[go: up one dir, main page]

CN116637257A - 一种自适应调节呼吸机流量控制方法及呼吸机 - Google Patents

一种自适应调节呼吸机流量控制方法及呼吸机 Download PDF

Info

Publication number
CN116637257A
CN116637257A CN202310325145.8A CN202310325145A CN116637257A CN 116637257 A CN116637257 A CN 116637257A CN 202310325145 A CN202310325145 A CN 202310325145A CN 116637257 A CN116637257 A CN 116637257A
Authority
CN
China
Prior art keywords
signal
respiratory
signals
breathing
eeg
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202310325145.8A
Other languages
English (en)
Inventor
刘哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202310325145.8A priority Critical patent/CN116637257A/zh
Publication of CN116637257A publication Critical patent/CN116637257A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. ventilators; Tracheal tubes
    • A61M16/021—Devices for influencing the respiratory system of patients by gas treatment, e.g. ventilators; Tracheal tubes operated by electrical means
    • A61M16/022—Control means therefor
    • A61M16/024—Control means therefor including calculation means, e.g. using a processor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Measuring devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Measuring devices for evaluating the respiratory organs
    • A61B5/087—Measuring breath flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4821—Determining level or depth of anaesthesia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. ventilators; Tracheal tubes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring
    • A61M2205/3331—Pressure; Flow
    • A61M2205/3341—Pressure; Flow stabilising pressure or flow to avoid excessive variation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/08—Other bio-electrical signals
    • A61M2230/10—Electroencephalographic signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/40—Respiratory characteristics
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Anesthesiology (AREA)
  • Hematology (AREA)
  • Emergency Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Epidemiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Psychology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种自适应调节呼吸机流量控制方法及呼吸机，所述方法包括采集正常状态下的呼吸信号，分析呼吸信号并提取呼吸信号特征，确定呼吸模式；采集麻醉状态下的脑电信号及呼吸信号；其中，呼吸信号包括呼吸流量信号以及呼吸音信号；对采集到的脑电信号及呼吸信号进行处理；基于脑电信号和呼吸信号的耦合确定麻醉深度；根据不同的呼吸方式以及麻醉深度确定自适应调节模式。对患者麻醉状态下使用呼吸机进行辅助呼吸时进行自适应调节，从而提高患者的呼吸舒适度。基于脑电信号结合呼吸信号判断麻醉深度，通过两种信号的融合，避免了仅仅依靠脑电信号判断的局限性，提高了麻醉深度的判断准确性。

