[0002] 本申请要求享有于2013年3月15日递交的美国临时
专利申请序列号61/794,712和于2014年3月14日递交的美国非临时专利申请序列号14/212,336的优先权，其全部内容通过引用并入本文。
[0004] 没有设想或缩减本
发明的
实施例以通过联邦资助或补助来实施。
技术领域
[0005] 本发明的实施例涉及其中期望知道从流体源诸如个体的胸腔移除的流体的量的
治疗装备和方法。
背景技术
[0006] 有几种
疾病状态和损伤，需要从患病个体的胸腔移除流体。临床医生监测所移除的流体的量，以便确定愈合过程的进展、疾病的进展和用于实现这样的引流的设备的功能。通常，患者具有插入到胸腔中的引
流管并且该管引流到称为
胸腔引流装置(CDU)的特殊密闭容器中。存在用于测量密封容器中的流体的各种装置并且每个装置与成本相关联，无论是在作出观察或测量的临床医生的时间方面，还是在提供用于作出测量并且使临床医生或医院信息系统注意到测量数据的
传感器和信令设备的装备成本方面。
[0007] 例如，但不限于，一些设备的特征在于用于测量容器的重量或改变的重量的一个或多个应变计。随着应变计的
精度增加，应变计变得更昂贵并且更容易受到损坏。应变计特别容易被损坏，并且如果设计得较可靠稳定则对重量改变具有较小的
分辨率。
[0008] 记录患者的流体引流体积
水平所需的、临床人员对CDU上的患者的监测是棘手、费时并且因此昂贵的，并且不像原本可能需要的那样频繁地测量或检查。引流设备通常被保持在地板上，并且要求临床医生四肢着地趴下来读取流体液位，并且例如在使用期间CDU不小心被碰倒则还要记得调整误差。
发明内容
[0009] 本发明的实施例旨在提供用于在具有引流管的患者中确定至少一个患者参数的方法、
计算机程序和设备，所述引流管具有第一端和第二端，所述第一端装配到患者胸腔中，并且第二端接纳在收集容器中。如本文所用，术语“患者参数”是指与引流管相关联的患者参数，以举例而不是限制的方式，包括：从胸腔移除的流体(气体和/或液体)的体积、移除流体的流率、保持所移除的流体的液体部分的容器的本体积、过滤设备和管的本功能以及患者呼吸状态。
[0010] 本发明的方法、计算机程序和设备的实施例的特征在于，所述收集容器和引流管中的至少一者具有：第一
压力传感器，所述第一
压力传感器感测(i)接近所述收集容器的
位置中的所述引流管和(ii)所述收集容器中的至少一者内的压力；以及第二压力传感器，所述第二压力传感器感测远离所述收集容器的位置处的所述引流管内的压力。也就是说，所述第一压力传感器与所述收集容器紧密地相关联，不管是位于所述收集容器内还是靠近所述收集容器的引流管中。所述第二压力传感器位于远离所述收集容器的引流管中，更接近患者。
[0011] 所述方法包括从所述第一压力传感器获得至少第一压力值和从所述第二压力传感器获得至少第一压力值的步骤。所述方法进一步包括通过非线性求解器由所述压力值计算至少一个患者参数的步骤。
[0012] 本发明方法的一个实施例的特征在于，使每个压力值与时间相关联并且随时间获得多个连续压力值。所述连续压力值优选在时间上以定时间隔分开；也就是说，它是周期性的。
[0013] 本发明方法的实施例非常适合由计算机装置执行。如本文所用，术语“计算机装置”是指在设备内部或与设备分开和不同地承载的计算机或中央处理单元(CPU)，诸如在大型计算机上承载的CPU、
服务器、传统的台式计算机和膝上型计算机、微
控制器、车载计算机诸如树莓派(RaspberryPi)以及手持式通信设备诸如手机和平板设备、通过互联网和/或无线通信设备链接的场外计算机等。优选地，将第一压力值和连续压力值存储在计算机
存储器中。如本文所用，术语“计算机存储器”是指数据存储，例如与CPU
信号通信并且可以由这样的CPU处理的芯片、盘、存储器
驱动器、
硬盘驱动器、闪存驱动器等。例如，CPU从存储器存取这种第一时间压力值和连续压力值并且执行对这种数据进行组织、计算至少一个患者参数并且产生显示所述一个患者参数的输出的步骤。
