CN117618814B

CN117618814B - 一种面罩内部压力控制方法、系统及呼吸器

Info

Publication number: CN117618814B
Application number: CN202410008744.1A
Authority: CN
Inventors: 陈良; 梁栋; 赵洪俊
Original assignee: Changzhou Shine Science and Technology Co Ltd
Current assignee: Changzhou Shine Science and Technology Co Ltd
Priority date: 2024-01-04
Filing date: 2024-01-04
Publication date: 2024-07-23
Anticipated expiration: 2044-01-04
Also published as: WO2025145574A1; CN117618814A

Abstract

本发明属于呼吸器技术领域，尤其涉及一种面罩内部压力控制方法、系统及呼吸器，控制方法包括在面罩上设置风机，风机启动后持续向面罩内部进行气流供给；确定风机转速、面罩内部的压力值以及使用者呼吸行为的关联性；在工作过程中，根据实时采集的压力值以及关联性对风机转速进行控制。在本发明中，风机在启动后持续向面罩内部提供气流，根据所采集到的压力值和确定的关联性，动态地调整风机的转速，系统可以根据使用者的实时需求来调整气流供给，以最大限度地减轻呼吸阻力。上述压力控制方法的优势在于提供了一种个性化、实时的通风解决方案，可以根据具体的使用者呼吸需求进行调整，从而保证呼吸阻力的有效应对。

Description

一种面罩内部压力控制方法、系统及呼吸器

技术领域

本发明属于呼吸器技术领域，尤其涉及一种面罩内部压力控制方法、系统及呼吸器。

背景技术

呼吸器作为防护装备，通过设置滤芯来过滤使用者呼吸的空气，以防止有害物质进入呼吸道，其核心为滤芯，滤芯采用不同的材料和技术，用于过滤空气中的颗粒物、气体或蒸气等，不同的滤芯根据设备的设计和使用环境的不同，可以选择性地过滤不同类型的污染物，呼吸器广泛用于如各类矿山开采,石材木材加工,农业生产,码头货场装卸运输等等场所,还有众多的加工企业,化学品生产企业,实验室等。

针对不同类型的滤芯往往使用不同的过滤材料，而这些材料的透气性不同，部分高效的过滤材料可能会对气体的流动性产生更大的阻力，因此呼吸时需要克服这种阻力；另外，滤芯的设计也会影响呼吸阻力，部分设计更为紧凑、致密的滤芯可能导致较大的呼吸阻力。

在上述呼吸器使用的过程中，随着时间的推移，滤芯会逐渐被颗粒物或气体吸附，导致滤阻力逐渐增加，当滤芯达到一定程度的吸附饱和时，需要更换新的滤芯，否则使用者将面临更大的呼吸阻力。

针对现有的呼吸器面罩，如何解决上述呼吸阻力所带来的问题，成为了需要解决的一项技术问题。

发明内容

本发明中提供了一种面罩内部压力控制方法、系统及呼吸器，可有效解决背景技术中的问题。

为了达到上述目的，本发明所采用的技术方案是：

一种面罩内部压力控制方法，包括：

在面罩上设置风机，所述风机启动后持续向所述面罩内部进行气流供给；

确定所述风机转速、面罩内部的压力值以及使用者呼吸行为的关联性；

在工作过程中，根据实时采集的所述压力值以及所述关联性对所述风机转速进行控制。

进一步地，确定所述风机转速、面罩内部的压力值以及使用者呼吸行为的关联性，包括：

对所述面罩内部的气压值进行实时采集；

将所述气压值的升高过程对应于进气过程，所述进气过程包括使用者呼出气体，以及所述风机向面罩内送入气体，以及，将所述气压值的降低过程对应于排气过程，所述排气过程包括使用者吸入气体，以及所述风机向面罩内送入气体，其中，所述气压值的升高或降低均通过与设定的参考气压值进行比较而判断；

设定所述关联性为在所述进气过程中，降低所述风机转速，在所述排气过程中，升高所述风机转速。

进一步地，将所述参考气压值引入PID控制器，所述PID控制器以所述参考气压值作为设定点，根据当前采集得到的所述气压值偏离所述设定点的程度控制所述风机转速，以减小偏离程度。

