CN110786855B - 一种痰液感应装置及其控制方法 - Google Patents

一种痰液感应装置及其控制方法 Download PDF

Info

Publication number
CN110786855B
CN110786855B CN201911064071.7A CN201911064071A CN110786855B CN 110786855 B CN110786855 B CN 110786855B CN 201911064071 A CN201911064071 A CN 201911064071A CN 110786855 B CN110786855 B CN 110786855B
Authority
CN
China
Prior art keywords
sputum
patient
oscillation frequency
predicted
intensity
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.)
Active
Application number
CN201911064071.7A
Other languages
English (en)
Other versions
CN110786855A (zh
Inventor
郝彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji Medical College of Huazhong University of Science and Technology
Original Assignee
Tongji Medical College of Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji Medical College of Huazhong University of Science and Technology filed Critical Tongji Medical College of Huazhong University of Science and Technology
Priority to CN201911064071.7A priority Critical patent/CN110786855B/zh
Publication of CN110786855A publication Critical patent/CN110786855A/zh
Application granted granted Critical
Publication of CN110786855B publication Critical patent/CN110786855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0806—Detecting, measuring or recording devices for evaluating the respiratory organs by whole-body plethysmography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Pulmonology (AREA)
  • Hematology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供的痰液感应装置，包括：传感检测装置，其贴敷在患者胸部，位于气管与肺的连接位置，能够检测得到患者的呼吸声波；压力传感器，其设置在人工气管口，能够检测患者的呼吸压力；数据转换模块，其连接所述传感器检测装置，能够将所述传感检测装置检测到的模拟信号转换为数字信号；分析处理模块，其连接所述数据转换模块，能够通过对所述数字信号计算得到患者的痰液指征信息；控制模块，其电连接所述分析处理模块，包括显示存储单元和指令单元，用于显示存储图像信息及痰液指征信息，并发出指令，还提供了一种痰液感应装置的控制方法。