[0014] 如本文所用，术语“非线性求解器”是指假设/模型数学计算机程序意义上的
机器学习过程。用已知的输入和输出对非线性求解器进行训练，并且导出或编程经训练的非线性求解器，以接收第一压力值和第二压力值以及所有其他连续压力值，通过假设/模型对这样的值进行处理，以获得患者参数。
[0015] 实施例的特征在于以从由
支持向量机方案、
人工神经网络、遗传
算法和遗传编程组成的组中选择的一种或多种方案来实施的非线性求解器。详细的讨论将以线性回归假设和机器学习过程的形式描述非线性方程。
[0016] 例如，一个非线性方程是线性回归假设：
[0017]
[0018] 如上所用：
[0019] T＝表示当前时间(t＝0)，或在数据之后的固定时间的点
[0020] t＝整数时间样本，0最新，N最老
[0021] f(x,y)＝取决于x和y的未知函数
[0022] h(T)＝流体罐中的流体的体积
[0023] PV(t)＝出口处的作为时间的函数的压力，
[0024] PC(t)＝患者的CDU侧的作为时间的函数的压力，
[0025] N＝计算所需的时间样本的数
[0026] Theta＝下面列出的所有Theta的集
[0027] Thetabias＝针对假设的任意DC偏差常数
[0028] Thetac,t＝针对在时间t的CDU压力的任意参数系数
[0029] ThetaV,t＝针对在时间t的出口压力的任意参数系数。
[0030] 线性回归方程具有用“m”个值的训练集表示的成本函数J，表示如下：
[0031]
[0032] 用“m”个项的训练集来确定未知的“Theta”值，如下：
[0033]
[0034] 例如，但不限于，通过从由梯度下降、
粒子群优化和人工蜂群组成的组中选择的一种或多种
优化算法来求解非线性方程及其导数。
[0035] 所述一个方法的特征在于如下推导的Theta：
[0036]
[0037] J(Theta)的偏导数表示为：
[0038]其中Xx是与Thetax相关联的偏差(Bias)、PV或PC参数。
[0039] 将体现本发明的特征的另一个非线性方程表示为：
[0040]
[0041] 其中：
[0042] T＝表示当前时间(t＝0)，或在数据之后的固定时间点
[0043] t＝整数时间样本，0最新，N最老
[0044] f(x,y)＝取决于x和y的未知函数
[0045] h(T)＝流体罐中的流体的体积
[0046] Pv(t)＝出口处的作为时间的函数的压力，
[0047] PC(t)＝患者的CDU侧的作为时间的函数的压力，
[0048] N＝计算所需时间样本数
[0049] Theta＝以下列出的所有Theta的集
[0050] Thetabias＝针对假设的任意DC偏差常数
[0051] Thetac,t＝针对在时间t的CDU压力的任意参数系数
[0052] ThetaV,t＝针对在时间t的出口压力的任意参数系数。
[0053] 本发明的进一步的实施例旨在提供用于确定至少一个患者参数的计算机可读程序。所述计算机可读程序包括用于使具有存储器的计算机处理单元从第一压力传感器获得至少一个第一压力值并且从第二压力传感器获得至少一个第一压力值的指令。所述计算机可读程序进一步指令计算机装置通过非线性求解器由所述压力值来计算至少一个患者参数。
[0054] 计算机可读程序在计算机装置上操作或运行，以接收所述至少一个第一压力值和例如采用定时间隔的随时间的任何连续压力值，并且将这样的数据存储在存储器中。组织和使用所述数据以计算用于显示的一个或多个患者参数。根据上述非线性方程和方法对数据进行处理。
