基于HFNC设备的呼吸频率识别方法及HFNC设备与流程

本发明涉及呼吸监测，尤其涉及基于hfnc设备的呼吸频率识别方法及hfnc设备。

背景技术：

1、近年来，高流量呼吸湿化治疗仪已广泛应用于呼吸衰竭的诊治和呼吸支持，通过利用现代的呼吸支持手段和实时监护技术，进行有效的呼吸支持治疗，而经鼻高流量氧疗(high flow nasal cannula，hfnc)作为高流量呼吸湿化治疗仪的一种，由于其独特的优势，在呼吸支持的应用也越来越普遍。目前市面上的产品主要按照设定的氧气浓度、流量、温度值进行工作，同时监测血氧数据。较少的产品具有呼吸频率测量功能，该部分产品通常是采用流量反馈进行稳流处理，当人体呼吸时，会产生一个反向作用力，流量与压力波形曲线会随着变化，但是当气流较大，或者患者界面出气口太小，以及人体呼吸较弱，潮气量较低时，呼吸与压力波形信噪比很低，此时进行呼吸峰值查找会容易丢失或者是过提取，导致获取的呼吸频率值的准确性不能得到有效保证。

技术实现思路

1、有鉴于此，本发明的目的是为了克服现有技术中的不足，提供基于hfnc设备的呼吸频率识别方法及hfnc设备。

2、本发明提供如下技术方案：

3、第一方面，本申请提供了基于hfnc设备的呼吸频率识别方法，包括：

4、采集hfnc设备的目标流量信息和目标压力信息，对所述目标流量信息和目标压力信息进行滤波处理，得到滤波流量信息和滤波压力信息；

5、根据所述滤波流量信息和所述滤波压力信息生成呼吸波形曲线；

6、利用fsst同步压缩方法对所述呼吸波形曲线进行压缩，得到频谱数据；

7、将所述频谱数据输入到最终lstm神经网络训练模型，输出得到呼吸频率；

8、将所述呼吸频率进行均值滤波，得到目标呼吸频率。

9、一种实施方式中，所述对所述目标流量信息和目标压力信息进行滤波处理，包括：

10、利用fir低通滤波算法，分别对所述目标流量信息和所述目标压力信息进行滤波处理。

11、一种实施方式中，所述根据所述滤波流量信息和所述滤波压力信息生成呼吸波形曲线，包括：

12、按照采集时间点，将所述滤波流量信息和所述滤波压力信息分别进行划分，得到多个流量点和多个压力点，每个所述流量点和所述压力点均与一个所述采集时间点对应；

13、将相同采集时间点采集的所述流量点和所述压力点分为一组，得到多组流量压力点集；

14、按照流量和压力与呼吸波形的对应关系，根据所述多组流量压力点集生成所述呼吸波形曲线。

15、一种实施方式中，所述利用fsst同步压缩方法对所述呼吸波形曲线进行压缩，得到多个压缩数据，包括：

16、利用所述fsst同步压缩方法将所述呼吸波形曲线划分为多个相同长度的子信号，将每个所述子信号分解为多个频带；

17、将每个所述频带进行量化和编码，得到编码数据，将所述编码数据按照时频系数进行重排，得到频谱数据。

18、一种实施方式中，所述最终lstm神经网络训练模型采用以下方式进行训练：

19、步骤一、获取呼吸样本数据，根据所述呼吸样本数据确定每个时刻点对应的呼吸波形和频率数据；

20、步骤二、按照每个时刻点对所述呼吸波形进行分割，得到多个样本数据组，每个样本数据组包括同一个所述时刻点的呼吸波形和频率数据；

21、步骤三、对所述样本数据组进行符合性检查，剔除不满足条件的样本数据组，得到最终样本数据；

22、步骤三、构建lstm神经网络，将最终样本数据中前80％的数据作为训练集，将后20％的数据作为测试集；

23、步骤四、对所述训练集中的呼吸波形进行fir低通滤波器进行滤波，再采用fsst傅里叶同步压缩变换，得到训练频谱数据；

24、步骤五、利用所述训练频谱数据对所述lstm神经网络进行训练，利用所述训练频谱数据对应的频率数据对所述lstm神经网络的输出结果进行验证，训练完成后，再利用所述测试集对训练完成的lstm神经网络进行测试，若测试通过，则将训练完成的lstm神经网络作为所述最终lstm神经网络训练模型。