Description

一种痰液感应装置及其控制方法
技术领域
本发明涉及医用器械领域，尤其涉及一种痰液感应装置和一种痰液感应装置的控制方法。
背景技术
在护理建立了人工气道的患者时，观察患者是否需要吸痰，通常需要看呼吸机的波形，或者停诊患者肺部痰鸣音，或者观察患者的呛咳反射，造成病情的观察不及时，增加医务人员工作量，增加患者感染发生率。因此急需一种痰液感应器，能直观的检测到患者肺部的痰液，进行及时有效的清理。
申请号为201910088164.7的发明申请文件公开了一种痰液智能感应装置，将痰液感应装置放置在人工气道口，能够检测患者的痰液指征信息，但是只适用于人工气道患者，对卧床病重不能自主咳痰的患者并不适用。
申请号为201510884295.8的发明文件公开了一种非接触式呼吸检测装置，具有光发射模块，将光波照射在患者胸部，由光接收模块接收，得到呼吸图像信息，虽然能避免接触式检测，适用性好，但光波在发射和接收的过程中易受到干扰，影响检测准确性。
发明内容
本发明设计开发了一种痰液感应装置，将传感检测装置贴敷在患者胸部，通过检测患者的呼吸声波，得到患者的痰液指征信息，适用于各类患者，避免患者发生呛咳。
本发明还提供了一种痰液感应装置控制方法，能够根据当前时段检测到的呼吸声波，预测下一时段的呼吸声波，并将下一时段的呼吸声波输入神经网络控制器得到下一时段的痰液指征信息，实现自动检测，准确率高。
本发明提供的技术方案为：
一种痰液感应装置，包括：
传感检测装置，其贴敷在患者胸部，位于气管与肺的连接位置，能够检测得到患者的呼吸声波；
压力传感器，其设置在人工气管口或呼吸面罩内，能够检测患者的呼吸压力；
数据转换模块，其连接所述传感检测装置，能够将所述传感检测装置检测到的模拟信号转换为数字信号；
分析处理模块，其连接所述数据转换模块，能够通过对所述数字信号计算得到患者的痰液指征信息；
控制模块，其电连接所述分析处理模块，包括显示存储单元和指令单元，用于显示存储图像信息及痰液指征信息，并发出指令。
优选的是，所述传感检测装置通过粘性贴贴敷在患者胸部。
优选的是，所述声波传感器采用静音式电容传感器。
一种痰液感应装置控制方法，包括：
步骤一、实时检测并读取声波传感器检测到的声波震动数据，压力传感器检测到的压力数据；
步骤二、根据所述震动数据，计算(ti-t0)～ti时段内关于呼吸指数的实测向量群；
其中，所述呼吸指数的实测向量群包括：实测震荡频率系数ηr和实测最大震荡强度Ir，ti为当前时刻，t0为时间间隔；
步骤三、根据在(ti-t0)～ti时段内关于呼吸指数的实测向量群，预测ti～(ti+t0)时段内关于呼吸指数的预测向量群；
其中，所述呼吸指数的预测向量群包括：预测震荡频率ηr+1和预测震荡强度Ir+1；
步骤四、根据(ti-t0)～ti时段内的检测到的压力数据Pλ，预测患者下一时段ti～(ti+t0)的压力数据Pλ+1；
步骤五、将包括所述预测震荡频率、预测震荡强度、和预测压力数据输入神经网络控制器，获得表示痰液指征的向量群；以及
所述表示痰液指征的向量群作为痰液感应结果输出。
优选的是，所述震荡频率计算公式为：
Figure GDA0003386231680000031
其中，ηr+1为预测震荡频率，λ为与震荡频率相关的平均系数，ηr为实测震荡频率，Ir+1为预测震荡强度，
Figure GDA0003386231680000035
为平均震荡频率，a1为第一震荡系数，kλ+1为预测强度上升系数，kλ为实际强度上升系数；
优选的是，所述预测震荡强度计算公式为：
Figure GDA0003386231680000032
其中，ηs为平均预测震荡频率。
优选的是，所述预测压力数据计算公式为：
Figure GDA0003386231680000033
其中，
Figure GDA0003386231680000034
为平均压力值。
优选的是，所述神经网络控制器的计算过程为：
步骤1、依次将参数预测震荡频率ηr+1和预测震荡强度Ir+1和所述预测压力数据进行规格化；
步骤2、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3}，其中，x1为预测震荡频率系数，x2为预测震荡强度系数，x3为预测压力数据指数；
步骤3、所述输入层向量映射到隐层，所述隐层向量y＝{y1,y2…ym}，m为隐层节点个数；
步骤4、得到输出层神经元向量o＝{o1,o2,o3}；其中，o1为痰液量系数，o2为痰液浓稠度系数，o3为痰液梗阻系数；
步骤5、控制器输出下一时段控制策略关系式；
其中，所述输出层o3的神经元值为0或1，当o3为1时，此时需对患者进行吸痰，当o3为0时不进行处理。
优选的是，所述隐层节点个数m满足：
Figure GDA0003386231680000041
其中n为输入层节点个数，p为输出层节点个数。
