基于二值传感器有界递归优化融合的血液氧气含量估计方法技术

一种基于二值传感器有界递归优化融合的血液氧气含量估计方法，建立血液氧气含量动态生理模型并分析二值传感器量测中的有效信息，得到实际的量测模型；设计本地有界递归优化估计器，给出本地估计误差平方的一个上界，确保此上界成立并最小化本地估计误差平方上界以构造带约束的最优化问题，通过求解此优化问题设计最优本地估计增益；设计用于血液氧气含量估计的分布式有界递归优化融合估计器，最小化估计误差平方的上界以设计最优融合权重矩阵；本发明专利技术提供一种基于有界递归优化和二值传感器的血液氧气含量分布式融合估计方法，实现血液氧气含量的实时无创估计。

Blood oxygen content estimation method based on bounded recursive optimal fusion of binary sensors

【技术实现步骤摘要】
基于二值传感器有界递归优化融合的血液氧气含量估计方法
本专利技术涉及一种基于二值传感器有界递归优化融合的血液氧气含量估计方法，特别是无创的血液氧气含量估计方法。
技术介绍
人体中的血液氧气含量必须维持在一个安全的范围内，过低的血液氧气含量会导致器官衰竭或大脑受损，而过高的血液氧气含量会导致人体中毒。因此，在现代化手术过程中，人体的血液氧气含量需要进行持续的监测以实现精确的控制。目前，氧气含量只能通过抽取病人的血液进行直接的测量，这种方法是有创的且不能满足实时性的要求。针对无创的实时的血液氧气含量估计问题，临床医生尝试使用脉搏氧饱和度仪来测量血红蛋白氧饱和度，然后通过两者的关系曲线来确定血液氧气含量。但是由于当观测到血红蛋白氧饱和度的微量变化时，病人的血液氧气含量已经发生急剧的下降而处于危机的状况，这种血液氧气含量估计方法仍然不能完全满足临床要求。另一方面，基于临床医生控制的肺部输入量构建的二值量测作为血液氧气含量的辅助手段，是一种可行的无创实时估计方案。二值传感器是一类每个时刻下只能传输单位比特信息的特殊传感器，被广泛应用于实际系统中，如环境感知、医疗监测和定位。相比于传统的传感器，二值传感器具有两个重要的优点。首先，它们具有很高的成本效益，通过部署大量的二进制传感器能实现有效的估计性能。同时，由于每个传感器每次只传输一个比特的信息，二进制传感器的通信成本是最小的。
技术实现思路
为了克服现有血液氧气含量估计方法的无法解决二值传感器带来的不确定性信息处理的不足，为了实现血液氧气含量的无创实时估计，本专利技术提出一种基于二值传感器有界递归优化融合的血液氧气含量估计方法，通过分析二值量测中的有效信息，并结合有界递归优化估计方法，利用线性矩阵不等式技术，在此基础上设计分布式融合有界递归优化滤波器，实现实时的血液氧气含量估计。为了解决上述技术问题提出的技术方案如下：一种基于二值传感器有界递归优化融合的血液氧气含量估计方法，包括以下步骤：步骤1：建立血液氧气含量动态生理模型和二值量测模型，分析二值传感器量测中的有效信息，得到实际的量测模型，过程如下：1.1血液氧气含量动态生理模型的表达式为a(t+1)＝(1-f)(1.34Hb+0.003(c1u(t)+c2(t)e(t)))+f(a(t)-μ)+w(t)(1)其中，a(t)是动脉氧气含量，u(t)是吸入空气的氧气百分比(由临床医生输入)，f表示分流的血液比例(和病人具体状况相关)，e(t)是呼出二氧化碳的分压(直接进行测量得到)，Hb是血液中的血红蛋白浓度，μ是新陈代谢对氧气含量的影响，c1是常量，c2(t)＝(1-u(t)[1-RQ])/RQ，RQ是测量得到的新陈代谢中氧气和二氧化碳的比例，w(t)是有界噪声；1.2重写血液氧气含量动态模型为x(t+1)＝Ax(t)+Bw(t)+U(t)(2)其中氧气含量a(t)定义为系统状态x(t)，A＝f，B＝I，U(t)＝0.003(1-f)c1u(t)+0.003(1-f)c2(t)e(t)+1.34(1-f)Hb-fμ，为了更好地设计估计方法，后面的设计过程不考虑常量项U(t)；1.3血液氧气含量二值量测模型zi(t)＝Cix(t)+Divi(t)，i＝1，…，L(3)其中是传感器感知到的变量，由一些临床医生控制的肺部输入构成，包括潮气量、呼吸速率和吸气峰值，Ci和Di是已知的矩阵，vi(t)是有界噪声，yi(t)是二值传感器的二值量测输出，τi是二值传感器的固定阈值，yi(t)根据zi(t)落在阈值τi之上还是之下输出+1和-1两种值；1.4给定有界噪声w(t)和vi(t)其中δw和分别是过程噪声和量测噪声的上界，且是未知的；1.5根据yi(t)的定义，每个二值量测在每个时刻只能提供有限的信息量，但是当yi(t)改变符号，即yi(t)yi(t-1)＜1时，能够判断出阈值τi肯定在区间zi(t)和zi(t-1)之间，此时阈值τi能够表示成zi(t)和zi(t-1)的凸组合(0.5-αi(t))zi(t-1)+(0.5+αi(t))zi(t)＝τi(6)其中αi(t)∈[-0.5，0.5]用于描述上述关系，是一个不确定的参数，具体的值不可知也不可观测，同时，定义这样的时刻是传感器的切换时刻；1.6定义t时刻遭遇切换时刻的传感器集合1.7定义t时刻没有遭遇切换时刻的传感器集合1.8在不是空集时，在切换时刻的实际量测建模为如下不确定方程步骤2：设计本地估计器，给出估计误差平方的一个上界，确保此上界成立并最小化估计误差平方上界以构造带约束的最优化问题，通过求解此优化问题设计最优本地估计增益，过程如下：2.1设计本地递归估计器其中Ki(t)是需要设计的本地估计器增益；2.2定义本地估计误差ei(t)2.3定义本地增广噪声ξi(t-1)2.4定义矩阵2.5定义矩阵2.6本地估计误差ei(t)满足2.7设计本地估计误差平方上界其中Pi(t)和Θi(t)是任意的正定矩阵；2.8定义矩阵2.9定义矩阵Ei2.10构造带约束的最优化问题求解最优本地估计增益Ki(t)，使得估计误差上界最小化且确保本地估计误差上界成立其中∈i(t)和θi(t)是需要优化的变量，此优化问题通过MATLAB的线性矩阵不等式工具箱求解；步骤三：设计分布式有界递归优化融合估计器，通过最小化估计误差平方上界以设计最优融合权重矩阵，过程如下：3.1定义指示变量η(t)3.2设计分布式融合有界递归估计器3.3定义增广的本地估计误差eF(t)3.4定义融合估计误差e(t)3.5定义增广权重矩阵W(t)[W1(t)…Wm(t)(t)](24)3.6融合估计误差表示为e(t)＝W(t)eF(t)(m(t)＞0)(25)3.7定义融合增广噪声ξ(t-1)v1(t-1)，...，vm(t)(t-1)}(26)3.8由于增广的本地估计误差eF(t)只与eF(t-1)和ξ(t-1)，定义向量3.9设计融合估计误差的上界其中P(t)、Υ(t)和Θ(t)都是正定的矩阵；3.10定义矩阵KM(t)3.11定义矩阵KW(t)3.12定义矩阵AF(t)3.13定义矩阵3.14定义矩阵3.15定义矩阵E(t)3.16定义矩阵BM(t)3.17定义矩阵3.18通过求解如下最优化问题得到最优融合权重矩阵W(t)，使得融合估计误差上界最小化并确本文档来自技高网...

