面向城市公交安全运营的驾驶员健康监测平台设计

摘要 随着城市化进程的加速，城市公共交通安全日益受到社会广泛关注。驾驶员的健康状况作为影响交通安全的关键因素之一，其监测和管理显得尤为重要。文章设计了一套面向城市公交安全运营的驾驶员健康检测平台，通过采集驾驶员的日常体检数据、睡眠监测数据和岗前安全调查数据，将数据上传至数据存储中心，由数据分析模块通过不同的人工智能算法分析驾驶员的生理信号数据，并通过驾驶员健康监测平台展示分析结果，同时预测驾驶员未来的健康状况，有助于及时发现健康风险，并提供预警和干预措施。研究结果表明，该平台能够有效提升驾驶员健康监测的效率和准确性，降低因驾驶员健康问题导致的交通事故风险，对于提升城市公交系统的安全性和服务质量至关重要。

关键词 城市公交；驾驶员健康监测；安全运营；实时监测；健康预警

中图分类号 U463 文献标识码 A 文章编号 2096-8949（2024）24-0021-05

0 引言

近年来，随着物联网、大数据、云计算及人工智能等技术的发展，信息技术在城市公交安全运营领域的应用越来越广泛。城市化进程的不断加快，使得城市公共交通安全问题越来越受到重视。在导致交通事故的诸多因素中，驾驶员的健康状况逐渐被认为是一个关键因素，由于驾驶员健康问题所导致的交通事故占比显著。因此，驾驶员健康监测在城市公共交通安全问题方面显得格外重要。目前，对驾驶员健康状态的评估往往依赖于传统的健康检查方法，包括规律的医疗体检、自我报告的问卷调查、血压测量，以及视觉和听觉能力测试等。这些方法虽然能够提供一定的健康信息，但通常缺乏实时性和连续性，且依赖于驾驶员的主观陈述和医疗机构的周期性服务。由于目前对驾驶员健康状况的监测方法还不够及时和精准，当驾驶员身体出现异常时，往往难以及时发现。如果驾驶员在驾驶过程中突发健康问题，极有可能严重威胁公众的生命安全。

目前，国内外在驾驶员健康监测与交通事故的关系研究取得了一定的进展。驾驶员的生理和心理状态，如心脏病、高血压、疲劳和注意力不集中，都可能导致交通事故，而通过使用脉搏诊断技术[1]及非侵入性方法[2]监测驾驶员的脉搏、心率、心电图和脑电图等生理参数评估其健康，能够在驾驶员健康状况不佳时及时给予提醒，并且使得长期监测成为可能，有助于及时发现驾驶员的潜在健康问题，从而预防可能的交通事故。此外，视频分析技术也是监测驾驶员生理信号的有效手段。运用非接触方式的BCG原理[3]及智能方向盘设计[4]，通过视频监测驾驶员头部的微小运动和面部活动进而监测其心率。有的学者利用微波干涉仪雷达技术探讨监测驾驶员生命体征的方法，该技术通过在座椅中嵌入传感器，监测驾驶员的心跳和呼吸，为自动驾驶和健康监测提供了一种新的思路[5]。

然而，当前有关驾驶员健康检测技术的研究仍存在一定的缺陷和不足。例如，采用岗前摄像头采集人脸的实时视频信息，利用面部生物特征模式技术进行分析和检测的方式存在检测时间短、算法有效性差、可信度不高等问题，车载设备虽然保障了驾驶员的长时间实时视频采集，但这类方式并不适配现有的调度系统，且车载电子设备易发故障和误识别率较高，很难进一步推广应用。该研究的设计方案基于常规体检、人体睡眠振动体征监测、岗前安全信息采集等三方融合数据，对其进行人工智能建模和分析，依据安全运营管理制度，结合驾驶员健康安全三级风险模型，形成健康干预措施。

