一种智能化儿童病房环境自适应控制系统

本发明涉及医疗环境控制，具体是指一种智能化儿童病房环境自适应控制系统。

背景技术：

1、儿童群体在年龄跨度、感官处理能力、自主需求与情绪调节方式上存在显著的发育差异，不同年龄段患儿对环境的需求具有高度异质性，这对病房环境的精细化管理提出了更高要求。现有儿童病房环境控制系统多为被动响应式调控，环境参数与儿童心理状态之间缺乏量化关联模型，难以将环境参数的变化与儿童情绪状态、压力水平建立精确的量化映射关系，导致环境调控决策缺乏科学依据；儿童对环境的感知是视觉、听觉、触觉、嗅觉等多感官融合的综合体验，而现有系统多局限于单一感官维度，缺乏对光环境、声环境、热环境、嗅觉环境等多维度的统一建模与协同优化；不同年龄段的儿童对感官刺激的敏感度与偏好存在显著差异，而现有系统多采用“一刀切”的统一调控策略，无法根据患儿的年龄特征、情绪状态与个性化需求动态调整环境参数。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种智能化儿童病房环境自适应控制系统，针对环境参数与儿童心理状态之间缺乏量化关联模型的问题，本方案构建耦合评估模型建立物理环境参数与儿童情绪状态之间的量化映射关系，生成环境和情绪的耦合评估指数，为环境调控决策提供科学依据与量化支撑；针对多感官环境要素协同调控能力不足的问题，本方案构建涵盖光环境、声环境、热环境、嗅觉环境的统一多感官环境融合模型，实现多维度环境要素的协同建模与联合优化，有效提升环境调控的综合效果；针对缺乏针对儿童年龄差异与个体偏好的自适应机制的问题，本方案引入基于上下文赌博机的自适应学习控制器，根据患儿年龄特征、历史偏好与实时反馈动态优化调控策略，实现个性化环境自适应控制。

2、本发明提供的一种智能化儿童病房环境自适应控制系统，包括多模态感知模块、耦合评估模块、融合建模模块、仿真推演模块和自适应协同调控模块；

3、所述多模态感知模块采集儿童病房内部的环境参数向量、儿童的生理参数向量、行为特征向量，构建情绪类别标签及对应的情绪强度置信度，将所有采集到的数据发送至其余各模块；

4、所述耦合评估模块建立环境参数向量与儿童情绪状态之间的量化映射关系，计算耦合评估指数，基于深度学习算法构建情绪状态预测模型，根据当前病房的环境参数向量预测儿童实时的情绪类别标签及其对应的情绪强度置信度，将情绪状态预测模型发送至仿真推演模块；

5、所述融合建模模块基于环境参数向量构建描述病房环境与儿童情绪状态关联的多感官环境融合模型，计算综合环境舒适度指数，将多感官环境融合模型发送至仿真推演模块；

6、所述仿真推演模块基于环境参数向量构建候选调控策略集进行仿真推演，根据多感官环境融合模型计算每个候选调控策略的综合环境舒适度指数变化，通过情绪状态预测模型预测儿童的情绪类别标签变化，计算儿童情绪改善度，生成仿真评估报告发送至自适应协同调控模块；

7、所述自适应协同调控模块基于仿真评估报告，使用优化算法与自适应学习控制器求解最优的最优调控策略，分解为控制指令集对儿童病房环境进行联合控制。

8、进一步地，所述耦合评估模块包括特征提取单元、时序预测单元、耦合计算单元和评估输出单元；

9、所述特征提取单元对环境参数向量、生理参数向量、行为特征向量和情绪类别标签进行标准化处理与特征融合，构建耦合特征向量；

10、所述时序预测单元将耦合特征向量划分为训练集与验证集，基于长短期记忆网络构建情绪状态预测模型，用于预测儿童未来时间段的情绪类别标签，所用公式如下：

11、；

12、式中，表示时刻，表示未来时间段窗口长度，表示时刻预测的情绪类别标签，表示历史时间窗口长度，表示从时刻到时刻的历史耦合特征向量序列，表示情绪状态预测模型；

13、所述耦合计算单元基于当前环境参数向量与预测的情绪类别标签，计算环境和情绪的耦合评估指数，数值越大表示当前环境与儿童情绪状态的匹配度越高；

14、所述评估输出单元输出耦合评估指数、预测的情绪类别标签及其对应的情绪强度置信度。

15、所述评估输出单元输出耦合评估指数、预测的情绪状态及其置信度向量。

16、进一步地，所述融合建模模块基于环境参数向量构建多感官环境融合模型，具体为：计算光环境舒适度指数、声环境舒适度指数、热环境舒适度指数和嗅觉环境舒适度指数，对上述舒适度指数进行加权融合，得到综合环境舒适度指数。

