首页 / 专利库 / 信号处理 / 采样 / 无创呼吸机风机的压力输出控制方法

无创呼吸机机的压输出控制方法

阅读:383发布:2024-01-08

专利汇可以提供无创呼吸机机的压输出控制方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了无创 呼吸机 风 机的压 力 输出控制方法,涉及呼吸机风机控制技术领域,该无创呼吸机风机的压力输出控制方法,通过神经网络 算法 对偏差与控制量之间进行 数据处理 ,得出的压力控制数据 精度 较高,同时使用者实际气道压力值峰度小,极端值小, 波动 小,气道压力 波形 在呼、吸相呈现平稳状态,明显改善呼吸机风机压力输出的精准性,使得呼吸机风机输出的风压能够快速、准确地在呼气压力(EPAP)和吸气压力(IPAP)之间切换,根据病人气道流量和压力变化幅度作出自动调控,使呼吸机风机输出的压力 水 平能在多个 角 度切合病情的需要和 治疗 的要求。,下面是无创呼吸机机的压输出控制方法专利的具体信息内容。

1.无创呼吸机机的压输出控制方法,其特征在于:包括以下步骤;
S1、对实际使用时呼气压力和吸气压力的数据进行采集处理;
S2、建立呼吸风机的神经网络算法模型;
S3、神经网络算法模型的应用。
2.根据权利要求1所述的无创呼吸机风机的压力输出控制方法,其特征在于:所述S1步骤中,直接启动PID控制器,得出控制量与偏差之间的关系式为:
3.根据权利要求2所述的无创呼吸机风机的压力输出控制方法,其特征在于:其中E(t)为偏差,U(t)为控制量,KP,KI,KD分别为比例,积分和微分系数。
4.根据权利要求2所述的无创呼吸机风机的压力输出控制方法,其特征在于:当采样收起足够短,需要将PID控制过程离散化,采用增量型数字PID:ΔU(n)=KpΔE(n)+KIE(n)+KD[E(n)-2E(n-1)+E(n-2)],其中n为采样序号,E(n)为n次采样的偏差;U(n)为n次采样时输出的控制量,当气体流向发生突变时,流速传感器测量到的流速误差会突然升高,然后迅速降低,需要引入神经网络算法。
5.根据权利要求1所述的无创呼吸机风机的压力输出控制方法,其特征在于:所述S2步骤中,使用MATLAB建立偏差与控制量之间的神经网络算法模型并进行调试,YS为输入设定值,将输出值Yo与输入值YS通过神经网络进行处理,得到Xi(t)(i=l,2,3)三个状态量,通过学习调节神经元权值ωi(t)(i=l,2,3)最后得到Yo。
6.根据权利要求1所述的无创呼吸机风机的压力输出控制方法,其特征在于:所述S2步骤中建立的呼吸风机的神经网络算法模型的算法为:X1=E(n)-E(n-1),X2=E(n),X3=E(n)-2E(n-1)+E(n-2),U(n)=ω1X1+ω2X2+ω3X3;
神经网络算法的激发函数可以是对数函数logsig、正切函数tangsig及纯线性函数或其中的任意组合,ωi在实际运行过程中可以进行自适应调节,并根据如下算法来改变,其中ηPηIηD分别为比例,积分,微分的学习速率,ω1(k+1)=ω1(k)+ηpu(k)e(k)x1(k)ω2(k+1)=ω2(k)+ηIu(k)e(k)x2(k)
ω3(k+1)=ω3(k)+ηDu(k)e(k)x3(k),
给定任意非零的一组权值,比如:(ω1,ω2,ω3)=(0.1,0.2,0.7),使用MATLAB进行调试,最终确定学习速率系数的大小,由此得到偏差与控制量的神经网络算法模型。
7.根据权利要求6所述的无创呼吸机风机的压力输出控制方法,其特征在于:将S1中采集的数据输入对应的神经网络算法模型中,经过神经网络算法模型与PID进行计算,即可得出数据,然后对呼吸机风机的压力输出进行精准控制。
8.根据权利要求7所述的无创呼吸机风机的压力输出控制方法,其特征在于:神经元网络算法得出的数据对风机进行控制保证使用者实际气道压力值峰度小,极端值小,波动小,气道压力波形在呼、吸相呈现平稳状态,明显改善呼吸机风机压力输出的精准性。

