一种呼吸机控制方法及系统技术方案

本发明专利技术涉及到呼吸机控制技术领域，公开了一种呼吸机控制方法及系统，包括：S1、建立呼吸机通气控制序列，分别为患者监测端、中枢控制端、通气端，呈树状结构电性连接；S2、所述患者监测端采集数据，包括血压、血氧、心率、呼吸频率和吸气压力，并每隔单位时间发送至控制中枢端；S3、所述控制中枢端安装计算控制单元，对数据进行预处理，与历史数据一起送入模型进行训练和推理；S4、获取PID模式下的通气控制结果，并模型推理结果相结合；S5、所述通气端根据指令进行通气阀位置调整，控制出气量的大小以及气压变化频率。本发明专利技术降低了呼吸机控制领域PID参数固定对通气灵活控制的影响，实现轻量化的模型推理，提高控制的稳定性。提高控制的稳定性。提高控制的稳定性。

【技术实现步骤摘要】
一种呼吸机控制方法及系统


[0001]本专利技术涉及呼吸机控制
，尤其涉及到一种呼吸机控制方法和系统。

技术介绍

[0002]呼吸机作为现代临床医学中一项重要的肺部疾病治疗工具，能够为呼吸能力缺乏和血氧低下的病人提供辅助呼吸功能，在呼吸疾病的治疗救助方面扮演着重要角色。然而近年来随着呼吸机在临床医疗的使用增多，呼吸安全问题逐渐引起重视。一方面，呼吸机的通气量难以控制在合理范围内，气道压力过高的情况下容易引起患者胸腔内部压差过大从而造成肺脏损失，但气道压力过低又会导致患者吸入量减少，造成血氧不足等问题，降低患者体验。目前对于呼吸机通气问题采用的是普遍PID控制方式，这种方法虽然计算简单、反应迅速，但是在通气过程中参数保持固定，难以根据患者的病情变换情况实现自适应调节。另一方面，呼吸机虽然计算能力有限但在应用中需要实现快速响应，因此对于大规模尺寸的人工智能模型难以部署，而较小尺寸的模型又存在精度低的问题，无法满足呼吸机精准控制的需求。