优选的是，所述将预测震荡频率ηr+1、预测震荡强度Ir+1和预测压力数据Pλ+1的规格化公式为：
Figure GDA0003386231680000042
其中，xj为输入层向量中的参数，xj，j＝1,2,3分别为参数ηr+1、Ir+1、Pλ+1；xjmax和xjmin分别为相应测量参数中的最大值和最小值。
本发明的有益效果
本发明设计开发了一种痰液感应装置，将传感检测装置贴敷在患者胸部，通过检测患者的呼吸声波，得到患者的痰液指征信息，适用于各类患者，避免患者发生呛咳。
本发明还提供了一种痰液感应装置控制方法，能够根据当前时段检测到的呼吸声波，预测下一时段的呼吸声波，并将下一时段的呼吸声波输入神经网络控制器得到下一时段的痰液指征信息，实现自动检测，准确率高。
附图说明
图1为本发明所述的痰液感应装置的结构示意图。
图2为本发明所述的痰液感应装置控制方法流程图。
具体实施方式
下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施
如图1所示，本发明提供的痰液感应装置，包括：传感检测装置210、压力传感器220、数据转换模块230、分析处理模块240和控制模块250。
传感检测装置210贴敷在患者胸部，位于气管与肺的连接位置，能够检测得到患者的呼吸声波；压力传感器220设置在人工气管口或呼吸面罩内，能够检测患者的呼吸压力；数据转换模块230连接传感检测装置210，能够将传感检测装置210检测到的模拟信号转换为数字信号；分析处理模块240连接数据转换模块230，能够通过对数字信号计算得到患者的痰液指征信息；控制模块250其电连接分析处理模块240，包括显示存储单元和指令单元，用于显示存储图像信息及痰液指征信息，并发出指令。传感检测装置210通过粘性贴贴敷在患者胸部，作为一种优选，声波传感器采用静音式电容传感器。
如图2所示，本发明提供的痰液感应装置控制方法，包括：
步骤110、实时检测并读取声波传感器检测到的声波震动数据，压力传感器检测到的压力数据；
步骤120、根据检测到的声波震动数据，得到(ti-t0)～ti时段内关于呼吸指数的实测向量群；其中，呼吸指数的实测向量群包括：实测震荡频率系数ηr和实测最大震荡强度Ir，ti为当前时刻，t0为时间间隔；
步骤130、根据在(ti-t0)～ti时段内关于呼吸指数的实测向量群，预测ti～(ti+t0)时段内关于呼吸指数的预测向量群；
其中，呼吸指数的预测向量群包括：预测震荡频率ηr+1和预测震荡强度Ir+1；
震荡频率计算公式为：
Figure GDA0003386231680000061
其中，ηr+1为预测震荡频率，λ为与震荡频率相关的平均系数，ηr为实测震荡频率，Ir+1为预测震荡强度，
Figure GDA0003386231680000065
为平均震荡频率，a1为第一震荡系数，kλ+1为预测强度上升系数，kλ为实际强度上升系数；
预测震荡强度计算公式为：
Figure GDA0003386231680000062
其中，ηs为平均预测震荡频率。
步骤140、根据(ti-t0)～ti时段内的检测到的压力数据Pλ，预测患者下一时段ti～(ti+t0)的压力数据Pλ+1；预测压力数据计算公式为：
Figure GDA0003386231680000063
其中，
Figure GDA0003386231680000064
为平均压力值。
步骤150、将包括所述预测震荡频率、预测震荡强度、和预测压力数据输入神经网络控制器，获得表示痰液指征的向量群；以及
表示痰液指征的向量群作为痰液感应结果输出。
建立BP神经网络模型。
BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为:
Figure GDA0003386231680000071
opj＝fj(netpj)
其中p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，一般取为S型函数，即fj(x)＝1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，
Figure GDA0003386231680000072
其中，m为中间层节点个数，n为输入层节点个数，p为输出层节点个数；第三层为输出层，共p个节点，由***实际需要输出的响应确定。
网络的数学模型为：
输入层向量：x＝(x1,x2,…,xn)T
中间层向量：y＝(y1,y2,…,ym)T
输出层向量：z＝(z1,z2,…,zp)T
按照采样周期，本发明中，输入层节点数为n＝3，输出层节点数为p＝3，隐藏层节点数m由下式估算得出：
Figure GDA0003386231680000073
由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。
