一种着装人体热湿生理健康状态预测方法与系统技术方案

本发明专利技术公开了一种着装人体热湿生理健康状态预测方法与系统

【技术实现步骤摘要】
一种着装人体热湿生理健康状态预测方法与系统


[0001]本专利技术涉及人体热湿生理模型
、
人体热湿仿真领域，具体涉及一种着装人体热湿生理健康状态预测方法与系统
。

技术介绍

[0002]在日常健身活动中，人们经常会出现口渴
、
呼吸紊乱
、
发热
、
头晕等生理现象
。
尤其是在运动过程中，这些现象更加频繁地发生
。
如果不及时采取有效的预防措施，就会引发中暑
、
脱水
、
晕厥甚至猝死等一系列健康事故
。
此外，盲目和不合理的运动不仅无法达到健身效果，反而会增加人体负荷，严重伤害人体生理机能
。
因此，有效量化人体热湿生理状态从而避免出现更多的健康事故变得极为重要，尤其是在开始运动之前，提前量化热湿生理状态并预测可能出现的众多运动风险，如脱水
、
中暑
、
晕厥甚至猝死等，能够极大的提高人体的生理健康
。
[0003]着装人体热湿量化分析是指利用数学方法研究着装人体在热湿传输过程中的生理状态
。
它通过精确的数字描述和科学的控制，对人体在日常健身活动中的热湿生理变化趋势和健康程度进行评估
。
其提供一种直观的方式来辅助用户理解人体的生理健康状态，并实现对人体热湿生理的监测，保障日常健身运动的科学性
。
[0004]目前的现有技术之一为论文“Wearable wireless body area nodes for remote physiological signal monitoring system”中的一种基于可穿戴式设备的热湿生理量化方法，其结合医疗设备
、
可穿戴式设备以及生物传感器来实时监测人体体温
、
出汗率
、
心率等多个热湿生理数据，并通过分析获得量化结果，能在一定程度上避免由于过度运动而引起的健康事故的发生
。
该技术的缺点是，侧重实时性，包括实时监测
、
实时量化和实时预警，即当出现预警提示时人体多处于危险的临界态，人体仍存在健康风险
。
此外，可穿戴式设备的成本
、
佩戴舒适度和便利性问题也会对一般用户造成困扰
。
[0005]目前的现有技术之二为论文“Using machine learning to predict hypertension from a clinical dataset”中的一种基于数据挖掘的热湿生理量化方法，其利用大数据和数据挖掘技术，通过分析和挖掘庞大的健康数据集，建立预测模型，从而实现对个体健康状态的量化和预测
。
这种方法能在一定程度上帮助个体实时监测和管理自身的健康状况，促进健康行为的改变和健康风险的预防
。
该技术的缺点是，存在数据数量限制，如果没有足够的用户数据来进行分析，则该方法的准确性以及应用性会受到影响
。
同时，该方法还存在数据质量限制，其对于健康数据的质量要求较高，如果数据存在噪音
、
缺失或错误等问题，会影响模型的准确性和可靠性
。

