一种高原预习服的低氧闭环干预系统

1.本发明属于急性高原病干预技术领域，具体涉及一种高原预习服的低氧闭环干预系统。

背景技术：

2.我国高原主要分布在西藏、青海、内蒙古和云南等地区，海拔3000m以上的高原和高山地区占我国国土总面积的1/6，其中，以青藏高原为主的高海拔地区还具有重要的军事、经济和社会战略地位。随着我国高原地区旅游业的发展以及铁路等基础建设的完善，急进青藏高原的人数日益增加，然而，高原缺氧低氧、干燥寒冷、紫外线辐射等一系列恶劣环境严重影响着人们的身体健康。特别地，急性高原病是高原特发病症之一，当个体快速上升到海拔约2500米及以上的高原地区所出现的一系列包括头痛、恶心、呕吐和失眠等不适症状统称为急性高原病(acute mountain sickness，ams)，严重限制着高原的人员流入量且影响着人们在高原地区的正常生活，因此，如何通过训练策略和技术手段改善个体高原适应性，提高低氧耐受能力这一问题具有重要意义。
3.间歇性低氧训练(intermittent hypoxia training，iht)是一种通过周期性低氧刺激，使得机体组织发生一系列复杂适应性变化的训练方法，能有效改善机体的高原环境适应能力。在训练期间，关键的连续生理指标可通过可穿戴设备进行实时检测与记录，并被利用以评估训练程度和低氧适应能力，其中，血氧饱和度被公认为最直接且最有效的生理指标，其次是心率，大量医学研究均使用这两种指标作为高原环境适应能力的评判标准(m.faulhaber,m.wille,h.gatterer,d.heinrich,and m.burtscher,“resting arterial oxygen saturation and breathing frequency as predictors for acute mountain sickness development:a prospective cohort study,”sleep and breathing,vol.18,no.3,pp.669
–
674,2014.)。考虑到现有评估手段大多采取稳定状态下单次测量的生理参数值来反映低氧适应能力，存在受干扰大，准确性低等特点，且各研究结果具有不一致性。考虑到这一点，一种基于iht中监控的动态数据的动态血氧指标(dynamic spo
2 index，dsi)被提出(j.chen,y.tian,g.zhang,z.cao,l.zhu and d.shi,"iot-enabled intelligent dynamic risk assessment of acute mountain sickness:the role of event-triggered signal processing,"in ieee transactions on industrial informatics.)，用于评估个体是否适合上高原。
4.值得注意的是，iht的有效程度取决于所制定的训练协议，在个体可承受范围内，低氧刺激强度较大，持续时间较长能更有效地提高适应能力，但若所设置强度超过了可承受范围，则会适得其反，甚至造成不可逆转的损伤。现有基于iht开展的高原病研究仅局限于对低氧耐受能力的评估及其适应性改善能力进行探索，尚未考虑到如何设计优化决策算法来动态调整iht训练策略，实现低氧环境快速适应，提高上高原能力。具体地，在一次iht期间，所采用的低氧策略是固定的，因此训练本质上是基于开环的结构，不存在根据评估结果有效调整策略的反馈环节。考虑到个体间与个体内具有特异性，采用相同的固定输氧协
议可能对所有个体不具有普适性，因此，如何设计系统化、个性化的闭环干预策略，使得个体在动态调节的iht训练策略下实现最快最优高原适应能力增强这一研究势在必行。
5.虽然闭环控制在糖尿病血糖调控(shi d,dassau e,doyle fj.adaptive zone model predictive control of artificial pancreas based on glucose-and velocity-dependent control penalties.ieee trans biomed eng.2019apr；66(4):1045-1054.)等多个医学问题中得到了有效应用，然而，如何从高原健康工程角度出发，设计有效的闭环干预方法尚不清楚。