Description

一种自适应调节呼吸机流量控制方法及呼吸机
技术领域
本发明涉及医疗器械领域，尤其是一种自适应调节呼吸机流量控制方法及呼吸机。
背景技术
医用呼吸机作为一种重要的抢救设备已经在大型医院中得到了广泛的应用，呼吸机通常作为肺的替代器官辅助呼吸不全的危重病人进行呼吸。在手术过程中，尤其是麻醉状态下，给患者提供辅助呼吸，设定合理的呼吸机参数可以提高病人在使用呼吸机过程中的安全性和舒适度,为抢救病人提供更好的条件。
现有技术中对于呼吸机的呼吸参数的设置通常都是根据医护人员的经验确定，若患者能进行部分自助呼吸时，根据患者吸气启动，而通气时间、流量等参数都是通过医护人员设定的，因此，当患者呼吸很慢时，呼吸机送气频率也很小，通气不足；当患者呼吸很快时，呼吸机辅助呼吸频率也会变得很大，通气过度。并且，现有技术无法根据患者平时的呼吸习惯调整呼吸方式，造成患者使用呼吸机时呼吸舒适度低。
发明内容
(一)解决的技术问题
为了解决上述技术问题，本发明提供一种自适应调节呼吸机流量控制方法及呼吸机，所述自适应调节呼吸机流量控制方法通过根据患者实际呼吸习惯以及麻醉深度调节呼吸参数，保证患者使用呼吸机的舒适度。
(二)技术方案
为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：
1.一种自适应调节呼吸机流量控制方法，包括如下步骤：
S1：采集正常状态下的呼吸信号，分析呼吸信号并提取呼吸信号特征，确定呼吸模式；
S2：采集麻醉状态下的脑电信号及呼吸信号；其中，呼吸信号包括呼吸流量信号以及呼吸音信号；
S3：对采集到的脑电信号及呼吸信号进行处理；
S4：基于脑电信号和呼吸信号的耦合确定麻醉深度；
S5：根据不同的呼吸方式以及麻醉深度确定自适应调节模式。
进一步地，所述步骤S1还包括：S11：采集正常状态下呼吸信号；
在术前，清醒状态下，使患者平躺下，当身体状态处于稳定状态时，使用呼吸流量传感器监测呼吸流量，获得呼吸流量信号；
S12：分析呼吸流量信号并提取呼吸流量信号特征，对呼吸信号进行波形分析，波形特征包括包络参数、幅值、峰峰值间隔、波形面积；
S13：确定呼吸模式
根据呼吸流量信号特征确定呼吸模式。
进一步地，基于对包络谱的分析得到包络参数，具体如下：
包络提取：采用Hilbert解调方法对呼吸流量信号进行希尔伯特变换：
以信号本身为实部，以变换后的信号为虚部，构造一个解析信号：
得到包络信号：
包络谱分析：对降噪后的包络信号进行细化谱分析，包括对信号进行重采样。
进一步地，所述脑电信号处理包括对眼电伪迹去除，具体包括如下步骤：
a.基于VMD的方法对采集到的EEG信号进行分解，分解成K个模态分量；
b.根据分解结果的精度调整K值的大小；
c.以最优K值分解后，识别并剔除眼电伪迹所对应的模态分量。
进一步地，所述最优k值基于猫群算法确定。
进一步地，基于所述呼吸音信号识别鼾声。
进一步地，所述步骤S4包括S41：脑电信号特征提取与分析
将脑电信号数据分为等长的片段，并根据时间确定其对应的双频指数，根据双频指数得到麻醉深度m1；
S42：呼吸信号特征提取与分析，包括：
S421：呼吸流量信号
提取呼吸流量信号的时域特征以及频域特征，并通过神经网络识别麻醉深度，得到麻醉深度m2；
S422：对呼吸音信号进行鼾声识别，得到鼾声指数；
S43：将脑电信号和呼吸信号进行信号耦合。
进一步地，所述步骤S422包括：
