基于矿用可穿戴设备与智能分析算法的数据处理技术研究

崔希国，于 鲲

（1.山东能源临沂矿业集团，山东临沂 276000；2.山东通和信息技术有限公司，山东济南 250000）

随着物联网技术的高速发展，智能手表、智能眼镜等可穿戴设备的使用越来越广泛[1-2]。可穿戴设备是一种集成于衣服、手表、鞋子等生活用品的便携式设备，具有与用户双向互动的功能[3-5]。可穿戴设备具备多种类型的微型传感器，其所采集的数据蕴含与佩戴人员的行为特性、健康情况等相关的丰富数据[6-7]。

在矿业方面，每年因事故伤亡的作业人员约为6 000 人。矿工作业过程中，监控人员无法实时掌握作业人员的身体健康状况，导致较多安全事故的发生[8-10]。因此，文中将可穿戴设备应用于矿工作业过程，开展基于矿用可穿戴设备智能数据分析的矿业作业人员健康状态评估研究。

1 软硬件基础

1.1 矿用可穿戴设备

矿用可穿戴设备为手表，用于矿业工作人员下井工作的实时安全健康数据监测。其外观结构如图1所示。矿用可穿戴设备具有以下显著特点：

图1 矿用可穿戴设备外观

1）小型化。矿用可穿戴设备具有小型化的特点，体积较小、便于穿戴，不影响操作。

2）集成化。矿用可穿戴设备相比于普通的智能手表，集成了多种数据测量监测功能，不仅具有计时、计步等运动数据监测功能，且还集成了血压测量、血氧测量、心率测量等功能。

3）双向化。一方面，矿业工作人员遇到紧急状况时可通过矿用可穿戴设备向系统主站发送求助；另一方面，可将实时监测数据传回系统主站进行异常数据分析，然后通过矿用可穿戴设备向矿业工作人员下发指令和安全预警。

4）智能化。矿用可穿戴设备配置智能分析平台对采集到的数据进行分析处理，提供统计分析、状态监测、安全预警、用户管理等功能。

1.2 智能分析平台

基于矿用可穿戴设备的智能分析平台架构如图2所示。该智能分析平台功能主要分为三部分：

图2 基于矿用可穿戴设备的智能分析平台

1）分析统计。矿用可穿戴设备所采集数据的分析统计具备计步、血氧、血压、睡眠和心率相关数据的统计分析与可视化展示。

2）设备数据。实现对每一台矿用可穿戴设备的数据监测和数据管理，具有佩戴者信息、设备健康数据、定位展示、轨迹信息、家庭成员、SOS 信息、关爱提醒、IMEI 录入、数据清除和数据权限等功能。

3）APP 管理。实现对APP 用户数据的管理，包括APP 用户管理、APP 用户统计、APP 安装设备统计、APP 登记统计等。

2 基于矿用可穿戴设备的智能数据分析算法

对于矿用可穿戴设备所采集的步数、体温、呼吸、心率、血氧、血压等数据，文中基于多源数据融合（Multi-source Data Fusion，MDF）与支持向量机（Support Vector Machine，SVM）的智能数据分析处理方法，实现矿业作业人员的健康情况实时监测。

文中所提基于矿用可穿戴设备的智能数据分析算法流程如图3 所示。

图3 基于矿用可穿戴设备的智能数据分析算法

该算法的主要流程：首先对矿用可穿戴设备所采集的数据进行预处理，便于后续的数据分析；然后采用数据融合方法进行多源数据融合，进一步采用小波变换方法进行数据特征提取，并将数据样本按一定比例划分为测试样本和训练样本；将训练样本作为支持向量机算法的输入，实现SVM 模型的训练；用测试样本对训练好的SVM 模型进行测试，微调校正SVM 模型参数；最终输出矿业作业人员的身体健康等级评估结果。

