基于礦用可穿戴設(shè)備與智能分析算法的數(shù)據(jù)處理技術(shù)研究

崔希國(guó)，于 鯤

（1.山東能源臨沂礦業(yè)集團(tuán)，山東臨沂 276000；2.山東通和信息技術(shù)有限公司，山東濟(jì)南 250000）

隨著物聯(lián)網(wǎng)技術(shù)的高速發(fā)展，智能手表、智能眼鏡等可穿戴設(shè)備的使用越來越廣泛[1-2]?？纱┐髟O(shè)備是一種集成于衣服、手表、鞋子等生活用品的便攜式設(shè)備，具有與用戶雙向互動(dòng)的功能[3-5]?？纱┐髟O(shè)備具備多種類型的微型傳感器，其所采集的數(shù)據(jù)蘊(yùn)含與佩戴人員的行為特性、健康情況等相關(guān)的豐富數(shù)據(jù)[6-7]。

在礦業(yè)方面，每年因事故傷亡的作業(yè)人員約為6 000 人。礦工作業(yè)過程中，監(jiān)控人員無法實(shí)時(shí)掌握作業(yè)人員的身體健康狀況，導(dǎo)致較多安全事故的發(fā)生[8-10]。因此，文中將可穿戴設(shè)備應(yīng)用于礦工作業(yè)過程，開展基于礦用可穿戴設(shè)備智能數(shù)據(jù)分析的礦業(yè)作業(yè)人員健康狀態(tài)評(píng)估研究。

1 軟硬件基礎(chǔ)

1.1 礦用可穿戴設(shè)備

礦用可穿戴設(shè)備為手表，用于礦業(yè)工作人員下井工作的實(shí)時(shí)安全健康數(shù)據(jù)監(jiān)測(cè)。其外觀結(jié)構(gòu)如圖1所示。礦用可穿戴設(shè)備具有以下顯著特點(diǎn)：

圖1 礦用可穿戴設(shè)備外觀

1）小型化。礦用可穿戴設(shè)備具有小型化的特點(diǎn)，體積較小、便于穿戴，不影響操作。

2）集成化。礦用可穿戴設(shè)備相比于普通的智能手表，集成了多種數(shù)據(jù)測(cè)量監(jiān)測(cè)功能，不僅具有計(jì)時(shí)、計(jì)步等運(yùn)動(dòng)數(shù)據(jù)監(jiān)測(cè)功能，且還集成了血壓測(cè)量、血氧測(cè)量、心率測(cè)量等功能。

3）雙向化。一方面，礦業(yè)工作人員遇到緊急狀況時(shí)可通過礦用可穿戴設(shè)備向系統(tǒng)主站發(fā)送求助；另一方面，可將實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)傳回系統(tǒng)主站進(jìn)行異常數(shù)據(jù)分析，然后通過礦用可穿戴設(shè)備向礦業(yè)工作人員下發(fā)指令和安全預(yù)警。

4）智能化。礦用可穿戴設(shè)備配置智能分析平臺(tái)對(duì)采集到的數(shù)據(jù)進(jìn)行分析處理，提供統(tǒng)計(jì)分析、狀態(tài)監(jiān)測(cè)、安全預(yù)警、用戶管理等功能。

1.2 智能分析平臺(tái)

基于礦用可穿戴設(shè)備的智能分析平臺(tái)架構(gòu)如圖2所示。該智能分析平臺(tái)功能主要分為三部分：

圖2 基于礦用可穿戴設(shè)備的智能分析平臺(tái)

1）分析統(tǒng)計(jì)。礦用可穿戴設(shè)備所采集數(shù)據(jù)的分析統(tǒng)計(jì)具備計(jì)步、血氧、血壓、睡眠和心率相關(guān)數(shù)據(jù)的統(tǒng)計(jì)分析與可視化展示。

2）設(shè)備數(shù)據(jù)。實(shí)現(xiàn)對(duì)每一臺(tái)礦用可穿戴設(shè)備的數(shù)據(jù)監(jiān)測(cè)和數(shù)據(jù)管理，具有佩戴者信息、設(shè)備健康數(shù)據(jù)、定位展示、軌跡信息、家庭成員、SOS 信息、關(guān)愛提醒、IMEI 錄入、數(shù)據(jù)清除和數(shù)據(jù)權(quán)限等功能。

3）APP 管理。實(shí)現(xiàn)對(duì)APP 用戶數(shù)據(jù)的管理，包括APP 用戶管理、APP 用戶統(tǒng)計(jì)、APP 安裝設(shè)備統(tǒng)計(jì)、APP 登記統(tǒng)計(jì)等。

