及一种心肺复苏胸外自动按压设备及按压自反馈系统，包括自动按压装置、生理指标检测模块和控制系统，自动按压装置包括电机、传动机构和按压头，传动机构将电机的运动转化为按压头的直线往复运动；电机和生理指标检测模块与控制系统电联接，控制系统实现按压动作的启停控制、按压参数的设置、生理参数的显示以及根据当前生理参数自动调整按压参数；按压参数包括按压频率、按压深度、按压波形、按压时间、动力学指标，按压波形包括正弦波、梯形波、三角波。本实用新型专利技术可进行自动胸外按压操作，同时可调节按压深度、频率和按压模式，并可根据反馈的生理参数自动优化按压参数，能够有效提高自主循环恢复率。

An automatic compression device and self feedback system for cardiopulmonary resuscitation

【技术实现步骤摘要】
一种心肺复苏胸外自动按压设备及按压自反馈系统
本技术涉及医疗设备
，尤其涉及一种心肺复苏胸外自动按压设备及按压自反馈系统。
技术介绍
一、心肺复苏是全球普及应用最为广泛的急救技术，它通过胸外按压、人工呼吸、电除颤等技术来抢救呼吸停止和心脏骤停的急症危重病人。高质量的胸外按压作为心脏骤停复苏的主要方面，其重要性更加不言而喻。胸外按压中，按压深度、按压频率和按压波形的改变会影响按压效果。针对胸外按压实验，国内中山大学附属第二医院全电动控制动物心肺复苏装置、美国ZOLL公司研制的AutoPulse束带式胸外按压器以及瑞典JOLIFE公司的LUCAS主动加压减压式胸外按压器都可以实现高精度按压。但鉴于成本高、按压频率和智能化程度低以及对操作人员有较高要求，目前各医疗单位在胸外按压试验中大多采用手动按压或其改进仪器进行胸外按压。手动按压的力度、深度、频率、方向难以保证准确、持久，而且对操作者有着极高的要求。随着科学的进步，高精度、高效率、易操作是实验仪器未来的发展方向，这也对心肺复苏胸外按压实验装置提出了新的要求。二、机器学习机器学习在学习的过程中所必须的学习材料通常用反映对象特征的数据集合来表达，学习方法一般用学习算法表示，学习效果现场评估方法一般用学习判据来表示，学习判据通常用特定的测试指标表示，如正确率、学习速度等。侧重于机器学习的可操作性，《统计学习理论的本质》给出了机器学习的第二个常见定义——机器学习就是一个基于经验数据的函数估计问题。假设输入x与输出y存在某种未知的关系，即遵循某种联合概率F(x,y)，机器学习就是要根据n个独立同分布的观测样本对这种联合概率进行估计。设(x1,y1),(x2,y2),…,(xn,yn)为n个观测样本，其中xi＝(xi1,xi2,…,xin)T，在一组函数{f(x,ω)}中寻找一个最优函数f(x,ω0)对这种未知关系进行估计，其决策函数可表示为：minR(ω)＝min∫L(y,f(x,ω))dF(x,y)(2-1)其中{f(x,ω)}称为预测函数集，ω为该函数的参数，L(y,f(x,ω))为用该函数对输出y进行观测而产生的损失，即损失函数。机器学习可理解为选择合适的预测函数集合函数参数，使用该函数对输出y进行观测产生的损失最小，即获得的对输出y的最优函数估计。机器学习最为普遍应用的一类算法就是分类算法。机器学习分类算法主要包括模型建立和分类算法两部分，第一步使用训练数据集通过分类算法得到模型参数，建立分类模型；第二步使用有标定的检验样本数据对训练得出的模型进行检验，评价该模型的预测准确性。2.1分类模型按照学习的形式，机器学习分类算法可分为有监督分类和无监督分类。无监督分类指对不带类别标记的训练样本集进行学习，即在事先不知道训练样本集的分类情况下，自动寻找规则在训练样本集中建立若干个簇，不同簇之间差异尽可能大，同一个簇内的样本数据之间的差异尽可能小，最后对各簇进行标记形成类。即对于我们不知道答案的问题，依据他们的性质自动把他们分成很多组，使得每组的问题都具有类似的性质。无监督分类主要应用于聚类，目前常用的聚类算法有：K-means算法、DBSCAN算法等。有监督分类指对带有类别标记的训练样本集进行学习，即自动寻找规则把训练样本归类到已知的类别中，并用于未知样本的归类。由于医疗诊断领域通常拥有大量的历史病例，这些病例已经拥有明确的标记，即患病或未患病，所以有监督学习的分类方法是医疗诊断领域最常用的分类方法。具体而言，通常将已知病例作为训练数据集，通过分类算法构建类预测模型，用以预测新的病例是否患有疾病。医学诊断通常要考虑患者的年龄、体征、病史等多方面的因素，通过医生的专业知识和个体经验得出患者是否患病的结论。如果已经通过历史病例建立好一个类预测模型，只需将上述多方面的因素作为特征输入这个模型即可得出患者是否患病的预测。医疗诊断领域常用的分类算法有：支持向量机(SVM)、K-近邻算法、神经网络(neuralnetwork)、逻辑(Logistic)回归算法、贝叶斯判别法和决策树(decisiontree)等算法。2.2、分类模型评价方法针对某个特定的分类问题，可能存在几个效果差不多的类表示模型，这些类表示模型有的简单，有的复杂。人们面对性能相近的模型或理论时，更偏向于接受简单的那个。为了从这些复杂程度不一的模型中选取一个恰当的符合人类认知的模型，通常会选取模型较简单的那个。除了模型的复杂性，另一个关键是模型的性能好坏。我们常使用泛化错误率来评价一个模型的性能。泛化能力指类表示模型函数对未知数据样本的预测能力。但是在已知训练集(X,U)的情况下，训练集只是反映的类的一个有限抽样，学习到的类表示模型的错误率也只能表示在这个抽样下的预测能力。于是我们假设知道数据集X服从的抽样分布P，即用抽样分布P来代替数据集X。但是在大多数情况下，学习过程中能够使用的数据集只有有限的训练集，抽样分布并不知道。因此，我们常在学习过程中使用训练数据集的平均损失来代替泛化能力，即用经验风险L(ρ(x),h(x))来代替泛化能力作为判别分类算法的依据。我们期望类预测函数误差要小，也就是期望经验风险越小越好。为了评价学习方法的泛化能力，现在常用的做法是把数据集分成两部分，一部分作为已知数据，即训练数据；其余部分当作未知数据的代表，即测试数据。训练数据集上的经验风险也称为训练误差，指模型在训练数据集上的平均误差，即学习算法在训练集上的经验误差，其定义如下：其中l(ρ(x),h(x))是损失函数，N代表训练数据集中的对象个数。测试错误率指测试样本集XT中被h(x)误分类的数据所占的比例。其定义如下：在测试集与训练集服从独立同分布假设下可以证明所以，用测试错误率来估计分类算法的泛化能力是可行的。在泛化性能能够满足实际需要的前提下，下一步才是选择简单的模型，如果泛化性能不能满足要求，一味地追求简单模型也是违反奥卡姆剃刀准则的。此外，在模型选择中除了考虑泛化能力，还必须考虑具体问题具体分析。
技术实现思路
本技术旨在提供心肺复苏胸外自动按压设备及按压自反馈系统，该心肺复苏胸外自动按压设备可自动完成给定深度、频率和波形的按压，该按压自反馈系统还可对按压时的生理指标进行检测，便于根据生理指标调整按压参数，利于提高按压质量。为达到上述目的，本技术采用的技术方案如下：一种心肺复苏胸外自动按压设备，包括自动按压装置和控制系统，所述自动按压装置包括电机、传动机构和按压头，所述传动机构将电机的运动转化为按压头的上下直线往复运动；所述电机与控制系统电联接，所述控制系统实现按压动作的启停控制、按压参数的设置；所述按压参数包括按压频率、按压深度、按压波形、按压时间中的至少一种，所述按压波形指按压头位移与时间的关系函数。进一步的，按压波形包括至少两种波形。进一步优选地，所述按压波形包括正弦波、梯形本文档来自技高网...

