一种呼吸机安全检测方法技术

本发明专利技术涉及呼吸机安全检测的技术领域，公开了一种呼吸机安全检测方法，包括：以呼吸机管道气体流速，漏气孔径，吸气潮气量，呼气潮气量，漏气量为指标采集数据；将预处理后的采集数据作为训练数据，并结合训练数据对超网络进行训练；利用遗传算法对训练好的超网络进行神经网络结构搜索，得到呼吸机漏气检测神经网络模型；对待检测呼吸机的指标数据进行数据预处理，并将预处理后的数据作为呼吸机漏气检测神经网络模型的输入，并利用呼吸机漏气检测神经网络模型判断呼吸机是否存在漏气安全隐患。本发明专利技术所述方法通过建立呼吸机漏气检测神经网络模型，实现基于呼吸机漏气量的呼吸机安全检测，实现呼吸机的实时检测。实现呼吸机的实时检测。

【技术实现步骤摘要】
一种呼吸机安全检测方法


[0001]本专利技术涉及呼吸机安全检测的
，尤其涉及一种呼吸机安全检测方法。

技术介绍

[0002]呼吸机是各个医院不可或缺的医疗设备之一，在病人的抢救与治疗中起着至关重要的作用，且呼吸机的治疗对象主要为危重病情患者，现已广泛应用于重症监护和急救复苏等领域。因此如何实现呼吸机安全检测成为当前研究领域的热门话题。
[0003]呼吸机在使用过程中存在如下安全风险，呼吸机的显示值与设置值不一致，如潮气量、吸呼比等的显示值与医生设置值偏差较大；报警失灵，如气源压力报警失灵等；而造成这些安全风险的主要因素来源于呼吸机漏气。
[0004]鉴于此，本专利技术提出一种呼吸机安全检测方法，通过建立呼吸机漏气检测神经网络模型，实现基于呼吸机漏气量的呼吸机安全检测，实现呼吸机的实时检测。