25、一种实施方式中，所述采集hfnc设备的目标流量信息和目标压力信息之前，包括：

26、设定所述hfnc设备的初始氧气流量、初始氧气浓度和初始氧气温度。

27、一种实施方式中，所述将多个所述呼吸频率进行均值滤波之前，包括：

28、判断每个所述呼吸频率是否超过预设呼吸频率范围，并将超过所述预设呼吸频率范围的所述呼吸频率去除。

29、第二方面，本申请提供了一种呼吸频率识别系统，包括：

30、采集模块，用于采集hfnc设备的目标流量信息和目标压力信息，对所述目标流量信息和目标压力信息进行滤波处理，得到滤波流量信息和滤波压力信息；

31、生成模块，用于根据所述滤波流量信息和所述滤波压力信息生成呼吸波形曲线；

32、压缩模块，用于利用fsst同步压缩方法对所述呼吸波形曲线进行压缩，得到频谱数据；

33、输出模块，用于将所述频谱数据输入到最终lstm神经网络训练模型，输出得到呼吸频率；

34、滤波模块，用于将所述呼吸频率进行均值滤波，得到目标呼吸频率。

35、第三方面，本申请提供了一种计算机设备，所述计算机设备包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施如第一方面所述的基于hfnc设备的呼吸频率识别方法。

36、第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被执行时，实现如第一方面所述的基于hfnc设备的呼吸频率识别方法。

37、本发明的实施例具有如下有益效果：

38、本发明提供的基于hfnc设备的呼吸频率识别方法，通过fsst同步压缩方法对呼吸波形曲线进行压缩，使得呼吸信号更加集中，再利用训练模型对压缩数据进行处理，使得最终得到的呼吸频率准确性更高。

39、为使本发明的上述目的、特征和优点能更明显和易懂，下文特举较佳实施例，并配合所附附图，做详细说明如下。

技术特征：

1.基于hfnc设备的呼吸频率识别方法，其特征在于，包括：

2.根据权利要求1所述的基于hfnc设备的呼吸频率识别方法，其特征在于，所述对所述目标流量信息和目标压力信息进行滤波处理，包括：

3.根据权利要求1所述的基于hfnc设备的呼吸频率识别方法，其特征在于，所述根据所述滤波流量信息和所述滤波压力信息生成呼吸波形曲线，包括：

4.根据权利要求1所述的基于hfnc设备的呼吸频率识别方法，其特征在于，所述利用fsst同步压缩方法对所述呼吸波形曲线进行压缩，得到频谱数据，包括：

5.根据权利要求1所述的基于hfnc设备的呼吸频率识别方法，其特征在于，所述最终lstm神经网络训练模型采用以下方式进行训练：

6.根据权利要求1所述的基于hfnc设备的呼吸频率识别方法，其特征在于，所述采集hfnc设备的目标流量信息和目标压力信息之前，包括：

7.根据权利要求1所述的基于hfnc设备的呼吸频率识别方法，其特征在于，所述将所述呼吸频率进行均值滤波之前，包括：

8.一种hfnc设备，其特征在于，包括：

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施如权利要求1至7中任意一项所述的基于hfnc设备的呼吸频率识别方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被执行时，实现如权利要求1至7中任意一项所述的基于hfnc设备的呼吸频率识别方法。

技术总结
本发明提供基于HFNC设备的呼吸频率识别方法及HFNC设备，方法包括：采集HFNC设备的目标流量信息和目标压力信息，对目标流量信息和目标压力信息分别进行滤波处理，得到滤波流量信息和滤波压力信息；根据滤波流量信息和滤波压力信息生成呼吸波形曲线；利用FSST同步压缩方法对呼吸波形曲线进行压缩，得到频谱数据；将频谱数据输入到最终训练模型，输出得到初始呼吸频率；将初始呼吸频率进行均值滤波，得到目标呼吸频率。本发明通过FSST同步压缩方法对呼吸波形曲线进行压缩，使得呼吸信号更加集中，获取频谱数据后，再利用训练模型对频谱数据进行处理，使得最终得到的呼吸频率准确性更高。

技术研发人员：邓武雄,付奇,陈超
受保护的技术使用者：湖南比扬医疗科技有限公司
技术研发日：
技术公布日：2024/3/17