呼吸机文丘里阀模型的建模方法、装置、设备及存储介质与流程

本发明涉及呼吸机，尤其涉及一种呼吸机文丘里阀模型的建模方法、装置、设备及存储介质。

背景技术：

1、急救转运呼吸机是一种对呼吸衰竭患者进行紧急通气的医疗设备，其特点在于一体化的气路设计，使用简单快捷，机身小巧，携带方便。急救转运呼吸机常用于救护车长短途转运、院内转运以及野外急救，可将呼吸机置于救护车内进行急救治疗。其中，文丘里阀是急救转运呼吸机的重要组成部分，它是一种集中控制混氧和流量控制的装置，其具有快速响应特性、面向风速控制精度高等特性。急救转运呼吸机采用文丘里阀可实现对病人快速通气。

2、其中，急救转运呼吸机的文丘里阀的模型校准是十分重要的一环，急救转运呼吸机在振动、高低温度和海拔等干扰的影响下，吸气阀、文丘里阀、压力传感器和流量传感器等主要元器件性能会发生改变，因此需要对文丘里阀的模型进行重新构建及校准。文丘里阀模型的构建及校准工作决定着文丘里阀控制流量的精确度。目前文丘里阀的模型一般通过人工测试的方式进行数据的测试，通过测试人员测得的实际数据，然后由测试人员来对测得的实际数据进行相应处理后，由测试人员根据自己的经验及相关的测试数据处理结果来对文丘里阀的模型进行人工构建和校准。本发明人在实施本发明的过程中发现，现有技术中存在以下技术问题：采用人工对文丘里阀的模型进行构建和校准的方式，容易出错且耗时耗力，导致对文丘里阀的模型的构建和校准的效率低下且效果不理想。

技术实现思路

1、本发明实施例提供一种呼吸机文丘里阀模型的建模方法、装置、设备及存储介质，能够提高对呼吸机的文丘里阀模型的构建和校准的效率及保证模型效果。

2、本发明一实施例提供一种呼吸机文丘里阀模型的建模方法，其包括：

3、获取所述文丘里阀在多种不同工况下进行测试的测试数据，并将所述测试数据分成训练数据集和测试数据集，所述测试数据包括所述文丘里阀每次测试的混合气体输出流量数据、背压数据和吸气阀驱动流量数据；

4、利用所述训练数据集进行神经网络训练，得到训练后的文丘里阀的神经网络模型，所述神经网络模型表征所述文丘里阀的混合气体输出流量和背压两者与吸气阀驱动流量的映射关系；

5、利用所述测试数据集对训练后的所述神经网络模型进行测试，得到训练后的所述神经网络模型的测试结果；

6、若所述测试结果符合预设的测试合格条件，将训练后的所述神经网络模型作为校准好的文丘里阀模型。

7、作为上述方案的改进，所述利用所述训练数据集进行神经网络训练，得到训练后的文丘里阀的神经网络模型，包括：

8、对bp神经网络模型的模型参数进行设置，并对所述训练数据集进行归一化处理；所述bp神经网络模型的模型参数设置包括：设置bp神经网络模型的输入层的神经元个数为5，分别代表文丘里阀背压、文丘里阀背压的平方、文丘里阀混合气体输出流量、文丘里阀混合气体输出流量的平方、文丘里阀混合气体输出流量的平方根；设置bp神经网络模型的隐藏层的神经元个数为2；设置bp神经网络模型的激活函数为tansig；设置bp神经网络模型的输出层的神经元个数为1，代表吸气阀驱动流量；设置bp神经网络模型的超参数训练的最大epoch数为2000，最大测试验证失败数为500；

