具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

如图1所示，本发明公开了一种COPD急性加重并发呼吸衰竭的预测系统，包括数据采集模块、数据处理模块、危险因素获取模块及预测模块。

数据采集模块用于采集样本的临床病例数据，获取慢阻肺急性加重患者电子病历2864份。根据住院期间血气分析情况，将符合II型呼吸衰竭标准的388例患者纳为T2RF组(病例组)，其余2476例患者纳为无T2RF组(对照组)，排除缺失值>30％的指标。

数据处理模块用于接收数据采集模块采集的数据信息，并对数据信息进行统计学分析，获取变量参数。采用SPSS 24.0及R 3.6.1对数据进行统计分析，缺失率≤30％的指标使用missForest算法填补。符合正态分布的计量资料以表示，两组间均数比较采用独立样本t检验，t检验亦称student t检验(Student's t test)，主要用于样本含量较小(例如n<30)，总体标准差σ未知的正态分布。非正态分布的计量资料以M(Q_L，Q_U)表示，两组间比较采用Mann－Whitney U检验(曼-惠特尼秩和检验)，Mann-Whitney U检验属于非参数检验的一种，它假设两个样本分别来自除了总体均值以外完全相同的两个总体，目的是检验这两个总体的均值是否有显著的差别。计数资料以频数或率表示，两组间比较采用χ2检验(卡方检验)，是一种假设检验方法，检验的基本公式为：

A为实际数，T为根据检验假设推断出来的理论数，其获取的特征参数如表1所示。计量数据是血压、身高等数据，可以直接用数据来衡量大小的。计数数据是性别、是否有高血压等数据，是用来衡量数据个数。统计学中的单因素分析结果显示，病例组与对照组中性粒细胞计数，嗜碱性粒细胞计数等20项指标差异有统计学意义，是否吸烟和白细胞计数等13项指标差异无统计学意义，如表1所示。

表1 病例组与对照组AECOPD并发T2RF相关指标统计学分析

危险因素获取模块用于接收变量参数并对变量参数进行回归分析，筛选得到独立危险因素。独立危险因素包括淋巴细胞计数、肌酐、红细胞分布宽度变异系数、平均血红蛋白浓度、血小板平均体积、嗜碱性粒细胞百分比、尿素、谷丙转氨酶及患病时间。危险因素获取模块内设有LASSO模型和多因素logistic回归分析模型，变量参数(即上述的20项指标)先输入LASSO模型内，筛选获得11个变量时，得到效果最佳的模型，如图2所示。将LASSO模型后输出的11个变量输入多因素logistic回归分析模型，多因素logistic回归分析模型输出独立危险因素，得到10项指标(即独立危险因素)具有统计学意义，如表2所示。

表2 AECOPD并发T2RF多因素logistic回归结果

LASSO算法的目标函数：

其中,自变量对于每一个有表示样本编号，i＝1,2，…，m，m为样本总量，j表示自变量，j＝1,2，…，n，m，n均为正整数，y_i为因变量，b为误差项，回归系数w＝(w₁，w₂，…，w_n)^T，λ为调节参数，表示回归系数w的L1惩罚项；

多因素Logistic回归分析：

其中，自变量表示样本编号，n表示自变量总量，Y∈{0，1}是因变量，回归系数β＝(β⁽¹⁾，β⁽²⁾，…，β⁽ⁿ⁾，b)^T，b为偏置，α·β是α和β的内积。

预测模块用于接收独立危险因素，并将独立危险因素作为机器学习算法的输入参数，将是否发生T2RF作为结局事件建立机器学习预测模型，利用机器学习预测模型对接收到的待测者数据进行预测。将2864例样本通过随机数字表分为训练集(2004例)与测试集(860例)，训练集用于变量筛选及模型构建，包含病例组268例(13％)，对照组1736例(87％)；测试集用于验证模型性能，包含病例组120例，对照组740例。训练集用于训练及建立模型，测试集用于验证模型性能，以AUC作为模型性能评判标准。

本发明的一种优选方式中，该预测系统还包括数据填补模块。数据填补模块的输入端与数据采集模块的输出端连接，数据填补模块对缺失率≤30％的数据采用missForest算法进行填补，数据填补模块的输出端与数据处理模块的输入端电性连接。

本发明的一种优选方式中，该预测系统还包括模型评估模块，模型评估模块内存储有额度评估参数：灵敏度、特异度、精度及AUC值，模型评估模块采集预测模型的对应数据，将采集的数据数值与额定评估参数进行对比，得出对比差值，根据对比差值评估预测模型的预测性能。

本发明还提供一种COPD呼吸监测装置，包括本发明的预测系统、呼吸监测机构和头戴式呼吸训练机构。

呼吸监测机构的启动端与预测系统的输出端连接，呼吸监测机构用于采集患者的呼吸频率和患者呼吸图像，呼吸监测机构的输出端电性连接有存储器，用于存储采集的信息。呼吸监测机构包括呼吸频率传感器和摄像头，摄像头的输出端可电性连接显示屏，用于显示图像。

如图3所示，头戴式呼吸训练机构包括定位架(图中未显示)和两根摆动杆1，呼吸监测机构可安装在定位架上。两根摆动杆1的中部通过转轴2安装在定位架上，摆动杆1与转轴2转动连接，转轴2焊接在定位架上。两根摆动杆1交叉设置，两根摆动杆1一侧的端部分别位于人体鼻头的一侧，两根摆动杆1另一侧的端部分别位于人体嘴角的侧边，且此侧两端部间连接有柔性带，柔性带的两端分别与位于嘴角两侧的摆动杆1端部固定连接(如焊接、粘接等)，摆动杆1可设置为两端向中部弯曲的弧形杆。优选摆动杆1的端部均固定连接有推压板3，推压板3位于摆动杆1的下方，推压板3上设有柔性防护层。

两根摆动杆1间连接有控制其摆动角度的控制机构，控制机构包括限位杆5和推送器，控制机构可设置在两个摆动杆1的一侧或两侧。限位杆5位于两个摆动杆1朝向脸部侧边的夹角间，限位杆5的两端分别与两根摆动杆1滑动连接，如滑动杆上开设有滑槽4，而限位杆5的两端固定连接或万向铰接有滑块，滑块与滑槽4滑动连接。推送器的输出端6与限位杆5固定连接，推送器的输出端6垂直于限位杆5，推送器安装在定位架上，推送器可选用气缸或液压缸等。

在患者吸气时，两根摆动杆1的端部分别位于患者鼻头两侧及唇部两侧，柔性带与唇部贴合，对唇部进行遮挡，阻碍患者唇部吸气，辅助患者仅采用鼻腔吸气。而当患者呼气时，两根摆动杆1摆动同时对患者的鼻头部分和唇部进行夹持，使患者的鼻腔封闭，此时而患者的唇部进行受到挤压而缩唇，柔性带辅助患者缩唇呼气。

本发明的一种优选方式中，该COPD呼吸监测装置还包括警报器(图中未显示)，警报器的输入端与呼吸监测机构的输出端电性连接，警报器用于发出警报信号。警报器可选用蜂鸣器或LED灯等，警报器可安装在定位架上或医护人员的办公区域内。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。