[0055] 本发明的进一步的实施例涉及一种用于确定至少一个患者参数的设备。所述设备包括：第一压力传感器，所述第一压力传感器被构造和布置为感测(i)接近收集容器的位置中的引流管或(ii)收集容器本身中的至少一者内的压力；以及第二压力传感器，所述第二压力传感器被构造和布置为感测远离收集容器的位置处的引流管内的压力。所述第一压力传感器和所述第二压力传感器被构造和布置用于放置为与具有存储器的计算装置信号通信，以从所述第一压力传感器获得第一压力值并且从所述第二压力传感器获得第一压力值。所述计算机装置通过非线性求解器由所述压力值来计算至少一个患者参数。
[0056] 优选的设备包括计算机装置。所述计算机装置优选接收多个第一压力值和例如但不限于采用定时间隔的随时间的任何连续压力值，所述多个第一压力值和例如但不限于采用定时间隔的随时间的任何连续压力值被存储在存储器中、被组织和处理以计算一个患者参数。
[0057] 组织和使用所述数据以计算用于显示的一个或多个患者参数。根据上述非线性方程和方法对数据进行处理并且在下面的详细描述中予以更全面地描述。
[0058] 本发明的方法、计算机可读程序和设备允许监测从患者的胸腔移除的流体。这种流体包括任何
生物流体，诸如气体、水、血清、血液、
血浆、淋巴液、脓、治疗性输注流体及其混合物。术语“气体”用于指空气和施予以用于治疗目的的气体，诸如
氧气、氮气、氦气和一氧化氮。本发明方法、计算机可读程序和设备的实施例允许计算气体体积和液体体积以及流体的相应流率。
[0059] 在查看下面简单描述的
附图和研究下面的本发明的详细描述后，这些和其他特征和优点对于本领域技术人员将是显而易见的。
附图说明
[0060] 图1示出了根据示例实施例的用于确定从患者的胸腔引流的流体的体积和/或流量的一个示例性流体分析仪。
[0061] 图2是根据示例实施例以进一步的示例性细节示出图1的
电子控
制模块的示意图。
[0062] 图3是根据示例实施例图示用于收集和存储时间序列压力值的一个示例性方法的
流程图。
[0063] 图4是根据示例实施例图示用于处理图3的所存储的时间序列压力值以测量胸腔引流流体的一个示例性方法的流程图。
[0064] 图5是根据示例实施例图示将图1的引流设备模型化的一个示例性电子
电路的示意图。
[0065] 图6描绘了根据示例实施例的机器学习过程。
具体实施方式
[0066] 将相对于用于测量来自外部源诸如患者的胸腔的流体体积的设备、系统和方法对本发明的实施例进行详细描述。现在转向图1，描绘了体现本发明的特征的设备，在本文中有时称为流体分析仪，并且总的用标号100表示。
[0067] 图1示出了用于确定从源诸如患者110的胸腔引流的流体的体积和/或流量的一个示例性流体分析仪100。在图1的示例中，在引流设备120内实施流体分析器100，所述引流设备120操作例如以使用
导管或管道诸如
双腔导管109收集从患者110的胸腔引流的流体。在图1的示例中，引流设备120被示为耦接到
真空源112，以促进从患者110的流体引流。
[0068] 引流设备120被示为包括电子
控制模块(ECM)102，所述电子控制模块(ECM)102操作以控制
对流体通过导管109到流体罐108中的引流。如所描绘，ECM 102包括
用户界面106，用于与设备120的用户(例如，临床人员)交互。流体罐108是例如收集从患者的胸腔引流的流体的胸腔引流单元(CDU)。ECM 102从(a)感测导管109的出口通路的患者连接附近的压力的出口压力传感器126和(b)感测源自相同患者点的引流管和收集系统的端处的压力的CDU压力传感器128接收压力值。出口压力传感器126可以位于导管109的排放管上，尤其在导管109不是双腔型的情况下。与引流设备120和/或导管109一起布置的额外压力传感器可以与系统100一起使用，而不脱离本发明的范围。
[0069] 引流设备120可以包括其他组件(例如，
阀、
过滤器、传感器、转换器、
接口等)，而不脱离本发明的范围。引流设备120处理来自压力传感器126和128的时间序列的压力值，以确定从患者110引流的流体的流体体积和/或流率。ECM 102可以确定其他度量，诸如，但不限于：CDU过滤器堵塞、患者呼吸、患者吸入、患者呼出、每分钟的呼吸、患者呼吸困难(例如，咳嗽、呛咳、笑、哭等)、管堵塞和闭塞或堵塞的程度、线路中的流体以及流体的患者倾倒。