技术实现要素：

6.有鉴于此，为加速个体在平原地区进行iht的训练周期，提高低氧耐受能力并降低患ams的风险，本发明提供了一种高原预习服的低氧闭环干预系统，该系统能够输出iht的最优控制策略，以提高高原适应能力的快速性和有效性。
7.实现本发明的技术方案如下：
8.一种高原预习服的低氧闭环干预系统，包括个体化预测模型学习模块、代价函数与约束设计模块及贝叶斯优化模块；
9.个体化预测模型学习模块，内置有基于间歇性低氧下的血氧饱和度与输氧浓度之间的响应规律模型，用于对血氧饱和度进行预测；
10.代价函数与约束设计模块，内置有代价函数和约束条件，所述代价函数为：基于所述血氧饱和度预测值构建以低氧刺激源关键因素为变量的代价函数，所述约束条件为：基于人体生理限制设置；
11.贝叶斯优化模块，用于解算代价函数与约束设计模块中的约束优化，得到下一个iht周期中理论最优的低氧刺激策略，以控制iht的刺激源(可包括低氧刺激强度、低氧刺激时间以及氧气波形等关键因素，以提高高原适应能力的快速性和有效性)。
12.进一步地，本发明所述模型为基于iht期间所监测的输氧浓度及其对应的血氧饱和度数据作为样本，通过训练获得。
13.进一步地，针对日iht的每一周期，在k+j时刻，以所输入的低氧浓度、低氧段持续时间以及前l个血氧饱和度数据组成的序列段为训练输入，第k+j+1个血氧饱和度值作为训练输出，建立数据驱动的血氧饱和度高斯过程模型，基于该模型进行第k+j+1个数据点的预测；令k＝k+1，在k+j时刻得到第k+j+2个数据点的预测模型，重复上述步骤，获得一组血氧饱和度预测向量s
p
。
14.进一步地，本发明所述代价函数为：
[0015][0016]
其中，γ为个体化系数，q为惩罚矩阵，e[
·
]表示数学期望，r1和r2为惩罚项系数，和分别为上一日iht设置的参数，sr为由血氧饱和度目标控制值所组成的常值向量，s
p
为个体化预测模型学习模块所获得的预测向量。
[0017]
进一步地，本发明所述安全约束包括对血氧饱和度波动限制、低氧浓度输入限制以及一个周期内的低氧持续时长限制。
[0018]
进一步地，本系统还包括：训练效果评估模块，用于评估预习服效果是否达到所要求的水平，若尚未达到，则继续训练，若已达到，则结束训练。
[0019]
进一步地，所述训练效果评估模块，在每一次训练后，利用iht所记录的数据计算动态评估指标，并与上一次指标结果进行比对，用于评估预习服效果是否达到所要求的水平；所述训练效果评估模块，用于将第一日的iht指标与最后一日iht的动态评估指标进行比较，以评判整体的预习服效果。
[0020]
有益效果：
[0021]
(1)本发明的个体化预测模型学习模块利用一日iht中的多个低氧周期进行高斯过程建模，能够充分挖掘数据信息并出关键特征用于决策优化。
[0022]
(2)本发明的代价函数与安全约束模块中的约束部分考虑了人体生理限制，将血氧饱和度和供氧浓度与时长控制在可承受范围之内，在加速高原习服的同时避免个体造成由于缺氧导致不可逆转损伤。
[0023]
(3)本发明贝叶斯优化模块可用于多种复杂代价函数的优化求解，包括无闭式解、代价函数为非凸函数或者计算量大的情况，具有一定的普适性，便于测试多个代价函数效果。
[0024]
(4)本发明是一次将iht从开环结构变为闭环结构的转变，一定程度上解决了当前通过iht进行高原预习服无指导性和方向性的问题。考虑到个体间的特异性，在iht采用同一刺激强度会出现不同的反应，部分受试者可能会存在越训练效果越差的情况，采取闭环干预后，该系统允许依据每一个体的不同监测情况进行实时反馈，智能化地优化下一次给氧策略，有效实现个性化最优训练，改善预习服效果。
附图说明
[0025]
图1是本发明各模块之间的关系图。
[0026]
图2是采用贝叶斯优化进行调控策略决策的算法流程图。
[0027]
图3是人体通过本发明进行闭环调控的步骤流程图。
具体实施方式
[0028]
下面结合附图并举实施例，对本发明进行详细描述。
[0029]
本发明的设计思想为：在平原环境下，利用一日iht期间所设定的供氧数据以及实时监测的血氧饱和度数据进行个体化高斯过程预测模型的学习，在满足安全约束的前提下，采用贝叶斯优化算法计算所设计最优问题，以获得下一日iht的最优供氧策略，重复上述步骤，可在每一次训练后计算iht的动态评估指标，并将其与上一次训练指标进行比较，用于量化训练效果并指导训练策略的改进。
[0030]
一种高原预习服的低氧闭环干预系统，包括个体化预测模型学习模块、代价函数与约束设计模块及贝叶斯优化模块，各部分之间关系图和结构示意图分别如图1所示，其中，