【技术保护点】
1.一种基于二值传感器有界递归优化融合的血液氧气含量估计方法，其特征在于，所述方法包括以下步骤：/n步骤1：建立血液氧气含量动态生理模型和二值量测模型，分析二值传感器量测中的有效信息，得到实际的量测模型，过程如下：/n1.1血液氧气含量动态生理模型的表达式为/na(t+1)＝(1-f)(1.34Hb+0.003(c

【技术特征摘要】
1.一种基于二值传感器有界递归优化融合的血液氧气含量估计方法，其特征在于，所述方法包括以下步骤：
步骤1：建立血液氧气含量动态生理模型和二值量测模型，分析二值传感器量测中的有效信息，得到实际的量测模型，过程如下：
1.1血液氧气含量动态生理模型的表达式为
a(t+1)＝(1-f)(1.34Hb+0.003(c1u(t)+c2(t)e(t)))
+f(a(t)-μ)+w(t)(1)
其中，a(t)是动脉氧气含量，u(t)是吸入空气的氧气百分比，f表示分流的血液比例，e(t)是呼出二氧化碳的分压，Hb是血液中的血红蛋白浓度，μ是新陈代谢对氧气含量的影响，c1是常量，c2(t)＝(1-u(t)[1-RQ])/RQ，RQ是测量得到的新陈代谢中氧气和二氧化碳的比例，w(t)是有界噪声；
1.2重写血液氧气含量动态模型为
x(t+1)＝Ax(t)+Bw(t)+U(t)(2)
其中氧气含量a(t)定义为系统状态x(t)，A＝f，B＝I，U(t)＝0.003(1-f)c1u(t)+0.003(1-f)c2(t)e(t)+1.34(1-f)Hb-fμ，为了更好地设计估计方法，后面的设计过程不考虑常量项U(t)；
1.3血液氧气含量二值量测模型
zi(t)＝Cix(t)+Divi(t)，i＝1，…，L(3)



其中是传感器感知到的变量，由一些临床医生控制的肺部输入构成，包括潮气量、呼吸速率和吸气峰值，Ci和Di是已知的矩阵，vi(t)是有界噪声，yi(t)是二值传感器的二值量测输出，τi是二值传感器的固定阈值，yi(t)根据zi(t)落在阈值τi之上还是之下输出+1和-1两种值；
1.4给定有界噪声w(t)和vi(t)



其中δw和分别是过程噪声和量测噪声的上界，且是未知的；
1.5根据yi(t)的定义，每个二值量测在每个时刻只能提供有限的信息量，但是当yi(t)改变符号，即yi(t)yi(t-1)＜1时，能够判断出阈值τi肯定在区间zi(t)和zi(t-1)之间，此时阈值τi能够表示成zi(t)和zi(t-1)的凸组合
(0.5-αi(t))zi(t-1)+(0.5+αi(t))zi(t)＝τi(6)
其中αi(t)∈[-0.5，0.5]用于描述上述关系，是一个不确定的参数，具体的值不可知也不可观测，同时，定义这样的时刻是传感器的切换时刻；
1.6定义t时刻遭遇切换时刻的传感器集合



1.7定义t时刻没有遭遇切换时刻的传感器集合



1.8在不是空集时，在切换时刻的实际量测建模为如下不确定方程



步骤2：设计本地估计器，给出估计误差平方的一个上界，确保此上界成立并最小化估计误差平方上界以构造带约束的最优化问题，通过求解此优化问题设计最优本地估计增益，过程如下：
2.1设...

【专利技术属性】
技术研发人员：陈博，章宇晨，俞立，张文安，洪榛，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33