数据驱动的间歇低氧训练贝叶斯优化决策方法
青藏地区快速的经济发展使得进入高原的群体数量日益增加,随之而来的高原健康问题也愈发突出.间歇性低氧训练(Intermittent hypoxic training,IHT)是急进高原前常使用的预习服方法,一般针对不同个体均设置固定的开环策略,存在方案制定无标准、系统化的理论指导缺乏、效果不明显等问题.针对以上情况,设计了一种小样本数据驱动的IHT策略贝叶斯闭环学习优化框架,建立自回归结构的高斯过程血氧饱和度(Peripheral oxygen saturation,SpO2)预测模型,并考虑高低风险事件对训练的影响,设计与氧浓度变化方向和速率相关的风险不对称代价函数,提出具有安全约束的贝叶斯优化方法,实现IHT最优供氧浓度的优化决策.考虑到现有仿真器无法反映个体动态变化过程,依据"最优速率理论"设计了合理的模型自适应变化律.所提出闭环干预方法通过该仿真器进行了可行性和有效性验证.说明该学习框架能够指导个体提升高原适应能力,减轻其在预习服阶段的非适应性不良反应,为个性化IHT提供精准调控手段.
数据驱动控制、高斯过程、贝叶斯优化、风险不对称代价函数、高原适应能力提升、间歇性低氧训练
49
G804.7;C934;G645.5
2023-08-28(万方平台首次上网日期,不代表论文的发表时间)
共12页
1667-1678