[0031]
个体化预测模型学习模块，基于间歇性低氧iht期间所监测的输氧浓度及对应的血氧饱和度连续记录的历史数据，学习间歇性低氧下的血氧饱和度响应规律，利用所述相应规定实现在线迭代输氧浓度预测。
[0032]
在具体实施时：高原预习服期间，训练对象每日进行一小时iht，共进行n天。在第i日中，对训练对象进行周期性供氧，摄入浓度呈方波波形，包括浓度为持续秒的低氧输送阶段和浓度为持续秒的高浓度氧气输送阶段。iht期间训练对象佩戴血氧计以测量血氧饱和度(spo2)，采样时间ts＝1秒。
[0033]
考虑方波周期t
p
、高氧浓度和持续时长固定不变的情况。为便于描述，省略变量中表示第i日的上角标。给定低氧浓度初始值初始低氧持续时长训练一小时后得到随氧气方波成周期规律波动的血氧饱和度数据，按周期划分为n段数据。针对一段周期数据，建立自回归模型以描述低氧下的血氧饱和度波动，对于每一时刻t+j，形式如下：
[0034][0035]
其中，t表示为从高氧模式转换为低氧模式的时刻，ω表示高斯白噪声，s为血氧饱和度测量值，l为自回归模型阶数。
[0036]
基于此，假设每一段周期数据在同一t+j时刻的血氧饱和度动力学属于同一自回归结构，即具有相同的f
t+j
(
·
)。针对t+j时刻的自回归结构进行高斯过程训练，将氧气浓度z
t+j-1
作为训练输入，血氧饱和度s
t+j
作为训练输出，每一周期序列中存在一个训练样本，一日iht中的n个样本组成学习样本集。同样地，针对t+j+1时刻重复上述建模操作，共可得到t
p-t个高斯过程回归模型gp1，gp2，
…
，
[0037]
接下来对低氧段每一时刻的血氧饱和度进行逐一预测。当j＝1时，给定高氧浓度下的血氧饱和度值以及低氧浓度c1和低氧持续时长t1，代入到gp1中得到血氧饱和度t+1时刻的预测值s
′
t+1
，随后，j＝j+1时，将s
′
t+1
更新至z
t+j-1
中，基于gp2得到t+2时刻的预测值s
′
t+2
，重复上述步骤，最终得到一预测向量，即为并满足后续将该向量运用至代价函数中。值得注意的是，在实际计算中，低氧浓度c1和低氧持续时长t1是待优化的未知变量，即得到的这一组血氧饱和度预测序列实际上是与变量c1和t1有关的未确定值，组成代价函数的一部分并通过优化后得到理论值。
[0038]
代价函数与约束设计模块，基于个体化预测模型学习模块输出的血氧饱和度预测值构建以低氧刺激源关键因素为变量的代价函数，并结合人体生理限制设计安全约束。
[0039]
依据个体化预测模型学习模块中所得到的预测向量s
p
可设计如下代价函数
[0040][0041]
s.t.c
1,min
≤c1≤c
1,max
[0042]
t
1,min
≤t1≤t
1,max
[0043][0044]
其中，γ为个体化系数，q为惩罚矩阵，e[
·
]表示数学期望，r1和r2为惩罚项系数，和分别为上一日iht设置的参数，sr为由血氧饱和度目标控制值所组成的常值向量。
[0045]
此外，考虑到当低氧刺激超过人体当前可承受的生理范围时，会造成难以逆转的损伤，安全约束包括对血氧饱和度下限限制、低氧浓度输入限制以及一个周期内的低氧持续的时长限制。
[0046]
贝叶斯优化模块，用于解算代价函数与约束设计模块中的约束优化问题，得到下一个iht周期中理论最优的低氧刺激策略。
[0047]
首先利用高斯过程拟合式(2)中决策变量c1、t1与代价函数γ(c1,t1)之间的映射关系。具体地，选取合适的均值和协方差函数，给定m个代价函数观测样本d
1:m
＝{c
1:m
,t
1:m
,γ(c
1:m
,t
1:m
)}，通过最大化后验概率以确定高斯过程的超参数，并预测c1、t1对应的代价函数值γ(c1,t1)。所预测的代价函数值将被用于采集函数的构建，确定下一次的决策变量值。在确定下一次的低氧浓度和低氧持续时长后，利用蒙特卡洛方法来估算对应的代价函数观测值，给定一优化后的浓度值和持续时长后，基于个体化预测模型学习模块中公式(1)的方法得到低氧段血氧饱和度的预测值及其概率分布，独立生成h条血氧饱和度的轨迹样本并计算对应代价函数的均值，该均值即这一给定低氧浓度值和持续时长下的代价函数观测值将该样本加入至d
1:m
，重复上述步骤，继续训练高斯过程，预测代价函数值并确定决策变量值，最终选择代价函数所有观测值的最小值对应的决策变量值作为最后求解的结果。贝叶斯优化具体算法流程如图2所示。
[0048]
本系统还包括训练效果评估模块，
[0049]
