CN113611414B - 急性高原病动态监测与性能评价方法及系统 - Google Patents

Abstract

本发明公开了一种急性高原病动态监测与性能评价方法及系统，通过采集间歇性低氧训练的生理数据，数据预处理，慢特征提取及频域分析，最终获得高原病预测指标，本发明将性能监控技术结合信号处理应用于低氧耐受能力动态性能评估中，利用间歇性低氧训练时间序列数据的慢速特征及其频谱特征表示人体低氧耐受能力适应程度，提出了一种有效的高原病风险预测指标。

Description

急性高原病动态监测与性能评价方法及系统

技术领域

本发明属于高原病风险评估与预防的技术领域，具体涉及一种急性高原病动态监测与性能评价方法及系统。

背景技术

急性高原病(acute mountain sickness，AMS)是高原特发病症之一，其发病率高、危害大，严重影响快速进入高海拔地区人群健康和生命安全。当人在短时间内进入更高海拔地区时，低压低氧的环境会导致头痛、厌食、恶心、呕吐、失眠和倦怠不适等症状。AMS一般是暂时的，随着对高原环境的逐步适应，其不适症状会得到缓解。

间歇性低氧训练通过低氧舱、低氧面罩等工具，使受试者间断性地吸入低于正常氧分压的气体，在每两次低氧呼吸刺激的间隔时间内吸入正常氧分压的气体，造成人体适度缺氧，在不对人体造成损伤的条件下，提高人体对缺氧环境的适应能力。间歇性低氧训练过程中监测的连续生理数据隐含人体低氧适应过程的关键特征，通过对受试者间歇性低氧训练数据动态特性的挖掘，可获知其急进高原后患高原病风险。

目前根据可监测生理数据进行高原病风险预测的算法有：

(1)统计学方法

部分研究只在较为重要的时间段对相关生理参数进行测量，并从中提炼出较有代表性的指标，计算方法不会因数据的改变而变化。

(2)回归分析方法

针对多种相关生理变量对急性高原病的预测能力，研究大多采用logistic回归进行对比分析。

(3)相关性分析方法

相关性分析多用来判断生理指标与高原病发病概率的关联。

综上所述，现有高原病预测技术大多仅在特定时间点采集数据，并未对人体生理数据进行动态连续监控，难以充分表达人体低氧应激反应的关键信息。相关算法仅关注人体低氧适应系统的时域特性，未全面挖掘人体动力学系统的时频域特征。

发明内容

有鉴于此，本发明提供了一种急性高原病动态监测与性能评价方法及系统，能够克服现有技术中仅基于常氧环境、仅采用单点测量生理指标、仅关注时域特性等缺点，可在平原环境下对个体急进高原后患高原病概率与严重程度进行有效预测，该指标可深度挖掘间歇性低氧训练中的连续监测生理变量，提取人体复杂动力学系统低氧应激过程隐含的关键动态特征。

实现本发明的技术方案如下：

一种急性高原病动态监测与性能评价方法，包括以下步骤：

步骤一、对若干名训练对象进行多个训练周期的间歇性低氧训练，每个训练周期内，训练对象摄入浓度周期性波动的氧气，在训练过程中实时采集氧气浓度、呼吸频率、心率(HR)和血氧饱和度(SpO₂)数据；

