1.一种基于二值传感器卡尔曼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)是高斯白噪声；

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)c1 u(t)+0.003(1‑f)c2(t)e(t)+1.34(1‑f)Hb‑fμ，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)是高斯白噪声，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给定高斯白噪声w(t)和vi(t)满足如下分布

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：设计鲁棒的本地卡尔曼估计器，给出估计误差协方差上界的递归计算过程，通过最小化估计误差协方差上界求取最优本地估计增益，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定义估计误差方差的上界∑i(t)

2.3定义增广状态ξi(t)

2.4定义增广状态平方期望的上界并将 的分块矩阵表示为 和

2.5定义矩阵Ei1

2.6定义矩阵Ei2

2.7定义矩阵

2.8给定时变参数ζi(t)和ηi(t)满足误差方差的上界缩放条件

2.9定义中间变量Zi1(t)

2.10定义中间变量Zi2(t)

2.11定义增广状态转移矩阵

2.12定义增广过程噪声矩阵

2.13定义矩阵Hi(t)

2.14递归计算增广状态平方期望的上界

2.15计算估计误差协方差上界∑i(t)

2.16定义中间变量Mi(t)

2.17通过最小化估计误差协方差上界得到最优本地估计增益步骤三：设计用于血液氧气含量估计的分布式融合卡尔曼滤波器，采用协方差插入融合准则并通过求解最优化问题得到最优融合权重矩阵，过程如下：

3.1设计分布式融合卡尔曼滤波器其中Wi(t)是融合估计器的权重矩阵，需要满足

3.2根据协方差插入融合准则，求取融合估计器的权重矩阵其中 ωi(t)满足 是可调节的参数；

3.3通过求解最优化问题，求取最优参数ωi(t)求解得到的参数用于求取分布式融合卡尔曼估计器的最优权重矩阵，计算血液氧气含量的融合估计结果。