2.1 数据预处理

常见的数据标准化方法有min-max 标准化和zscore 标准化[11]：

1）min-max 标准化

规范化后DE 数据描述如下：

2）z-score 标准化

规范化后的数据描述如下：

2.2 数据融合

数据融合的原理如图4 所示。其方法是直接将来自不同传感器的原始信息进行融合处理，具有保留原始数据完整信息的优点[12]。

图4 数据融合原理

2.3 特征提取

矿用可穿戴设备采集的原始数据虽然包含了关联矿业作业人员的各类相关信息，但这些原始数据的密度和体量都比较大，需要经过数据特征提取将有用的特征参数提取出来，并将不相关的数据过滤。文中基于小波变换方法实现数据特征提取[13]。

定义一个基本小波函数及其Fourier 变化，满足以下关系：

式中，ψ(w) 为基本小波函数φ(t) 的Fourier 变化式。

则连续小波函数变换式为：

式中，x(t)为连续小波函数，ψ*(·)表示函数ψ(·)的共轭运算，a表示尺度因子，τ表示时间位移。

为了满足实际工程应用中离散化信号处理需求，将尺度因子与时间位移进行离散化操作：

离散化的小波变换公式表示为：

2.4 支持向量机

在内积空间H中，定义一个超平面，其代数表示方式为：

式中，x为自变量向量，w为权重系数向量，b为常数项。

支持向量机的目的是构造一个超平面，将测试数据尽可能准确地分类。为了便于计算，通常采用归一化方法来建立规范化的超平面模型：

式中，(xi,yi)为第i个训练样本，xi为训练样本的特征参数，yi为分类标签。

如图5 所示，H值越大表明分类结果越优，H值的计算公式如下：

图5 支持向量机原理

式中，||·||为二范数运算符。

因此训练寻优问题转化为：

式中，ϕ(x)为映射函数。

3 算例分析

为验证所提方法的正确性和有效性，采用矿用可穿戴设备的10 000 条测量数据作为数据样本。按8 000∶2 000 的比例划分为训练样本和测试样本，输出结果等级分为健康、非健康两种。

每个样本中包含的特征参数包括体温、心率、呼吸、血压和血氧等，部分测试数据如表1 所示。

表1 部分测试数据

3.1 算法性能对比

为了验证所提算法的性能，将相同数据样本作为文中所提算法和BP 神经网络算法的输入。算法的性能对比如表2 所示。

表2 算法性能对比

由表2 可知，基于BP 神经网络算法的矿业作业人员健康等级评估准确率为94.8%，算法收敛步数为85 步，训练时间为1 832.7 s。基于所提SVM 算法的矿业作业人员健康等级评估准确率为98.6%，算法收敛步数为32 步，训练时间为654.6 s。由此可见，所提算法在准确率、计算时间、收敛速度方面均更具优势。

3.2 多源数据融合对结果的影响

为分析多源数据融合对矿业作业人员健康等级评估结果的影响，设置以下5 组对比方案。计算结果如表3 所示。

表3 多源数据融合对健康等级评估结果的影响

方案1：仅采用体温特征参数作为输入；

方案2：采用体温+心率特征参数作为输入；

方案3：采用体温+心率+呼吸特征参数作为输入；

方案4：采用体温+心率+呼吸+血压特征参数作为输入；

方案5：所提方法采用全部特征参数作为输入。

由表3 可知，矿业作业人员健康等级评估结果的准确率由大到小依次为：方案5＞方案4＞方案3＞方案2＞方案1。这是因为矿业作业人员健康等级与体温、心率、呼吸、血氧、血压等特征参数均相关，采用更多类型的特征参数作为算法的输入，能够更加准确地分析出作业人员的健康状态。

4 结束语

文中基于矿用可穿戴设备的数据结合多源数据融合与支持向量算法开展矿业作业人员健康状态评估研究。通过算例分析表明，文中所提方法相比于BP 神经网络算法，在准确率、计算时间和收敛速度方面具有更优的性能；通过体温、心率、呼吸、血氧、血压等多种数据融合分析，实现了矿业作业人员健康状态评估，而且数据类型越多其评估结果的准确性就会越高。但文中对于矿业作业人员健康状态等级，仅划分为健康和非健康两种。为了更全面、清晰地监测矿业作业人员的身体健康情况，需要进行更加细致的等级划分，而这有待于结合医学技术，合理配置参数权重展开更深入的研究。