步骤二、采用孤立森林算法智能识别训练过程中所采集的异常数据，将异常数据剔除，并采用线性插值法进行填充，得到处理后数据；

步骤三、对处理后数据进行滞后排列得到轨迹矩阵，并对轨迹矩阵进行奇异值分解、白化处理、广义特征值求解的矩阵变换，得到数据在时域上的慢速变化特征；

步骤四、对所述慢速变化特征进行傅里叶变换后，得到其幅值频谱，取幅值最高点所对应的幅值频率作为高原病预测指标。

进一步地，所述高原病预测指标τ具体为：

其中，

为所述慢速变化特征进行傅里叶变换后所得幅值频谱的峰值频率。

一种急性高原病动态监测与性能评价系统，包括数据采集模块、数据预处理模块、慢特征提取模块和频谱分析模块；

所述数据采集模块实时采集训练对象在间歇性低氧训练过程中的氧气浓度、呼吸频率、心率(HR)和血氧饱和度(SpO₂)数据；

所述数据预处理模块对数据采集模块所采集数据进行离群值检测、异常值剔除以及缺失值填充，获得无噪声数据；

所述慢特征提取模块对经过预处理的数据进行轨迹矩阵构建及慢特征分析，获得时域尺度上的慢速变化特征；

所述频谱分析模块对慢速变化特征进行傅里叶变换并分析其频谱特征，以频谱峰值频率作为高原病预测指标τ。

进一步地，所述间歇性低氧训练中，训练对象摄入浓度周期性波动的氧气。

进一步地，所述高原病预测指标τ具体为：

其中，

为所述慢速变化特征进行傅里叶变换后所得幅值频谱的峰值频率。

有益效果：

1、本发明将性能监控技术结合信号处理应用于低氧耐受能力动态性能评估中，利用间歇性低氧训练时间序列数据的慢速特征及其频谱特征表示人体低氧耐受能力适应程度，提出了一种有效的高原病风险预测指标。

2、本发明最突出的特征是引入性能监控与信号处理的思想，以峰值频率作为高原病预测指标，全面分析间歇性低氧训练数据时域、频域动态特性。相比于静态指标蕴含了更丰富的信息，可以实现实时监测与评估。

3、本发明的数据预处理方法考虑多个生理变量之间的相互作用，更有利于去除来自人体内部的干扰。

4、本发明的慢特征分析方法可从变化复杂且迅速的数据中提取缓慢变化趋势，更加符合人体低氧适应程度变化较为缓慢的特点，具有医学和工程上的可解释性。

5、本发明所获得的高原病风险预测指标无需个体进入高原环境，即可预测急性高原病的严重程度，增强了实际监测的便利性与灵活性。

附图说明

图1是本发明基于间歇性低氧训练的急性高原病预测的动态监测与性能评价系统流程框图。

图2是本发明实施例中低氧响应数据段慢特征示意图。

图3是本发明实施例中低氧数据段频谱指标示意图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种急性高原病动态监测与性能评价方法，如图1所示，具体包括以下步骤：

第一步、对12名训练对象进行间歇性低氧训练。以天为周期进行为期十天的连续间歇性低氧训练(即共有10个间歇性低氧训练周期)。每个训练周期内，训练对象摄入浓度周期性波动的氧气，包括持续5分钟的低浓度氧气阶段(11％-14％的氧气)和持续3分钟的高浓度氧气阶段(35％-38％)。高原缺氧器(GO2Altitude hypoxicator)(BiomedtechAustralia Pty.Ltd.,Melbourne,Australia)用于间歇性低氧训练。此低氧训练装置为面罩式装置，根据气体分离原理，可以提供低浓度和高浓度的氧气，并实时采集氧气浓度与呼吸频率数据。此装置配有脉搏血氧计单元用以测量心率(HR)和血氧饱和度(SpO₂)，采样时间为1秒。

第二步、分析采集到的生理监测数据，首先进行数据预处理。间歇性低氧训练过程中，受试者深呼吸、摘下氧气面罩等不规范实验行为会导致生理监测数据存在一定偏差，生理监控仪器设备等外部干扰会导致生理监测数据存在噪声。为排除噪声对特征准确度的影响，需要删除异常数据并对时间序列空值进行合理填充。另外，受试者每次低氧训练时间长短不一、每两次低氧训练的间隔存在常氧恢复时间，由于本发明尚未发现常氧段数据的高原病预测能力，因此需要从原始序列数据中分离出低氧响应数据段。

本发明使用孤立森林算法自动检测生理监测数据中的离群值。孤立森林是一种适用于连续数据的无监督异常检测方法，在特征空间里，分布稀疏的区域表示事件发生在该区域的概率很低，因而可以认为落在这些区域里的数据是异常的。