在将音频信号进行端点检测后，获取音频信号的有声段，其分为鼾声和非鼾声；基于梅尔倒谱系数特征对音频信号进行分析，采用支持向量机进行训练，获得音频信号分类，识别鼾声信号，基于识别出的鼾声信号计算其能量：
其中，n为识别出的鼾声片段总数，Ei为第i段鼾声能量；Ai为第i段鼾声幅值，ti为第i段鼾声时间；
所述鼾声指数计算方式如下：
其中，T0为音频片段总时长。
进一步地，所述信号耦合过程包括：将呼吸信号与脑电信号进行相关性耦合，得到相关性系数，基于该系数进行信号耦合；
相关性系数计算方法如下：
其中，Rxy为互功率谱，Rxx为呼吸信号的自功率谱，Ryy为脑电信号的自功率谱；
互功率谱计算公式如下：
分别基于脑电信号特征和呼吸信号特征进行麻醉深度的预计算，设结果分别为m1、m2，则最终耦合结果m为：
所述k1、k2分别为
在脑电和呼吸信号耦合度大于或等于阈值时，基于脑电信号特征和呼吸信号特征进行麻醉深度的预计算结果得到最终的麻醉深度结果；在脑电和呼吸信号耦合度小于阈值时，结合鼾声信息进行耦合计算。
本发明还提供一种自适应调节呼吸机流量控制呼吸机，其包括：
呼吸模式确定模块，其用于采集正常状态下的呼吸信号，分析呼吸信号并提取呼吸信号特征，确定呼吸模式；
其中，分析呼吸信号并提取呼吸信号特征包括：
对呼吸信号进行波形分析，波形特征包括包络参数、幅值、峰峰值间隔、波形面积
信号采集模块包括采集麻醉状态下的脑电信号和呼吸信号，其中，呼吸信号包括呼吸流量信号以及呼吸音信号；
通过呼吸音信号进行鼾声检测；
信号处理模块用于对脑电信号及呼吸信号进行处理；
其中，处理脑电信号包括信号预处理以及伪迹去除；
麻醉深度确定模块用于基于脑电信号与呼吸信号的耦合确定麻醉深度；
控制输出模块，其用于根据不同的呼吸方式以及麻醉深度确定自适应调节模式。
(三)有益效果
本发明通过对患者正常状态下进行呼吸模式的确定，结合麻醉状态下的麻醉深度，对患者麻醉状态下使用呼吸机进行辅助呼吸时进行自适应调节，从而提高患者的呼吸舒适度。
其次，本发明基于脑电信号结合呼吸信号判断麻醉深度，通过两种信号的融合，避免了仅仅依靠脑电信号判断的局限性，提高了麻醉深度的判断准确性。
再次，本发明结合呼吸流量信号与呼吸音频信号进行判别，以呼吸流量信号为主，音频信号为辅，通过音频信号识别鼾声，对麻醉深度的计算结果进行修正。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种自适应调节呼吸机流量控制方法流程示意图；
图2是根据本申请实施例的组合滤波方法示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
参见图1，一种自适应调节呼吸机流量控制方法包括：
S1：采集正常状态下的呼吸信号，分析呼吸信号，提取呼吸信号特征，确定呼吸模式。
现有技术中对于呼吸机的呼吸参数的设置通常都是根据医护人员的经验确定，若患者能进行部分自助呼吸时，根据患者吸气启动，而通气时间、流量等参数都是通过医护人员设定的，因此，当患者呼吸很慢时，呼吸机送气频率也很小，通气不足；当患者呼吸很快时，呼吸机辅助呼吸频率也会变得很大，通气过度。
正常状态下，不同患者的呼吸模式不同，包括呼吸频率，呼吸深度等特征不同，因此，不同呼吸模式的人采用呼吸机时，若呼吸机提供的流量和通气时间与该患者平常的呼吸习惯不同，则会造成患者呼吸不适。
因此，本发明在患者进行手术前，通过采集其正常状态下的呼吸信号，确定其呼吸模式，并根据呼吸模式自适应调整呼吸机参数。具体包括如下步骤：
S11：采集正常状态下呼吸信号。