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，提出了一种着装人体热湿生理健康状态预测方法与系统
。
本专利技术解决的主要问题，是如何在用户数据数量质量受限的前提下，实现提前预测人体热湿生理状态
、
规避运动健康风险的问题
。
[0007]为了解决上述问题，本专利技术提出了一种着装人体热湿生理健康状态预测方法，所述方法包括：
[0008]输入用户的人体参数
、
服装参数
、
环境参数
、
运动条件，利用人体热湿传输计算模型
、
服装热湿传输计算模型
、
人体
‑
服装
‑
环境交互计算模型对用户即将进行的运动及运动过程中的热湿生理状态进行仿真模拟，得到内核温度
CT
序列
、
出汗率
m
rsw
序列
、
新陈代谢速率
MR
序列三种生理指标；
[0009]根据所述人体参数中的静息心率
HR
rest
、
所述运动条件中的运动强度百分比
EIP
计算出最大心率
MHR
以及目标心率
THR
，根据所述出汗率
m
rsw
序列计算脱水百分比
DAP
序列，根据所述内核温度
CT
序列
、
新陈代谢速率
MR
序列计算心率
HR
序列；以所述最大心率
MHR
以及目标心率
THR
作为常量，内核温度
CT、
脱水百分比
DAP、
心率
HR
作为输入变量，构建着装人体热湿生理状态机；
[0010]分别以所述内核温度
CT
序列
、
所述脱水百分比
DAP
序列
、
所述心率
HR
序列作为输入变量输入到所述着装人体热湿生理状态机中，计算得到每个输入变量
i
引起的状态转移概率
θ
i
，之后利用每个输入变量引起的状态转移概率
θ
i
计算得到每个输入变量
i
在
t
时刻的状态概率
μ
i
(t)
，最后利用每个输入变量
i
在
t
时刻的状态概率
μ
i
(t)
计算得到用户在
t
时刻的综合状态概率
μ
overall
(t)。
[0011]优选地，所述利用人体热湿传输计算模型
、
服装热湿传输计算模型
、
人体
‑
服装
‑
环境交互计算模型对用户即将进行的运动及运动过程中的热湿生理状态进行仿真模拟，具体为：
[0012]仿真模拟的过程实际上是人体热湿传输计算模型
、
服装热湿传输计算模型以及人体
‑
服装
‑
环境交互计算模型间对相关方程的动态求解；
[0013]人体热湿传输计算模型中，人体热湿传输计算包括人体组织子系统
、
呼吸子系统
、
循环子系统的热湿传输方程
、
热生理控制方程以及心率控制方程；
[0014]服装热湿传输计算模型中，服装热湿传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种着装人体热湿生理健康状态预测方法，其特征在于，所述方法包括：输入用户的人体参数
、
服装参数
、
环境参数
、
运动条件，利用人体热湿传输计算模型
、
服装热湿传输计算模型
、
人体
‑
服装
‑
环境交互计算模型对用户即将进行的运动及运动过程中的热湿生理状态进行仿真模拟，得到内核温度
CT
序列
、
出汗率
m
rsw
序列
、
新陈代谢速率
MR
序列三种生理指标；根据所述人体参数中的静息心率
HR
rest
、
所述运动条件中的运动强度百分比
EIP
计算出最大心率
MHR
以及目标心率
THR
，根据所述出汗率
m
rsw
序列计算脱水百分比
DAP
序列，根据所述内核温度
CT
序列
、
新陈代谢速率
MR
序列计算心率
HR
序列；以所述最大心率
MHR
以及目标心率
THR
作为常量，内核温度
CT、
脱水百分比
DAP、
心率
HR
作为输入变量，构建着装人体热湿生理状态机；分别以所述内核温度
CT
序列
、
所述脱水百分比
DAP
序列
、
所述心率
HR
序列作为输入变量输入到所述着装人体热湿生理状态机中，计算得到每个输入变量
i
引起的状态转移概率
θ
i
，之后利用每个输入变量引起的状态转移概率
θ
i
计算得到每个输入变量
i
在
t
时刻的状态概率
μ
i
(t)
，最后利用每个输入变量
i
在
t
时刻的状态概率
μ
i
(t)
计算得到用户在
t
时刻的综合状态概率
μ
overall
(t)。2.
如权利要求1所述的一种着装人体热湿生理健康状态预测方法，其特征在于，所述利用人体热湿传输计算模型
、
服装热湿传输计算模型
、
人体
‑
服装
‑
环境交互计算模型对用户即将进行的运动及运动过程中的热湿生理状态进行仿真模拟，具体为：仿真模拟的过程实际上是人体热湿传输计算模型
、
服装热湿传输计算模型以及人体
‑
服装
‑
环境交互计算模型间对相关方程的动态求解；人体热湿传输计算模型中，人体热湿传输计算包括人体组织子系统
、
呼吸子系统
、
循环子系统的热湿传输方程
、
热生理控制方程以及心率控制方程；服装热湿传输计算模型中，服装热湿传输计算包括了水蒸汽
、