【技术保护点】
1.一种心肺复苏胸外自动按压设备，其特征在于：包括自动按压装置和控制系统；/n所述自动按压装置包括电机、传动机构和按压头，所述传动机构将电机的运动转化为按压头的上下直线往复运动；/n所述电机与控制系统电联接，所述控制系统实现按压动作的启停控制、按压参数的设置；/n所述按压参数包括按压频率、按压深度、按压波形、按压时间中的至少一种，所述按压波形指按压头位移与时间的关系函数。/n

【技术特征摘要】
1.一种心肺复苏胸外自动按压设备，其特征在于：包括自动按压装置和控制系统；
所述自动按压装置包括电机、传动机构和按压头，所述传动机构将电机的运动转化为按压头的上下直线往复运动；
所述电机与控制系统电联接，所述控制系统实现按压动作的启停控制、按压参数的设置；
所述按压参数包括按压频率、按压深度、按压波形、按压时间中的至少一种，所述按压波形指按压头位移与时间的关系函数。


2.根据权利要求1所述的心肺复苏胸外自动按压设备，其特征在于：按压波形包括至少两种波形。


3.根据权利要求1所述的心肺复苏胸外自动按压设备，其特征在于：所述按压波形包括正弦波、梯形波、三角波中的至少两种。


4.根据权利要求1所述的心肺复苏胸外自动按压设备，其特征在于：所述电机为伺服电机，传动机构为滚珠丝杠传动机构，传动机构将伺服电机的旋转运动转化为按压头的上下直线往复运动。


5.根据权利要求1所述的心肺复苏胸外自动按压设备，其特征在于：按压头处安装有用于检测按压力的压力传感器。


6.根据权利要求1所述的心肺复苏胸外自动按压设备，其特征在于：所述按压参数还包括动力学指标，动力学指标包括Fmax、Vmax、amax、Imax、Wmax、I...

【专利技术属性】
技术研发人员：曹钰，胡海，余海放，蒋耀文，何亚荣，姚鹏，唐时元，刘鹏，魏薇，谢勇，赖世超，张海宏，刘伯夫，
申请(专利权)人：四川大学华西医院，
类型：新型
国别省市：四川;51