基于深度学习的高空飞行呼吸特性参数分析与呼吸变化趋势预测的方法及系统

本发明涉及机器学习、人工智能领域，特别是涉及一种基于深度学习的高空飞行呼吸特性参数分析与呼吸变化趋势预测的方法及系统。

背景技术：

1、高空气压环境因素对人类的飞行活动影响是巨大的，因为它们的改变能引起人体一系列的呼吸方面的生理反应，其中强烈者或作用时间过长、变化过快都将会造成人体反应剧烈的生理效应。而对于高空飞行来说，当超过飞行员的耐受极限时，就会导致飞行失能而影响飞行员的飞行操纵。更严重的是，气压环境的改变致使人体呼吸产生病理变化，或招致功能性影响，甚至是器质性损害。

2、在高空飞行中，航空氧气面罩为避免高空缺氧的威胁，保证飞机员飞行安全起到了难以估量的作用。在氧气面罩诸多任务中，最重要的一项即为记录飞行员呼吸信号。因此，对呼吸信号进行连续监测和自动分析，了解人体呼吸的变化趋势，通过变化趋势主动预测人体的后续呼吸过程，实现对人体呼吸气的主动调节，不仅可以提高正压氧气呼吸面罩的氧气利用率，也可以提高氧气面罩佩戴舒适性，同时也是实现呼吸防护的关键，这对保障飞行员战斗力的恢复与维持，精准监测呼吸生理情况具有重要参考意义。同时，对呼吸特性参数的分析与变化趋势的预测，也为智能呼吸监控系统和智能呼吸防护系统的建立提供及时有效的依据和决策支持，具有重大现实应用意义。

技术实现思路

1、本发明所要解决的技术问题：为解决高空呼吸监测问题，利用压力传感器与位移传感器来采集呼吸数据，建立基于呼吸特征学习和自适应预测算法对人体后续呼吸过程的主动预测模型，揭示呼吸的变化趋势，实现对呼吸主动调节的目标，为飞行员高空飞行的呼吸信号监测和调节提供规范化参考。

2、本发明为解决以上技术问题而采用以下技术方案：

3、本发明提出一种基于深度学习的高空飞行呼吸特性参数分析与变化趋势预测方法，包括：

4、步骤s1、采集高空飞行时飞行员的呼吸数据并提取相关时间序列波形参数特征；

5、步骤s2、对步骤s1提取的参数特征进行典型相关分析，然后进行包括手工提取特征和stft变换深度学习提取特征两种模式下的特征融合，通过预测分析获得人体呼吸特性变换曲线；

6、步骤s3、将呼吸参数序列的各个特征向量通过滑动窗口的方式转化为深度学习网络的输入和输出，然后采用深度学习网络cnn进行数据建模和预测，获得呼吸变化主动预测模型；

7、步骤s4、基于呼吸变化主动预测模型进一步建立基于门控循环单元gru的呼吸指标预测模型，并使用迭代预测的方式获得更长期的预测拟合结果，用于飞行员高空飞行的呼吸信号监测和调节。

8、本发明还提出一种基于深度学习的呼吸特性参数分析与变化趋势预测系统，包括：

9、特征提取模块，用于采集高空飞行时飞行员的呼吸数据并提取相关时间序列波形参数特征；

10、分析融合模块，用于对提取的参数特征进行典型相关分析，然后进行包括手工提取特征和stft变换深度学习提取特征两种模式下的特征融合，通过预测分析获得人体呼吸特性变换曲线；

11、深度学习模块，用于将呼吸参数序列的各个特征向量通过滑动窗口的方式转化为深度学习网络的输入和输出，然后采用深度学习网络cnn进行数据建模和预测，获得呼吸变化主动预测模型；

12、预测调节模块，用于基于呼吸变化主动预测模型进一步建立基于门控循环单元gru的呼吸指标预测模型，并使用迭代预测的方式获得更长期的预测拟合结果，用于飞行员高空飞行的呼吸信号监测和调节。

13、本发明还提出一种电子系统，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明所提出的方法。

14、最后，本发明提出一种存储有计算机指令的计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行本发明所提出的方法。

