一种肺泡气体识别模型的训练方法及肺泡气体采集装置制造方法及图纸

本发明专利技术提供了一种肺泡气体识别模型的训练方法及肺泡气体采集装置，预构造冗余矩阵，对二氧化碳传感器和氧气传感器数据进行随机亚采样得到稀疏信号，构造观测矩阵对稀疏信号进行投影变换，通过正交匹配追踪重建数据信号，得到传感器数据信号变化的趋势信息，判定肺泡气体出现的节点；在本发明专利技术中，通过内置有肺泡气体识别模型的可编程逻辑控制器对呼出气体的成分进行分析，判定肺泡气体出现的节点，使用方便；肺泡气体识别模型从观测值中恢复出原始信号，采用贪婪追踪类算法即利用观测矩阵中的原子与信号残差的相关性，通过加入迭代条件，并使用最小二乘法求解原始数据信号的最佳稀疏值判定肺泡气体出现的节点，提高肺泡气体采集的精准性。气体采集的精准性。气体采集的精准性。

【技术实现步骤摘要】
一种肺泡气体识别模型的训练方法及肺泡气体采集装置


[0001]本专利技术涉及肺泡气体采集
，具体为一种肺泡气体识别模型的训练方法及肺泡气体采集装置。

技术介绍

[0002]肺泡气体定义为人体呼吸中完成空气交换后的气体，以区别于人体呼吸中未参与空气交换的气体。在人体吐气过程的前半段，通常是吸入并存在于呼吸道中的空气，而肺泡气体往往出现在深呼吸吐气过程的后半段。据资料可查，人体呼出气中含有多种挥发性有机化合物，而且代谢组学相关研究已经证明，多种疾病病变的产生会引起人体呼出气成分的改变，例如糖尿病往往伴随着人体呼出气中的丙酮浓度升高。因此，近二十年来人体呼出气分析成为了医疗监测和疾病诊断预警领域新的热点。
[0003]利用挥发物组学分析方法诊断疾病前需要采集人体呼出气，目前国内外研究中常用的采气流程大多针对在人体呼吸中采集呼出气体，事实上，人体呼出气的分析最好是分析肺泡气体，因为肺泡气体是人体呼出气中在肺泡处完成空气交换后呼出的气体，而且肺泡气体的出现需要监测。一般通过受试者向气袋呼入气体进行收集，然后利用富集方法提高呼出气中挥发性有机化合物的浓度，最后还需要结合气相色谱
‑
质谱法或是电子鼻分析受试者的呼出气。这种方法虽然普遍适用于人体呼出气分析领域，但是存在着一些缺陷和不足，比如对于肺功能不全人群采集气体较为困难、呼出气中目标挥发性有机化合物容易受到背景空气干扰并且浓度极低、处理呼出气体的过程过于复杂。
[0004]公开号为CN112957077A的中国专利技术专利申请公开了面罩式呼气采集装置及其方法，包括：设有呼气孔和进气孔的面罩；第一三通阀，呼气孔与第一三通阀的输入端相连，呼出的气体经第一三通阀实现气体分离；第二三通阀，第一三通阀的一输出端与第二三通阀的输入端相连，肺泡气体经第二三通阀输送；第一气体收集机构，第二三通阀的一输出端与第一气体收集机构的输入端相连；第二气泵；第三三通阀，第二三通阀的另一输出端与第三三通阀的输入端相连，第三三通阀的一输出端与第二气泵的抽气口相连。该采集装置在使用时无法精准判定肺泡气体出现的节点，单次呼出的肺泡气收集不完整，影响检测数据的准确性。