训练效果评估模块，用于评估预习服效果是否达到所要求的水平，若尚未达到，则继续训练，若已达到，则结束训练。
[0050]
利用第一日iht所记录的数据计算动态评估指标，并与最后一日iht的动态评估指标进行比较，以评判预习服效果。所述动态评估指标可采用(j.chen,y.tian,g.zhang,z.cao,l.zhu and d.shi,"iot-enabled intelligent dynamic risk assessment of acute mountain sickness:the role of event-triggered signal processing,"in ieee transactions on industrial informatics.)中设计的鲁棒dsi指标，定义为低浓度供氧阶段时，血氧饱和度下降到85％所需要的时间。人体通过本发明进行闭环调控的步骤流程图如图3所示。
[0051]
本发明提出了一种高原预习服的低氧闭环干预系统，利用数据驱动方法，挖掘受试者iht期间血氧监测和低氧输入数据所蕴含的关键特征信息，建立高斯过程血氧饱和度预测模型，以长时间低氧状态下的血氧饱和度最大化为优化标准设计代价函数，并通过贝叶斯优化方法进行解算，确定下一日iht的低氧刺激模式，采用动态血氧指标判定改善效果并指导下一次的优化决策。
[0052]
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种高原预习服的低氧闭环干预系统，其特征在于，包括个体化预测模型学习模块、代价函数与约束设计模块及贝叶斯优化模块；个体化预测模型学习模块，内置有基于间歇性低氧下的血氧饱和度与输氧浓度之间的响应规律模型，用于对血氧饱和度进行预测；代价函数与约束设计模块，内置有代价函数和约束条件，所述代价函数为：基于所述血氧饱和度预测值构建以低氧刺激源关键因素为变量的代价函数，所述约束条件为：基于人体生理限制设置；贝叶斯优化模块，用于解算代价函数与约束设计模块中的约束优化，得到下一个iht周期中理论最优的低氧刺激策略，以控制iht的刺激源。2.根据权利要求1所述高原预习服的低氧闭环干预系统，其特征在于，所述模型为基于iht期间所监测的输氧浓度及其对应的血氧饱和度数据作为样本，通过训练获得。3.根据权利要求1所述高原预习服的低氧闭环干预系统，其特征在于，针对日iht的每一周期，在k+j时刻，以所输入的低氧浓度、低氧段持续时间以及前l个血氧饱和度数据组成的序列段为训练输入，第k+j+1个血氧饱和度值作为训练输出，建立数据驱动的血氧饱和度高斯过程模型；令k＝k+1，在k+j时刻得到第k+j+2个数据点的预测模型，重复上述步骤，获得一组血氧饱和度预测向量s
p
。4.根据权利要求1或3所述高原预习服的低氧闭环干预系统，其特征在于，所述代价函数为：其中，γ为个体化系数，q为惩罚矩阵，e[
·
]表示数学期望，r1和r2为惩罚项系数，和分别为上一日iht设置的参数，s
r
为由血氧饱和度目标控制值所组成的常值向量，s
p
为个体化预测模型学习模块所获得的预测向量。5.根据权利要求1所述高原预习服的低氧闭环干预系统，其特征在于，所述约束条件包括对血氧饱和度波动限制、低氧浓度输入限制以及一个周期内的低氧持续时长限制。6.根据权利要求1所述高原预习服的低氧闭环干预系统，其特征在于，本系统还包括：训练效果评估模块，用于评估预习服效果是否达到所要求的水平，若尚未达到，则继续训练，若已达到，则结束训练。7.根据权利要求6所述高原预习服的低氧闭环干预系统，其特征在于，所述训练效果评估模块，在每一次训练后，利用iht所记录的数据计算动态评估指标，并与上一次指标结果进行比对，用于评估预习服效果是否达到所要求的水平；所述训练效果评估模块，用于将第一日的iht指标与最后一日iht的动态评估指标进行比较，以评判整体的预习服效果。

技术总结

本发明提供一种高原预习服的低氧闭环干预系统，属于急性高原病干预技术领域，该系统包括个体化预测模型学习模块、代价函数与约束设计模块及贝叶斯优化模块；个体化预测模型学习模块，内置有基于间歇性低氧下的血氧饱和度与输氧浓度之间的响应规律模型，用于对血氧饱和度进行预测；代价函数与约束设计模块，内置有代价函数和约束条件，所述代价函数为：基于所述血氧饱和度预测值构建以低氧刺激源关键因素为变量的代价函数，所述约束条件为：基于人体生理限制设置；贝叶斯优化模块，用于解算代价函数与约束设计模块中的约束优化，得到下一个IHT周期中理论最优的低氧刺激策略，以控制IHT的刺激源。制IHT的刺激源。制IHT的刺激源。