[发明专利]一种心肺复苏胸外自动按压设备及按压自反馈系统

说明书

本发明涉及医疗设备技术领域，尤其涉及一种心肺复苏胸外自动按压设备及按压自反馈系统，包括自动按压装置、生理指标检测模块和控制系统，自动按压装置包括电机、传动机构和按压头，传动机构将电机的运动转化为按压头的直线往复运动；电机和生理指标检测模块与控制系统电联接，控制系统实现按压动作的启停控制、按压参数的设置、生理参数的显示以及根据当前生理参数自动调整按压参数；按压参数包括按压频率、按压深度、按压波形、按压时间、动力学指标，按压波形包括正弦波、梯形波、三角波。本发明可进行自动胸外按压操作，同时可调节按压深度、频率和按压模式，并可根据反馈的生理参数自动优化按压参数，能够有效提高自主循环恢复率。

技术领域

本发明涉及医疗设备技术领域，尤其涉及一种心肺复苏胸外自动按压设备及按压自反馈系统。

背景技术

一、心肺复苏是全球普及应用最为广泛的急救技术，它通过胸外按压、人工呼吸、电除颤等技术来抢救呼吸停止和心脏骤停的急症危重病人。高质量的胸外按压作为心脏骤停复苏的主要方面，其重要性更加不言而喻。胸外按压中，按压深度、按压频率和按压波形的改变会影响按压效果。

针对胸外按压实验，国内中山大学附属第二医院全电动控制动物心肺复苏装置、美国ZOLL公司研制的AutoPulse束带式胸外按压器以及瑞典JOLIFE公司的LUCAS主动加压减压式胸外按压器都可以实现高精度按压。但鉴于成本高、按压频率和智能化程度低以及对操作人员有较高要求，目前各医疗单位在胸外按压试验中大多采用手动按压或其改进仪器进行胸外按压。手动按压的力度、深度、频率、方向难以保证准确、持久，而且对操作者有着极高的要求。随着科学的进步，高精度、高效率、易操作是实验仪器未来的发展方向，这也对心肺复苏胸外按压实验装置提出了新的要求。

二、机器学习

机器学习在学习的过程中所必须的学习材料通常用反映对象特征的数据集合来表达，学习方法一般用学习算法表示，学习效果现场评估方法一般用学习判据来表示，学习判据通常用特定的测试指标表示，如正确率、学习速度等。侧重于机器学习的可操作性，《统计学习理论的本质》给出了机器学习的第二个常见定义——机器学习就是一个基于经验数据的函数估计问题。

假设输入x与输出y存在某种未知的关系，即遵循某种联合概率F(x,y)，机器学习就是要根据n个独立同分布的观测样本对这种联合概率进行估计。

设(x₁,y₁),(x₂,y₂),L,(x_n,y_n)为n个观测样本，其中x_i＝(x_i1,x_i2,L,x_in)^T，在一组函数{f(x,ω)}中寻找一个最优函数f(x,ω₀)对这种未知关系进行估计，其决策函数可表示为：

minR(ω)＝min∫L(y,f(x,ω))dF(x,y) (2-1)

其中{f(x,ω)}称为预测函数集，ω为该函数的参数，L(y,f(x,ω))为用该函数对输出y进行观测而产生的损失，即损失函数。

机器学习可理解为选择合适的预测函数集合函数参数，使用该函数对输出y进行观测产生的损失最小，即获得的对输出y的最优函数估计。

机器学习最为普遍应用的一类算法就是分类算法。机器学习分类算法主要包括模型建立和分类算法两部分，第一步使用训练数据集通过分类算法得到模型参数，建立分类模型；第二步使用有标定的检验样本数据对训练得出的模型进行检验，评价该模型的预测准确性。

2.1分类模型

按照学习的形式，机器学习分类算法可分为有监督分类和无监督分类。