技术实现思路

[0005]针对上述存在的技术不足，本专利技术的目的是提供一种肺泡气体识别模型的训练方法及肺泡气体采集装置，省略吸附和解脱附的繁琐过程，节省成本，避免在吸附
‑
解脱附过程中对呼出气中的成分造成改变，提高检测数据的准确性。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]一种肺泡气体识别模型的训练方法，包括以下步骤：
[0008]S1、基于压缩感知模型预设肺泡气体识别模型；
[0009]S2、通过肺泡气体采集装置获取第一位受试者的完整呼吸过程作为验证样本；
[0010]S3、截取第一位受试者的部分呼吸过程作为第一训练样本，将第一训练样本输入肺泡气体识别模型，预测得到的数据作为第一预测模式，并对第一预测模式中的肺泡气体出现的节点进行识别；
[0011]S4、对比验证样本和第一预测模式对肺泡气体识别模型评估；
[0012]S5、以肺泡气体出现节点的准确预测为目标，优化校正肺泡气体识别模型；
[0013]S6、使用多名受试者按照步骤S2至S5对肺泡气体识别模型进行训练。
[0014]优选地，所述肺泡气体识别模型处理受试者呼吸过程的方法包括：预构造一个行数小于列数的冗余矩阵，对肺泡气体采集装置的二氧化碳传感器和氧气传感器数据进行随机亚采样得到稀疏信号，然后构造一个观测矩阵对稀疏信号进行投影变换，通过正交匹配追踪实现数据信号的重建，得到二氧化碳传感器、氧气传感器数据信号变化的趋势信息，判定肺泡气体出现的节点。
[0015]优选地，肺泡气体识别模型处理受试者呼吸过程的方法包括：根据压缩感知理论模型，设定一维信号X＝(X1,X2,X3,
…
,X
N
)，X∈R
N
，X为N*1维的离散数据信号，稀疏矩阵Ψ＝(Ψ1,Ψ2,Ψ3,
…
,Ψ
N
),dΨ∈R
N*N
经过稀疏变换得到稀疏信号，且X的稀疏度为K(K<<N)，根据公式：x＝Ψ*X进行稀疏信号投影变换；
[0016]式中，Ψ为稀疏矩阵，X为原始信号；x∈R
N*1
为稀疏矩阵变换后的信号；
[0017]观测矩阵即假定Φ＝(Φ1,Φ2,Φ3,
…
,Φ
N
)，Φ∈R
M*N
是一个单位向量，并且M<<N，将稀疏信号通过观测矩阵进行投影变换，公式为：y＝Φ*x，得到一个观测值y∈R
M
；
[0018]式中，Φ为观测矩阵，y为观测值；
[0019]通过上述公式，整理得到y＝Φ*x＝Φ*Ψ*X＝η*X，式中η≈Φ*Ψ为感知矩阵；
[0020]选取正交匹配追踪算法对目标气体浓度信号进行重构，步骤如下：
[0021]输入：M
×
N维的感知矩阵η＝ΦΨ，M
×
1的测量值y，信号稀疏度K；
[0022]输出：信号的稀疏表示系数＾b；
[0023]其中，用表示空集，Λ
t
表示t次迭代的索引的集合，J
t
表示t次迭代的索引号；
[0024]初始化：残差r0＝y，索引集迭代次数t＝1；
[0025]按照以下步骤执行：
[0026]步骤1)、找出残差r
t
‑1和感知矩阵η
j
内积中的最大值，即找索引J
t
，使得J
t
＝argmax j
＝1，2，
…
，n|<r
t
‑1，η
j
>|，其中，η
j
是感知矩阵第j列；
[0027]步骤2)、更新索引集Λt＝Λ
t
‑1∪{J
t
}，记录找到的感知矩阵中的重建原子集合D
t
＝[D
t
‑1，η
Jt
]；
[0028]步骤3)、通过最小二乘法得到信号的近似解：＾b
t
＝argmin‖y
‑
D
t
b
t
‖2；
[0029]步骤4)、更新残差r
t
＝y
‑
Dt＾bt；
[0030]步骤5)、令t＝t+1，若t＜K或者‖r
t
‖2≥ε，则执行步骤1)，并依次进行迭代；
[0031]循环执行步骤1)至步骤5)，求解原始信号的最佳稀疏值。
[0032]优选地，优化校正肺泡气体识别模型的方法包括：获取多位受试者在呼吸循环中肺泡气体出现时肺泡气体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺泡气体识别模型的训练方法，其特征在于，包括以下步骤：S1、基于压缩感知模型预设肺泡气体识别模型；S2、通过肺泡气体采集装置获取第一位受试者的完整呼吸过程作为验证样本；S3、截取第一位受试者的部分呼吸过程作为第一训练样本，将第一训练样本输入肺泡气体识别模型，预测得到的数据作为第一预测模式，并对第一预测模式中的肺泡气体出现的节点进行识别；S4、对比验证样本和第一预测模式对肺泡气体识别模型评估；S5、以肺泡气体出现节点的准确预测为目标，优化校正肺泡气体识别模型；S6、使用多名受试者按照步骤S2至S5对肺泡气体识别模型进行训练。2.如权利要求1所述的一种肺泡气体识别模型的训练方法，其特征在于，所述肺泡气体识别模型处理受试者呼吸过程的方法包括：预构造一个行数小于列数的冗余矩阵，对肺泡气体采集装置的二氧化碳传感器和氧气传感器数据进行随机亚采样得到稀疏信号，然后构造一个观测矩阵对稀疏信号进行投影变换，通过正交匹配追踪实现数据信号的重建，得到二氧化碳传感器、氧气传感器数据信号变化的趋势信息，判定肺泡气体出现的节点。3.如权利要求2所述的一种肺泡气体识别模型的训练方法，其特征在于，所述肺泡气体识别模型处理受试者呼吸过程的方法包括：根据压缩感知理论模型，设定一维信号X＝(X1,X2,X3,
…
,X
N
)，X∈R
N
，X为N*1维的离散数据信号，稀疏矩阵Ψ＝(Ψ1,Ψ2,Ψ3,
…
,Ψ
N
),dΨ∈R
N*N
经过稀疏变换得到稀疏信号，且X的稀疏度为K(K<<N)，根据公式：x＝Ψ*X进行稀疏信号投影变换；式中，Ψ为稀疏矩阵，X为原始信号；x∈R
N*1
为稀疏矩阵变换后的信号；观测矩阵即假定Φ＝(Φ1,Φ2,Φ3,
…
,Φ
N
)，Φ∈R
M*N
是一个单位向量，并且M<<N，将稀疏信号通过观测矩阵进行投影变换，公式为：y＝Φ*x，得到一个观测值y∈R
M
；式中，Φ为观测矩阵，y为观测值；通过上述公式，整理得到y＝Φ*x＝Φ*Ψ*X＝η*X，式中η≈Φ*Ψ为感知矩阵；选取正交匹配追踪算法对目标气体浓度信号进行重构，步骤如下：输入：M
×
N维的感知矩阵η＝ΦΨ，M
×
1的测量值y，信号稀疏度K；输出：信号的稀疏表示系数＾b；其中，用表示空集，Λ
t
表示t次迭代的索引的集合，J
t
表示t次迭代的索引号；初始化：残差r0＝y，索引集迭代次数t＝1；按照以下步骤执行：步骤1)、找出残差r
t
‑1和感知矩阵η
j
内积中的最大值，即找索引J
t
，使得J
t
＝argmax j<...

【专利技术属性】
技术研发人员：周福宝，轩吴凡，董映仪，郑丽娜，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：