在术前，清醒状态下，使患者平躺下，当身体状态处于稳定状态时，使用呼吸流量传感器监测呼吸流量，获得呼吸流量信号。
S12：分析呼吸流量信号并提取呼吸流量信号特征。
对呼吸信号进行波形分析，波形特征包括包络参数、幅值、峰峰值间隔、波形面积，其中：
包络参数为连续多个呼吸流量信号波峰点之间的连线。人体呼吸过程会改变流量的幅度，因此，在信号包络线可以看出人体呼吸过程的变化。
本发明对包络参数的分析基于对包络谱的分析，具体如下：
包络提取：采用Hilbert解调方法对呼吸流量信号进行希尔伯特变换：
以信号本身为实部，以变换后的信号为虚部，构造一个解析信号：
得到包络信号：
包络谱分析：为提高包络谱的分辨率，对降噪后的包络信号进行细化谱分析，首先需要对信号进行重采样。可选地，当需要对信号进行8倍细化谱分析时，需要对信号x(n)每隔8个点取一个组成新的序列xnew(m)，对其进行频谱分析，xnew(m)与x(n)关系为：
xnew(m)＝x(8n)。
幅值为呼吸流量信号的波峰与波谷的差值。
峰峰值间隔为相邻的两个波峰之间的间隔。呼吸时，迷走神经会使心率发生变化，从而改变呼吸率。
波形面积为一个呼吸波形所围成的面积大小。
S13：确定呼吸模式
根据呼吸流量信号特征确定呼吸模式。根据上述呼吸流量信号特征确定呼吸模式特征，包括：
所述P为幅值，T0为峰峰值间隔。
所述为平均吸气时间，为平均呼气时间。参数k2表征呼吸时间的差异，根据不同人的呼吸习惯的差异，呼气和吸气时间并非相同，有人习惯快吸慢呼，有人习惯慢吸快呼，有人呼吸时间则较为均匀。
k3＝S
所述S为波形面积，其表征呼气强度大小。
结合k1、k2、k3以及包络谱得到呼吸模式。其中，呼吸模式是根据k1、k2、k3以及包络谱的进行分类的。
S2：采集麻醉状态下的脑电信号、呼吸信号
S21：采集脑电信号
因为头皮脑电的采集，因此要在检测前保证受体头皮干净，防止头皮的油脂导致头皮脑电的阻抗较大，测量信号不准确影响测量结果。为保证测量的准确性，本发明基于湿电极进行脑电测量。
S22：采集呼吸信号
在麻醉状态下，呼吸信号结合基于呼吸机中的流量传感器采集患者的呼吸流量信号以及基于音频采集设备采集的呼吸音信号。
S3：处理脑电信号和呼吸信号
S31：处理脑电信号包括信号预处理以及伪迹去除。
S311：信号预处理
脑电信号是极其微弱的低频信号，而在麻醉状态下的脑电信号容易受到其他信号的干扰，因此，需要去除这些干扰信号的影响。本发明采用组合滤波的方式进行干扰去除，如图2所示，信号预处理通过小波去噪去除干扰噪声，通过低通滤波和高通滤波滤除脑电信号频段以外的噪声信号，最后通过陷波滤波器去除工频干扰。
小波去噪用于去除脑电信号中的脉冲干扰，其通过对原始信号进行小波变换，对变换后的小波系数进行处理，以去除其中包含的噪声，再对处理后的小波系数进行逆变换，得到去除噪声后的信号。
可选地，采用软阈值或硬阈值方法进行小波去噪。
低通滤波用于去除高频噪声，高通滤波用于去除低频噪声。
作为本发明的一个实施例，低通滤波器可选为30hz、55hz、60hz的低通滤波器；高通滤波器可选择为两阶巴特沃斯滤波器。
陷波滤波器用于去除工频干扰。
S312：去除特定的伪迹
在采集脑电过程中会引入多种伪迹，伪迹的来源与对脑电的影响也不同。一部分伪迹是由于被测人自身引起的，例如眼动、喘气、心电、肌电；以及手术过程中高频电刀带来的噪声干扰。
其中，本发明对眼电伪迹和手术电刀的伪迹处理方法进行改进，具体如下：
(2)麻醉状态下眼电伪迹主要由眼动引起的。眼电伪迹主要分为垂直眼电、水平和径向眼电。
