本发明涉及呼吸机相关性肺炎护理，更具体地说，本发明涉及一种基于边缘计算的气管插管气囊压力智能护理系统。
背景技术：
1、呼吸机相关性肺炎(简称vap)是机械通气患者常见且严重的并发症，发生在机械通气48小时后或拔管48小时内，vap显著增加患者的病死率、住院时间和医疗费用，气管插管气囊是用于气管插管术确保气管插管的气密性和稳定性的装置，是气管插管术用于封闭气管的一个部分，气囊通过一个充气管道连接到气管插管的外部，护理人员通过这个管道注入或排出空气来调节气囊的压力，气囊通过充膨胀，填充气管壁与插管之间的空间，防止气体漏出，帮助维持有效的呼吸支持，还有助于防止胃内容物或唾液吸到呼吸道中，从而减少vap的感染风险，还能够稳定气管插管的位置，减少因移动或患者咳嗽引起的插管位移，气囊的充气压力需要保持在适当的范围内，过高会导致气管压迫和损伤，过低会导致漏气及误吸，而气囊的压力一般通过气囊外部的充气管道进行调整和监控，在传统的护理环境当中，气囊的压力监测和调整通常依赖手动操作，存在实时性不足和延迟响应的问题，在设备间存在数据孤岛，会导致设备之间的信息流通不畅，无法及时反映气囊压力的变化，容易导致气囊压力不在安全范围内，而将数据从边缘设备上传至自动调控设备，存在数据传输的延迟，无法迅速作出反应，传统的气囊压力设置基于通用标准，忽略了患者生理状态的个体化差异。
技术实现思路
1、为了克服现有技术的上述缺陷，本发明提供一种基于边缘计算的气管插管气囊压力智能护理系统，是通过边缘计算和智能算法，实现气管插管气囊压力的个性化、实时监测和自动调节，解决手动操作的实时性不足和延迟响应问题，减少vap风险，利用患者生理数据进行动态优化，避免气囊压力过高或过低导致的损伤，并通过分布式处理解决数据传输延迟和信息孤岛问题，提升管理的实时性和准确性。
2、为实现上述目的，本发明提供如下技术方案：
3、一种基于边缘计算的气管插管气囊压力智能护理系统，包括数据采集模块、边缘计算设备、通信模块和气囊压力自动调节阀，数据采集模块与边缘计算设备通过通信模块相连，边缘计算设备与气囊压力自动调节阀通过通信模块相连，边缘计算设备对获取的患者生理状态数据进行清洗、去噪和归一化处理，基于处理后的患者生理状态数据，通过预先定义的生理参数和气囊压力调整时间之间的关系函数，获取似然函数，再根据贝叶斯公式更新模型参数的后验分布，从后验分布中采样，获取新的模型参数，再使用采样得到的模型参数，获取预测的气囊压力时间调整范围的期望值和可信区间，然后根据预测的时间范围和当前的生理参数，基于预设的目标函数，获取气囊压力调整预测值，气囊压力自动调节阀根据气囊压力调整时间预测值和气囊压力调整量预测值实时调整与呼吸机相连的气管插管气囊压力，并在预测的气囊压力调整时间预测值内完成气囊压力的调整。
4、作为本发明进一步的方案，数据采集模块包括生理参数监测设备和气囊压力传感器，生理参数监测数据实时获取患者的心率、血氧饱和度、呼吸频率和血压，气囊压力传感器实时监测与呼吸机相连的气管插管气囊压力。
5、作为本发明进一步的方案，边缘计算设备包括数据预处理模块、气囊压力调整参数预测模块和实时决策模块，数据预处理模块与气囊压力调整参数预测模块相连，气囊压力调整参数预测模块与实时决策模块相连。
6、作为本发明进一步的方案，气囊压力调整参数预测模块获取气囊压力调整时间预测值和气囊压力调整量预测值的具体过程包括：
7、步骤1，数据输入：输入预处理后的心率、血氧饱和度、呼吸频率、血压和前一时刻的气囊压力；
8、步骤2，计算似然函数：根据预设的生理参数与气囊调整时间的时间预测函数，获取压力调整预测值的似然函数；
9、步骤3，更新后验证分布：根据贝叶斯公式，更新模型参数后验证压力调整预测值的似然函数概率分布；
10、步骤4，马尔可夫链蒙特卡罗方法采样：使用马尔可夫链蒙特卡罗方法从后验分布中采样，得到一组新的模型参数；
11、步骤5，预测气囊调整时间范围和气囊压力调整值：使用采样得到的模型参数，获取预测的调整时间范围的期望值和可信区间，然后根据预测的调整时间范围和当前的生理参数，通过预设的目标函数预测气囊压力调整预测值。
12、作为本发明进一步的方案，在步骤2中，预设的生理参数与气囊调整时间的时间预测函数由单一影响项和交叉影像项组成，单一影响项考虑每个生理参数对调整时间的独立影响，单一影响项的表达式为：
13、
14、式中：ssingle为单一影响项，k1、k2、k3、k4分别为预处理后的心率、血氧饱和度、呼吸频率、血压；