1 驾驶员健康监测平台的设计思路

驾驶员健康检测平台的设计，以驾驶员日常体检数据、人体睡眠振动体征监测、岗前安全信息采集等三方数据的融合作为基础，对汇集的数据进行人工智能建模和分析，依据安全运营管理制度，结合驾驶员健康安全三级风险模型，形成健康干预措施。根据平台预警和干预措施，进而分析安全运营绩效，评估预警体系的有效性和效果，同时对安全运营管理制度进行动态改进，进一步提升安全运营服务质量。驾驶员健康监测平台的总体数据流动过程如图1所示。

驾驶员健康监测平台主要包括数据采集、数据存储、数据分析、平台可视化等四部分。

1.1 数据采集

驾驶员健康监测平台的计算数据主要来源于三部分：驾驶员的日常体检数据、基于物联网的睡眠监测设备的实时数据、基于问卷的岗前安全调查数据。

1.1.1 日常体检

体检是考核驾驶员健康状况的重要环节，包括身高、体重、视力、辨色力、听力和身体运动功能等多个维度的一系列规范化医学检查。在内科检查中，以询问病史、测量血压、心脏听诊等方式，重点检查心血管系统，并对驾驶员进行健康评价[6]。此外，由于睡眠质量、压力水平等心理因素同样对行车安全造成直接影响，心理健康也是体检中不可忽视的一个方面。这些体检项目都是为了及时发现司机可能存在的健康隐患而设计，比如在行车过程中，慢性疾病可能会导致突发事件，包括心血管疾病、高血压、糖尿病等，从而增加车祸风险，而这些健康风险则可以通过早期识别和及时治疗得到显著降低。体检结果不仅有助于识别问题，还可以作为鼓励司机采取改善饮食习惯、增加体育锻炼等更健康的生活方式以降低患病可能性的健康教育依据。

1.1.2 睡眠监测设备

对驾驶员进行睡眠监测数据的分析，对保障和评价驾驶员的身体健康至关重要，因为这些数据揭示了潜在的睡眠障碍和质量问题，而这些都会对驾驶员的驾驶表现和公共安全造成直接影响，通过分析这些数据，能够及早发现并解决健康隐患，如睡眠呼吸暂停综合征等，对驾驶员的注意力和反应速度都会产生一定程度的影响。此次研究采用中科振知品牌的睡眠监测设备，它以压电薄膜传感器技术为基础，安置在驾驶员床垫之下。作为一种动态应变的压电薄膜传感器，它具有较高的灵敏度，可穿透衣物探测到人体脉搏，对驾驶员在睡眠中产生的各种生理信号进行监测。这项研究选择了此类传感器作为捕捉呼吸引起的微小压力波动的力敏元件，从而将振动频率和幅度收集到人体器官中。通过对高频心音和低频呼吸运动等信号波形的应用，可对这些信号波形进行分析。这些信号波先由压电膜转化为电荷，再经电荷放大电路转化为输出电压。通过这个过程，可以有效地区分身体的运动、心脏的搏动和呼吸的讯号。该设备可在睡眠状态下，精确采集0.1～500 Hz范围内的身体震动信号数据，实现其心脏跳动等生理信号在驾驶者睡眠过程中的无声采集。这种无干扰的监测方式对于评估驾驶员睡眠质量、睡眠呼吸暂停、心律不齐等潜在健康隐患的早期发现，以及因睡眠不足或质量不佳导致的交通事故的针对性健康干预的实施，都极为关键。此外，睡眠监测数据也帮助巴士公司遵守职业卫生及安全法规，以提升公交系统的安全性及效率，确保司机在工作时一直保持清醒的最佳状态。

1.1.3 岗前安全调查

对驾驶员进行岗前安全测评，是城市公共交通安全运行中至关重要的一环。这一考核过程既包括对驾驶员身体健康的检查，也涉及为了确认驾驶员无论在身体上还是心理上都适合承担驾驶职责，而对其心理状态进行的考核。身体健康检查侧重于对心脏病、高血压等可能干扰驾驶能力的疾病进行鉴别，而心理健康测评则侧重于对驾驶员压力的承受能力、情绪控制能力等方面的评估。再进一步，通过对驾驶员驾驶技能的审核和对交通法规的掌握，确保其具备技术和法律知识，确保安全驾驶工作万无一失。