进一步地，所述PID控制器的控制模型为：

其中，

u(t)为所述PID控制器输出的风机转速；

e(t)为设定点与当前采集得到的所述气压值之间的误差；

Kp为比例项的增益参数；

Ki是积分项的增益参数；

Kd是微分项的增益参数；

为e(t)随时间的积分；

表示为e(t)随时间的导数；

Kf为使用者的动态增益参数；

f(t)为风机转速修订函数，输入为使用者的运动数据和所述面罩内部的气压值数据，输出为风机转速修订值。

进一步地，所述风机转速修订函数f(t)的确定方法包括：

在所述面罩上设置运动传感器，采集并收集使用者的运动数据；

通过所述风机的控制器，收集所述风机的转速数据；

收集所述面罩内部的气压值数据；

基于所述运动数据、转速数据和气压值数据进行特征提取，并利用所提取的特征通过机器学习算法建立所述风机转速修订函数f(t)。

进一步地，基于所述运动数据、转速数据和气压值数据进行特征提取，并利用所提取的特征通过机器学习算法建立所述风机转速修订函数f(t)，包括：

从所述运动数据和气压值数据中提取与风机转速关联的特征，以及从所述转速数据中提取与运动和气压变化相关的特征；

将从不同数据源提取的特征进行合并，并定义需要预测的风机转速值为目标变量；

将数据集按比例划分为训练集和测试集，且用于决策树模型的训练；

将训练完成的所述决策树模型作为所述风机转速修订函数f(t)。

收集与所述风机转速、面罩内部的压力值和使用者呼吸行为相关的实验数据；

从收集的数据中提取特征获得数据集，所述特征用于反映所述风机转速、面罩内部的压力值和使用者呼吸行为之间的关系；

建立描述所述风机转速、面罩内部的压力值和使用者呼吸行为之间关系的神经网络模型；

将数据集按比例划分为训练集和测试集，且用于所述神经网络模型的训练；

将训练完成的所述神经网络模型作为所述风机转速、面罩内部的压力值以及使用者呼吸行为的关联模型。

进一步地，所述神经网络模型包括：

输入层，通过三个节点分别对应所述风机转速、面罩内部的压力值和使用者呼吸行为的特征；

隐藏层，至少包括一个LSTM层，用于捕捉序列数据中的时序信息；

输出层，输出预测的风机转速；

激活函数，添加在每个所述隐藏层和输出层之后，引入非线性；

在所述神经网络模型在训练完成而使用的过程中，输入当前所采集的面罩内部的压力值，而输出风机转速的预测值，所述预测值用于对所述风机转速进行控制。

一种面罩内部压力控制系统，采用如上所述的面罩内部压力控制方法，包括：

风机，设置于面罩上，启动后持续向所述面罩内部进行气流供给；

关联性分析模块，确定所述风机转速、面罩内部的压力值以及使用者呼吸行为的关联性；

控制模块，在工作过程中，根据实时采集的所述压力值以及所述关联性对所述风机转速进行控制。

一种呼吸器，包括面罩，以及如上所述的面罩内部压力控制系统，所述面罩内部压力控制系统对所述面罩内部的压力进行控制。

通过本发明的技术方案，可实现以下技术效果：

在本发明中，风机在启动后持续向面罩内部提供气流，根据所采集到的压力值和确定的关联性，动态地调整风机的转速，系统可以根据使用者的实时需求来调整气流供给，以最大限度地减轻呼吸阻力。上述压力控制方法的优势在于提供了一种个性化、实时的通风解决方案，可以根据具体的使用者呼吸需求进行调整，从而保证呼吸阻力的有效应对。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为面罩内部压力控制方法的流程图；

图2为确定风机转速、面罩内部的压力值以及使用者呼吸行为的关联性的流程图；

图3为PID控制的流程图；

图4为PID控制的优化流程图；

图5为风机转速修订函数f(t)的确定方法流程图；

图6为基于运动数据、转速数据和气压值数据进行特征提取，并利用所提取的特征通过机器学习算法建立风机转速修订函数f(t)的流程图；

图7为确定风机转速、面罩内部的压力值以及使用者呼吸行为的关联性的另一种实施方式流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

实施例一

一种面罩内部压力控制方法，如图1所示，包括：

A1：在面罩上设置风机，风机启动后持续向面罩内部进行气流供给；

A2：确定风机转速、面罩内部的压力值以及使用者呼吸行为的关联性；

A3：在工作过程中，根据实时采集的压力值以及关联性对风机转速进行控制。

在本发明中，通过在面罩上引入一个风机，可通过引入外部气流来减轻滤芯引起的呼吸阻力，风机在启动后持续向面罩内部提供气流，以确保在使用者呼吸的过程中，有一定的气流流动，有助于维持通风。在实际呼吸过程中，根据所采集到的压力值和确定的关联性，动态地调整风机的转速，系统可以根据使用者的实时需求来调整气流供给，以最大限度地减轻呼吸阻力。上述压力控制方法的优势在于提供了一种个性化、实时的通风解决方案，可以根据具体的使用者呼吸需求进行调整，从而保证呼吸阻力的有效应对。

