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。
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。