归一化的公式为预测震荡频率ηr+1、预测震荡强度Ir+1和预测压力数据Pλ+1的规格化公式为：
Figure GDA0003386231680000081
其中，xj为输入层向量中的参数，xj，j＝1,2,3分别为参数ηr+1、Ir+1、Pλ+1；xjmax和xjmin分别为相应测量参数中的最大值和最小值，采用S型函数。
具体而言，对于预测震荡频率ηr+1，进行规格化后，得到预测震荡频率系数x1：
Figure GDA0003386231680000082
其中，max(ηr+1)和min(ηr+1)分别为预测震荡频率的最大值和最小值。
同样的，预测震荡强度Ir+1通过下式进行规格化，得到预测震荡强度系数x2：
Figure GDA0003386231680000083
其中，max(Ir+1)和max(Ir+1)分别为预测震荡强度的最大值和最小值。
预测压力数据进行规格化后，得到预测压力数据系数x3：
Figure GDA0003386231680000084
其中，max(Pλ+1)和min(Pλ+1)分别为预测压力数据系数的最大值和最小值。
得到输出层神经元向量o＝{o1,o2,o3}；其中，o1为痰液量系数，o2为痰液浓稠度系数，o3为痰液梗阻系数；。
进行BP神经网络的训练。
建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值wij，隐层节点j和输出层节点k之间的连接权值wjk，隐层节点j的阈值θj，输出层节点k的阈值wij、wjk、θj、θk均为-1到1之间的随机数。
(1)训练方法
各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；各子网训练时的输出样本如表1所示。
表1网络训练用的输出样本
Figure GDA0003386231680000091
Figure GDA0003386231680000101
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：
第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。
第二步：对每个输入样本作如下计算：
(a)前向计算：对l层的j单元
Figure GDA0003386231680000102
式中，
Figure GDA0003386231680000103
为第n次计算时l层的j单元信息加权和，
Figure GDA0003386231680000104
为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，
Figure GDA0003386231680000105
为前一层(即l-1层，节点数为nl-1)的单元i送来的工作信号；i＝0时，令
Figure GDA0003386231680000106
为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数，则
Figure GDA0003386231680000111
且
Figure GDA0003386231680000112
若神经元j属于第一隐层(l＝1)，则有
Figure GDA0003386231680000113
若神经元j属于输出层(l＝L)，则有
Figure GDA0003386231680000114
且ej(n)＝xj(n)-oj(n)；
(b)反向计算误差：
对于输出单元
Figure GDA0003386231680000115
对隐单元
Figure GDA0003386231680000116
(c)修正权值：
Figure GDA0003386231680000117
η为学习速率。
第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为
Δω＝(JTJ+μI)-1JTe
其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。
在***设计时，***模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了***的自学习功能。在指定了学习样本及数量的情况下，***可以进行自学习，以不断完善网络性能。
痰液指征信息关系式为：
Figure GDA0003386231680000121
其中，ai+1为ti～(ti+t0)时段患者的痰液量，βi+1为ti～(ti+t0)时段患者的痰液浓稠度，Pi+1为ti～(ti+t0)时段痰液梗阻系数。其中，所述输出层o3的神经元值为0或1，当o3为1时，此时需对患者进行吸痰，当o3为0时不进行处理。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (7)