[0070] 图2是以进一步的示例性细节示出ECM 102的示意图。最好结合下面的描述查看图1和图2。ECM 102被示为包括用户界面106、处理器206、存储器208和传感器接口210。存储器
208被说明性地示为存储
软件104，所述软件104包括机器可读指令，所述机器可读指令当由处理器206执行时实施用于确定从患者110引流的流体的体积和/或流率的引流设备120内的功能。传感器接口210与出口压力传感器126和CDU压力传感器128两者耦接并且包括模拟-数字转换器，以将感测的压力值提供到软件104。软件104包括
数据采集器212和计算器
214。数据采集器212操作以随时间从压力传感器126和128收集压力值并且将这些值作为时间序列压力数据220存储在存储器208内。时间序列压力数据220包含经由传感器接口210从压力传感器126和128周期性地读取的压力值。计算器214操作以处理时间序列压力数据
220，以确定罐108内的流体的体积并且可选地确定流体进入罐108的流率。计算器214可以包括学习算法，所述学习算法基于从传感器接口210读取的压力值和定义的体积自动学习这些压力值和流体体积和/或流率之间的关系。计算器214基于每个压力传感器126和128处的识别的压力变化生成压力特征数据222。压力特征数据222可在下文中称为出口压力特征和/或CDU压力特征。计算器214还生成流体测量结果224以包括罐108内的流体体积和进入罐108的流体流率中的一者或两者。数据采集器212和计算器214可以同时操作。
[0071] 图3是图示用于读出和存储时间序列压力值的一个示例性方法300的流程图。图4是图示用于处理所存储的时间序列压力数据以测量胸腔引流流体的一个示例性方法的流程图。例如，方法300和400是例如在ECM102的软件104内实施的在计算机上运行的单独处理线程。最好结合下面的描述查看图1到图4。
[0072] 在步骤302中，方法300从出口压力传感器读取第一压力值。在步骤302的一个示例中，由处理器206执行的软件104使用传感器接口210从出口压力传感器126读取第一压力值。在步骤304中，方法300从CDU压力传感器读取第二压力值。在步骤304的一个示例中，由处理器206执行的软件104使用传感器接口210从CDU压力传感器128读取第二压力值。
[0073] 在步骤306中，方法300存储步骤302和304的压力值作为时间序列压力数据。在步骤306的一个示例中，数据采集器212将步骤302和304的压力值存储在存储器208内作为时间序列压力数据220。
[0074] 方法300周期性地重复以收集和存储压力值并且基于第一压力值和第二压力值计算流体参数。
[0075] 在步骤402中，方法400从存储器读取时间序列压力数据。在步骤402的一个示例中，计算器214从存储器208读取时间序列压力数据220。在步骤404中，方法400从时间序列压力数据提取特征。在步骤404的一个示例中，计算器214从时间序列压力数据220提取压力特征并且将这些压力特征作为压力特征数据222存储在存储器208内。
[0076] 步骤406是判定。在步骤406中，方法400确定在步骤404中确定的特征是否有效，并且如果这些特征有效，则方法400以步骤408继续；否则，方法400以步骤402继续。
[0077] 在步骤408中，方法400通过非线性求解器对特征进行处理。在步骤408的一个示例中，计算器214通过非线性方程处理压力特征数据222，以生成包括流体体积和流体流率中的一者或两者的流体测量结果224。在步骤408的另一个示例中，计算器214通过预先训练的支持向量机对压力特征数据222进行处理。在步骤408的另一个示例中，计算器214使用人工神经网络、