眼电伪迹去除包括如下步骤：
a.基于VMD的方法对采集到的EEG信号进行分解，分解成K个模态分量；
b.根据分解结果的精度调整K值的大小；
c.以最优K值分解后，识别并剔除眼电伪迹所对应的模态分量；
所述最优k值基于猫群算法确定，具体步骤如下：
Ⅰ.初始化猫群，随机初始化符合约束条件的猫群体位置，处于[q1，q2]区间，种群大小设为N，分组率为MR；
Ⅱ.通过参照猫群的初始位置来计算猫群体适应度值，选取合适位置并记录种群中的最大适应度值；
Ⅲ.根据分组率MR将猫群随机分组，即分为搜寻模式和跟踪模式；
Ⅳ.搜寻模式；复制猫的样本，将复制好的样本存入记忆池SMP中；
v.跟踪模式；整个猫群所经历过的最佳位置就是搜索到的最优解；
Ⅵ.计算适应度值并记录，最后保留种群中适应度最优的猫；
Ⅶ.判断是否满足约束条件；若是，则输出最优解，结束程序；若否，则利用混沌控制策略对猫群算法参数进行更新，重复步骤Ⅱ～步骤Ⅶ进行寻优迭代处理,得到最优k值。
d.重组剩余的模态分量，得到去除眼电伪迹的EEG信号。
(3)手术电刀伪迹
去除手术电刀伪迹方法包括：
a.将采集到的脑电信号进行分段；
b.计算一段数据的方差Si,则下一段数据的阈值Ti+1为：
Ti+1＝kSi
其中，k为阈值系数。
若Si+1>Ti+1,则删除该段数据，否则保留数据。
S32：处理呼吸信号
S321:处理呼吸流量信号
如步骤S12相同的方法处理呼吸流量信号。
S322：处理呼吸音信号
由于呼吸音信号容易受到外界环境噪声的干扰影响，本发明的呼吸信号以呼吸流量信号为主，将呼吸音信号作为补充信息，用于识别呼吸音信号中是否含有鼾声。
对呼吸音信号进行预处理，主要包括预加重以及分帧加窗，预加重对语音信号的高频部分进行增强补偿，分帧加窗通过汉明窗截取，更好地保留鼾声信号。
S4：基于脑电信号和呼吸信号的耦合确定麻醉深度；
在现有技术中，通常采用脑电双频指数作为麻醉深度的监测指标，但是其具有明显的局限性。由于伤害性刺激的体动反应是通过脊髓传导的，而脑电的双频指数只反映大脑皮层的电活动，因此不能反映刺激引起的体动等力学改变。基于此，本发明结合脑电信号以及呼吸信号确定麻醉深度。
S41：脑电信号特征提取与分析
将脑电信号数据分为等长的片段，并根据时间确定其对应的双频指数，根据双频指数得到麻醉深度m1。
S42：呼吸信号特征提取与分析
呼吸信号包括呼吸流量信号和呼吸音信号，本发明基于呼吸流量信号为主，呼吸音信号识别鼾声为辅，进行麻醉深度检测。
S421：呼吸流量信号
提取呼吸流量信号的时域特征以及频域特征，并通过神经网络识别麻醉深度。
其中，时域特征包括呼吸流量信号的振幅、方差、均值、峰峰值间隔以及相邻的波形相关性。所述相邻的波形相关性计算方式如下：
其中，si为第i个波形与第i+1个波形之间的差值；为波形之间差值的平均值，b为延迟系数。
频域特征包括对呼吸流量信号进行希尔伯特变换，包括对呼吸信号进行两步操作:首先进行经验模式分解得到有限个本征模态函数；其次对每个本征模态函数做希尔伯特变换，得到呼吸信号的瞬时相位和瞬时振幅信息。
基于上述提取的特征通过神经网络进行麻醉深度的识别，得到麻醉深度m2。
S422：对呼吸音信号进行鼾声识别，得到鼾声指数。
在将音频信号进行端点检测后，获取音频信号的有声段，其分为鼾声和非鼾声。基于梅尔倒谱系数特征对音频信号进行分析，采用支持向量机进行训练，获得音频信号分类，识别鼾声信号。进一步地，基于识别出的鼾声信号计算其能量：