15、交叉影响项为心率和血氧饱和度的交互项、心率和呼吸频率交互项、心率和血压交互项、血氧饱和度和呼吸频率交互项、血氧饱和度和血压交互项、呼吸频率和血压交互项组成的向量，交叉影响项的表达式为：
16、sinter＝(k1·k2，k1·k3，k1·k4，k2·k3，k2·k4，k3·k4)
17、式中：sinter为交叉影响项。
18、作为本发明进一步的方案，在步骤2中，预设的生理参数与气囊调整时间的时间预测函数由系数矩阵与单一影响项、交叉影响项进行向量运算获得，预设的生理参数与气囊调整时间的时间预测函数公式为：
19、f(k1,k2,k3,k4,θ)＝θsingle·ssingle+θinter·sinter
20、式中：f(k1,k2,k3,k4,θ)为预设的生理参数与气囊调整时间的时间预测函数，θ为系数项，θsingle为单一影响项的系数矩阵，θsingle＝(θ1,θ2,θ3,θ4)，θinter为交叉影响项的系数矩阵，θinter＝(θ5,θ6,θ7,θ8)，θsingle、θinter通过历史数据进行数值分析获得，θ包括θ1、θ2、θ3、θ4、θ5、θ6、θ7、θ8。
21、作为本发明进一步的方案，在步骤2中，气囊压力调整预测值的似然函数为：
22、
23、式中：p(δt|k1,k2,k3,k4,θ)为气囊压力调整预测值的似然函数，δt为气囊压力调整时间，σ为似然函数的标准差。
24、作为本发明进一步的方案，在步骤3中，贝叶斯公式为：
25、p(θ|δt,k1,k2,k3,k4)∝p(δt|k1,k2,k3,k4,θ)·p(θ)
26、式中：p(θ|δt,k1,k2,k3,k4)为更新模型参数的后验分布，p(θ)为模型参数的先验分布。
27、作为本发明进一步的方案，在步骤4中，使用马尔可夫链蒙特卡罗方法从后验分布中采样，得到一组新的模型参数的具体实现流程包括：
28、步骤11，参数初始化：选择系数项的初始值，初始值基于先验分布和经验设置，设置总的迭代次数为生成的样本数量，选择步长参数，控制候选样本的生成范围；
29、步骤12，迭代采样：从当前参数为中心的对称分布中生成新的候选参数，计算后验分布在候选样本和当前样本处的比值，作为接受概率，根据贝叶斯公式，计算后验分布，生成一个随机数，随机数的取值范围为0到1，随机数小于等于接受概率，则接受候选样本，否则拒绝候选样本，保留当前样本；
30、步骤13，重复迭代：重复步骤12，直到达到预定的迭代次数，在每次迭代中记录生成的样本；
31、步骤14，后处理：根据经验确定烧入期的长度，在总样本中将前设定烧入期长度的样本移除，获取新的样本序列，从保留的样本序列中每个设定间隔个样本保留一个，获取间隔采样后的样本序列汇总，形成最终的样本集合，并计算样本集合的均值和方差。
32、作为本发明进一步的方案，步骤5的具体实现流程包括：
33、步骤21，从采样结果中计算期望值：对于从后验分布中采样得到的系数项的参数集，通过预设的生理参数与气囊调整时间的时间预测函数计算每个参数集对应的气囊调整时间；
34、步骤22，计算期望值：利用所有参数集对应的气囊调整时间的均值作为气囊调整时间的均值；
35、步骤23，计算可信区间：计算气囊调整区间的95％可信区间，其中区间的两端分别是第2.5百分位和第97.5百分位的样本值，可信区间的第2.5百分位和第97.5百分位的参数序号不是整数，则取最近的整数位置上的值；
36、步骤24，根据当前生理参数获取气囊压力调整值：根据预设的目标函数公式其中j为目标函数值，在气囊压力变化的约束条件下，使用变分法获取目标函数的最优解p(t)，popt、k1,opt、k2,opt、k3,opt、k4,opt分别为气囊调整压力、心率、血氧饱和度、呼吸频率、血压的理想值，根据专家经验设定，通过动态优化进一步细化气囊压力的调整过程，设定调整量为当前时和前气囊压力调整时间时刻的气囊压力调整值之差为调整量，结合动态优化方法，考虑生理状态参数对调整量的影响，获取气囊压力调整值。
37、作为本发明进一步的方案，步骤24的具体实现流程为：
38、步骤31，问题定义：目标是根据患者的生理状态参数和气囊压力调整时间，获取气囊压力的调整值，使得患者在护理时的舒适度和安全性最大化，同时避免过高或过低的气囊压力；
39、步骤32，目标函数定义：定义目标函数j表示患者的舒适度和安全性，该函数是气囊压力p(t)和生理状态参数的函数；
40、步骤33，约束条件：气囊的变化满足大于等于患者历史数据中统计出来的使患者保持舒适度和安全性的最小值，小于等于患者历史数据中统计出来的使患者保持舒适度和安全性的最大值；