遗传算法和遗传编程中的一者或多者来对压力特征数据222进行处理。例如，计算器214可以基于所收集的训练、验证和测试数据集中的一者或多者来利用数据。
[0078] 步骤410是判定。在步骤410中，方法400确定在步骤408中生成的数据是否有效，并且如果该数据有效，则方法400以步骤412继续；否则，方法400以步骤402继续。
[0079] 在步骤412中，方法400报告所确定的体积和其他值。在步骤412的一个示例中，计算器214将流体测量结果224输出到用户界面106。
[0080] 方法400周期性地重复以基于时间序列压力数据220确定和输出流体测量结果224。
[0081] 图5示出了表示引流设备120的不同部分的
电阻、电感和电容的一个电子模拟500。因此，根据示例实施例，电子模拟500将引流设备120模型化。然而，可以替代地以其他方式将引流设备120模型化，而不脱离本发明的范围。电子模拟500对两个分支是固定的，其中唯一的例外是流体罐108，所述流体罐108由可变电容器模型化。给定由患者创建的动态压力信号和由每个压力传感器126、128“看见”的“
电网”差异，该定时将取决于流体罐108内的流体体积而非线性地变化。流体罐108中的流体体积的增加将减小影响压力定时的电路臂中的空气电容。系统内过滤器(图5的Rf)可以在电阻上变化(随时间增加)。该电
阻变化应该是线性影响并且随时间逐渐发生。
[0082] 图6描绘系统或设备100的机器学习过程。将步骤600、610、620和640表征为训练。步骤600收集用于训练的输入和输出。将在受控设定中通过实验获得这些输入和输出，以产生训练步骤610中的输入和输出的矩阵。训练步骤610产生一个或多个输出，所述一个或多个输出被评估接受性或适应性。遗传算法和程序基于期望的输出并且基于被编译成一个值的训练期间的所有预期输出在适应性的
基础上对输入和输出进行评估，其中在步骤640对模型进行可选的改变。如果模型产生可接受的结果，则在步骤630将模型导出到设备100。
[0083] 在步骤650将模型集成到设备100中。而且，在步骤660使用模型计算针对模型的输入参数。在步骤670使用模型对输入参数进行处理，并且在步骤680，设备100根据输出结果行动。
[0084] 示例性方案：
[0085] 在某些实施例中，使用非线性方程假设来计算流体罐108中的流体的体积。可以使用固定模型或动态和自校正模型。通常期望固定模型，使得常数(重量或
质量)不改变并且可以在软件104内原样使用，而不用再训练。假设对于固定模型或动态和自校正模型将相同，但可能需要针对模型对方程进行优化。
[0086] 假设：
[0087] 令：
[0088] ·T＝表示当前时间(t＝0)，或在数据之后的固定时间点
[0089] ·t＝整数时间样本，0最新，N最老
[0090] ·f(x,y)＝取决于x和y的未知函数
[0091] ·J(Theta)＝针对Theta的假设vs.实际的成本
[0092] ·V(T)＝流体罐108中的流体的体积(实际)
[0093] ·h(T)＝流体罐108中的流体的体积(假设)
[0094] ·PV(t)＝例如从压力传感器126确定的出口处的作为时间的函数的压力(或出口压力特征，以及其他参数)
[0095] ·PC(t)＝例如从压力传感器128确定的患者的CDU侧的作为时间的函数的压力(或CDU压力特征，以及其他参数)
[0096] ·m＝训练集中的样本数
[0097] ·N＝计算所需时间样本数
[0098] ·Theta＝下面列出所有Theta的集
[0099] ·Thetabias＝针对假设的任意DC偏差常数8
[0100] ·Thetac,t＝针对在时间t的CDU压力的任意参数系数
[0101] ·ThetaV,t＝针对在时间t的出口压力的任意参数系数
[0102] 为了近似V(T)，设置以下线性回归假设：
[0103]