液态水和能量的传输方程；人体
‑
服装
‑
环境交互计算模型中，包括了服装内表面与人体的热湿交互方程，服装外表面与外界环境的热湿交互方程
。3.
如权利要求1所述的一种着装人体热湿生理健康状态预测方法，其特征在于，所述根据所述人体参数中的静息心率
HR
rest
、
所述运动条件中的运动强度百分比
EIP
计算出最大心率
MHR
以及目标心率
THR
，根据所述出汗率
m
rsw
序列计算脱水百分比
DAP
序列，根据所述内核温度
CT
序列
、
新陈代谢速率
MR
序列计算心率
HR
序列，具体为：最大心率
MHR
以及目标心率
THR
的计算公式如下所示：
MHR
＝
163+(1.16*age)
‑
(0.018*age2)THR
＝
((MHR
‑
HR
rest
)*EIP)+HR
rest
其中，
age
为所述人体参数中的用户年龄；根据出汗率
m
rsw
序列计算脱水百分比
DAP
序列的计算公式如下：
DA
＝
∫
0t
m
rsw
*Adt
其中，
DA
为脱水量，
A
为所述人体参数中的体表面积，
t
为当前仿真时刻，
Weight
为所述
人体参数中的用户体重；根据所述内核温度
CT
序列
、
新陈代谢速率
MR
序列计算心率
HR
序列的计算公式如下：
HR
＝
N(MR)+T(CT)T(CT)
＝
‑
4.5714CT2+384.4286CT
‑
7887.1
其中，
N(M)
为神经调节部分，
T(CT)
为温度调节部分，
k
＝
6.9854
，
b
＝
‑
16.7309
，
c
＝
0.48
，
d
＝
1.1
，
λ
＝
0.2
；
t
为当前仿真时刻，
t0是一个临界的时间点，该时间点表示此刻神经调节对于心率变化的影响达到最大
。4.
如权利要求1所述的一种着装人体热湿生理健康状态预测方法，其特征在于，所述着装人体热湿生理状态机，具体为：首先，划分热湿生理模糊集，依据人体在日常健身活动中生理指标的变化趋势及个人热湿生理状态来定义隶属函数并划分人体症状区间，采用梯形隶属函数来定义生理指标区域，梯形隶属函数表达式如下所示：其中，
x
为输入的变量值，即所述内核温度
CT
序列
、
所述脱水百分比
DAP
序列
、
所述心率
HR
序列中的值，其中内核温度
CT
序列的实数阈值为
[36,40]℃
，脱水百分比
DAP
序列的实数阈值为
[0,8
％
]
，心率
HR
序列的实数阈值为
[35,200]bmp
；隶属函数值
μ
d
(x)
的值为出现某症状的概率值，
a、b、c、d
为参数集；然后，定义着装人体热湿生理状态机如下：
M
＝
(
Σ
,Q,
φ
,
δ
)
其中，
Σ
为所有可能的人体健康症状，根据三个输入变量及其模糊处理后的症状划分，共有
12
个健康症状，所有症状含义及其说明以及隶属函数参数集如下：变量1：内核温度
CT
；变量1状态与对应的症状
、
参数集
a、b、c、d
：低温
H
：内核温度
CT<36.5℃
，
a
无取值
,b
＝
36,c
＝
36.3,d
＝
36.5
；正常
N
：
36.3℃<
内核温度
CT<37.5℃
，
a
＝
36.3,b
＝
36.5,c
＝
37.4,d
＝
37.5
；低热
F1：
37.4℃<
内核温度
CT<38.1℃
，
a
＝
37.4,b
＝
37.5,c
＝
37.9,d
＝
38.1
；中度热
F2：
37.9℃<
内核温度
CT<38.1℃
，
a
＝
37.9,b
＝
38.1,c
＝
38.9,d
＝
39.1
；高热
F3：内核温度
CT>38.9℃
，
a
＝
38.9,b
＝
39.1,c
＝
40,d
无取值；变量2：脱水百分比
DAP
；变量2状态与对应的症状
、
参数集
a、b、c、d
：正常
N
：脱水百分比
DAP<2
％，
a
无取值
,b
＝
0,c
＝
1.5,d
＝2；轻度脱水
D1：2％
<
脱水百分比
DAP<3
％，
a
＝
1.5,b
＝
2,c
＝
3,d
＝
3.5
；
中度脱水
D2：3％
<
脱水百分比
DAP<6
％，
a
＝
3,b
＝
3.5,c
＝
6,d
＝
6.5
；重度脱水
D3：脱水百分比
DAP>8
％，
a
＝
6,b
＝
6.5,c
＝
8,d
无取值；变量3：心率
HR
；变量3状态与对应的症状
、
参数集
a、b、c、d
：心率过缓
B
：心率
HR<60bmp
，
a
无取值
,b
＝
35,c
＝
45,d
＝
60
；正常
N
：
45bmp<
心率
HR<MHR bmp
，
a
＝
45,b
＝
60,c
＝
THR,d
＝
MHR
；心率过快
T
：心率
HR>THR bmp
，
a
＝
THR,b<...

【专利技术属性】
技术研发人员：王若梅，周凡，张尧权，
申请(专利权)人：中山大学，
类型：发明
国别省市：