一种基于智能算法的呼吸监测预测方法及呼吸机技术

本发明专利技术公开了一种基于智能算法的呼吸监测预测方法，该方法包括：获取用户睡眠数据和个人信息，包括用户性别、年龄、呼吸流量、血氧饱和度、鼾声；基于CNN

【技术实现步骤摘要】
一种基于智能算法的呼吸监测预测方法及呼吸机


[0001]本专利技术涉及医疗器械领域，尤其是一种基于智能算法的呼吸监测预测方法及呼吸机。

技术介绍

[0002]睡眠可以较好地反映人体健康状况以及心理状态，对睡眠的持续监测可以很好地发现相关疾病并提前开始治疗，从而提高居民健康水平。睡眠呼吸疾病是危害人类健康的常见病，典型的包括睡眠呼吸暂停低通气综合征、睡眠相关的低通气症和睡眠相关低氧血症等。根据流行病学研究显示，成年人群体中，呼吸睡眠疾病的患病率为2％～4％，其中有42.7％的人患有呼吸睡眠障碍。随着睡眠科学研究的延伸、普及以及微电子技术、低功耗无线通信技术的发展，如何在自然状态下，以低生理、心理负荷的形态，长时间连续、可靠、准确地监测呼吸睡眠生理信号成为睡眠呼吸监测设备的重点发展方向，基于新型便携式睡眠监测设备的慢病管理平台及系统对患者的临床诊疗以及生活质量的提高具有重大意义。
[0003]现在市场上常见的自动呼吸机分为两种，一种是单水平呼吸机，一种是双水平呼吸机。单水平呼吸机能够持续的输出一个恒定压力，当患者吸气和呼气时，呼吸机都持续维持在一个压力工作模式的呼吸机。双水平呼吸机是为患者提供两个不同的气道正压。自动呼吸机的治疗流量可根据患者情况进行调节，比如患者入睡的时候，因为还没进入深睡期，气道发生阻塞情况相对深睡期较轻，需要的治疗流量也相对小一些，等到进入深睡眠，气道发生塌陷更严重，需要更大的压力帮助撑开气道，于是呼吸机会自动调整为一个更大的压力。目前市场占有率最高的也是这一种模式的呼吸机。
[0004]因此，现有技术中存在如下问题：呼吸机在检测到睡眠中呼吸暂停时，会自动调整增大气流量，而突然增大气流量会导致给用户较大的冲击，从而从睡梦中醒来，因此，本专利技术通过对呼吸的检测预测，提前预测用户呼吸异常的情况，通过缓慢增加气流量来解决上述问题。并且通过了提前干预，减小了用户由于阻塞性睡眠呼吸暂停发生后才进行干预而造成的高血压、心律失常、心肺功能衷竭等严重后果。