[0104] 可以用“m”个项的训练集如所示表示成本函数J，如下：
[0105]
[0106] 可以用“m”个项的训练集找到未知的“Theta”值，如下：
[0107]
[0108] 有多种方式可以求解或
修改该方程。求解或修改方程的一种可能的方案是通过使用“梯度下降”方案/算法。梯度下降方案提供对方程解的良好近似。替代方法包括最近和更快的优化系统，诸如粒子群优化系统。使用人工蜂群(ABC)能够以低开销快速求解方程。另一种方案是使用外部数学包诸如MatLab、R或Octave来求解“Theta”。这些求解方案是
现有技术中已知的。例如，诸如以软件104的形式将Theta的这些值输入或以其他方式并入ECM 102中。这种方案对于任何静态“Theta”组通常是足够的。
[0109] 梯度下降需要关于“Theta”的成本函数的偏导数向下移动“Theta”，如下：
[0110]
[0111] J(Theta)的偏导数可以表示为：
[0112]其中Xx是与Thetax相关联的偏差、PV或PC参数。
[0113] 如果上述方程假设不收敛，可以添加二次幂项(second power term)和可能甚至三次幂项(third power term)，以帮助实现收敛。如果解展现高偏差情况(欠拟合)，则将需要并入额外的幂项。如果存在太多的参数，这称为高方差(过拟合)，则可能会出现相反的问题。可以通过一些技术来解决过拟合，诸如正规化和添加更多的样本。
[0114] 下面是包括较高次项的第二方程假设，例如如果一阶模型没有令人满意地收敛，则使用该第二方程假设：
[0115]
[0116] 通过使用推导参数，可以改善上述数学模型的精度。例如，可以从压力
波形推导两个波形之间的最大值和时间差。使用推导的参数数据集而不是大的时间序列上的分析将减小成本计算中的“误差”项。在不对原始数据进行参数提取的情况下，将需要处理更多的样本，以消除误差。
[0117] 对方程的更复杂的求解是通过将时间信号分解成它的固有模态函数或IMF。固有模态函数(IMF)可以用于以增加的复杂性/计算为代价提高精度。最近的工作由Norden E.Huang以希尔伯特-黄变换(HHT)的形式完成。该方案使用经验模态分解(EMD)和希尔伯特谱分析(HAS)来提高精度，缺点是计算
费用增加。在特定实施例中，测试上面讨论的数学方程假设，并且仅在数学假设不令人满意的情况下实施HHT技术。
[0118] 引流设备120能够至少部分地使用来自压力传感器126、128的压力数据确定除流体罐108中的流体的体积以外的信息。另外，某些实施例进一步包括一个或多个阀传感器(未示出)或阀的编程定时以检测引流设备120中的一个或多个阀的状态。在这些实施例中，ECM 102使用来自阀传感器的阀数据连同来自压力传感器126、128的数据例如以确定额外的信息。ECM 102例如使用线性回归技术，诸如类似于上面讨论的用于确定流体罐108流体体积的技术确定该额外信息。作为另一示例，在一些实施例中，ECM 102使用逻辑回归(也称为分类、概率输出/类呈现)确定额外的信息。
[0119] 如上面所讨论，引流设备120能够估计流体罐108中的流体的近似体积。由于流体罐108中的系统的“空气电容(air capacity)”的改变，这样的估计的精度与流体体积成反比。另外，某些实施例能够使用表征随时间的过滤器改变的信息来检测细微的体积改变。引流设备120例如通过检测由于过滤器的润湿导致的可变
电阻器的电阻的改变来确定过滤器改变。此外，一些实施例能够基于流体罐108体积可如何随时间改变来检测诸如由于断开的缝线或缝合导致的重倾倒(heavily dumping)患者110。
[0120] 一些实施例能够经由在引流设备120内包括来自患者