在实施过程中，当关联性需要依赖于风机安装后的实际工作过程进行确定，例如需要依赖于实际工作数据的采集，则步骤A1和A2之间的顺序不能改变；当关联性并不依赖于实际的工作过程即可确定，例如通过设定的算法，在风机和面罩等相关参数输入后直接可输出确定的关联性，则步骤A1和A2之间的顺序可颠倒，或者分别进行。

作为上述实施例的优选，如图2所示，确定风机转速、面罩内部的压力值以及使用者呼吸行为的关联性，包括：

B1：对面罩内部的气压值进行实时采集；在本步骤中，可使用传感器等装置实时采集面罩内部的气压值，传感器可以被放置在面罩的内部，或放置在连通面罩内部及外部的通道上，从而感知气体流动的变化；

B2：将气压值的升高过程对应于进气过程，进气过程包括使用者呼出气体，以及风机向面罩内送入气体，以及，将气压值的降低过程对应于排气过程，排气过程包括使用者吸入气体，以及风机向面罩内送入气体，其中，气压值的升高或降低均通过与设定的参考气压值进行比较而判断；

B3：设定关联性为在进气过程中，降低风机转速，在排气过程中，升高风机转速。上述过程设定了关联规则，从而可根据气压值的变化实时调整风机的工作状态，以适应用户的呼吸需求。

通过上述优化方案，系统可以更精确地跟随使用者的呼吸模式，调整风机转速，以提供更为自然和舒适的呼吸体验，这样的系统可以更有效地减轻呼吸阻力，提高使用者在呼吸器下的舒适性。

在本优选方案中，通过设定参考气压值，系统可以更加灵活地适应不同使用者的需求，不同人的正常呼吸模式可能有所不同，因此设定参考气压值可以使系统更具个性化，适应不同的生理差异；参考气压值的设定使系统具有适应性，可以应对不同工作环境和活动水平下的呼吸需求变化，例如，在运动时，使用者的呼吸模式可能与静止时不同，参考气压值的设定可以使系统更好地适应这些变化。

作为上述实施例的优选，将参考气压值引入PID控制器，PID控制器以参考气压值作为设定点，根据当前采集得到的气压值偏离设定点的程度控制风机转速，以减小偏离程度。

在实施过程中，如图3所示，设定参考气压值为P1、采集得到的气压值为P2，在本优选方案中，将P1和P2作为PID控制器的输入，输出一个控制信号，通常为占空比信号，用于控制风机的电机驱动，以调整电机转速，从而实现面罩内部压力的调节。

作为一种具体的方式，传统的PID控制器的控制模型为：

其中，

u(t)为PID控制器输出的风机转速；

e(t)为当前的偏离值，即设定点与当前采集得到的气压值之间的误差；

K_p为比例项的增益参数；

K_i是积分项的增益参数；

K_d是微分项的增益参数；

以上三个增益参数分别用于调整系统对于偏离值、积分项和变化率的响应；

为e(t)随时间的积分，用于考虑系统的长期累积误差；

表示为e(t)随时间的导数。

在实施过程中，呼吸器所采用的过滤器的初始阻力值往往是确定的，设定过滤器的初始阻力值为P3,如图4所示，可同样将其作为PID控制器的输入，使系统在调节风机转速时考虑这一因素。

在具体实施的过程中，呼吸器的使用者往往伴随着动态的运动形式，这显然对于呼吸行为具有较为显著的影响，为了充分考虑上述影响，作为一种优选的控制模型，PID控制器的控制模型为：

其中，

u(t)为PID控制器输出的风机转速；

e(t)为设定点与当前采集得到的气压值之间的误差；

Kp为比例项的增益参数；

Ki是积分项的增益参数；

Kd是微分项的增益参数；

为e(t)随时间的积分；

表示为e(t)随时间的导数；

Kf为使用者的动态增益参数；

f(t)为风机转速修订函数，输入为使用者的运动数据和面罩内部的气压值数据，输出为风机转速修订值。

在本优选方案中，引入Kf和f(t)到PID控制器中时，考虑了动态增益的机制，其中f(t)代表与使用者相关的动态因素，这个动态因素可能影响到呼吸器内气压的变化。

Kf作为一个调整因子，代表新增的动态增益的强度，通过调整Kf的值，可以控制系统对于动态因素的敏感度，在选择Kf时需要平衡系统的灵敏度和稳定性；具体地，Kf的值需要在实际使用中根据用户反馈和系统性能进行调整，具体地：