2 基于礦用可穿戴設(shè)備的智能數(shù)據(jù)分析算法

對(duì)于礦用可穿戴設(shè)備所采集的步數(shù)、體溫、呼吸、心率、血氧、血壓等數(shù)據(jù)，文中基于多源數(shù)據(jù)融合（Multi-source Data Fusion，MDF）與支持向量機(jī)（Support Vector Machine，SVM）的智能數(shù)據(jù)分析處理方法，實(shí)現(xiàn)礦業(yè)作業(yè)人員的健康情況實(shí)時(shí)監(jiān)測(cè)。

文中所提基于礦用可穿戴設(shè)備的智能數(shù)據(jù)分析算法流程如圖3 所示。

圖3 基于礦用可穿戴設(shè)備的智能數(shù)據(jù)分析算法

該算法的主要流程：首先對(duì)礦用可穿戴設(shè)備所采集的數(shù)據(jù)進(jìn)行預(yù)處理，便于后續(xù)的數(shù)據(jù)分析；然后采用數(shù)據(jù)融合方法進(jìn)行多源數(shù)據(jù)融合，進(jìn)一步采用小波變換方法進(jìn)行數(shù)據(jù)特征提取，并將數(shù)據(jù)樣本按一定比例劃分為測(cè)試樣本和訓(xùn)練樣本；將訓(xùn)練樣本作為支持向量機(jī)算法的輸入，實(shí)現(xiàn)SVM 模型的訓(xùn)練；用測(cè)試樣本對(duì)訓(xùn)練好的SVM 模型進(jìn)行測(cè)試，微調(diào)校正SVM 模型參數(shù)；最終輸出礦業(yè)作業(yè)人員的身體健康等級(jí)評(píng)估結(jié)果。

2.1 數(shù)據(jù)預(yù)處理

常見的數(shù)據(jù)標(biāo)準(zhǔn)化方法有min-max 標(biāo)準(zhǔn)化和zscore 標(biāo)準(zhǔn)化[11]：

1）min-max 標(biāo)準(zhǔn)化

規(guī)范化后DE 數(shù)據(jù)描述如下：

2）z-score 標(biāo)準(zhǔn)化

規(guī)范化后的數(shù)據(jù)描述如下：

2.2 數(shù)據(jù)融合

數(shù)據(jù)融合的原理如圖4 所示。其方法是直接將來自不同傳感器的原始信息進(jìn)行融合處理，具有保留原始數(shù)據(jù)完整信息的優(yōu)點(diǎn)[12]。

圖4 數(shù)據(jù)融合原理

2.3 特征提取

礦用可穿戴設(shè)備采集的原始數(shù)據(jù)雖然包含了關(guān)聯(lián)礦業(yè)作業(yè)人員的各類相關(guān)信息，但這些原始數(shù)據(jù)的密度和體量都比較大，需要經(jīng)過數(shù)據(jù)特征提取將有用的特征參數(shù)提取出來，并將不相關(guān)的數(shù)據(jù)過濾。文中基于小波變換方法實(shí)現(xiàn)數(shù)據(jù)特征提取[13]。

定義一個(gè)基本小波函數(shù)及其Fourier 變化，滿足以下關(guān)系：

式中，ψ(w) 為基本小波函數(shù)φ(t) 的Fourier 變化式。

則連續(xù)小波函數(shù)變換式為：

式中，x(t)為連續(xù)小波函數(shù)，ψ*(·)表示函數(shù)ψ(·)的共軛運(yùn)算，a表示尺度因子，τ表示時(shí)間位移。

為了滿足實(shí)際工程應(yīng)用中離散化信號(hào)處理需求，將尺度因子與時(shí)間位移進(jìn)行離散化操作：

離散化的小波變換公式表示為：

2.4 支持向量機(jī)

在內(nèi)積空間H中，定義一個(gè)超平面，其代數(shù)表示方式為：

式中，x為自變量向量，w為權(quán)重系數(shù)向量，b為常數(shù)項(xiàng)。

支持向量機(jī)的目的是構(gòu)造一個(gè)超平面，將測(cè)試數(shù)據(jù)盡可能準(zhǔn)確地分類。為了便于計(jì)算，通常采用歸一化方法來建立規(guī)范化的超平面模型：

