基于深度学习的人体热湿传输仿真的运动预警方法与系统技术方案

本发明专利技术公开了一种基于深度学习的人体热湿传输仿真的运动预警的方法。包括：输入健康阈值，对人体热生理模型的被动系统的子系统进行合理划分，分别建立呼吸子系统、循环子系统、组织子系统，向各子系统中输入相应初始数据，并输出相应方程，利用DGM算法求解以上系统输出的方程，输出各方程的解，各方程的解大于健康阈值，系统会发出健康风险警示。本发明专利技术还公开了基于深度学习的人体热湿传输仿真的运动预警系统。本发明专利技术采用深度学习方法求解偏微分方程，该方法易于编程，使得参数的数量大量降低，节约计算和存储数据的成本，能够更容易地扩展到具有复杂边界条件的情况，可以更加及时高效地警示运动中有健康风险的人。高效地警示运动中有健康风险的人。高效地警示运动中有健康风险的人。

【技术实现步骤摘要】
基于深度学习的人体热湿传输仿真的运动预警方法与系统


[0001]本专利技术涉及深度学习、人体热生理模型、人体热湿传输仿真，具体涉及一种基于深度学习的人体热湿传输仿真的运动预警方法与系统。

技术介绍

[0002]人体几乎所有的生理活动都是在一定温度下进行的，都要受到身体温度的控制或者影响，离开特定的温度，人体就会代谢紊乱，人的生命就会受到威胁。所以在不同的环境温度下，人体必须找到并解决由外界环境变化引起的各种问题，使人体的温度保持在可接受的范围内。随着科技的进步，数学模型可以为人体热湿传输研究提供简练、精确的数学描述，使研究工作由经验总结和定性描述提高到理论化的定量描述，并且通过数学模型的动态分析，有助于加深对人体热湿传输机理的认识，因此，基于数学模型的计算机仿真方法在人体热湿传输研究中得到了极大关注和发展，并为人体热湿生理的科研提供了新颖的研究视角、有效的研究方法和关键的辅助手段。在这个背景下，建立人体热生理模型用于描述人体在热环境下的热湿传输行为和热生理调节机制显得十分重要，尤其是在运动方面，当人体热湿达到一定程度时，可能会对人体健康造成威胁。
[0003]而在人体热生理模型仿真计算中，需要求解大量的偏微分方程。偏微分方程被广泛地应用到自然科学的各个领域，用于对自然或者社会领域问题的建模，例如热传导方程建模热的传播过程，Black
‑
Scholes建模期权的价格，空间的SIR方程建模疾病的传播等。在复杂的场景下，偏微分方程的解是很难用显示的公式来表示。因此，我们只能求助于数值计算。偏微分方程的数值求解方法一直是非常前沿的研究热点，常用的方法包括有限差分、有限元、有限体等。一般地，这些方法需要使用网格来近似偏微分方程的定义空间。网格越细，那么求解得到的解越精确。但相应地，越细的网格需要更高的计算代价与更大的存储空间。无论在低维还是高纬，这些方法都需要很大的计算量且难以编程。
[0004]目前的现有技术之一，是论文“三维着装人体热湿传输仿真方法研究与应用”中的基于有限元的着装人体热湿传输模型数值计算方法，该方法采用笛卡尔坐标系下的等参有限元体对三维人体模型进行简化，最后采用Galerkin方法对三维着装人体热湿传输的数学模型进行离散求解。该方案的缺点是由于人体被动系统的节点数量庞大，需要很大的计算量。
[0005]目前的现有技术之二，是论文“基于多元人体模型的热湿功能性服装仿真研究与实现”中的基于有限元的非均匀人体热生理仿真模型求解方法，该方法对建立的热质平衡方程采用Galerkin残差法对其离散化；接着使用直接刚度法组合所得到的线性方程组；最后使用中心差法求解方程。该方法的缺点是需要使用网格来近似偏微分方程的定义空间，网格越细，那么求解得到的解越精确，但相应地，越细的网格造成了需要更高的计算代价与更大的存储空间。