小的Kf值会使得系统对于动态因素的变化不够敏感，可能导致系统反应较为缓慢，但稳定性较好，系统不容易产生振荡或不稳定行为。中等大小的Kf值会适度敏感于动态因素的变化，可以在大多数情况下平衡系统的性能，且可较好地平衡了系统的灵敏度和稳定性，适用于一般的使用场景。较大的Kf值使得系统对于动态因素的变化非常敏感，可能导致系统过于激进，产生振荡或不稳定行为，但在需要快速适应用户变化的场景下可能表现得更好，但需要小心防止系统不稳定性。

在实际应用中，可通过系统仿真、实验和用户反馈等来确定Kf的最佳取值，这样的调整过程可以帮助确保系统在各种情况下都能够平衡灵敏度和稳定性，提供用户舒适且可靠的呼吸支持。

作为上述实施例的优选，如图5所示，风机转速修订函数f(t)的确定方法包括：

C1：在面罩上设置运动传感器，采集并收集使用者的运动数据；在本步骤中，选择适用于面罩的运动传感器是关键的一步，这可能包括加速度计、陀螺仪、甚至可能的视觉传感器等，实时采集用户的运动数据；

C2：通过风机的控制器，收集风机的转速数据；确保能够获取到足够频繁的风机转速数据，以便更好地捕捉系统的动态变化，根据系统的响应速度，可进行高频率的数据采集；

C3：收集面罩内部的气压值数据；即为上述实施例中步骤B1所采集获得的数据；

C4：基于运动数据、转速数据和气压值数据进行特征提取，并利用所提取的特征通过机器学习算法建立风机转速修订函数f(t)。在特征提取阶段，需要确保选择的特征能够有效地反映运动数据、风机转速和气压值之间的关系，可具体考虑时间序列特征、频域特征和可能的交互特征；在数据采集的过程中，还需确保运动数据、转速数据和气压值数据在时间上是同步的，这对于建立准确的模型非常重要，如果数据采集不是同时进行的，可进行插值或其他同步方法。

传统的PID控制模型是线性的，可能难以处理某些非线性的系统响应，本优选方案中通过引入风机转速修订函数，系统可以更好地适应非线性关系，提高对系统复杂性的建模能力；另外，传统的PID控制模型通常依赖于预先设定的参数，而动态增益参数的引入可以在运行时根据实际情况进行调整，这样可以更好地平衡实时性和稳定性的要求，尤其是在呼吸器这样的实时系统中。

在实施过程中，动态增益参数Kf允许系统根据实时的运动数据和气压值等因素调整系统的灵敏度，这可以提高系统对于不同操作条件的适应性，确保在不同的使用情境下仍然能够提供稳定而有效的呼吸支持。机器学习模型能够更好地处理不确定性和非结构化的数据，在呼吸器系统中，可能会遇到各种不确定性，例如使用者的运动模式的突然变化或者外部环境的不确定性。

作为上述实施例的优选，基于运动数据、转速数据和气压值数据进行特征提取，并利用所提取的特征通过机器学习算法建立风机转速修订函数f(t)，如图6所示，包括：

C41：从运动数据和气压值数据中提取与风机转速关联的特征，以及从转速数据中提取与运动和气压变化相关的特征；

其中，运动数据特征提取包括运动振幅和频率、运动的方向和变化率、运动的平均速度或加速度、时间序列分析中的运动动态特征等；气压值数据特征提取包括气压值的趋势和变化率、气压值的峰值和谷值、气压值在不同时间尺度下的统计特征等；转速数据特征提取包括平均转速和变化率、转速数据的频谱分析，可能使用傅里叶变换等、转速的趋势和周期性特征等；

C42：将从不同数据源提取的特征进行合并，并定义需要预测的风机转速值为目标变量；具体地，将来自运动、气压和转速的特征合并为一个特征向量；

C43：将数据集按比例划分为训练集和测试集，且用于决策树模型的训练；

C44：将训练完成的决策树模型作为风机转速修订函数f(t)。

在训练过程中，需确保训练集用于模型训练，测试集用于评估模型性能，可以尝试调整决策树的超参数，进行交叉验证等方法以提高模型性能，使用测试集对模型进行评估，确保模型的泛化性能，将训练和评估完成的决策树模型集成到系统中，并进行实时性测试，确保模型在实际使用中满足实时性要求，并定期监控模型性能。

