基于肺音的麻醉状态下呼吸系统的建模与仿真

摘要

麻醉过程会致使手术患者的呼吸运动产生变化，使得麻醉前后的肺音具有不同的特征，而呼吸状态的改变是麻醉状态下病人生命体征异常的一种优先反应。对肺音改变的实时关注，有利于医生对术中病人的异常状况及早发现，进而及时采取相应的措施来保证术中病人的生命安全。
　　本文根据麻醉前后肺音信号的特点，提取了麻醉前后肺音信号的特征参数，选择了多种建模方法来建立麻醉状态下呼吸系统模型。通过模型的建立，能够在已知麻醉前的肺音信号的特征参数的情况下，预测出麻醉后的肺音信号的特征参数，从而实现对患者进行麻醉术中呼吸监测的目的。
　　在研究了系统建模的常用方法后，把麻醉状态下的呼吸系统看作是“黑箱”，通过一定的输入和输出数据，从一组给定的模型类中，来辨识和麻醉状态下呼吸系统等价的模型。
　　利用小波变换的方法提取麻醉前后肺音信号的特征参数。通过对肺音信号的七级小波分解，求出各个频带的能量值，把各频带的能量值相加得到肺音信号的总能量。把肺音信号的总能量作为特征参数。把麻醉前和麻醉后的肺音信号的特征参数作为系统辨识的输入和输出数据。
　　为了准确的确定麻醉状态下呼吸系统的模型，本文采用了最小二乘法和RBF神经网络两种不同的建模方法。在最小二乘法中，选用了ARMAX模型和ARX模型进行建模，在进行参数辨识后，得出ARX模型能较好的表示麻醉状态下呼吸系统的模型。在RBF神经网络的建模时，经验证，RBF神经网络在对麻醉后肺音信号的特征参数的预测精度上要明显优于最小二乘法。
　　本文的这些研究有助提供一种可被用在麻醉术中呼吸检测手段，从而为医生在手术过程中判断患者呼吸情况避免呼吸衰竭提供新的依据。

目录

声明

摘要

第1章 绪论

1．1 课题背景

1．2 相关领域研究现状

1．2．1 肺音研究的发展历史及现状分析

1．2．2 系统建模的发展历史及现状分析

1．3 主要研究内容

第2章 麻醉状态下呼吸系统的建模方法研究

2．1 最小二乘法

2．1．1 最小二乘法的基本概念

2．1．2 传统最小二乘法

2．1．3 约束最小二乘法

2．1．4 递推最小二乘法

2．2 RBF神经网络辨识

2，2．1 RBF神经网络概述及其网络结构

2．2．2 RBF网络学习方法

2．3 本章小结

第3章 麻醉前后肺音信号的特征提取

3．1 小波分析理论

3．1．1 一维连续小波

3．1．2 离散小波

3．1．3 多分辨率分析及Mallat算法

3．2 麻醉前后肺音信号的获取

3．3 麻醉前后肺音信号的特征提取

3．3．1 肺音信号的小波分析

3．3．2 肺音信号的小波分解

3．3．3 特征提取的过程

3．3．4 麻醉前后肺音信号的最终特征

3．4 本章小结

第4章 麻醉状态下呼吸系统的建模与仿真

4．1 基于最小二乘法进行呼吸系统建模

4．1．1 ARX模型实现建模

4．1．2 ARMAX模型实现建模

4．2 基于RBF神经网络进行呼吸系统建模

4．2．1 RBF神经网络结构的确定

4．2．2 RBF神经网络训练算法的设计

4．2．3 神经网络系统辨识的建模步骤

4．3 仿真验证

4．3．1 ARX模型验证

4．3．2 ARMAX模型验证

4．3．3 ARX模型和ARMAX模型对比

4．3．4 RBF神经网络模型仿真

4．4 本章小结

结论

参考文献

攻读硕士学位期间发表的学术论文

致谢