泄压阀130的操作的阀数据和来自压力传感器128的CDU压力数据的线性回归模型来确定通过流体罐108的空气流(也被认为是流体)。例如通过使用来自系统的反馈和表征当前空气通过的改变的信息，精度增加。此外，一些实施例能够允许空气的潮流进入流体罐108并且保持阀以近似释放前的空气压力，以进一步提升精度。在这些实施例中，引流设备120通常仅保持压力一瞬间以实现更好的临床数据，而不会显著影响治疗。将围绕特征诸如这一个特征设置安全限制。压力时间衰变数据可以用于帮助近似用以在一段时间内将被相加的通过的体积/团块，以报告空气流率。
[0121] 可以使用类似的方案找到呼吸速率，但可能需要大的时间数据集(或来自上述数据集的样本)。
[0122] 引流设备120的某些实施例能够使用一个或多个逻辑回归模型确定以下事件中的一者或多者的存在或存在的概率：
[0123] ·来自线性回归的体积数据有效
[0124] °压力信号与训练示例不足够相似
[0125] °报告体积中的可能的误差
[0126] ·流体罐108过滤器堵塞，请更换CDU
[0127] ·患者正在呼吸
[0128] ·患者正在吸入
[0129] ·患者正在呼出
[0130] °基于上述事件计算的每分钟的呼吸次数
[0131] ·患者情况，诸如患者呼吸困难(例如咳嗽、呛咳、笑、哭等)
[0132] ·管堵塞(例如，完全闭塞)
[0133] ·管闭塞程度
[0134] ·线路中的流体
[0135] ·患者倾倒流体
[0136] 本文中所公开的系统和方法的某些实施例实现以下优点中的一个或多个：
[0137] ·更好的患者恢复时间；
[0138] ·可以将管线清除设备(TLC)嵌入作为引流设备120的部分，以在需要时清除引流管，并且检测依赖循环、监测流体收集和速率、空气流和速率；
[0139] ·当以高
置信度存在依赖循环和流体收集时，可以激活TLC。这将延长
电池寿命，不需要的TLC起动(firing)对治疗的干扰较小。在没有堵塞的情况下激活TLC时，患者
风险较小。
[0140] ·通过更好地监测改善患者安全，例如，系统可以检测患者是否正确连接到系统和/或患者是否正在呼吸。
[0141] 在这种极端的情况下可以召唤临床帮助。
[0142] ·系统可以确定引流管是否闭塞或具有阻塞路径的流体，对流体阻塞起动TLC，并且警告临床管扭结等。
[0143] ·系统在数据中提供更多的值以记录在患者记录中或用于研究或者发送到中心护士站
[0144] ·联网到中心护士站的系统可以向护理人员提供关于以下的信息：
[0145] °呼吸率(患者管断开、睡眠或非睡眠相关呼吸暂停)
[0146] °患者痛苦
[0147] °流体的体积
[0148] °空气流率
[0149] °管通畅
[0150] °患者积极倾倒流体。
[0151] 在某些实施例中，在捕获数据的训练集和然后从ECM记录的测试集之后实施本发明的方法、设备和软件。数据的训练集包含例如以10ml的体积增量的许多样本。通过额外的训练样本以及对成本函数和/或参数集的修改来解决计算中的高方差(内插的样本可具有比预期误差更高的误差)。
[0152] 在各种示例性实施例中，样本数据集可以包含在不同的时间/体积的“坏”数据。“坏”数据将被视为其中系统模型已经被违反并且不再以足够的预测确定性发挥作用的测量。一个“坏”数据示例是当流体被截留在引
流线路或安装在线路上的夹具中时获取的数据。其他“坏”示例可以包括呼吸的突然改变，诸如咳嗽和没有呼吸。另一个示例可以包括以不同的体积的空气
泄漏。
[0153] 本领域技术人员将认识到根据需要将被用于分析数据以找到“theta”并且然后求解出体积和其他参数的各种工具诸如Matlab和称为Octave的免费工具的可用性。
[0154] 逻辑回归
[0155] 在某些实施例中，应用逻辑回归以开发生成输入的分类(例如，是/否为闭塞状态、数据有效/数据不是有效的、患者呼吸等)的系统。逻辑回归非常类似于上述线性回归，其中方程假设由其输出是从0到1的Sigmoid函数包裹。
[0156]
[0157] 被表示为逻辑假设，方程可以采取以下形式：
[0158]