本优选方案中，采用决策树模型原因在于其结构清晰，易于理解和解释，这对于在呼吸器系统中，需要对模型的工作原理有清晰理解的专业人员和终端用户是非常重要的，决策树可以有效地捕捉和处理非线性关系，决策树对于特征之间的交互作用具有较强的适应性，在呼吸器系统中，运动数据、转速数据和气压值数据之间可能存在复杂的关系，决策树能够较好地处理这种多变的关系，且决策树模型能够输出特征的重要性，帮助确定哪些特征对于预测风机转速是最关键的，有助于优化特征选择和模型解释，其可以处理混合的数据类型，包括数值型和分类型数据，这对于风机转速修订函数中可能包含的不同类型的数据是有益的。

作为另外一种优化方式，如图7所示，确定风机转速、面罩内部的压力值以及使用者呼吸行为的关联性，包括：

D1：收集与风机转速、面罩内部的压力值和使用者呼吸行为相关的实验数据；可具体包括在不同风机转速下测量的面罩内部压力，以及与使用者呼吸行为相关的数据，例如呼吸频率、潮气量等；

D2：从收集的数据中提取特征获得数据集，特征用于反映风机转速、面罩内部的压力值和使用者呼吸行为之间的关系；

D3：建立描述风机转速、面罩内部的压力值和使用者呼吸行为之间关系的神经网络模型；

D4：将数据集按比例划分为训练集和测试集，且用于神经网络模型的训练；

D5：将训练完成的神经网络模型作为风机转速、面罩内部的压力值以及使用者呼吸行为的关联模型。

其中，作为优选地，神经网络模型包括：

输入层，通过三个节点分别对应风机转速、面罩内部的压力值和使用者呼吸行为的特征；

输出层，输出预测的风机转速；

激活函数，添加在每个隐藏层和输出层之后，引入非线性；

在神经网络模型在训练完成而使用的过程中，输入当前所采集的面罩内部的压力值，而输出风机转速的预测值，预测值用于对风机转速进行控制。

在呼吸器的实际应用场景中，季节变化可能导致呼吸行为的变化，例如温度、湿度的变化会影响呼吸道的舒适性和阻力，LSTM层能够学习并捕捉这种季节性变化，有助于模型更好地适应不同时期呼吸行为的动态变化。面罩内部呼吸阻力问题可能受到多个因素的影响，这些因素的影响可能在时间上具有较长的相关性，LSTM层能够捕捉到长期依赖关系，使模型能够更好地理解并预测面罩内部呼吸阻力的长期动态变化。

在上述神经网络模型训练完成后，可直接通过当前采集的面罩内部的压力值作为输入，而进行风机转速的预测，在模型训练过程中采用风机转速、面罩内部的压力值和使用者呼吸行为三种特征建立关联模型的情况下，训练的目的是让模型学会这三种特征之间的关系；而在使用模型时，为了降低呼吸器的成本，实施过程中，只对面罩内部的压力值进行采集，因为模型在训练过程中已经学会了面罩内部的压力值与风机转速之间的关联性，而LSTM层有助于模型记忆先前的信息，进而更好地适应当前时刻的输入，模型可根据其在训练中学到的关系进行风机转速的预测。

实施例二

一种面罩内部压力控制系统，采用如实施例一所述的面罩内部压力控制方法，包括：

风机，设置于面罩上，启动后持续向面罩内部进行气流供给；

关联性分析模块，确定风机转速、面罩内部的压力值以及使用者呼吸行为的关联性；

控制模块，在工作过程中，根据实时采集的压力值以及关联性对风机转速进行控制。

实施例三

一种呼吸器，包括面罩，以及如实施例二所述的面罩内部压力控制系统，面罩内部压力控制系统对面罩内部的压力进行控制。

实施例二和三所实现的技术效果与实施例一相同，此处不再赘述。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims

