换一批数据驱动的间歇低氧训练贝叶斯优化决策方法
Data-driven Bayesian Optimization Method for Intermittent hypoxic Training Strategy Decision
摘要青藏地区快速的经济发展使得进入高原的群体数量日益增加,随之而来的高原健康问题也愈发突出.间歇性低氧训练(Intermittent hypoxic training,IHT)是急进高原前常使用的预习服方法,一般针对不同个体均设置固定的开环策略,存在方案制定无标准、系统化的理论指导缺乏、效果不明显等问题.针对以上情况,设计了一种小样本数据驱动的IHT策略贝叶斯闭环学习优化框架,建立自回归结构的高斯过程血氧饱和度(Peripheral oxygen saturation,SpO2)预测模型,并考虑高低风险事件对训练的影响,设计与氧浓度变化方向和速率相关的风险不对称代价函数,提出具有安全约束的贝叶斯优化方法,实现IHT最优供氧浓度的优化决策.考虑到现有仿真器无法反映个体动态变化过程,依据"最优速率理论"设计了合理的模型自适应变化律.所提出闭环干预方法通过该仿真器进行了可行性和有效性验证.说明该学习框架能够指导个体提升高原适应能力,减轻其在预习服阶段的非适应性不良反应,为个性化IHT提供精准调控手段.
更多相关知识
关键词
数据驱动控制高斯过程贝叶斯优化风险不对称代价函数高原适应能力提升间歇性低氧训练Data-driven controlGaussian processBayesian optimizationrisk asymmetric cost functionhigh-alti-tude adaptability improvementintermittent hypoxic training(IHT)
栏目名称
DOI
10.16383/j.aas.c220712
发布时间
2023-08-28（万方平台首次上网日期，不代表论文的发表时间）
- 浏览2
- 被引5
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
