通过腹部起伏测呼吸状态的检测方法研究

针对当前实时检测呼吸状态的方式存在检测精度不够或佩戴方式繁琐等问题,提出一种利用腹部起伏测呼吸状态的检测方法。该方法基于肺部气体体积与腹部位移之间的高度相关性,利用气体压力传感器采集一次被试者平稳状态下的肺部气体体积,并将此数据作为基准数据,然后用加速度传感器采集被试者在呼吸缓慢、呼吸平稳、呼吸急促,3种呼吸状态下的腹部位移数据。计算肺部与腹部数据在3种不同状态下的规整距离,将该规整距离和从腹部数据中提取的周期一起作为二维特征,输入到支持向量机分类器进行分类判别,所有算法嵌入到硬件端进行计算。整体系统准确率在87%左右。该方法具有检测结果稳定可靠、实施成本低以及佩戴方式简便等优点,实用性较高。

基于感知融合的自适应无创呼吸机技术研究

随着全球老龄化和呼吸系统疾病增加,无创呼吸机使用场景逐渐从医院转向日常家庭,因此迫切需要呼吸机具备更强的自主适应能力,以针对不同病症进行个性化治疗.然而,目前呼吸机产品智能化程度较低,并主要受制于呼吸机对患者呼吸状态的识别能力与针对性调节呼吸机参数的自适应能力.针对以上现状,结合感知融合、深度学习等相关技术,设计并实现一套基于感知融合的无创呼吸机自适应算法.算法包括两个部分:基于深度学习的参数初始化算法和基于深度学习的逐步滴定算法.参数初始化算法根据患者历史呼吸数据,对呼吸机通气模式和参数进行初始化;逐步滴定算法在参数初始化的基础上,通过多种传感器实时检测患者状态参数变化,并根据状态参数对呼吸机进行调节,直至整个治疗环节结束.最后在仿真平台上对所提出的自适应算法进行不同呼吸症状、漏气情况的仿真实验,结果表明所提出算法在分类准确率与回归精度等多个指标上均优于现有同类型工作,有望加快呼吸机智能化进程,为患者提供个性化治疗的可能性.