其中，n为识别出的鼾声片段总数，Ei为第i段鼾声能量；Ai为第i段鼾声幅值，ti为第i段鼾声时间。
所述鼾声指数计算方式如下：
其中，T0为音频片段总时长。
S43：信号耦合
(1)将呼吸信号与脑电信号进行相关性耦合，得到相关性系数，基于该系数进行信号耦合。
相关性系数计算方法如下：
其中，Rxy为互功率谱，Rxx为呼吸信号的自功率谱，Ryy为脑电信号的自功率谱。
互功率谱计算公式如下：
(2)基于决策级耦合方法进行信号耦合
分别基于脑电信号特征和呼吸信号特征进行麻醉深度的预计算，设结果分别为m1、m2，则最终耦合结果m为：
所述k1、k2分别为
在脑电和呼吸信号耦合度大于或等于阈值时，基于脑电信号特征和呼吸信号特征进行麻醉深度的预计算结果得到最终的麻醉深度结果；在脑电和呼吸信号耦合度小于阈值时，结合鼾声信息进行耦合计算。
S5：根据不同的呼吸方式以及麻醉深度确定自适应调节模式；
在手术过程中，患者处于麻醉的情况下，采用呼吸机进行辅助呼吸时，基于上述步骤得到的呼吸方式以及麻醉深度进行自适应调节呼吸机参数，从而使患者可以采用自身熟悉的呼吸模式进行呼吸，且根据麻醉的深度动态调整呼吸强度。
在本实施方式中，通过对患者正常状态下进行呼吸模式的确定，结合麻醉状态下的麻醉深度，对患者麻醉状态下使用呼吸机进行辅助呼吸时进行自适应调节，从而提高患者的呼吸舒适度。基于脑电信号结合呼吸信号判断麻醉深度，通过两种信号的融合，避免了仅仅依靠脑电信号判断的局限性，提高了麻醉深度的判断准确性。结合呼吸流量信号与呼吸音频信号进行判别，以呼吸流量信号为主，音频信号为辅，通过音频信号识别鼾声，对麻醉深度的计算结果进行修正。
本发明实施例还提出一种自适应调节呼吸机流量控制呼吸机，其包括：
呼吸模式确定模块，其用于采集正常状态下的呼吸信号，分析呼吸信号并提取呼吸信号特征，确定呼吸模式。
其中，分析呼吸信号并提取呼吸信号特征包括：
对呼吸信号进行波形分析，波形特征包括包络参数、幅值、峰峰值间隔、波形面积，其中：
包络参数为连续多个呼吸流量信号波峰点之间的连线。人体呼吸过程会改变流量的幅度，因此，在信号包络线可以看出人体呼吸过程的变化。
本发明对包络参数的分析基于对包络谱的分析，具体如下：
包络提取：采用Hilbert解调方法对呼吸流量信号进行希尔伯特变换：
以信号本身为实部，以变换后的信号为虚部，构造一个解析信号：
得到包络信号：
包络谱分析：为提高包络谱的分辨率，对降噪后的包络信号进行细化谱分析，首先需要对信号进行重采样。可选地，当需要对信号进行8倍细化谱分析时，需要对信号x(n)每隔8个点取一个组成新的序列xnew(m)，对其进行频谱分析，xnew(m)与x(n)关系为：
xnew(m)＝x(8n)。
幅值为呼吸流量信号的波峰与波谷的差值。
峰峰值间隔为相邻的两个波峰之间的间隔。呼吸时，迷走神经会使心率发生变化，从而改变呼吸率。
波形面积为一个呼吸波形所围成的面积大小。
信号采集模块包括采集麻醉状态下的脑电信号和呼吸信号。其中，呼吸信号包括呼吸流量信号以及呼吸音信号。
通过呼吸音信号进行鼾声检测。
信号处理模块用于对脑电信号及呼吸信号进行处理。
其中，处理脑电信号包括信号预处理以及伪迹去除。进一步地，包括基于猫群算法进行眼电伪迹去除。
麻醉深度确定模块用于基于脑电信号与呼吸信号的耦合确定麻醉深度。
控制输出模块，其用于根据不同的呼吸方式以及麻醉深度确定自适应调节模式。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