[0159] 改变成本函数，以保持凸解，以帮助避免局部最小值。成本函数的新形式，其中如果y属于该类则为1并且如果y不属于该类则为0：
[0160]
[0161] 偏导数仅在分类器y(0或1)方面类似：
[0162]
[0163] 例如，在一个vs.所有结构中完成分类。也就是说，对于每一个分类，将对神经网络进行训练，使得仅被训练的类是“在类中”或1。所有其他样本将是“在类外”或以其他方式设为0。这意味着将存在针对所期望的每一个分类设置的不同的“theta”。
[0164] 支持向量机方案
[0165] 支持向量机对于分类是非常适合和专业的。通过将所有上述逻辑回归分成经训练的支持向量机(SVM)，得到生成存在于输入数据中的类的概率的计算上高效的系统。
[0166] SVM与逻辑回归的不同之处在于SVM在其
超平面(n维空间)内“存储”正例。然后，其报告样本与所学习的示例中的一者有多接近。核选择是有用的并且定义与超平面中的已知正相关的样本的概率。根据各种示例实施例，被称为“libSVM”的开源和优化的C++库可以被用来设计
原型和/或集成到引流设备120中，用于类预测。
[0167] 为了让机器学习系统泛化(generalize)到没有教导的情况，特征本身需要是一般化的。例如，使用压力传感器126、128两者的绝对压力量值可能无法良好泛化。施加到患者110的压力和由患者施加的压力将与(i)规定的
负压和由患者的呼吸系统施加的力，以及(ii)患者的胸膜间隙中的空气死体积的量相关。
[0168] 从压力传感器126、128接收到的数据取决于流体罐108流体体积，并且可以形成更一般的特征。以下是可以在某些实施例中使用的特征的部分列表：
[0169] ·峰值延迟(例如，以微秒或毫秒为单位的时间)-使用最慢的压力传感器波形(最有可能的流体罐108压力)，报告从其峰值压力回到出口压力峰值的峰值压力的时间。
[0170] ·出口的周期最大-最小(压力)
[0171] ·出口压力峰值之间的距离(以时间为单位，诸如毫秒)
[0172] ·流体罐108的周期最大-最小(压力)
[0173] ·流体罐108压力峰值之间的距离(以时间为单位，诸如毫秒)
[0174] ·在出口压力峰值，流体罐108和出口之间的压力差
[0175] ·在CDU压力峰值，流体罐108和出口之间的压力差
[0176] ·出口压力的斜率(导致峰值)
[0177] ·流体罐108压力的斜率(导致峰值)
[0178] ·压力曲线下的面积
[0180] 本发明的一个实施例的特征在于通过遗传编程(GP)的机器学习。不同于优化假设的解决方案的遗传算法和机器学习方案，GP创建“程序”来解决问题。学习过程的结果是解决应用问题的“公式/源代码”。
[0181] 有几种不同的方案来遗传编程，包括以下：
[0182] -GP—基于指令的功能树的标准遗传编程
[0183] -LGP—线性遗传编程，线性处理的固定指令长度(快速)
[0184] -CGP—笛卡尔遗传编程，随机连线的随机指令点的固定网格
[0185] 可以生成C代码以容易地嵌入软件104内的市售LGP应用程序的示例是Discipulus 5遗传编程预测建模(RML Technologies公司，科罗拉多州利特尔顿，http://www.rmltech.com/)。
[0186] 在某些实施例中，可以省略出口压力传感器126。这可以在例如外部施加的刺激的特性是已知的情况下发生。仍然可以基于已知的患者源使用流体罐108中的CDU压力传感器128来确定体积和其他特征。例如，在患者在心
肺机或
呼吸机上的情况下，这样的外部刺激是已知的。
[0187] 可以在不脱离本发明的范围的情况下在上述方法和系统中做出改变。因此应当指出的是，包含在上述说明中或在附图中示出的事项应当被解释为说明性的而不是限制性的。所附
权利要求旨在
覆盖本文中所描述的所有一般的和具体的特征以及因为语言的关系可以说落在它们之间的本发明方法和系统的范围的所有陈述。