15、本发明采用以上技术方案，与现有技术相比所具有的有益技术效果为：

16、本发明采用压力传感器与位移传感器来收集呼吸数据，利用人工智能算法分析呼吸信号进而准确有效地对呼吸变化趋势进行预测，揭示呼吸的变化趋势，实现对呼吸主动调节的目标，这将对航天发展中飞行员高空飞行的呼吸信号监测和调节提供重要指引作用；同时也可为智能呼吸监控系统和智能呼吸防护系统的建立提供及时有效的依据和决策支持，具有重大的现实应用意义。

技术特征：

1.一种基于深度学习的高空飞行呼吸特性参数分析与变化趋势预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，步骤s1中，根据压力传感器与位移传感器采集呼吸数据，其中压力传感器用于采集气道通气压力的信号，通过压差管采集患者在呼吸时的压差信号，以此来作为呼吸检测的前端信号。

3.根据权利要求1所述的方法，其特征在于，步骤s2中进行典型相关分析时，首先采用时域分析方法对呼吸模式进行研究，其次采用频域分析方法对呼吸信号进行小波变换和傅立叶变换，提取出相应特征并对呼吸信号进行谱分析，计算窗口信号的谱参数；然后将各条呼吸信号的手动提取特征与深度学习特征按编号对应进行汇总排列，得到若干特征组成的数据矩阵并送入模型中进行回归预测，获得人体呼吸特性变换曲线。

4.根据权利要求1或3任一所述的方法，其特征在于，在步骤s2中进行特征融合时，对呼吸信号中截取的片段进行一一编号，采用噪声去除和倒置修正方法对信号进行预处理。

5.根据权利要求1或3任一所述的方法，其特征在于，步骤s2进行特征融合的方式为分类前融合，对各类特征首先进行合并归纳，其次将融合后的特征整体作为一个特征矩阵，使用机器学习算法分类模型进行分类，从而得到融合模型的实验结果。

6.根据权利要求1或3任一所述的方法，其特征在于，步骤s3中所采用的深度学习网络为深度卷积神经网络，在深度学习特征部分，采用呼吸信号stft变换时域图为深度学习特征提取的模型，将呼吸信号stft变换时域图经深度卷积神经网络，在最终进行softmax分类操作前将其导出，得到128维的呼吸信号深度学习特征，其中将原网络中最后一层即softmax层去除，将全连接层将直接作为向量输出，由修改的网络得到的向量即为信号的深度学习特征。

7.根据权利要求6所述的方法，其特征在于，在步骤s4中所述建立基于门控循环单元gru的呼吸指标预测模型，在该gru神经网络训练数据中涉及多个超参数的设定，包括：神经元数量m、时间步长t、批处理大小batch size；其中神经元数量决定了神经网络的拟合程度，时间步长和批处理大小直接影响模型训练的结果；通过对比归一化氧气入口压力、归一化位移数据，预测氧气出口压力、氧气出口压力标签预测指标，获得模型中更加准确的预测呼吸节律。

8.一种基于深度学习的高空飞行呼吸特性参数分析与变化趋势预测系统，其特征在于，包括：

9.一种电子系统，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，其特征在于，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任意一项所述的方法。

10.一种存储有计算机指令的计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7任意一项所述的方法。

技术总结
本发明提出一种基于深度学习的高空飞行呼吸特性参数分析与呼吸变化趋势预测的方法及系统，基于深度学习的呼吸特性参数分析与变化趋势预测模型，根据压力传感器与位移传感器采集的呼吸数据来提取相关时间序列波形参数特征，然后通过呼吸特征设计基于判别典型相关分析的多模式下的特征融合算法，预测人体呼吸特性的变化趋势。同时，为了实现呼吸变化趋势的预测，本发明将呼吸参数序列的各个特征向量通过滑动窗口的方式转化为网络的输入和输出，然后采用深度学习网络进行数据建模和预测，并使用迭代预测的方式获得较长期的预测拟合结果，最终建立了基于深度学习的呼吸指标预测模型，为飞行员高空飞行的呼吸信号监测和调节提供规范化参考。

技术研发人员：李钰雯,郑嘉硕
受保护的技术使用者：东南大学
技术研发日：
技术公布日：2024/1/15