1.一种自适应调节呼吸机流量控制方法，其特征在于，包括如下步骤：
S1：采集正常状态下的呼吸信号，分析呼吸信号并提取呼吸信号特征，确定呼吸模式；
S2：采集麻醉状态下的脑电信号及呼吸信号；其中，呼吸信号包括呼吸流量信号以及呼吸音信号；
S3：对采集到的脑电信号及呼吸信号进行处理；
S4：基于脑电信号和呼吸信号的耦合确定麻醉深度；
S5：根据不同的呼吸方式以及麻醉深度确定自适应调节模式。
2.根据权利要求1所述的自适应调节呼吸机流量控制方法，其特征在于，所述步骤S1还包括：
S11：采集正常状态下呼吸信号；
在术前，清醒状态下，使患者平躺下，当身体状态处于稳定状态时，使用呼吸流量传感器监测呼吸流量，获得呼吸流量信号；
S12：分析呼吸流量信号并提取呼吸流量信号特征，对呼吸信号进行波形分析，波形特征包括包络参数、幅值、峰峰值间隔、波形面积；
S13：确定呼吸模式
根据呼吸流量信号特征确定呼吸模式。
3.根据权利要求2所述的自适应调节呼吸机流量控制方法，其特征在于，基于对包络谱的分析得到包络参数，具体如下：
包络提取：采用Hilbert解调方法对呼吸流量信号进行希尔伯特变换：
以信号本身为实部，以变换后的信号为虚部，构造一个解析信号：
得到包络信号：
包络谱分析：对降噪后的包络信号进行细化谱分析，包括对信号进行重采样。
4.根据权利要求1所述的自适应调节呼吸机流量控制方法，其特征在于，所述脑电信号处理包括对眼电伪迹去除，具体包括如下步骤：
a.基于VMD的方法对采集到的EEG信号进行分解，分解成K个模态分量；
b.根据分解结果的精度调整K值的大小；
c.以最优K值分解后，识别并剔除眼电伪迹所对应的模态分量。
5.根据权利要求4所述的自适应调节呼吸机流量控制方法，其特征在于，所述最优k值基于猫群算法确定。
6.根据权利要求1所述的自适应调节呼吸机流量控制方法，其特征在于，基于所述呼吸音信号识别鼾声。
7.根据权利要求1所述的自适应调节呼吸机流量控制方法，其特征在于，所述步骤S4包括S41：脑电信号特征提取与分析
将脑电信号数据分为等长的片段，并根据时间确定其对应的双频指数，根据双频指数得到麻醉深度m1；
S42：呼吸信号特征提取与分析，包括：
S421：呼吸流量信号
提取呼吸流量信号的时域特征以及频域特征，并通过神经网络识别麻醉深度，得到麻醉深度m2；
S422：对呼吸音信号进行鼾声识别，得到鼾声指数；
S43：将脑电信号和呼吸信号进行信号耦合。
8.根据权利要求7所述的自适应调节呼吸机流量控制方法，其特征在于，所述步骤S422包括：
在将音频信号进行端点检测后，获取音频信号的有声段，其分为鼾声和非鼾声；基于梅尔倒谱系数特征对音频信号进行分析，采用支持向量机进行训练，获得音频信号分类，识别鼾声信号，基于识别出的鼾声信号计算其能量：
其中，n为识别出的鼾声片段总数，Ei为第i段鼾声能量；Ai为第i段鼾声幅值，ti为第i段鼾声时间；
所述鼾声指数计算方式如下：
其中，T0为音频片段总时长。
9.根据权利要求8所述的自适应调节呼吸机流量控制方法，其特征在于，所述信号耦合过程包括：将呼吸信号与脑电信号进行相关性耦合，得到相关性系数，基于该系数进行信号耦合；
相关性系数计算方法如下：
其中，Rxy为互功率谱，Rxx为呼吸信号的自功率谱，Ryy为脑电信号的自功率谱；
互功率谱计算公式如下：
分别基于脑电信号特征和呼吸信号特征进行麻醉深度的预计算，设结果分别为m1、m2，则最终耦合结果m为：
所述k1、k2分别为
在脑电和呼吸信号耦合度大于或等于阈值时，基于脑电信号特征和呼吸信号特征进行麻醉深度的预计算结果得到最终的麻醉深度结果；在脑电和呼吸信号耦合度小于阈值时，结合鼾声信息进行耦合计算。
10.一种如权利要求1-9任意项所述的自适应调节呼吸机流量方法控制的呼吸机，其包括：
呼吸模式确定模块，其用于采集正常状态下的呼吸信号，分析呼吸信号并提取呼吸信号特征，确定呼吸模式；
其中，分析呼吸信号并提取呼吸信号特征包括：
对呼吸信号进行波形分析，波形特征包括包络参数、幅值、峰峰值间隔、波形面积
信号采集模块包括采集麻醉状态下的脑电信号和呼吸信号，其中，呼吸信号包括呼吸流量信号以及呼吸音信号；
通过呼吸音信号进行鼾声检测；
信号处理模块用于对脑电信号及呼吸信号进行处理；
其中，处理脑电信号包括信号预处理以及伪迹去除；
麻醉深度确定模块用于基于脑电信号与呼吸信号的耦合确定麻醉深度；
控制输出模块，其用于根据不同的呼吸方式以及麻醉深度确定自适应调节模式。
CN202310325145.8A 2023-03-30 2023-03-30 一种自适应调节呼吸机流量控制方法及呼吸机 Withdrawn CN116637257A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310325145.8A CN116637257A (zh) 2023-03-30 2023-03-30 一种自适应调节呼吸机流量控制方法及呼吸机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310325145.8A CN116637257A (zh) 2023-03-30 2023-03-30 一种自适应调节呼吸机流量控制方法及呼吸机