技术实现思路

[0005]本专利技术提供一种呼吸机安全检测方法，目的在于(1)实现基于呼吸机漏气量的呼吸机安全检测；(2)实现呼吸机的实时安全检测。
[0006]实现上述目的，本专利技术提供的一种呼吸机安全检测方法，包括以下步骤：
[0007]S1：以呼吸机管道气体流速，漏气孔径，吸气潮气量，呼气潮气量，漏气量为指标采集数据，并对采集数据进行数据预处理；
[0008]S2：将预处理后的采集数据作为训练数据，并结合训练数据对超网络进行训练；
[0009]S3：利用遗传算法对训练好的超网络进行神经网络结构搜索，得到优化后的呼吸机漏气检测神经网络模型；
[0010]S4：对待检测呼吸机的指标数据进行数据预处理，并将预处理后的数据作为呼吸机漏气检测神经网络模型的输入，呼吸机漏气检测神经网络模型输出结果即为呼吸机是否存在漏气安全隐患的判断。
[0011]作为本专利技术的进一步改进方法：
[0012]所述S1步骤中采集呼吸机指标数据，包括：
[0013]将呼吸机漏气孔径划分为5种孔径级别[1,2,3,4,5]，并设置10组不同的呼吸机管道气体流速；
[0014]选取漏气孔径级别为h的呼吸机，其中h的初始值为1，根据所设置的10组不同的呼吸机管道气体流速，调整呼吸机管道内的气体流速，采集到当前漏斗孔径级别以及气体流速下，呼吸机的吸气潮气量，呼气潮气量以及漏气量数据；
[0015]将漏气孔径级别h设置为h+1，重复上述步骤，直到h＝5；
[0016]所采集到的呼吸机指标数据为：
[0017]Data＝{(h1,v1,s
1,1
,c
1,1
,e
1,1
),
…
,(h1,v
10
,s
1,10
,c
1,10
,e
1,10
),
…
,(h5,v
10
,s
5,10
,c
5,10
,e
5,10
)}
[0018]其中：
[0019]h
i
表示漏斗孔径级别i，i∈[1,2,3,4,5]；
[0020]v
j
表示所设置的第j组呼吸机管道气体流速；
[0021]s
i,j
表示漏斗孔径级别i，且呼吸机管道内气体流速为所设置的第j组气体流速时，采集到的吸气潮气量；
[0022]c
i,j
表示漏斗孔径级别i，且呼吸机管道内气体流速为所设置的第j组气体流速时，采集到的呼气潮气量；
[0023]e
i,j
表示漏斗孔径级别i，且呼吸机管道内气体流速为所设置的第j组气体流速时，采集到的漏气量；
[0024](h
i
,v
j
,s
i,j
,c
i,j
,e
i,j
)为所采集到的一组呼吸机指标数据，在本专利技术一个具体实施例中，本专利技术共采集到50组呼吸机指标数据；
[0025]Data为所采集到的呼吸机指标数据集。
[0026]所述S1步骤中对采集的呼吸机指标数据进行数据预处理，包括：
[0027]对所采集的呼吸机指标数据进行数据预处理，得到预处理后的呼吸机指标数据集Data
′
，所述数据预处理流程为：
[0028][0029]其中：
[0030]x
k
表示呼吸机指标数据集Data中指标x的第k个数据，所述需要进行预处理的指标x包括呼吸机管道气体流速，漏气孔径，吸气潮气量，呼气潮气量；
[0031]x
′
k
表示呼吸机指标数据集Data中指标x的第k个预处理后数据；
[0032]x
min
表示呼吸机指标数据集Data中指标x的最小值；
[0033]x
max
表示呼吸机指标数据集Data中指标x的最大值。
[0034]所述S2步骤中以预处理后的数据为训练数据对超网络进行训练，训练得到超网络，包括：
[0035]构建若干三层的神经网络模型，所述神经网络模型的三层结构为输入层、隐藏层以及全连接层；
[0036]构建三层超网络层，其中超网络的第一层为并列的若干神经网络模型的输入层，超网络的第二层为并列的若干神经网络模型的隐藏层，超网络的第三层为并列的若干神经网络模型的全连接层；
[0037]对于超网络第一层中的任意神经网络模型输入层F1
i
，依次连接超网络第二层中的神经网络模型隐藏层，得到N个以F1
i
为输入层的输入层
‑
隐藏层模型，其中N表示所构建的神经网络模型数目；
[0038]对于超网络第二层中的任意神经网络模型输入层F2
j
，依次连接超网络第三层中的神经网络模型全连接层，得到N个以F2
j
为隐藏层的隐藏层
‑
全连接层模型，其中N表示所构建的神经网络模型数目；将连接得到的任意输入层
‑
隐藏层
‑
全连接层模型作为超网络中的子网络；
[0039]预定义超网络参数的搜索空间S，将呼吸机指标数据集Data
′