说明书全文

无创呼吸机机的压输出控制方法

技术领域

[0001] 本发明涉及呼吸机风机控制技术领域,具体为无创呼吸机风机的压力输出控制方法。

背景技术

[0002] 无创呼吸机在工作过程中,通过压差传感器压力传感器的反馈值判断呼吸相的切换和风机输出压力的控制,在患者吸气和呼气过程中提供不同平的正压来进行呼吸治疗
[0003] 无创呼吸机常采用无刷直流电机驱动的风机作为气体发生装置,控制电机的方法主要包括实时检测转子位置的启停控制和通过PWM调压的转速控制,控制的精度和抵御干扰的性能较差,本专利提出能够自适应的基于神经网络的PID风机压力输出控制方法。

发明内容

[0004] (一)解决的技术问题
[0005] 针对现有技术的不足,本发明提供了无创呼吸机风机的压力输出控制方法,解决了实时检测转子位置的启停控制和通过PWM调压的转速控制,控制的精度和抵御干扰的性能较差的问题。
[0006] (二)技术方案
[0007] 为达到以上目的,本发明采取的技术方案是:无创呼吸机风机的压力输出控制方法,包括以下步骤;
[0008] S1、对实际使用时呼气压力和吸气压力的数据进行采集处理;
[0009] S2、建立呼吸风机的神经网络算法模型;
[0010] S3、神经网络算法模型的应用。
[0011] 优选的,所述S1步骤中,直接启动PID控制器,得出控制量与偏差之间的关系式为:
[0012]
[0013] 优选的,其中E(t)为偏差,U(t)为控制量,KP,KI,KD分别为比例,积分和微分系数。
[0014] 优选的,当采样收起足够短,需要将PID控制过程离散化,采用增量型数字PID:ΔU(n)=KpΔE(n)+KIE(n)+KD[E(n)-2E(n-1)+E(n-2)],其中n为采样序号,E(n)为n次采样的偏差;U(n)为n次采样时输出的控制量,当气体流向发生突变时,流速传感器测量到的流速误差会突然升高,然后迅速降低,需要引入神经网络算法。
[0015] 优选的,所述S2步骤中,使用MATLAB建立偏差与控制量之间的神经网络算法模型并进行调试,YS为输入设定值,将输出值Yo与输入值YS通过神经网络进行处理,得到Xi(t)(i=l,2,3)三个状态量,通过学习调节神经元权值ωi(t)(i=l,2,3)最后得到Yo。
[0016] 优选的,所述S2步骤中建立的呼吸风机的神经网络算法模型的算法为:X1=E(n)-E(n-1),X2=E(n),X3=E(n)-2E(n-1)+E(n-2),U(n)=ω1X1+ω2X2+ω3X3;
[0017] 神经网络算法的激发函数可以是对数函数logsig、正切函数tangsig及纯线性函数或其中的任意组合,ωi在实际运行过程中可以进行自适应调节,并根据如下算法来改变,其中ηPηIηD分别为比例,积分,微分的学习速率,
[0018] ω1(k+1)=ω1(k)+ηpu(k)e(k)x1(k)
[0019] ω2(k+1)=ω2(k)+ηIu(k)e(k)x2(k)
[0020] ω3(k+1)=ω3(k)+ηDu(k)e(k)x3(k),
[0021] 给定任意非零的一组权值,比如:(ω1,ω2,ω3)=(0.1,0.2,0.7),使用MATLAB进行调试,最终确定学习速率系数的大小,由此得到偏差与控制量的神经网络算法模型。
[0022] 优选的,将S1中采集的数据输入对应的神经网络算法模型中,经过神经网络算法模型与PID进行计算,即可得出数据,然后对呼吸机风机的压力输出进行精准控制。
[0023] 优选的,神经元网络算法得出的数据对风机进行控制保证使用者实际气道压力值峰度小,极端值小,波动小,气道压力波形在呼、吸相呈现平稳状态,明显改善呼吸机风机压力输出的精准性。
[0024] (三)有益效果
[0025] 本发明的有益效果在于:
[0026] 该无创呼吸机风机的压力输出控制方法,常规PID控制方法对当气体流向发生突变时,流速传感器测量到的流速误差会突然升高,然后迅速降低的情况难以处理,会影响呼气压力与吸气压力之间切换过程的精准,通过神经网络算法对偏差与控制量之间进行数据处理,得出的压力控制数据精度较高,同时使用者实际气道压力值峰度小,极端值小,波动小,气道压力波形在呼、吸相呈现平稳状态,明显改善呼吸机风机压力输出的精准性,使得呼吸机风机输出的风压能够快速、准确地在呼气压力(EPAP)和吸气压力(IPAP)之间切换,根据病人气道流量和压力变化幅度作出自动调控,使呼吸机风机输出的压力水平能在多个度切合病情的需要和治疗的要求。附图说明
[0027] 图1为本发明神经网络算法PID控制结构示意图;
[0028] 图2为常规PID控制和基于神经网络的PID控制变化曲线示意图。