定义x＝[x₁(t),x₂(t)…x_d(t)t＝1，2…n]^T为时间t∈[1,n]内动态监控序列数据，其中d为监控生理变量的维度。对数据构建num个iTree组成孤立森林，实现步骤如下在如图)：

(1)从x中随机选择ρ个时间点数据作为子样本，放入树的根节点。

(2)随机指定一个维度，在当前节点数据中随机产生一个切割点p，切割点产生于当前节点数据中指定维度的最大值和最小值之间。

(3)以此切割点生成一个超平面，然后将当前节点数据空间划分为2个子空间：把指定维度里小于p的数据放在当前节点的左边，把大于等于p的数据放在当前节点的右边。

(4)在子节点中递归步骤(2)和(3)，不断构造新的子节点，直到子节点中只有一个数据(无法再继续切割)或子节点已到达限定高度。

获得num个iTree之后，对于每一个时间点数据，令其遍历每一棵iTree，并计算该点在每棵树的高度平均值。高度平均值低于设定阈值的时间点数据即为异常。

采用孤立森林经过多次迭代识别出生理变量异常时间点集合{T_b}，定义{x_sp(t):t＝1，2…n}为时间t∈[1,n]内SpO₂监测数据，删除其在异常时间点上的原始监测值：

采用线性插值法对经过异常值剔除的SpO₂监测数据进行空值填充。根据相应时间氧气浓度值，将氧气浓度低于14％的时间段定义为低氧响应数据段，从而将经过离群值处理的某完整训练周期内的SpO₂监测数据划分为M个低氧响应数据段。定义{x_sp(t):t＝1,2…n_m}为单个低氧响应数据段在时间t∈[1,n_m]上的SpO2监测数据。

第三步、对上述SpO₂低氧响应数据段进行慢速变化特征提取。针对单个低氧响应数据段{x_sp(t):t＝1，2…n_m}，选择合适的窗口长度L将原始时间序列进行滞后排列得到轨迹矩阵：

通常情况取L＜n_m/2，本发明取L＝50，令K＝n_m-L+1，则轨迹矩阵X为L×K的矩阵

将轨迹矩阵表示为L维时间序列

其中t∈[1,K]为序列所处时间范围。慢特征分析算法旨在找到一系列特征序列s(t)＝[s₁(t),s₂(t)…s_L(t)|t＝1,2…K]中变化最慢的特征序列s_i(t)满足：

s.t.<s_i(t)>_t＝0

其中，

表示一阶差分，<>_t表示在时间上的均值。

从时间序列x_sp(t)提取s(t)的过程表示为

s(t)＝Wx_sp(t)

其中W＝[w₁,w₂…w_L]^T为权值矩阵。W的计算方法如下：

z＝Λ^-1/2U^Tx＝Qx_sp

W＝PQ＝PΛ^-1/2U^T

其中，Λ、Ω为特征值对角矩阵。综上可得变换后的一系列特征序列s(t)＝Wx_sp＝WQ^-1z＝Pz。当Λ、Ω特征值由小到大排列时，变化最慢的特征序列为s₁(t)，如图2。

