基于最小二乘的Mesic呼吸系统模型辨识研究

目的本文对Mesic呼吸系统仿真模型做系统参数辨识,为人体呼吸系统模型精确度的提高、呼吸疾病的临床诊断和新型呼吸机的设计提供理论和数据支持。方法在Simulink平台下构建集总参数呼吸系统仿真模型,采用最小二乘法,分别用理论数据、实测数据和实测拟合数据对模型进行静态阶段和动态阶段的参数辨识,并由实测数据验证辨识参数。结果由实测拟合数据得到的辨识结果能最好地反映呼吸生理特性,压力、容量和流速曲线最接近实际值。结论辨识结果达到预期目的,此项研究为相关呼吸系统模型的辨识研究提供了一种有用的手段,是Mesic呼吸系统模型的一种完善。

基于PSO_GRNN网络的肺内静态压力值预测方法

为了实现机械通气辅助医疗中依据病人个体差异控制呼吸机通气参量,分析了基于广义回归神经网络(GRNN)的呼吸系统力学模型,通过结合PSO_GRNN网络、数值积分和递推最小二乘法等实现呼吸系统模型的参数辨识。采用直接计算法实现单周期呼吸样本的肺静态压力值计算,并利用二阶多项式拟合体积值误差,计算10个吸气周期静态数据点的平均绝对值误差为0.1693 mL,计算10个呼气周期静态数据点的平均绝对值误差为0.3728 mL。采用PSO_GRNN网络实现多周期呼吸样本集的肺静态压力值预测,10个呼吸周期样本集的训练集平均误差为0.0009 kPa,测试集平均误差为0.0407 kPa。仿真实验结果表明PSO_GRNN网络在收敛速度、平均误差、运算速度等方面均优于PSO_BP网络。所用方法在机械通气辅助治疗时可以为医生设置呼吸机通气参量提供有效的参考依据。