Publications (1)

Publication Number Publication Date
CN116637257A true CN116637257A (zh) 2023-08-25

Family

ID=87642422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310325145.8A Withdrawn CN116637257A (zh) 2023-03-30 2023-03-30 一种自适应调节呼吸机流量控制方法及呼吸机

Country Status (1)

Country Link
CN (1) CN116637257A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118490165A (zh) * 2024-04-12 2024-08-16 北京大学第三医院（北京大学第三临床医学院） 基于脑电数据分析的麻醉状态评估方法和系统
CN119971221A (zh) * 2025-04-10 2025-05-13 北京金博智慧健康科技有限公司 一种基于脑电控制的氢机及其流量动态调控方法
CN120346410A (zh) * 2025-06-24 2025-07-22 北京华信医院(清华大学第一附属医院) 智能呼吸机及基于呼吸音监测的智能通气控制系统、方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118490165A (zh) * 2024-04-12 2024-08-16 北京大学第三医院（北京大学第三临床医学院） 基于脑电数据分析的麻醉状态评估方法和系统
CN119971221A (zh) * 2025-04-10 2025-05-13 北京金博智慧健康科技有限公司 一种基于脑电控制的氢机及其流量动态调控方法
CN119971221B (zh) * 2025-04-10 2025-10-03 北京金博智慧健康科技有限公司 一种基于脑电控制的氢机及其流量动态调控方法
CN120346410A (zh) * 2025-06-24 2025-07-22 北京华信医院(清华大学第一附属医院) 智能呼吸机及基于呼吸音监测的智能通气控制系统、方法
CN120346410B (zh) * 2025-06-24 2025-12-12 北京华信医院(清华大学第一附属医院) 智能呼吸机及基于呼吸音监测的智能通气控制系统、方法

Similar Documents

Publication Publication Date Title
JP4832289B2 (ja) 呼吸事象検出システムおよび方法
US7559903B2 (en) Breathing sound analysis for detection of sleep apnea/popnea events
CN116637257A (zh) 一种自适应调节呼吸机流量控制方法及呼吸机
EP3229692B1 (en) Acoustic monitoring system, monitoring method, and monitoring computer program
JP6585825B2 (ja) 呼吸活動に関する筋電図信号を処理するための処理装置及び方法
US20080082018A1 (en) Systems and methods for respiratory event detection
US20090247893A1 (en) Method and apparatus for measuring responsiveness of a subject
CN106333652B (zh) 一种睡眠状态分析方法
KR20170083483A (ko) 실시간 수면장애 감시 장치
CN103153183A (zh) 用于诊断阻塞性睡眠呼吸暂停的装置和方法
US20220022809A1 (en) Systems and methods to detect and treat obstructive sleep apnea and upper airway obstruction
Asyali et al. Determining a continuous marker for sleep depth
CA2585824A1 (en) Breathing sound analysis for detection of sleep apnea/hypopnea events
AU2011203044C1 (en) Systems and methods for respiratory event detection
CN116077021A (zh) 一种睡眠脑电、鼾声检测分析装置
CN105943040A (zh) 一种治疗中枢性睡眠呼吸暂停症的方法及装置
CN120130950A (zh) 一种基于脑电与毫米波雷达结合的睡眠监测方法及系统
CN117747117B (zh) 基于声响的睡眠呼吸评价及辅助调节方法、系统和装置
CN106362282A (zh) 一种治疗中枢性睡眠呼吸暂停症的方法和装置
Wang et al. Voluntary respiration control: signature analysis by EEG
CN117017234A (zh) 多参数集成麻醉监测与分析系统
Sloboda et al. A simple sleep stage identification technique for incorporation in inexpensive electronic sleep screening devices
CA2584258A1 (en) Breathing sound analysis for estimation of airflow rate
CN118098495B (zh) 结合运动训练的多频段神经反馈方法及系统
La Porta Sleep apnea events recognition based on polysomnographic signals recordings: a machine learning approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230825