1.一种痰液感应装置控制方法，其特征在于，包括：
传感检测装置，其贴敷在患者胸部，位于气管与肺的连接位置，能够检测得到患者的呼吸声波；
压力传感器，其设置在人工气管口或呼吸面罩内，能够检测患者的呼吸压力；
数据转换模块，其连接所述传感检测装置，能够将所述传感检测装置检测到的模拟信号转换为数字信号；
分析处理模块，其连接所述数据转换模块，能够通过对所述数字信号计算得到患者的痰液指征信息；
控制模块，其电连接所述分析处理模块，包括显示存储单元和指令单元，用于显示存储图像信息及痰液指征信息，并发出指令；
所述痰液感应装置控制方法包括：
步骤一、实时检测并读取声波传感器检测到的声波震动数据，压力传感器检测到的压力数据；
步骤二、根据所述震动数据，计算(ti-t0)～ti时段内关于呼吸指数的实测向量群；
其中，所述呼吸指数的实测向量群包括：实测震荡频率系数ηr和实测最大震荡强度Ir，ti为当前时刻，t0为时间间隔；
步骤三、根据在(ti-t0)～ti时段内关于呼吸指数的实测向量群，预测ti～(ti+t0)时段内关于呼吸指数的预测向量群；
其中，所述呼吸指数的预测向量群包括：预测震荡频率ηr+1和预测震荡强度Ir+1；
步骤四、根据(ti-t0)～ti时段内的检测到的压力数据Pλ，预测患者下一时段ti～(ti+t0)的压力数据Pλ+1；
步骤五、将包括所述预测震荡频率、预测震荡强度、和预测压力数据输入神经网络控制器，获得表示痰液指征的向量群；以及
所述表示痰液指征的向量群作为痰液感应结果输出。
2.根据权利要求1所述的痰液感应装置控制方法，其特征在于，所述震荡频率计算公式为：
Figure FDA0003386231670000021
其中，ηr+1为预测震荡频率，λ为与震荡频率相关的平均系数，ηr为实测震荡频率，Ir+1为预测震荡强度，
Figure FDA0003386231670000022
为平均震荡频率，a1为第一震荡系数，kλ+1为预测强度上升系数，kλ为实际强度上升系数。
3.根据权利要求2所述的痰液感应装置控制方法，其特征在于，所述预测震荡强度计算公式为：
Figure FDA0003386231670000023
其中，ηs为平均预测震荡频率。
4.根据权利要求3所述的痰液感应装置控制方法，其特征在于，所述预测压力数据计算公式为：
Figure FDA0003386231670000024
其中，
Figure FDA0003386231670000025
为平均压力值。
5.根据权利要求1所述的痰液感应装置控制方法，其特征在于，所述神经网络控制器的计算过程为：
步骤1、依次将参数预测震荡频率ηr+1和预测震荡强度Ir+1和所述预测压力数据进行规格化；
步骤2、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3}，其中，x1为预测震荡频率系数，x2为预测震荡强度系数，x3为预测压力数据指数；
步骤3、所述输入层向量映射到隐层，所述隐层向量y＝{y1,y2…ym}，m为隐层节点个数；
步骤4、得到输出层神经元向量o＝{o1,o2,o3}；其中，o1为痰液量系数，o2为痰液浓稠度系数，o3为痰液梗阻系数；
步骤5、控制器输出下一时段控制策略关系式；
其中，所述输出层o3的神经元值为0或1，当o3为0时不进行处理。
6.据权利要求5所述的痰液感应装置控制方法，其特征在于，所述隐层节点个数m满足：
Figure FDA0003386231670000031
其中n为输入层节点个数，p为输出层节点个数。
7.根据权利要求5所述的痰液感应装置控制方法，其特征在于，将预测震荡频率ηr+1、预测震荡强度Ir+1和预测压力数据Pλ+1的规格化公式为：
Figure FDA0003386231670000032
其中，xj为输入层向量中的参数，xj，j＝1,2,3分别为参数ηr+1、Ir+1、Pλ+1；xjmax和xjmin分别为相应测量参数中的最大值和最小值。
CN201911064071.7A 2019-11-04 2019-11-04 一种痰液感应装置及其控制方法 Active CN110786855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911064071.7A CN110786855B (zh) 2019-11-04 2019-11-04 一种痰液感应装置及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911064071.7A CN110786855B (zh) 2019-11-04 2019-11-04 一种痰液感应装置及其控制方法