技术实现思路

[0006]本专利技术的目的是克服现有方法的不足，提出了基于深度学习的人体热湿传输仿真的运动预警方法与系统。本专利技术解决的主要问题，一是有限元的着装人体热湿传输模型数值计算方法，由于人体被动系统节点数量庞大，需要很大计算量的问题。二是基于有限元的非均匀人体热生理仿真模型求解方法，导致精准求解需要的更高计算代价和更大存储空间的问题。本专利技术利用深度学习，准确模拟人体热湿传输系统，在运动时，人体热湿相关数值超过一定阈值会发出警告提示继续运动会对人体健康造成损害。
[0007]为了解决上述问题，本专利技术提出了一种基于深度学习的人体热湿传输仿真的运动预警方法，所述方法包括：
[0008]输入健康阈值向量H，对人体热湿传输仿真中的人体热生理模型的被动系统的子系统进行合理划分，分为呼吸子系统、循环子系统和组织子系统；
[0009]建立呼吸子系统，输入呼吸道的初始数据，输出相应的热平衡方程和湿平衡方程；
[0010]建立循环子系统，输入血流速、血管半径和血液黏稠度的初始数据，输出相应的血流速方程和热平衡方程；
[0011]建立组织子系统，先对人体的组织结构进行合理的划分，再输入相关初始数据，最后输出组织子系统的能量平衡方程；
[0012]DGM算法求解，将各个子系统输出的偏微分方程作为输入进行求解，输出各方程相应的解；
[0013]当各方程的解的数值大于设定健康阈值向量H时，系统会发出警告提示该条件下的运动会对健康产生不利的后果。
[0014]优选地，输入健康阈值向量H，对人体热湿传输仿真中的人体热生理模型的被动系统的子系统进行合理划分，分为呼吸子系统、循环子系统和组织子系统，具体为：
[0015]输入健康阈值向量H，作为后续运动预警的参考值；
[0016]将被动系统定义为三个互相合作的子系统，分别为呼吸子系统、循环子系统和组织子系统，三个子系统用于描述人体和周围环境之间的热交互和热平衡。
[0017]优选地，所述建立呼吸子系统，输入呼吸道的初始数据，输出相应的热平衡方程和湿平衡方程，具体为：
[0018]输入初始数据，热平衡方程中的呼吸道空气流密度ρ
res
，呼吸道空气流比热c
res,p
，呼吸道空气流热传导率k
res
，呼吸引起的热传递q
res
，呼吸道空气流速率v
res
，以及呼吸道的横截面积A
res
；湿平衡方程中的空气中的质量扩散系数Da
b，
呼吸道与环境之间的水蒸汽传递m
res
，以及呼吸道的横截面积A
res
；
[0019]通过上、下呼吸道与外界环境直接进行热湿交互，得到热平衡方程：
[0020][0021]其中，T
res
为呼吸道空气流温度，ρ
res
为呼吸道空气流密度，c
res,p
为呼吸道空气流比热，k
res
为呼吸道空气流热传导率，q
res
为呼吸引起的热传递，v
res
为呼吸道空气流速率，A
res
为呼吸道的横截面积；
[0022]通过上、下呼吸道与外界环境直接进行热湿交互，得到湿平衡方程：
[0023][0024]其中，D
ab为
空气中的质量扩散系数，W
air
为空气湿度，m
res
为呼吸道与环境之间的水蒸汽传递，A
res
为呼吸道的横截面积。
[0025]优选地，所述建立循环子系统，输入血流速、血管半径和血液黏稠度的初始数据，输出相应的血流速方程和热平衡方程，具体为：
[0026]输入初始数据，血流速方程中的血流速v
bl
，血管半径r0，以及血液黏稠度μ；
[0027]人体进行代谢和做功之后产生的热能通过血液循环而逐步传导到皮肤层，进而散发到外部环境中，该过程对应的血流速方程为：
[0028][0029]其中，v
bl
为血本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的人体热湿传输仿真的运动预警方法，其特征在于，所述方法包括：输入健康阈值向量H，对人体热湿传输仿真中的人体热生理模型的被动系统的子系统进行合理划分，分为呼吸子系统、循环子系统和组织子系统；建立呼吸子系统，输入呼吸道的初始数据，输出相应的热平衡方程和湿平衡方程；建立循环子系统，输入血流速、血管半径和血液黏稠度的初始数据，输出相应的血流速方程和热平衡方程；建立组织子系统，先对人体的组织结构进行合理的划分，再输入相关初始数据，最后输出组织子系统的能量平衡方程；DGM算法求解，将各个子系统输出的偏微分方程作为输入进行求解，输出各方程相应的解；当各方程的解的数值大于设定健康阈值向量H时，系统会发出警告提示该条件下的运动会对健康产生不利的后果。2.如权利要求1所述的基于深度学习的人体热湿传输仿真的运动预警方法，其特征在于，输入健康阈值向量H，对人体热湿传输仿真中的人体热生理模型的被动系统的子系统进行合理划分，分为呼吸子系统、循环子系统和组织子系统，具体为：输入健康阈值向量H，作为后续运动预警的参考值；将被动系统定义为三个互相合作的子系统，分别为呼吸子系统、循环子系统和组织子系统，三个子系统用于描述人体和周围环境之间的热交互和热平衡。3.如权利要求1所述的基于深度学习的人体热湿传输仿真的运动预警方法，其特征在于，所述建立呼吸子系统，输入呼吸道的初始数据，输出相应的热平衡方程和湿平衡方程，具体为：输入初始数据，热平衡方程中的呼吸道空气流密度ρ