第四步、对低氧响应数据段慢特征进行频谱分析。对上述慢特征{s₁(t):t＝1，2…K}进行傅里叶变换：

对

取幅值得到慢特征幅值频谱/>

检测/>

的峰值/>

所对应的峰值频率/>

作为高原病预测指标

峰值频率表示时间序列经过傅里叶变换后信号成分所集中的频率点，因此指标τ可以表征低氧响应数据在频域范围内信号的集中带宽，如图3。

第五步、在间歇性低氧训练前后，用相同的低氧训练面罩装置进行一次低氧耐受能力测试并获得低氧耐受能力指标(hypoxia tolerance index，HTI)。HTI为在420秒内训练对象的SpO₂保持在85％以上的持续时间，用HTI₁和HTI₂代表间歇性低氧训练前后的低氧耐受能力水平。定义训练前后低氧耐受能力水平差值ΔHTI＝HTI₂-HTI₁。在最后一个低氧训练周期后，训练对象在9pm被立即送入常压低氧舱(空军医学研究所，北京，中国)进行一夜的睡眠实验。此常压低氧舱模拟海拔4300米地区的大气环境(氧气浓度约为12％)。睡眠指标包括睡眠时间，深睡时间和比例，夜间觉醒时间、生理指标如血氧饱和度(SpO₂)和心率(HR)。微动敏感床垫睡眠检测系统RS-611型(新兴阳升科技有限公司，北京，中国)用于睡眠监测。此系统可以在不影响正常睡眠的情况下进行精确的测量。第二日7am,对训练对象进行路易斯湖(LLS)测试。此实施例对上述预测指标实际预测能力进行了性能验证分析与评价。低氧耐受能力指标LLS、HTI₂与低氧舱中测得的生理指标具有显著的Spearman相关性，如表1：

表1低氧耐受能力指标与低氧舱生理指标相关性分析

表中r表示Spearman相关性，p表示显著性水平，p<0.05表示有统计学差异，p<0.01表示有显著统计学差异，p<0.001表示有极其显著的统计学差异。

表1中HTI₂比HTI₁与低氧舱生理指标具有更为显著的相关性，此结果说明人体的低氧耐受能力通过间歇性低氧训练有所提升，因此间歇性低氧训练过程中的监测数据包含了人体低氧耐受能力的关键信息，适合用户高原病预测指标的挖掘。

所有训练对象的间歇性低氧训练数据得出的急性高原病预测指标τ与在低氧舱中测得的生理指标具有显著的Spearman相关性，如表2：

表2急性高原病预测指标τ与低氧舱生理指标相关性分析

表中r表示Spearman相关性，p表示显著性水平，p<0.05表示有统计学差异，p<0.01表示有显著统计学差异，p<0.001表示有极其显著的统计学差异。

表2说明本发明所提出的高原病预测指标τ与判断人体低氧耐受能力的医学指标具有显著相关性，因此指标τ具有可靠的预测作用。

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。

Claims (5)

1.一种急性高原病动态监测与性能评价方法，其特征在于，包括以下步骤：

步骤一、对若干名训练对象进行多个训练周期的间歇性低氧训练，每个训练周期内，训练对象摄入浓度周期性波动的氧气，在训练过程中实时采集氧气浓度、呼吸频率、心率和血氧饱和度数据；

步骤二、采用孤立森林算法智能识别训练过程中所采集的异常数据，将异常数据剔除，并采用线性插值法进行填充，得到处理后数据；

孤立森林是一种适用于连续数据的无监督异常检测方法，在特征空间里，分布稀疏的区域表示事件发生在该区域的概率很低，因而可以认为落在这些区域里的数据是异常的；

定义x＝[x₁(t),x₂(t)…x_d(t)t＝1，2...n]^T为时间t∈[1,n]内动态监控序列数据，其中d为监控生理变量的维度；对数据构建num个iTree组成孤立森林，实现步骤如下：

(1)从x中随机选择ρ个时间点数据作为子样本，放入树的根节点；

(2)随机指定一个维度，在当前节点数据中随机产生一个切割点p，切割点产生于当前节点数据中指定维度的最大值和最小值之间；

(3)以此切割点生成一个超平面，然后将当前节点数据空间划分为2个子空间：把指定维度里小于p的数据放在当前节点的左边，把大于等于p的数据放在当前节点的右边；

(4)在子节点中递归步骤(2)和(3)，不断构造新的子节点，直到子节点中只有一个数据或子节点已到达限定高度；

获得num个iTree之后，对于每一个时间点数据，令其遍历每一棵iTree，并计算该点在每棵树的高度平均值，高度平均值低于设定阈值的时间点数据即为异常；

采用孤立森林经过多次迭代识别出生理变量异常时间点集合{T_b}，定义{x_sp(t):t＝1，2…n}为时间t∈[1,n]内SpO₂监测数据，删除其在异常时间点上的原始监测值：