41、步骤34，变分法求解：定义拉格朗日函数λ为拉格朗日乘数，用于构造拉格朗日函数，通过变分法对拉格朗日函数进行求解，获得方程对于p(t)，有α1(p(t)-popt)+λ＝0，则α1为气囊压力调整值对目标函数的影响权重；
42、步骤35，动态优化：通过动态优化进一步细化调整过程，定义调整量δp＝p(t)-p(t-δt)，并结合动态优化方法，考虑生理状态参数对调整量的影响，δp＝β1δt+β2(k1(t)-k1,opt)+β3(k2(t)-k2,opt)+β4(k3(t)-k3,opt)+β5(k4(t)-k4,opt)，β1、β2、β3、β4、β5为优化系数，通过历史数据和实验分析确定。
43、相比于现有技术，本发明的技术效果：本发明是通过引入边缘计算和智能算法，实现了气管插管气囊压力的个性化、实时监测和自动调节，解决了传统护理中手动操作的实时性不足和延迟响应问题，利用数据采集模块实时获取患者的生理状态数据，经过边缘计算设备的清洗、去噪和归一化处理，通过预设的生理参数与气囊压力调整时间之间的关系函数及贝叶斯更新算法，精确预测气囊压力调整的时间和范围，相比于传统方法，有效避免了护理过程中气囊压力过高或过低导致的气管损伤和漏气问题，减少了vap的发生风险，同时，基于患者个体生理状态的数据驱动调节，实现了气囊压力的动态优化，通过边缘计算设备的分布式处理，解决了数据传输延迟和设备间信息孤岛的问题，显著提升了气囊压力管理的实时性和准确性。
1.一种基于边缘计算的气管插管气囊压力智能护理系统，其特征在于，包括数据采集模块、边缘计算设备、通信模块和气囊压力自动调节阀，数据采集模块与边缘计算设备通过通信模块相连，边缘计算设备与气囊压力自动调节阀通过通信模块相连，边缘计算设备对获取的患者生理状态数据进行清洗、去噪和归一化处理，基于处理后的患者生理状态数据，通过预先定义的生理参数和气囊压力调整时间之间的关系函数，获取似然函数，再根据贝叶斯公式更新模型参数的后验分布，从后验分布中采样，获取新的模型参数，在使用采样得到的模型参数，获取预测的气囊压力时间调整范围的期望值和可信区间，然后根据预测的时间范围和当前的生理参数，基于预设的目标函数，获取气囊压力调整预测值，气囊压力自动调节阀根据气囊压力调整时间预测值和气囊压力调整量预测值实时调整与呼吸机相连的气管插管气囊压力，并在预测的气囊压力调整时间预测值内完成气囊压力的调整。
2.根据权利要求1所述的一种基于边缘计算的气管插管气囊压力智能护理系统，其特征在于，数据采集模块包括生理参数监测设备和气囊压力传感器，生理参数监测数据实时获取患者的心率、血氧饱和度、呼吸频率和血压，气囊压力传感器实时监测与呼吸机相连的气管插管气囊压力。
3.根据权利要求2所述的一种基于边缘计算的气管插管气囊压力智能护理系统，其特征在于，边缘计算设备包括数据预处理模块、气囊压力调整参数预测模块和实时决策模块，数据预处理模块与气囊压力调整参数预测模块相连，气囊压力调整参数预测模块与实时决策模块相连。
4.根据权利要求3所述的一种基于边缘计算的气管插管气囊压力智能护理系统，其特征在于，气囊压力调整参数预测模块获取气囊压力调整时间预测值和气囊压力调整量预测值的具体过程包括：
5.根据权利要求4述的一种基于边缘计算的气管插管气囊压力智能护理系统，其特征在于，在步骤2中，预设的生理参数与气囊调整时间的时间预测函数由单一影响项和交叉影像项组成，单一影响项考虑每个生理参数对调整时间的独立影响，单一影响项的表达式为：
6.根据权利要求5所述的一种基于边缘计算的气管插管气囊压力智能护理系统，其特征在于，在步骤2中，预设的生理参数与气囊调整时间的时间预测函数由系数矩阵与单一影响项、交叉影响项进行向量运算获得，预设的生理参数与气囊调整时间的时间预测函数公式为：
7.根据权利要求6所述的一种基于边缘计算的气管插管气囊压力智能护理系统，其特征在于，在步骤2中，气囊压力调整预测值的似然函数为：
8.根据权利要求7所述的一种基于边缘计算的气管插管气囊压力智能护理系统，其特征在于，在步骤3中，贝叶斯公式为：
9.根据权利要求8所述的一种基于边缘计算的气管插管气囊压力智能护理系统，其特征在于，在步骤4中，使用马尔可夫链蒙特卡罗方法从后验分布中采样，得到一组新的模型参数的具体实现流程包括：
10.根据权利要求8所述的一种基于边缘计算的气管插管气囊压力智能护理系统，其特征在于，步骤5的具体实现流程包括：