式中，(xi,yi)為第i個(gè)訓(xùn)練樣本，xi為訓(xùn)練樣本的特征參數(shù)，yi為分類標(biāo)簽。

如圖5 所示，H值越大表明分類結(jié)果越優(yōu)，H值的計(jì)算公式如下：

圖5 支持向量機(jī)原理

式中，||·||為二范數(shù)運(yùn)算符。

因此訓(xùn)練尋優(yōu)問題轉(zhuǎn)化為：

式中，?(x)為映射函數(shù)。

3 算例分析

為驗(yàn)證所提方法的正確性和有效性，采用礦用可穿戴設(shè)備的10 000 條測(cè)量數(shù)據(jù)作為數(shù)據(jù)樣本。按8 000∶2 000 的比例劃分為訓(xùn)練樣本和測(cè)試樣本，輸出結(jié)果等級(jí)分為健康、非健康兩種。

每個(gè)樣本中包含的特征參數(shù)包括體溫、心率、呼吸、血壓和血氧等，部分測(cè)試數(shù)據(jù)如表1 所示。

表1 部分測(cè)試數(shù)據(jù)

3.1 算法性能對(duì)比

為了驗(yàn)證所提算法的性能，將相同數(shù)據(jù)樣本作為文中所提算法和BP 神經(jīng)網(wǎng)絡(luò)算法的輸入。算法的性能對(duì)比如表2 所示。

表2 算法性能對(duì)比

由表2 可知，基于BP 神經(jīng)網(wǎng)絡(luò)算法的礦業(yè)作業(yè)人員健康等級(jí)評(píng)估準(zhǔn)確率為94.8%，算法收斂步數(shù)為85 步，訓(xùn)練時(shí)間為1 832.7 s?；谒酳VM 算法的礦業(yè)作業(yè)人員健康等級(jí)評(píng)估準(zhǔn)確率為98.6%，算法收斂步數(shù)為32 步，訓(xùn)練時(shí)間為654.6 s。由此可見，所提算法在準(zhǔn)確率、計(jì)算時(shí)間、收斂速度方面均更具優(yōu)勢(shì)。

3.2 多源數(shù)據(jù)融合對(duì)結(jié)果的影響

為分析多源數(shù)據(jù)融合對(duì)礦業(yè)作業(yè)人員健康等級(jí)評(píng)估結(jié)果的影響，設(shè)置以下5 組對(duì)比方案。計(jì)算結(jié)果如表3 所示。

表3 多源數(shù)據(jù)融合對(duì)健康等級(jí)評(píng)估結(jié)果的影響

方案1：僅采用體溫特征參數(shù)作為輸入；

方案2：采用體溫+心率特征參數(shù)作為輸入；

方案3：采用體溫+心率+呼吸特征參數(shù)作為輸入；

方案4：采用體溫+心率+呼吸+血壓特征參數(shù)作為輸入；

方案5：所提方法采用全部特征參數(shù)作為輸入。

由表3 可知，礦業(yè)作業(yè)人員健康等級(jí)評(píng)估結(jié)果的準(zhǔn)確率由大到小依次為：方案5＞方案4＞方案3＞方案2＞方案1。這是因?yàn)榈V業(yè)作業(yè)人員健康等級(jí)與體溫、心率、呼吸、血氧、血壓等特征參數(shù)均相關(guān)，采用更多類型的特征參數(shù)作為算法的輸入，能夠更加準(zhǔn)確地分析出作業(yè)人員的健康狀態(tài)。

4 結(jié)束語

文中基于礦用可穿戴設(shè)備的數(shù)據(jù)結(jié)合多源數(shù)據(jù)融合與支持向量算法開展礦業(yè)作業(yè)人員健康狀態(tài)評(píng)估研究。通過算例分析表明，文中所提方法相比于BP 神經(jīng)網(wǎng)絡(luò)算法，在準(zhǔn)確率、計(jì)算時(shí)間和收斂速度方面具有更優(yōu)的性能；通過體溫、心率、呼吸、血氧、血壓等多種數(shù)據(jù)融合分析，實(shí)現(xiàn)了礦業(yè)作業(yè)人員健康狀態(tài)評(píng)估，而且數(shù)據(jù)類型越多其評(píng)估結(jié)果的準(zhǔn)確性就會(huì)越高。但文中對(duì)于礦業(yè)作業(yè)人員健康狀態(tài)等級(jí)，僅劃分為健康和非健康兩種。為了更全面、清晰地監(jiān)測(cè)礦業(yè)作業(yè)人員的身體健康情況，需要進(jìn)行更加細(xì)致的等級(jí)劃分，而這有待于結(jié)合醫(yī)學(xué)技術(shù)，合理配置參數(shù)權(quán)重展開更深入的研究。