技术实现思路

[0005](一)解决的技术问题
[0006]为了解决上述技术问题，本专利技术提供一种基于智能预测算法的呼吸监测预测方法以及呼吸机，该方法通过神经网络和LightGBM结合的预测算法实现了对阻塞性睡眠呼吸暂停发生的预测，并通过阶梯调节呼吸机流量，实现对阻塞性睡眠呼吸暂停的提前干预，并且减小了呼吸机流量调整对用户的冲击，保证用户的睡眠质量。
[0007](二)技术方案
[0008]为了解决上述存在的技术问题，实现专利技术目的，本专利技术是通过以下技术方案实现的：
[0009]一种基于智能算法的呼吸监测预测方法，包括以下步骤：
[0010]S1：获取用户数据，包括睡眠数据和个人信息。睡眠数据包括呼吸流量、血氧饱和度、鼾声，个人信息包括性别和年龄。
[0011]S2：建立预测算法模型。具体为建立基于CNN
‑
LightGBM的睡眠呼吸状态模型。
[0012]S3：根据睡眠数据预测呼吸阻塞程度。基于步骤S2建立的LightGBM模型，结合呼吸机采集的用户睡眠数据，对用户的呼吸阻塞程度进行预测。
[0013]S4：根据预测情况提前进行呼吸机流量调节。采用模糊PID方法阶梯化调节呼吸机流量，使呼吸机流量缓慢变化。
[0014]进一步地，步骤S1还包括：用户个人信息通过用户输入获得，睡眠信息通过相应的传感器测量获得，具体为：采用流量传感器监测用户呼吸流量；采用便携式血氧监测仪监测用户血氧饱和度；采用麦克风采集鼾声信号，并采用基于机器学习算法的鼾声检测方法，自动无监督的鼾声检测，从声音片段中提取相应特征，识别鼾声音频信息。
[0015]进一步地，步骤S2还包括：
[0016]S21：将步骤S1的数据进行归一化处理，采集的数据包括用户性别、年龄、呼吸流量、血氧饱和度、鼾声。归一化方法具体如下：
[0017][0018]其中，μ和σ分别为数据的均值和标准差。
[0019]S22：构建卷积神经网络CNN获取数据特征值：
[0020]本专利技术的神经网络由输入层、卷积层、池化层、全连接层和输出层组成。
[0021](1)选择网络参数
[0022]网络由1个输入层，2个卷积层，2个池化层，1个全连接层和1个输出层组成。
[0023]卷积层将输入数据通过卷积核对数据紧促卷积，解决了数据过拟合的问题，提高计算速度，具体为：
[0024][0025]其中，a
ik
为第i卷积核k的权重；x
xj
为第j卷积核局部区域；w为卷积核的宽度。
[0026]全连接层对卷积层输出向量进行分析，并进行预测：
[0027]z＝w*x+b
[0028](2)使用网络提取数据特征
[0029]通过两个卷积层和两个池化层进行两次卷积和两次池化，两次卷积都采用3*3的卷积方式将数据转换成不同大小的特征图，并通过池化之后得到新的特征图，之后使用Reshape进行数据重组。
[0030]S23：利用LightGBM算法对特征值进行提取和分类
[0031]将高维特征向量输入到LightGBM模型进行预测。将CNN模型得到的特征向量作为输入传送给LightGBM模型，由LightGBM进行预测。
[0032]采用GOSS算法，分裂时增益公式为：
[0033][0034]其中，j为特征数，O为在决策树待分裂节点的训练集，g
i
为梯度值，为左叶子节点的数量，为右叶子节点数量，a为大梯度样本采样比例，b为小梯度样本采样比例，A为大梯度样本集，B为小梯度样本集。
[0035]目标函数为：
[0036][0037]其中，为当前叶子节点样本总体方差，分别为分裂后左右叶子节点的样本总体方差和。O、L、R分别表示当前叶子节点、左右叶子节点的样本集合，g
i
表示第i个样本的梯度值。
[0038]简化上述目标函数为：
[0039][0040]其中，n、m分别为左右两侧叶子节点的样本数，因此，对于N个弱学习器的LightGBM模型，某特征的总增益为：
[0041][0042]节点分裂次数为：
[0043][0044]其中，I表示某棵树中使用该特征进行节点分裂的次数。
[0045]分析两种特征重要性分析方法所得到的重要性排名，并根据排名顺序进行倒序筛选，分别构造不同特征组合的模型进行准确性分析，最后得到最优特征组合。
[0046]选择LightGBM模型学习率为0.1，最大深度为8，一个树上最大叶子数为25。
[0047]S24：模型训练
[0048]将历史数据输入模型训练，具体为：
[0049]将睡眠历史数据，包括呼吸流量、血氧饱和度、鼾声数据输入模型，截取历史数据
中发生阻塞性睡眠呼吸暂停的时刻，以及睡眠呼吸暂停前的呼吸流量、血氧饱和度、鼾声数据；其中，发生阻塞性睡眠本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能算法的呼吸监测预测方法，，其特征在于包括以下步骤：S1：获取用户数据，包括睡眠数据和个人信息；睡眠数据包括呼吸流量、血氧饱和度、鼾声，个人信息包括性别和年龄；S2：建立预测算法模型；具体为建立基于CNN
‑
LightGBM的睡眠呼吸状态模型；S3：根据睡眠数据预测呼吸阻塞程度；基于步骤S2建立的LightGBM模型，结合呼吸机采集的用户睡眠数据，对用户的呼吸阻塞程度进行预测；S4：根据预测情况提前进行呼吸机流量调节；采用模糊PID方法阶梯化调节呼吸机流量，使呼吸机流量缓慢变化。2.根据权利要求1所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S1还包括：用户个人信息通过用户输入获得，睡眠信息通过相应的传感器测量获得，具体为：采用流量传感器监测用户呼吸流量；采用便携式血氧监测仪监测用户血氧饱和度；采用麦克风采集鼾声信号，并采用基于机器学习算法的鼾声检测方法，自动无监督的鼾声检测，从声音片段中提取相应特征，识别鼾声音频信息。3.根据权利要求1所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S2还包括：S21：将步骤S1的数据进行归一化处理；采集的数据包括用户性别、年龄、呼吸流量、血氧饱和度、鼾声；S22：构建卷积神经网络CNN获取数据特征值；S23：利用LightGBM算法对特征值进行提取和分类、S24：将历史数据输入模型，对模型进行训练。4.根据权利要求3所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S21中归一化处理具体如下：其中，μ和σ分别为数据的均值和标准差。5.根据权利要求3所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S22中还包括：选择网络参数，网络由1个输入层，2个卷积层，2个池化层，1个全连接层和1个输出层组成。6.根据权利要求4所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S22中还包括：使用网络提取数据特征，通过两个卷积层和两个池化层进行两次卷积和两次池化，两次卷积都采用3*3的卷积方式将数据转换成不同大小的特征图，并通过池化之后得到新的特征图，之后使用Reshape进行数据重组。7.根据权利要求3所述的基于智能算法的呼吸监测预测方法，其特征在于，所述步骤S23包括：将高维特征向量输入到LightGBM模型进行预测；将神经网络模型得到的特征向量作为输入传送给LightGBM模型，由LightGBM进行预测；采用GOSS算法，分裂时增益公式为...

【专利技术属性】
技术研发人员：刘哲，周磊，唐聪能，黄絮，徐德祥，粟锦平，袁再鑫，
申请(专利权)人：湖南万脉医疗科技有限公司，
类型：发明
国别省市：