Publications (2)

Publication Number Publication Date
CN110786855A CN110786855A (zh) 2020-02-14
CN110786855B true CN110786855B (zh) 2022-02-15

Family

ID=69440858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911064071.7A Active CN110786855B (zh) 2019-11-04 2019-11-04 一种痰液感应装置及其控制方法

Country Status (1)

Country Link
CN (1) CN110786855B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111543922A (zh) * 2020-06-12 2020-08-18 深圳市丰盛生物科技有限公司 具有喉部余液检测功能的便携式喉镜及余液检测方法
CN113509601A (zh) * 2021-07-15 2021-10-19 中国人民解放军西部战区总医院 一种负压吸痰设备
CN113768530A (zh) * 2021-09-09 2021-12-10 无锡康莱医疗科技有限公司 一种痰鸣音判别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2643912Y (zh) * 2003-07-31 2004-09-29 张坚 改进型医用气管插管
CN106039428A (zh) * 2016-05-16 2016-10-26 西安交通大学第附属医院 一种智能吸痰装置
CN107374632A (zh) * 2017-07-21 2017-11-24 青岛康庆和医药科技有限责任公司 一种外科手术中的呼吸音监测装置及其使用方法
CN107456614A (zh) * 2017-08-08 2017-12-12 南通大学附属医院 一种自动报警吸痰装置
CN109497949A (zh) * 2018-12-12 2019-03-22 深圳融昕医疗科技有限公司 呼吸暂停类型的检测方法、装置、呼吸机和存储介质
CN109646004A (zh) * 2019-01-29 2019-04-19 黄世英 一种痰液智能感应监测装置
CN110327522A (zh) * 2019-07-22 2019-10-15 无锡圣诺亚科技有限公司 一种具有自动祛痰功能的气管导管及自动祛痰装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11432991B2 (en) * 2016-05-11 2022-09-06 Koninklijke Philips N.V. Chest wall oscillation system with digital auscultation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2643912Y (zh) * 2003-07-31 2004-09-29 张坚 改进型医用气管插管
CN106039428A (zh) * 2016-05-16 2016-10-26 西安交通大学第附属医院 一种智能吸痰装置
CN107374632A (zh) * 2017-07-21 2017-11-24 青岛康庆和医药科技有限责任公司 一种外科手术中的呼吸音监测装置及其使用方法
CN107456614A (zh) * 2017-08-08 2017-12-12 南通大学附属医院 一种自动报警吸痰装置
CN109497949A (zh) * 2018-12-12 2019-03-22 深圳融昕医疗科技有限公司 呼吸暂停类型的检测方法、装置、呼吸机和存储介质
CN109646004A (zh) * 2019-01-29 2019-04-19 黄世英 一种痰液智能感应监测装置
CN110327522A (zh) * 2019-07-22 2019-10-15 无锡圣诺亚科技有限公司 一种具有自动祛痰功能的气管导管及自动祛痰装置

Also Published As

Publication number Publication date
CN110786855A (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
CN110786855B (zh) 一种痰液感应装置及其控制方法
CN106821337B (zh) 一种有监督的鼾声来源识别方法
Messner et al. Multi-channel lung sound classification with convolutional recurrent neural networks
JP6427554B2 (ja) 流体分析器および関連方法
CN108284442B (zh) 一种基于模糊神经网络的机械臂柔性关节控制方法
CN104661703B (zh) 用于适当的胸外按压的矫正提示***
CN107451407A (zh) 一种中医智能诊断方法、***及中医医疗***
CN107233102A (zh) 基于bp神经网络算法的多参数心理压力评估方法
KR20030066632A (ko) 신경망을 이용한 ｃｐａｐ용 방법 및 장치
CN105550509B (zh) 一种医用输液滴速评价方法及***
KR20210085867A (ko) 사용자의 혈압을 추정하기 위한 장치 및 방법
JP2021536287A (ja) 構造的心疾患のスクリーニングデバイス、方法、およびシステム
CN104484562B (zh) 一种基于模糊神经网络的体域网健康信息监测、交互***
Dar et al. Design and development of hybrid optimization enabled deep learning model for COVID-19 detection with comparative analysis with DCNN, BIAT-GRU, XGBoost
CN114916913B (zh) 一种便携式睡眠呼吸状态实时监测***及方法
CN111789629A (zh) 一种基于深度学习的呼吸音智能诊疗***及方法
CN106821355A (zh) 血压预测的方法及装置
CN113456033B (zh) 生理指标特征值数据处理方法、***及计算机设备
CN108538301A (zh) 一种基于神经网络音频技术的智能数码乐器
CN111973188A (zh) 一种基于神经网络估算呼吸力学参数的方法
Bielskis et al. Multi-agent-based human computer interaction of e-health care system for people with movement disabilities
JP3816762B2 (ja) ニューラルネットワーク、ニューラルネットワークシステム及びニューラルネットワーク処理プログラム
Mokhlessi et al. Utilization of 4 types of Artificial Neural Network on the diagnosis of valve-physiological heart disease from heart sounds
Rosales et al. Vital Signs Evaluator and Blood Type Identification using Deep Learning for Blood Donation
KR102394615B1 (ko) 사용자의 손목에 착용가능한 혈압 측정 장치

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
GR01 Patent grant
GR01 Patent grant