9、利用归一化处理后的所述训练数据集对模型参数设置后的bp神经网络模型进行训练，得到训练后的文丘里阀的神经网络模型。

10、作为上述方案的改进，在所述利用所述测试数据集对训练后的所述神经网络模型进行测试，得到训练后的所述神经网络模型的测试结果之后，所述方法还包括：

11、若所述测试结果不符合预设的测试合格条件，利用新的训练数据集对所述训练数据集进行神经网络训练，并返回所述利用所述测试数据集对训练后的所述神经网络模型进行测试，得到所述神经网络模型的测试结果，直到测试结果符合预设的测试合格条件。

12、作为上述方案的改进，在所述将训练后的所述神经网络模型作为校准好的文丘里阀模型之后，所述方法还包括：

13、将校准好的文丘里阀模型的网络模型参数移植到呼吸机的主控芯片内。

14、作为上述方案的改进，所述测试数据分成的训练数据集和测试数据集的数量比例为8：2。

15、作为上述方案的改进，所述测试合格条件包括：每一训练后的所述神经网络模型输出的吸气阀驱动流量模拟值与所述测试数据集中对应的吸气阀驱动流量数据之间的差值小于预设的差值阈值。

16、本发明另一实施例对应提供了一种呼吸机文丘里阀模型的建模装置，包括：

17、数据获取模块，用于获取所述文丘里阀在多种不同工况下进行测试的测试数据，并将所述测试数据分成训练数据集和测试数据集，所述测试数据包括所述文丘里阀每次测试的混合气体输出流量数据、背压数据和吸气阀驱动流量数据；

18、模型训练模块，用于利用所述训练数据集进行神经网络训练，得到训练后的文丘里阀的神经网络模型，所述神经网络模型表征所述文丘里阀的混合气体输出流量和背压两者与吸气阀驱动流量的映射关系；

19、模型测试模块，用于利用所述测试数据集对训练后的所述神经网络模型进行测试，得到训练后的所述神经网络模型的测试结果；

20、执行模块，用于若所述测试结果符合预设的测试合格条件，将训练后的所述神经网络模型作为校准好的文丘里阀模型。

21、作为上述方案的改进，所述模型训练模块具体用于：

22、对bp神经网络模型的模型参数进行设置，并对所述训练数据集进行归一化处理；所述bp神经网络模型的模型参数设置包括：设置bp神经网络模型的输入层的神经元个数为5，分别代表文丘里阀背压、文丘里阀背压的平方、文丘里阀混合气体输出流量、文丘里阀混合气体输出流量的平方、文丘里阀混合气体输出流量的平方根；设置bp神经网络模型的隐藏层的神经元个数为2；设置bp神经网络模型的激活函数为tansig；设置bp神经网络模型的输出层的神经元个数为1，代表吸气阀驱动流量；设置bp神经网络模型的超参数训练的最大epoch数为2000，最大测试验证失败数为500；

23、利用归一化处理后的所述训练数据集对模型参数设置后的bp神经网络模型进行训练，得到训练后的文丘里阀的神经网络模型。

24、本发明另一实施例提供了一种呼吸机文丘里阀模型的建模设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的呼吸机文丘里阀模型的建模方法。

25、本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的呼吸机文丘里阀模型的建模方法。

26、相比于现有技术，上述实施例中的一个实施例具有如下优点中的至少一种：

27、首先通过获取所述文丘里阀在多种不同工况下进行测试的测试数据，并将所述测试数据分成训练数据集和测试数据集；接着利用所述训练数据集进行神经网络训练，得到训练后的文丘里阀的神经网络模型；然后利用所述测试数据集对训练后的所述神经网络模型进行测试，得到训练后的所述神经网络模型的测试结果；最后将测试合格的训练后的所述神经网络模型作为校准好的文丘里阀模型。由上分析可知，本发明实施例基于神经网络模型建模的方法，通过利用训练数据来自动实现呼吸机的文丘里阀模型的构建，整个建模过程更高效，同时通过基于测试数据的模型测试来实现对文丘里阀模型的校准以保证模型效果，因此本发明实施例能够提高对呼吸机的文丘里阀模型的构建和校准的效率及保证模型效果。