CN108665066A - 基于bp神经网络的便携式呼吸机流量曲线标定方法 - Google Patents
基于bp神经网络的便携式呼吸机流量曲线标定方法 Download PDFInfo
- Publication number
- CN108665066A CN108665066A CN201810469621.2A CN201810469621A CN108665066A CN 108665066 A CN108665066 A CN 108665066A CN 201810469621 A CN201810469621 A CN 201810469621A CN 108665066 A CN108665066 A CN 108665066A
- Authority
- CN
- China
- Prior art keywords
- neural network
- portable respirator
- flow curve
- iterations
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于BP神经网络的便携式呼吸机流量曲线标定方法,包括下列步骤:步骤1:利用便携式呼吸机进行标定实验,将所采集的二氧化碳流量数据分为两组,一组进行训练,一组进行测试;步骤2:建立BP神经网络,选取S函数作为激励函数,采用LM算法进行训练,采用的神经网络由隐层和输出层两层组成,隐藏层包含20个神经元,随着迭代次数的增加,最小均方误差减小,小于迭代次数为6的时候,停止学习,最终得到流量曲线。
Description
技术领域
本发明属于生物医学工程领域,是对人呼吸末二氧化碳流量数据采集的一种新的拟合方式。
背景技术
呼吸是一种重要的新陈代谢过程,它是维持人们稳定的生命迹象。目前呼吸道疾病,如哮喘,支气管扩张症和阻塞性睡眠呼吸暂停,广泛流行于全世界。根据2016世界卫生组织的调查,超过2亿3500万人患有哮喘,每年有超过300万人死于慢性阻塞性肺病(COPD)。为了有效地、准确地评价心肺功能、呼吸监测是呼吸***疾病及ICU管理中的一个重要组成部分。
目前在生物医学呼吸流量测量的过程中,数据的拟合是十分重要的,对数据进行有效的拟合可以更好的反应测量的波形,增加测量的精度。在以往的的测量过程中,经常使用的传感器的拟合方式是最小二乘法,差值拟合等拟合方式,但是在测量的过程中,尤其是传感器精度不是很高的情况下这些拟合方法会产生较大的误差。
目前的便携式呼吸机在测量的时候可以通过传感器有效的对采集的差压进行加工转化,但是在转化的过程中,由于便携式呼吸机的传感器和处理电路都不能和专业的大型呼吸机相比,所以一种专业的拟合算法是必不可少的。
发明内容
本发明的目的是提供一种便携式呼吸机流量曲线标定方法,以提高传感器精度。技术方案如下:
在测量的时候可以有效的改进管道和传感器在测量的时候带来的误差,获得很好的拟合效果,其操作过程为:
一种基于BP神经网络的便携式呼吸机流量曲线标定方法,包括下列步骤:
步骤1:利用便携式呼吸机进行标定实验,将所采集的二氧化碳流量数据分为两组,一组进行训练,一组进行测试;
步骤2:建立BP神经网络,选取S函数作为激励函数,采用LM算法进行训练,采用的神经网络由隐层和输出层两层组成,隐藏层包含20个神经元,随着迭代次数的增加,最小均方误差减小,小于迭代次数为6的时候,停止学习,最终得到流量曲线。
本发明克服普通的拟合算法带来的拟合精度低的问题,有效提高便携式呼吸机的测量精度。
附图说明
图1Tan-sigmoid函数
图2预测数据和实际数据
图3神经网络参数
图4神经网络拟合结果分析
图5BP神经网络拟合的误差百分比
具体实施方式
本发明在根据二氧化碳浓度测量装置进行优化,设计一种可以有效的改进二氧化碳测量精度的拟合算法。
考虑到主流设备必须具有稳定和实时性的特点,所以气道管呼吸电路相结合的设计必须符合这一要求。气道压力是通过取样压力来监测的,而气道压力与气道有密切的关系。气道管设计的主要考虑是空气流经气道后会产生压降。气体管道的设计是基于伯努利定律和连续性定律,将连续性方程ρ1υ1s1=ρ2υ2s2=m应用于流量监测中:
ρsAvA=ρυBsB=m 式(1)
其中是sA和sB截面的面积,ρ是空气的密度,vA和vB表示两个端口的气流的速度,m气体的质量。
结合公式(2)
将两个公式合并可求出压差和流量的关系:
其中Q是体积流量。
为了准确地拟合电压和流量的函数曲线,选择合适的激励函数和训练函数是十分重要的。本发明选取S函数作为激励函数,利用Levenberg-Marquardt(LM)算法进行训练。
激励函数可以定义为:
输出函数的范围从-1到1,如图1。
我们选了Levenberg-Marquardt(LM)作为训练数据的算法,LM算法是一种采用标准数值优化的快速算法,它是梯度下降法和Gauss-Newton法的结合。LM算法不仅具有Gauss-Newton方法的局部收敛性,而且具有梯度下降法的全局性。
LM算法利用二阶导数信息,比梯度下降法要快得多。权重和阈值的矢量公式为:
x=[wih(1,1)...wih(h,i),bn(1)...bn(h)wh0(1,1)...b0(0)]T 式(5)
因此,由更新权值和阈值组成的向量是:
x(k+1)=x(k)+Δx 式(6)
其中Δx代表权值和阈值的改变,LM算法是改进的Gauss-Newton算法,可以定义为:
Δx=-[JT(x)J(x)+μI]-1JT(x)e 式(7)
其中J(x)是雅各比矩阵,μ是阻尼系数,I是单位矩阵。
LM算法类似于梯度下降法。每次迭代,减少图层的值。所以当算法接近目标误差,逐渐接近于GaussNewton算法。
LM算法是一种有效的算法,其迭代过程的基本思想允许在退化方向上进行错误搜索。同时,为了使得神经网络的权值和阈值都达到满意的效果,我们开启了梯度下降算法和自适应的神经网络的算法,提高了泛化的能力。