17、进一步地，所述仿真推演模块包括场景定义单元、状态推演单元、效果评估单元和报告生成单元；

18、所述场景定义单元对环境参数向量的各参数自动枚举调节幅度和调节步长，生成候选调控策略集，其中每个候选调控策略为结构化的控制指令集；

19、所述状态推演单元根据多感官环境融合模型对每个候选调控策略进行仿真推演，设置仿真时间步长和仿真时间窗口，计算当前候选调控策略在每个仿真时间步长内的综合环境舒适度指数变化，并调用情绪状态预测模型预测儿童的情绪类别标签变化；

20、所述效果评估单元基于状态推演的结果，计算每个候选调控策略下的儿童情绪改善度，所用公式如下：

21、；

22、式中，表示候选调控策略，表示候选调控策略下的儿童情绪改善度，表示仿真时间步长的总数，表示仿真时间步长的索引，表示在第个仿真时间步长内采用候选调控策略时的耦合评估指数，表示在第个仿真时间步长内不采用任何调控策略时的耦合评估指数；

23、所述报告生成单元为每个候选调控策略生成完整的仿真评估报告。

24、进一步地，所述自适应协同调控模块包括目标函数构建单元、约束条件建模单元、优化求解单元、学习控制器和策略执行单元；

25、所述目标函数构建单元基于仿真评估报告构建多目标优化函数，优化目标为最大化儿童情绪改善度与综合环境舒适度指数，同时最小化调控能耗成本，多目标优化函数的形式如下：

26、；

27、式中，表示多目标优化函数，表示对多目标优化函数取最大值操作，表示候选调控策略对应的综合环境舒适度指数在整个仿真时间窗口内的平均值，表示候选调控策略对应的调控能耗成本，、和分别表示情绪改善度、综合环境舒适度指数、调控能耗成本对应的权重系数；

28、所述约束条件建模单元构建儿童病房内候选调控策略的物理约束与安全约束；

29、所述优化求解单元采用遗传算法对所有候选调控策略进行迭代优化，得到一组最优的环境调控策略；

30、所述学习控制器采用基于上下文的赌博机算法作为自适应学习机制，从最优的环境调控策略集中选择最优调控策略执行，并根据情绪改善度与综合环境舒适度指数计算执行后的奖励信号，通过在线学习优化策略选择，所用公式如下：

31、；

32、式中，表示在时刻选择的最优调控策略，表示最优的环境调控策略集中最优调控策略的索引，表示时刻的系统状态向量，表示最优调控策略的估计参数向量，表示最优调控策略的在线更新设计矩阵，表示策略选择的探索系数；

33、所述策略执行单元将最优调控策略分解为可执行的控制指令集。

34、采用上述方案本发明取得的有益效果如下：

35、（1）针对环境参数与儿童心理状态之间缺乏量化关联模型的问题，本方案构建耦合评估模型建立物理环境参数与儿童情绪状态之间的量化映射关系，生成环境和情绪的耦合评估指数，为环境调控决策提供科学依据与量化支撑。

36、（2）针对多感官环境要素协同调控能力不足的问题，本方案构建涵盖光环境、声环境、热环境、嗅觉环境的统一多感官环境融合模型，实现多维度环境要素的协同建模与联合优化，有效提升环境调控的综合效果。

37、（3）针对缺乏针对儿童年龄差异与个体偏好的自适应机制的问题，本方案引入基于上下文赌博机的自适应学习控制器，根据患儿年龄特征、历史偏好与实时反馈动态优化调控策略，实现个性化环境自适应控制。