技术实现思路

[0003]针对呼吸机通气控制复杂，人工智能模型难以应用的问题，本专利技术提出了一种呼吸机控制方法及系统。为解决以上技术问题，本专利技术所采用的技术方案如下:
[0004]一种呼吸机控制方法，包括如下步骤：
[0005]S1、基于呼吸机软硬件设备建立呼吸机通气控制序列，分别为患者监测端、中枢控制端、通气端，三者呈树状结构进行连接，所述中枢控制端为根节点，所述患者监测端与通气端为叶子节点，根节点和叶子节点之间电性连接；
[0006]S2、所述患者监测端采集传感数据，包括血压、血氧、心率、吸气压力和呼气末正压力，并每隔单位时间发送至控制中枢端；
[0007]S3、所述控制中枢端安装计算控制单元，设定标签Y1为呼吸机提供的通气量，标签Y2为患者需要的通气量，对来自患者监测端的传感数据进行数据预处理，与历史数据一起送入神经网络模型进行训练和推理，神经网络模型训练流程包括：
[0008]S31、将训练数据拆分为呼吸机的特征数据以及患者的特征数据两部分；
[0009]S32、设置初始迭代轮数t＝0、学习轮数T，初始化孪生神经网络的模型参数w0；
[0010]S33、判断t<T，如果是，执行步骤S34，否则孪生神经网络模型训练阶段结束；
[0011]S34、孪生神经网络模型的两个子网络分别对标签Y1、标签Y2进行损失计算，之后针对标签Y3计算孪生神经网络模型的整体损失，并使用动量随机梯度下降方法进行模型参数更新；
[0012]S35、将轻量化的神经网络作为学生网络，所述孪生神经网络模型作为教师网络，合并呼吸机特征和患者特征，对学生网络进行蒸馏训练，并使用蒸馏训练后的学生网络作为推理模型，对实时数据进行推理；
[0013]S4、获取PID模式下的通气控制结果，计算过程与模型训练过程不同步，与模型推理过程同步，并将PID通气控制结果和模型推理结果相结合，发送指令到通气端；
[0014]S5、所述通气端根据指令进行通气阀位置调整，控制出气量的大小以及气压变化频率；
[0015]作为本专利技术的进一步改进方法：
[0016]进一步地，在步骤S1中，所述呼吸机软硬件设备建立的呼吸机通气序列包括：
[0017]1)患者监测端安装的生命特征监测装置以及通气面罩相连接的传感器等设备，用于采集患者的生命特征数据和呼吸过程中的气压变化情况，没有计算能力，只负责数据的监测和发送，随呼吸机通电后进入实时监测状态，每隔单位时间进行数据反馈；
[0018]2)中枢控制端安装的计算芯片和FPGA逻辑控制结构，拥有计算能力和逻辑输出功能，接受来自患者监测端的传感数据，完成模型训练和知识蒸馏后会将轻量化的模型进行部署，每隔单位时间对实时数据进行神经网络模型推理，并作为数据连接中心和指令中心，通过电性连接方式分别与患者监测端、通气端进行数据和指令交互；
[0019]3)通气端的气道设置有门阀，所述门阀工作状态下只负责接收来自中枢控制端的通信指令进行调整。
[0020]进一步地，在步骤S2中，所述患者监测端采集数据发送至中枢控制端，发送数据格式为：
[0021]Signal＝{BP；SP；HR；FI；FO；D；P；R}
[0022]其中：
[0023]BP表示患者的血压；
[0024]SP表示患者的血氧；
[0025]HR表示患者的心率；
[0026]FI表示患者的吸气压力；
[0027]FO表示患者的呼气末正压力；
[0028]D表示呼吸机的电压；
[0029]P表示呼吸机的功率；
[0030]R表示呼吸机单位时间的出氧量。
[0031]进一步地，在步骤S3中，所述数据预处理方法，包括步骤：
[0032]1)缺省值填充，对所述接收到的传感数据中的缺失值进行补充，所述血压、血氧、心率补充为人体正常水平数值，所述吸气压力和呼气末正压力缺失值补充为零；
[0033]2)对所述血压、血氧、心率、吸气压力和呼气末正压力特征数据进行Z
‑
score标准化，计算方法为：
[0034][0035]式中，μ表示当前特征的均值，σ表示当前特征的标准差，x表示当前特征值，x
*
表示标准化后的特征值，其范围在0
‑
1之间，标准化后的特征均值为0，标准差为1；
[0036]所述历史数据，包括：
[0037]1)过往有记录标准的由人工负责统计整理的相关数据，包括呼吸机的特征数据以及对应时刻下患者的特征数据；
[0038]2)医学标准中，不同肺病背景下的各种年龄、性别人群的维持最佳生命体征的各项数据。
[0039]进一步地，在步骤S32中，所述孪生神经网络模型的两个子网络结构如下：
[0040]Input
‑
Dense
‑
Res
×2‑
Dense
‑
Output
[0041]式中，Input表示输入层，Res表示残差结构，其输出为当前输入经过两层全连接层后的数值与当前输入加和，Polling表示池化层，Dense表示全连接层，Output表示输出层。
