一種基于深度學習的無創人體核心溫度預測方法及系統

本技術涉及智能防護，特別涉及一種基于深度學習的無創人體核心溫度預測方法及系統。

背景技術：

1、連續監測人體核心溫度對于評估劇烈工作期間，人體的熱應激反應至關重要。盡管個人生理監測技術已經進步到可以借助多參數傳感器系統在多種環境中進行長時間數據采集，但精確測量核心體溫依然面臨挑戰。

2、目前，利用肺動脈溫度進行的醫療級核心溫度測量僅限于臨床使用。而傳統上在實驗室采用的直腸和食管探針方法，對于需要動態監測的環境顯得不夠使用。相比之下，使用核心溫度膠囊在實際作業環境中具有更高的有效性和實用性，但這種方法仍存在一定局限：首先，因為醫療禁忌，核心溫度膠囊不是所有人都適合使用；其次，在飲用過冷或過熱的液體后，其測量結果可能不準確。

3、因而，亟需提供一種針對上述現有技術不足的技術方案。

技術實現思路

1、本技術的目的在于提供一種基于深度學習的無創人體核心溫度預測方法及系統，以解決或緩解上述現有技術中存在的問題。

2、為了實現上述目的，本技術提供如下技術方案：

3、本技術提供一種基于深度學習的無創人體核心溫度預測方法，包括：步驟s101、基于人工環境實驗艙在模擬環境下進行暖體假人實驗，構建人體熱反應數據集，以反演所述人體熱反應數據集中的皮膚模擬溫度、模擬心率和核心模擬溫度之間的回歸模型；步驟s102、基于所述回歸模型，通過深度學習算法自動調整卡爾曼濾波器中的模型參數；步驟s103、基于模型參數調整后的卡爾曼濾波器，對實時采集的目標個體的實測數據進行優化矯正，得到所述目標個體的實測矯正數據；其中，所述實測數據包括皮膚溫度和心率數據，所述實測矯正數據包括皮膚溫度矯正數據和心率矯正數據；步驟s104、根據所述目標個體的心率矯正數據和皮膚溫度矯正數據，基于長時序預測網絡的核心溫度預測模型，對所述目標個體的核心溫度進行預測。

4、優選的，步驟s101中，根據所述人體熱反應數據集，反演所述核心模擬溫度與所述模擬心率、所述皮膚模擬溫度、所述環境模擬參數之間的回歸模型：

5、

6、式中，為所述核心模擬溫度，為所述皮膚模擬溫度，為所述模擬心率，為人體的模擬新陳代謝率；為所述環境模擬參數；均為反演系數。

7、優選的，步驟s102中，所述基于所述回歸模型，通過深度學習算法自動調整卡爾曼濾波器中的參數，包括：基于所述回歸模型，構建所述卡爾曼濾波器的樣本數據集；其中，所述樣本數據集中包括：皮膚樣本溫度、樣本心率和核心樣本溫度；根據所述樣本數據集，基于深度學習算法，對卡爾曼濾波函數通過最小化預測誤差的方法，自動調整所述卡爾曼濾波器中的模型參數。

8、優選的，步驟s103中，按照公式：

9、

10、確定所述目標個體的實測矯正數據；

11、式中，為所述目標個體在當前時刻的先驗狀態估計，為狀態轉移矩陣，為所述目標個體在時刻的后驗狀態估計，為控制矩陣，為控制輸入；為所述目標個體在當前時刻的后驗狀態估計，為卡爾曼增益，為當前時刻的實測數據，為觀測模型矩陣；為后驗估計協方差矩陣，為先驗估計協方差矩陣；為觀測噪聲的協方差矩陣。

12、優選的，步驟s104中，通過嵌入層將所述實測矯正數據轉化為嵌入向量，作為所述核心溫度預測模型得輸入特征序列，并基于probsparse自注意力機制，計算所述輸入特征序列的注意力權重，以預測所述目標個體的核心溫度。