在测量的时候可以有效的改进管道和传感器在测量的时候带来的误差,获得很好的拟合效果,其操作过程为:
步骤1:利用便携式呼吸机进行标定实验
步骤2:对60组数据进行采样,流量变化从1L/min到60L/min匀速提升,间隔为1L/min,采集相应的电压值。数据流被分为两组,奇数组的流量数据进行训练,得到偶数组流量数据进行了测试。
训练结束后,将测试数据输入神经网络。描述拟合曲线的形状并计算精度指标。该标定方法所采用的神经网络由隐层和输出层两层组成。隐藏层包含20个神经元。迭代次数6次,时间为1s。当迭代达到6次时,梯度值为0.00496。图2表示拟合程度两者之间的训练和测试数据和实际输出数据。
随着迭代次数的增加,最小均方误差减小,小于迭代次数为6的时候。然后它停止学习,最终会得到具体曲线。
步骤3:对训练的参数有效性进行分析如图3
图3显示了网络条件下的学***均值,与误差相似。随着迭代次数的增加,如果误差值增大,Mu的值也会随着增加,当Mu的值增加到一定大小的时候,学习过程就会停止。
步骤4:在测量中对数据的拟合结果进行直观的分析直观显示出拟合的精度,图4分别给出了BP神经网络训练后得到的输出数据和实际实验得到的实验数据。我们可以直接观察到误差。大多数输出数据与实际输出数据之间的距离很小,只有少数数据产生较大的误差。曲线拟合的趋势不会受到影响,曲线变化趋势反映出流量与电压的关系。因此,我们可以得出这样的结论:神经网络的训练的精确度是在误差范围之内的。
步骤5:对误差进行定量分析,从图5我们可以看出,在BP神经网络中,训练数据在个体数据存在较大的误差,但是训练误差的波动很小。最后我们得到绝对误差0.7594。这个数字非常直观,显示了神经网络训练的整体精度。图5给出了30组测试数据的BP神经网络处理后测试输出与实际输出数据之间误差的百分比。数学公式定义为:
其中m是测试输出数据,n是实际输出数据。从图5中可知他们都在4L/min,12L/min和40L/min产生较大的误差,但它只发生在很少的数据,而不影响良好的拟合函数的神经网络。
Claims (1)
1.一种基于BP神经网络的便携式呼吸机流量曲线标定方法,包括下列步骤:
步骤1:利用便携式呼吸机进行标定实验,将所采集的二氧化碳流量数据分为两组,一组进行训练,一组进行测试;
步骤2:建立BP神经网络,选取S函数作为激励函数,采用LM算法进行训练,采用的神经网络由隐层和输出层两层组成,隐藏层包含20个神经元,随着迭代次数的增加,最小均方误差减小,小于迭代次数位6的时候,停止学习,最终得到流量曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810469621.2A CN108665066A (zh) | 2018-05-16 | 2018-05-16 | 基于bp神经网络的便携式呼吸机流量曲线标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810469621.2A CN108665066A (zh) | 2018-05-16 | 2018-05-16 | 基于bp神经网络的便携式呼吸机流量曲线标定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108665066A true CN108665066A (zh) | 2018-10-16 |
Family
ID=63778385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810469621.2A Pending CN108665066A (zh) | 2018-05-16 | 2018-05-16 | 基于bp神经网络的便携式呼吸机流量曲线标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108665066A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383764A (zh) * | 2020-02-25 | 2020-07-07 | 山东师范大学 | 一种机械通气驱动压与呼吸机相关事件的相关性检测*** |
CN115970118A (zh) * | 2022-12-22 | 2023-04-18 | 宁波市计量测试研究院(宁波新材料检验检测中心) | 呼吸湿化治疗仪校准装置 |
-
2018
- 2018-05-16 CN CN201810469621.2A patent/CN108665066A/zh active Pending
Non-Patent Citations (1)
Title |
---|
DAYONG FAN ET.AL.: ""Effectively Measuring Respiratory Flow With Portable Pressure Data Using Back Propagation Neural Network"", 《IEEE JOURNAL OF TRANSLATIONAL ENGINEERING IN HEALTH AND MEDICINE》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383764A (zh) * | 2020-02-25 | 2020-07-07 | 山东师范大学 | 一种机械通气驱动压与呼吸机相关事件的相关性检测*** |
CN111383764B (zh) * | 2020-02-25 | 2024-03-26 | 山东师范大学 | 一种机械通气驱动压与呼吸机相关事件的相关性检测*** |
CN115970118A (zh) * | 2022-12-22 | 2023-04-18 | 宁波市计量测试研究院(宁波新材料检验检测中心) | 呼吸湿化治疗仪校准装置 |