中的呼吸机管道气体流速，漏气孔径，吸气潮气量，呼气潮气量输入到超网络的第一层，并设置超网络训练的损
失函数为：
[0040][0041][0042]其中：
[0043]表示子网络g的损失函数；
[0044]L
net
表示超网络训练的损失函数；
[0045]w
g
表示子网络g的权重；
[0046]e
i,j
表示漏斗孔径级别i，且呼吸机管道内气体流速为所设置的第j组气体流速时，采集到的漏气量；
[0047]表示漏斗孔径级别i，且呼吸机管道内气体流速为所设置的第j组气体流速时，子网络g本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种呼吸机安全检测方法，其特征在于，所述方法包括：S1：以呼吸机管道气体流速，漏气孔径，吸气潮气量，呼气潮气量，漏气量为指标采集数据，并对采集数据进行数据预处理；S2：将预处理后的采集数据作为训练数据，并结合训练数据对超网络进行训练；S3：利用遗传算法对训练好的超网络进行神经网络结构搜索，得到优化后的呼吸机漏气检测神经网络模型；S4：对待检测呼吸机的指标数据进行数据预处理，并将预处理后的数据作为呼吸机漏气检测神经网络模型的输入，呼吸机漏气检测神经网络模型输出结果即为呼吸机是否存在漏气安全隐患的判断。2.如权利要求1所述的一种呼吸机安全检测方法，其特征在于，所述S1步骤中采集呼吸机指标数据，包括：将呼吸机漏气孔径划分为5种孔径级别[1，2，3，4，5]，并设置10组不同的呼吸机管道气体流速；选取漏气孔径级别为h的呼吸机，其中h的初始值为1，根据所设置的10组不同的呼吸机管道气体流速，调整呼吸机管道内的气体流速，采集到当前漏斗孔径级别以及气体流速下，呼吸机的吸气潮气量，呼气潮气量以及漏气量数据；将漏气孔径级别h设置为h+1，重复上述步骤，直到h＝5；所采集到的呼吸机指标数据为：Data＝{(h1，v1，S
1，1
，c
1，1
，e
1，1
)，...，(h1，v
10
，s
1，10
，c
1，10
，e
1，10
)，...，(h5，v
10
，s
5，10
，c
5，10
，e
5，1
0)}其中：h
i
表示漏斗孔径级别i，i∈[1，2，3，4，5]；v
j
表示所设置的第j组呼吸机管道气体流速；s
i，j
表示漏斗孔径级别i，且呼吸机管道内气体流速为所设置的第j组气体流速时，采集到的吸气潮气量；c
i，j
表示漏斗孔径级别i，且呼吸机管道内气体流速为所设置的第j组气体流速时，采集到的呼气潮气量；e
i，j
表示漏斗孔径级别i，且呼吸机管道内气体流速为所设置的第j组气体流速时，采集到的漏气量；(h
i
，v
j
，s
i，j
，c
i，j
，e
i，j
)为所采集到的一组呼吸机指标数据；Data为所采集到的呼吸机指标数据集。3.如权利要求2所述的一种呼吸机安全检测方法，其特征在于，所述S1步骤中对采集的呼吸机指标数据进行数据预处理，包括：对所采集的呼吸机指标数据进行数据预处理，得到预处理后的呼吸机指标数据集Data
′
，所述数据预处理流程为：其中：x
k
表示呼吸机指标数据集Data中指标x的第k个数据，所述需要进行预处理的指标x包括
呼吸机管道气体流速，漏气孔径，吸气潮气量，呼气潮气量；x
′
k
表示呼吸机指标数据集Data中指标x的第k个预处理后数据；x
min
表示呼吸机指标数据集Data中指标x的最小值；x
max
表示呼吸机指标数据集Data中指标x的最大值。4.如权利要求3所述的一种呼吸机安全检测方法，其特征在于，所述S2步骤中以预处理后的数据为训练数据对超网络进行训练，训练得到超网络，包括：构建若干三层的神经网络模型，所述神经网络模型的三层结构为输入层、隐藏层以及全连接层；构建三层超网络层，其中超网络的第一层为并列的若干神经网络模型的输入层，超网络的第二层为并列的若干神经网络模型的隐藏层，超网络的第三层为并列的若干神经网络模型的全连接层；对于超网络第一层中的任意神经网络模型输入层F1
i
，依次连接超网络第二层中的神经网络模型隐藏层，得到N个以F1
i
为输入层的输入层
‑
隐藏层模型，其中N表示所构建的神经网络模型数目；对于超网络第二层中的任意神经网络模型输入层F2
j
，依次连接超网络第三层中的神经网络模型全连接层，得到N个以F2...

【专利技术属性】
技术研发人员：刘哲，宋元林，杜春玲，郑其昌，粟锦平，
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：