1.一种面罩内部压力控制方法，其特征在于，包括：在面罩上设置风机，所述风机启动后持续向所述面罩内部进行气流供给；确定所述风机转速、面罩内部的压力值以及使用者呼吸行为的关联性；在工作过程中，根据实时采集的所述压力值以及所述关联性对所述风机转速进行控制；其中，确定所述风机转速、面罩内部的压力值以及使用者呼吸行为的关联性，包括：对所述面罩内部的气压值进行实时采集；将所述气压值的升高过程对应于进气过程，所述进气过程包括使用者吸入气体，以及所述风机向面罩内送入气体，以及，将所述气压值的降低过程对应于排气过程，所述排气过程包括使用者呼出气体，以及所述风机由面罩内排出气体，其中，所述气压值的升高或降低均通过与设定的参考气压值进行比较而判断；设定所述关联性为在所述进气过程中，降低所述风机转速，在所述排气过程中，升高所述风机转速；将所述参考气压值引入PID控制器，所述PID控制器以所述参考气压值作为设定点，根据当前采集得到的所述气压值偏离所述设定点的程度控制所述风机转速，以减小偏离程度；所述PID控制器的控制模型为：

；

其中，

u(t)为所述PID控制器输出的风机转速；

e(t)为设定点与当前采集得到的所述气压值之间的误差；

Kp为比例项的增益参数；

Ki是积分项的增益参数；

Kd是微分项的增益参数；

为e(t)随时间的积分；

表示为e(t)随时间的导数；

Kf为使用者的动态增益参数；

f(t)为风机转速修订函数，输入为使用者的运动数据和所述面罩内部的气压值数据，输出为风机转速修订值；所述风机转速修订函数f(t)的确定方法包括：在所述面罩上设置运动传感器，采集并收集使用者的运动数据；通过所述风机的控制器，收集所述风机的转速数据；收集所述面罩内部的气压值数据；基于所述运动数据、转速数据和气压值数据进行特征提取，并利用所提取的特征通过机器学习算法建立所述风机转速修订函数f(t)；基于所述运动数据、转速数据和气压值数据进行特征提取，并利用所提取的特征通过机器学习算法建立所述风机转速修订函数f(t)，包括：从所述运动数据和气压值数据中提取与风机转速关联的特征，以及从所述转速数据中提取与运动和气压变化相关的特征；运动数据特征提取包括运动振幅和频率、运动的方向和变化率、运动的平均速度或加速度、时间序列分析中的运动动态特征；气压值数据特征提取包括气压值的趋势和变化率、气压值的峰值和谷值、气压值在不同时间尺度下的统计特征；转速数据特征提取包括平均转速和变化率、转速数据的频谱分析，转速的趋势和周期性特征；将从不同数据源提取的特征进行合并，并定义需要预测的风机转速值为目标变量；将数据集按比例划分为训练集和测试集，且用于决策树模型的训练；将训练完成的所述决策树模型作为所述风机转速修订函数f(t)；在训练过程中，需确保训练集用于模型训练，测试集用于评估模型性能，调整决策树的超参数，进行交叉验证；确定所述风机转速、面罩内部的压力值以及使用者呼吸行为的关联性，包括：收集与所述风机转速、面罩内部的压力值和使用者呼吸行为相关的实验数据；从收集的数据中提取特征获得数据集，所述特征用于反映所述风机转速、面罩内部的压力值和使用者呼吸行为之间的关系；建立描述所述风机转速、面罩内部的压力值和使用者呼吸行为之间关系的神经网络模型；将数据集按比例划分为训练集和测试集，且用于所述神经网络模型的训练；将训练完成的所述神经网络模型作为所述风机转速、面罩内部的压力值以及使用者呼吸行为的关联模型；所述神经网络模型包括：隐藏层，至少包括一个LSTM层，用于捕捉序列数据中的时序信息。

2.根据权利要求1所述的面罩内部压力控制方法，其特征在于，所述神经网络模型还包括：输入层，通过三个节点分别对应所述风机转速、面罩内部的压力值和使用者呼吸行为的特征；输出层，输出预测的风机转速；激活函数，添加在每个所述隐藏层和输出层之后，引入非线性；所述神经网络模型在训练完成而使用的过程中，输入当前所采集的面罩内部的压力值，而输出风机转速的预测值，所述预测值用于对所述风机转速进行控制。

3.一种面罩内部压力控制系统，其特征在于，采用如权利要求1所述的面罩内部压力控制方法，包括：风机，设置于面罩上，启动后持续向所述面罩内部进行气流供给；关联性分析模块，确定所述风机转速、面罩内部的压力值以及使用者呼吸行为的关联性；控制模块，在工作过程中，根据实时采集的所述压力值以及所述关联性对所述风机转速进行控制。

4.一种呼吸器，其特征在于，包括面罩，以及如权利要求3所述的面罩内部压力控制系统，所述面罩内部压力控制系统对所述面罩内部的压力进行控制。