res
，呼吸道空气流比热c
res，p
，呼吸道空气流热传导率k
res
，呼吸引起的热传递q
res
，呼吸道空气流速率v
res
，以及呼吸道的横截面积A
res
；湿平衡方程中的空气中的质量扩散系数D
ab
，呼吸道与环境之间的水蒸汽传递m
res
，以及呼吸道的横截面积A
res
；通过上、下呼吸道与外界环境直接进行热湿交互，得到热平衡方程：其中，T
res
为呼吸道空气流温度，ρ
res
为呼吸道空气流密度，c
res，p
为呼吸道空气流比热，k
res
为呼吸道空气流热传导率。q
res
为呼吸引起的热传递，v
res
为呼吸道空气流速率，A
res
为呼吸道的横截面积；通过上、下呼吸道与外界环境直接进行热湿交互，得到湿平衡方程：其中，D
ab
为空气中的质量扩散系数，W
air
为空气湿度，m
res
为呼吸道与环境之间的水蒸汽传递，A
res
为呼吸道的横截面积。4.如权利要求1所述的基于深度学习的人体热湿传输仿真的运动预警方法，其特征在
于，所述建立循环子系统，输入血流速、血管半径和血液黏稠度的初始数据，输出相应的血流速方程和热平衡方程，具体为：输入初始数据：血流速方程中的血流速v
bl
、血管半径r0、以及血液黏稠度μ；人体进行代谢和做功之后产生的热能通过血液循环而逐步传导到皮肤层，进而散发到外部环境中，该过程对应的血流速方程为：其中，v
bl
为血流速，r0为血管半径，μ为血液黏稠度，P
b
为血管压力；人体进行代谢和做功之后产生的热能通过血液循环而逐步传导到皮肤层，进而散发到外部环境中，该过程对应的热平衡方程为：其中，ρ
b
为血液密度，c
b，p
为血液比热，T
b
为血液温度，k
b
为血液热传导率，q
bd
为组织与血管之间的热传递，当血管为静脉时q
bd
记为q
v
，当血管动脉时q
bd
记为q
a
，A
b
为血管的横截面积。5.如权利要求1所述的基于深度学习的人体热湿传输仿真的运动预警方法，其特征在于，所述建立组织子系统，先对人体的组织结构进行合理的划分，再输入相关初始数据，最后输出组织子系统的能量平衡方程，具体为：将一个人体划分为15个部分，分别为：头、颈部、躯干、上臂(左、右)、下臂(左、右)、手(左、右)、大腿(左、右)、小腿(左、右)和足(左、右)组成，每个部分又分为四层：内核(骨骼、结缔组织、内脏器官)、肌肉、脂肪和皮肤，身体各节点之间通过血液进行连接；输入初始数据，能量平衡方程中的毛细血管与组织之间的热传递q
b
，新陈代谢的热产生q
m
，动脉血管和组织之间的热传递q
a
，静脉血管和组织之间的热传递q
v
，呼吸引起的热传递αq
res
，身体节点密度ρ
t
，身体节点的比热c
t，p
，以及身体节点热传导率k
t
；根据生物传热以及能量守恒定律，得到组织子系统的能量平衡方程如下：其中，等式左边为单位体积的身体的热量变化，等式右边各项分别表示了单位体积的净热传导，毛细血管与组织之间的热传递q
b
，新陈代谢的热产q
m
，动脉血管和组织之间的热传递q
a
，静脉血管和组织之间的热传递q
v
，呼吸引起的热传递αq
res
，当前节点为头部、颈部、躯干处身体节点时，α值为1，当前节点为其他身体节点，α值为0，ρ
t
为身体节点密度，c
t，p
为身体节点的比热，T
t
为各节点的温度，k
t
为身体节点热传导率。6.如权利要求1所述的基于深度学习的人体热湿传输仿真的运动预警方法，其特征在于，所述DGM算法求解，将各个子系统输出的偏微分方程作为输入进行求解，输出各方程相应的解，具体为：按照概率密度函数v1从[0，T]
×
Ω中生成样本点(t
n
，x
n
)，同样地，以v2的概率密度从中生成样本点(y
n
，z
n
)，按v3的概率密度从Ω中生成样本点w
n
；一个空间维度为d的抛物型偏微分方程，如下：
其中，u(t，x)为未知函数，依赖于时间变量t与空间变量x，为空间Ω的边界，该方程组给定了函数u(t，x)的在t＝0时刻的初始条件与在空间Ω的边界条件，需要求解函数u(t，x)在整个空间中的值，故使用神经网络uθ来近似函数u(t，x)，其中θ为神经网络的参数，训练神经网络，寻找参数θ，定义消耗函数为：J(u
θ
)表示了u
θ
对原方程解u(t，x)的近似误差，如果J(u
θ
)的值很小，那么表示u
θ
大致满足所述抛物型偏微分方程、初始条件和边界条件，因此，求解所述抛物型偏微分方程的解的过程，即为训练神经网络u
θ
的过程，即为求解下列优化问题：使用机器学习中的随机梯度下降方法求解；记θ
n
为第n步迭代的θ的值，计算平方根误差G(θ
n
，s
n
)，其中s
n
为样本点，即s
n
＝{(t
n
，x
n
)，(y
n
，z
n
)，w
n
}，且进行梯度下降，更新θ的值，且输出各方程相应的解，对应于呼吸子系统中热平衡方程的呼吸道空气流温度T
res
，湿平衡方程的空气湿度W
air
；循环子系统中血流速方程的血管压力P

【专利技术属性】
技术研发人员：韩冠亚，李嘉恒，李影影，
申请(专利权)人：广东融谷创新产业园有限公司，
类型：发明
国别省市：