具体实施方式

[0029] 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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0030] 如图1-2所示,本发明提供一种技术方案:无创呼吸机风机的压力输出控制方法,包括以下步骤;
[0031] S1、对实际使用时呼气压力和吸气压力的数据进行采集处理;
[0032] S2、建立呼吸风机的神经网络算法模型;
[0033] S3、神经网络算法模型的应用。
[0034] S1步骤中,直接启动PID控制器,得出控制量与偏差之间的关系式为:
[0035]
[0036] 其中E(t)为偏差,U(t)为控制量,KP,KI,KD分别为比例,积分和微分系数。
[0037] 当采样收起足够短,需要将PID控制过程离散化,采用增量型数字PID:ΔU(n)=KpΔE(n)+KIE(n)+KD[E(n)-2E(n-1)+E(n-2)],其中n为采样序号,E(n)为n次采样的偏差;U(n)为n次采样时输出的控制量,当气体流向发生突变时,流速传感器测量到的流速误差会突然升高,然后迅速降低,需要引入神经网络算法。
[0038] S2步骤中,使用MATLAB建立偏差与控制量之间的神经网络算法模型并进行调试,YS为输入设定值,将输出值Yo与输入值YS通过神经网络进行处理,得到Xi(t)(i=l,2,3)三个状态量,通过学习调节神经元权值ωi(t)(i=l,2,3)最后得到Yo。
[0039] S2步骤中建立的呼吸风机的神经网络算法模型的算法为:X1=E(n)-E(n-1),X2=E(n),X3=E(n)-2E(n-1)+E(n-2),U(n)=ω1X1+ω2X2+ω3X3;
[0040] 神经网络算法的激发函数可以是对数函数logsig、正切函数tangsig及纯线性函数或其中的任意组合,ωi在实际运行过程中可以进行自适应调节,并根据如下算法来改变,其中ηPηIηD分别为比例,积分,微分的学习速率,
[0041] ω1(k+1)=ω1(k)+ηpu(k)e(k)x1(k)
[0042] ω2(k+1)=ω2(k)+ηIu(k)e(k)x2(k)
[0043] ω3(k+1)=ω3(k)+ηDu(k)e(k)x3(k),
[0044] 给定任意非零的一组权值,比如:(ω1,ω2,ω3)=(0.1,0.2,0.7),使用MATLAB进行调试,最终确定学习速率系数的大小,由此得到偏差与控制量的神经网络算法模型。
[0045] 将S1中采集的数据输入对应的神经网络算法模型中,经过神经网络算法模型与PID进行计算,即可得出数据,然后对呼吸机风机的压力输出进行精准控制。
[0046] 神经元网络算法得出的数据对风机进行控制保证使用者实际气道压力值峰度小,极端值小,波动小,气道压力波形在呼、吸相呈现平稳状态,明显改善呼吸机风机压力输出的精准性。
[0047] 以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