[0042]进一步地，在步骤S34中，所述针对标签Y1、Y2进行损失计算，计算公式为：
[0043][0044][0045]式中，f1(x)、f2(x)表示孪生神经网络的两个子网络的各自输出，Y1、Y2为呼吸机提供的通气量标签和患者期待的通气量标签，δ为平滑参数。
[0046]所述针对标签Y3进行损失计算，计算公式为：
[0047][0048]式中，N表示样本数量，Y3为呼吸机提供的通气量标签Y1和患者需要的通气量标签Y2对比值，相同则为0，否则为1，D
W
为两个子网络输入的样本欧氏距离差异值，m为损失阈值。
[0049]所述利用动量随机梯度下降方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种呼吸机控制方法，其特征在于，包括如下步骤：S1、基于呼吸机软硬件设备建立呼吸机通气控制序列，分别为患者监测端、中枢控制端、通气端，三者呈树状结构进行连接，所述中枢控制端为根节点，所述患者监测端与通气端为叶子节点，根节点和叶子节点之间电性连接；S2、所述患者监测端采集传感数据，包括血压、血氧、心率、吸气压力和呼气末正压力，并每隔单位时间发送至控制中枢端；S3、所述控制中枢端安装计算控制单元，设定标签Y1为呼吸机提供的通气量，标签Y2为患者需要的通气量，对来自患者监测端的传感数据进行数据预处理，与历史数据一起送入神经网络模型进行训练和推理，神经网络模型训练流程包括：S31、将训练数据拆分为呼吸机的特征数据以及患者的特征数据两部分；S32、设置初始迭代轮数t＝0、学习轮数T，初始化孪生神经网络的模型参数w0；S33、判断t<T，如果是，执行步骤S34，否则孪生神经网络模型训练阶段结束；S34、孪生神经网络模型的两个子网络分别对标签Y1、标签Y2进行损失计算，之后针对标签Y3计算孪生神经网络模型的整体损失，并使用动量随机梯度下降方法进行模型参数更新；S35、将轻量化的神经网络作为学生网络，所述孪生神经网络模型作为教师网络，合并呼吸机特征和患者特征，对学生网络进行蒸馏训练，并使用蒸馏训练后的学生网络作为推理模型，对实时数据进行推理；S4、获取PID模式下的通气控制结果，计算过程与模型训练过程不同步，与模型推理过程同步，并将PID通气控制结果和模型推理结果相结合，发送指令到通气端；S5、所述通气端根据指令进行通气阀位置调整，控制出气量的大小以及气压变化频率。2.根据权利要求1所述的呼吸机控制方法，其特征在于，在步骤S1中，所述呼吸机软硬件设备建立的呼吸机通气序列包括：1)患者监测端安装的生命特征监测装置以及通气面罩相连接的传感器等设备，用于采集患者的生命特征数据和呼吸过程中的气压变化情况，随呼吸机通电后进入实时监测状态，每隔单位时间进行数据反馈；2)中枢控制端每隔单位时间对实时数据进行神经网络模型推理，并作为数据连接中心和指令中心，通过电性连接方式分别与患者监测端、通气端进行数据和指令交互；3)通气端的气道设置有门阀，所述门阀受呼吸机中枢控制端的指令进行调整。3.根据权利要求1所述的呼吸机控制方法，其特征在于，在步骤S3中，所述数据预处理方法，包括步骤：1)缺省值填充，对所述接收到的传感数据中的缺失值进行补充，所述血压、血氧、心率补充为人体正常水平数值，所述吸气压力和呼气末正压力缺失值补充为零；2)对所述血压、血氧、心率、吸气压力和呼气末正压力特征数据进行Z
‑
score标准化，计算方法为：式中μ表示当前特征的均值，σ表示当前特征的标准差，x表示当前特征值，x
*
表示标准化后的特征值，其范围在0
‑
1之间，标准化后的特征均值为0，标准差为1。
4.根据权利要求1所述的呼吸机控制方法，其特征在于，在步骤S32中，所述孪生神经网络模型的两个子网络结构如下：Input
‑
Dense
‑
Res
×2‑
Dense
‑
Output式中，Input表示输入层，Res表示残差结构，其输出为当前输入经过两层全连接层后的数值与当前输入加和，Polling表示池化层，Dense表示全连接层，Output表示输出层。5.根据权利要求1所述的呼吸机控制方法，其特征在于，在步骤S34中，所述利用动量随机梯度下降方法对模型参数进行迭代更新，计算公式为：机梯度下降方法对模型参数进行迭代更新，计算公式为：式中，β表示动量值大小，数值在0
‑
1之间，w
t
‑1表示训练过程中第t
‑
1轮的模型参数，F(w
t
‑1)表示损失函数，由三个标签计算的损失加和得到，即F＝F1+F2+F3，为t
‑
1轮的模型损失值求导的梯度，V
t
‑1表示t
‑
1轮时的动量梯度变化值，η表示动量随机梯度下降过程中所采用的学习率；所述针对标签Y1、Y2进行损失计算，计算公式为：进行损失计算，计算公式为：...

【专利技术属性】
技术研发人员：刘哲，陈贤祥，宋元林，杜春玲，
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：