CN115970118B (zh) * | 2022-12-22 | 2023-08-04 | 宁波市计量测试研究院(宁波新材料检验检测中心) | 呼吸湿化治疗仪校准装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rissler et al. | Deposition efficiency of inhaled particles (15-5000 nm) related to breathing pattern and lung function: an experimental study in healthy children and adults | |
Choi et al. | Mathematical analysis of particle deposition in human lungs: an improved single path transport model | |
CN102770069B (zh) | 一氧化氮测量方法和设备 | |
Mori et al. | Colored 3-dimensional analyses of respiratory resistance and reactance in COPD and asthma | |
Archer et al. | Comparing aerosol number and mass exhalation rates from children and adults during breathing, speaking and singing | |
Gillespie et al. | Aerodynamic profiles of women with muscle tension dysphonia/aphonia | |
CN102469954A (zh) | 确定呼出一氧化氮的方法和设备 | |
CN108109697A (zh) | 一种基于呼气数学模型的肺功能测试***及方法 | |
CN108665066A (zh) | 基于bp神经网络的便携式呼吸机流量曲线标定方法 | |
CN105078462B (zh) | 估算气阻和顺应性的方法和装置 | |
SE1230100A1 (sv) | System för optimal mekanisk ventilation | |
WO2015127377A1 (en) | Variable ventilation as a diagnostic tool for assesing lung mechanical function | |
Füri et al. | Comparison of airway deposition distributions of particles in healthy and diseased workers in an Egyptian industrial site | |
US10188317B2 (en) | Measuring respiratory mechanics parameters using perturbations | |
Sun et al. | C-RIDGE: Indoor CO2 data collection system for large venues based on prior knowledge | |
CN106644361B (zh) | 一种测量跨声速风洞试验段空间流场对称性的简易方法 | |
CN206239414U (zh) | 用于肺功能检测的流量传感器 | |
Kazemi et al. | Frequency analysis of capnogram signals to differentiate asthmatic and non-asthmatic conditions using radial basis function neural networks | |
Si et al. | Deciphering exhaled aerosol fingerprints for early diagnosis and personalized therapeutics of obstructive respiratory diseases in small airways | |
Millage et al. | A review of inhalability fraction models: discussion and recommendations | |
CN109659031A (zh) | 肺功能指标预测装置及确定方法 | |
Ionescu et al. | A recurrent parameter model to characterize the high-frequency range of respiratory impedance in healthy subjects | |
CN107095676A (zh) | 肺功能仪数据处理准确性的测试方法及*** | |
Bekdash et al. | Standard testing procedure for quantifying breathing gas carbon dioxide partial pressure for extravehicular activity and launch, entry, survival pressure suits | |
Invernizzi et al. | Real-time measurement of particulate matter deposition in the lung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |
|
RJ01 | Rejection of invention patent application after publication |