采用线性插值法对经过异常值剔除的SpO₂监测数据进行空值填充；根据相应时间氧气浓度值，将氧气浓度低于14％的时间段定义为低氧响应数据段，从而将经过离群值处理的某完整训练周期内的SpO₂监测数据划分为M个低氧响应数据段；定义{x_sp(t):t＝1,2…n_m}为单个低氧响应数据段在时间t∈[1,n_m]上的SpO2监测数据；

步骤三、对处理后数据进行滞后排列得到轨迹矩阵，并对轨迹矩阵进行奇异值分解、白化处理、广义特征值求解的矩阵变换，得到数据在时域上的慢速变化特征；

步骤四、对所述慢速变化特征进行傅里叶变换后，得到其幅值频谱，取幅值最高点所对应的幅值频率作为高原病预测指标。

2.如权利要求1所述的一种急性高原病动态监测与性能评价方法，其特征在于，所述高原病预测指标τ具体为：

其中，

为所述慢速变化特征进行傅里叶变换后所得幅值频谱的峰值频率。

3.一种急性高原病动态监测与性能评价系统，其特征在于，包括数据采集模块、数据预处理模块、慢特征提取模块和频谱分析模块；

所述数据采集模块实时采集训练对象在间歇性低氧训练过程中的氧气浓度、呼吸频率、心率和血氧饱和度数据；

所述数据预处理模块对数据采集模块所采集数据进行离群值检测、异常值剔除以及缺失值填充，获得无噪声数据；

采用孤立森林算法智能识别所采集的异常数据，将异常数据剔除，并采用线性插值法进行填充，得到处理后数据；

孤立森林是一种适用于连续数据的无监督异常检测方法，在特征空间里，分布稀疏的区域表示事件发生在该区域的概率很低，因而可以认为落在这些区域里的数据是异常的；

定义x＝[x₁(t),x₂(t)…x_d(t)t＝1，2…n]^T为时间t∈[1,n]内动态监控序列数据，其中d为监控生理变量的维度；对数据构建num个iTree组成孤立森林，实现步骤如下：

(5)从x中随机选择ρ个时间点数据作为子样本，放入树的根节点；

(6)随机指定一个维度，在当前节点数据中随机产生一个切割点p，切割点产生于当前节点数据中指定维度的最大值和最小值之间；

(7)以此切割点生成一个超平面，然后将当前节点数据空间划分为2个子空间：把指定维度里小于p的数据放在当前节点的左边，把大于等于p的数据放在当前节点的右边；

(8)在子节点中递归步骤(2)和(3)，不断构造新的子节点，直到子节点中只有一个数据或子节点已到达限定高度；

获得num个iTree之后，对于每一个时间点数据，令其遍历每一棵iTree，并计算该点在每棵树的高度平均值，高度平均值低于设定阈值的时间点数据即为异常；

采用孤立森林经过多次迭代识别出生理变量异常时间点集合{T_b}，定义{x_sp(t):t＝1，2…n}为时间t∈[1,n]内SpO₂监测数据，删除其在异常时间点上的原始监测值：

采用线性插值法对经过异常值剔除的SpO₂监测数据进行空值填充；根据相应时间氧气浓度值，将氧气浓度低于14％的时间段定义为低氧响应数据段，从而将经过离群值处理的某完整训练周期内的SpO₂监测数据划分为M个低氧响应数据段；定义{x_sp(t):t＝1,2…n_m}为单个低氧响应数据段在时间t∈[1,n_m]上的SpO2监测数据；

所述慢特征提取模块对经过预处理的数据进行轨迹矩阵构建及慢特征分析，获得时域尺度上的慢速变化特征；

所述频谱分析模块对慢速变化特征进行傅里叶变换并分析其频谱特征，以频谱峰值频率作为高原病预测指标τ。

4.如权利要求3所述的一种急性高原病动态监测与性能评价系统，其特征在于，所述间歇性低氧训练中，训练对象摄入浓度周期性波动的氧气。

5.如权利要求3所述的一种急性高原病动态监测与性能评价系统，其特征在于，所述高原病预测指标τ具体为：

其中，

为所述慢速变化特征进行傅里叶变换后所得幅值频谱的峰值频率。/>

Images