13、優選的，所述通過嵌入層將所述實測矯正數據轉化為嵌入向量，包括：對所述實測矯正數據進行數據清洗；對所述數據清洗后數據進行特征選擇，并對特征選擇的數據進行編碼轉換，得到數值型編碼數據；基于所述長時序預測網絡的嵌入層，初始化嵌入矩陣，將所述編碼數據轉化為所述嵌入向量。

14、優選的，所述對特征選擇的數據進行編碼轉換，包括：基于獨熱編碼或標簽編碼，對特征選擇的數據進行編碼轉換。

15、優選的，步驟s104中，按照公式：

16、

17、計算所述輸入特征序列的注意力權重；式中，為所述輸入特征序列的查詢矩陣，為與所述查詢矩陣相匹配的鍵矩陣，為所述輸入特征序列的值矩陣，為所述輸入特征序列的維度；其中，根據所述輸入特征序列，基于稀疏性測量構建所述查詢矩陣。

18、優選的，所述根據所述輸入特征序列，基于稀疏性測量構建所述查詢矩陣包括，按照公式：

19、

20、確定所述查詢矩陣中的第個查詢向量的稀疏性測量；

21、其中，所述查詢向量通過對第個所述輸入特征序列進行線性變換得到；為所述鍵矩陣中的向量數量，，均為正整數；為所述鍵矩陣中第個向量。

22、本技術實施例還提供一種基于深度學習的無創人體核心溫度預測系統，包括：模擬回歸單元，配置為基于人工環境實驗艙在模擬環境下進行暖體家人實驗，構建人體熱反應數據集，以反演所述人體熱反應數據集中的皮膚模擬溫度、模擬心率和核心模擬溫度之間的回歸模型；

23、濾波器參數調整單元，配置為基于所述回歸模型，通過深度學習算法自動調整卡爾曼濾波器中的模型參數；

24、目標數據矯正單元，配置為基于模型參數調整后的卡爾曼濾波器，對實時采集的目標個體的實測數據進行優化矯正，得到所述目標個體的實測矯正數據；其中，所述實測數據包括皮膚溫度和心率數據，所述實測矯正數據包括皮膚溫度矯正數據和心率矯正數據；

25、核心溫度預測單元，配置為根據所述目標個體的心率矯正數據和皮膚溫度矯正數據，基于長時序預測網絡的核心溫度預測模型，對所述目標個體的核心溫度進行預測。

26、有益效果

27、本技術實施例提供的基于深度學習的無創人體核心溫度預測方法中，首先，基于人工環境實驗艙在模擬環境下進行暖體假人實驗，構建人體熱反應數據集，以反演人體熱反應數據集中的皮膚模擬溫度、模擬心率和核心模擬溫度之間的回歸模型；并基于回歸模型，通過深度學習算法自動調整卡爾曼濾波器中的模型參數；然后，基于模型參數調整后的卡爾曼濾波器，對實時采集的目標個體的實測數據進行優化矯正，并根據優化矯正得到的目標個體的實測矯正數據，基于長時序預測網絡的核心溫度預測模型，對目標個體的核心溫度進行預測。

28、籍以，通過在人工環境實驗艙內的模擬實驗，收集覆蓋不同生理狀態、環境條件下的人體的生理模擬數據，據此建立皮膚溫度、心率、核心溫度之間的回歸模型，并通過回歸模型計算能夠全面覆蓋不同年齡、性別、環境等條件下的樣本數據集，以根據樣本數據集通過深度學習算法對卡爾曼濾波器的模型參數進行自動調整，使模型參數調整后的卡爾曼濾波器具有更廣泛的適用性和更高的精確度；借助具有廣泛適用性和更高精確度的卡爾曼濾波器對目標個體的實測皮膚溫度和實測心率數據進行矯正，并通過矯正后的皮膚溫度和心率數據，基于長時序預測網格對目標個體的核心溫度進行預測，有效避免獲取人體核心溫度時對人體的侵入式測量，實現無需直接侵入人體而通過人體的皮膚溫度和心率即可精確預測獲取人體核心溫度，降低人體核心溫度測量時的難度，以支撐人體熱應激預警響應和輔助決策。