1.2 数据存储

为了对持续流入平台的数据进行有效管理，该研究设计了一种高效的数据存储解决方案。考虑系统中包含来自多个用户、多个来源的数据，如果将所有数据直接存储在传统的关系型数据库中，随着时间的推移，数据表将会变得异常庞大，进而影响数据的存取及检索速度。鉴于此，该研究采用一种分层存储策略：优先考虑实时数据的快速存储，同时为长期数据保留一个辅助存储方案，旨在优化数据管理流程，确保数据的即时可用性，同时为未来的数据检索及分析提供支持。

1.2.1 实时数据存储

为实现数据的高效实时存储，该平台采用专门用于存储最近72 h内数据的Redis和Apache Kafka数据库组合，以确保数据的快速访问处理。这一存储方案可使两个数据库的优势互补得到最好发挥。作为一款高效的键值存储系统，Redis为平台提供了快速读写数据的能力，尤其适用于驾驶员短期生理信号等短期临时数据的存储。Redis简明的界面、多样化的数据结构设计，能够快速实现开发人员的数据存储和检索。同时，作为一种分布式流处理系统，Apache Kafka在处理大规模数据流方面也具有强大优势，它可以实时接收来自监控设备的数据，保证数据的稳定传递和存储。Kafka的分布式架构和高容错机制保证了数据处理流程能够持续不受阻碍，即使在数据量激增的情况下。Kafka的可扩展性也随着数据量的增长，通过增加Broker节点的方式实现集群的扩展，并保持数据处理的高效这一显著特点。通过将Redis和Kafka的使用进行结合，驾驶员健康监控平台可以实现实时采集、快速处理和可靠存储驾驶员的生理信号数据。这一架构在提升数据处理速度与效率的同时，也为驾驶员提供了坚实的技术支持，确保了数据的安全与稳定。

1.2.2 长期数据存储

在构建驾驶员健康监测平台的长期数据存储策略时，该文采用MySQL与MongoDB两种数据库技术的融合方案，以适应不同类型数据的存储需求，并对结构化程度较高且查询模式相对固定的数据，如日常体检数据等，利用MySQL成熟的事务处理能力和稳定的性能表现，确保数据的一致性和完整性，并通过有效组织和索引的方式对这些数据进行有效管理，便于历史数据的查询和统计分析，包括身高、体重、血压等，通过在关系型模式中的有效组织并加以索引，为数据的查询和统计分析提供了有力支持。对于MongoDB的文档导向和模式灵活性尤其关键，比如睡眠监测数据和岗前安全调查数据等结构可能更加灵活或复杂。MongoDB的BSON文档存储格式支持数据的嵌套和数组，对于存储多样化的生理信号数据，比如睡眠监测设备收集的数据，则非常合适。此外，对于处理大量数据和应对高并发访问至关重要的MongoDB副本集和分片机制，提供了高可用性和横向扩展能力。随着数据量的不断增长，平台可以借助MongoDB的分片机制，向不同服务器分散数据，实现数据的横向扩展，从而保持系统的可扩展性和高效率。对于历史资料，为优化存储效率和成本，该文采取定期存档策略，从实时数据库向归档存储转移旧资料。综合来看，MySQL与MongoDB的搭配使用，既满足了驾驶员健康监测平台对数据精确性与实时性的需求，又保证了数据的长期可维护性与可访问性，满足了未来数据增长与系统扩展的需要。这一双数据库战略为平台提供了一种灵活的数据存储解决方案，高效且具有可持续性。

1.3 数据分析

数据分析模块负责从数据存储模块中提取和分析驾驶员的健康数据，采用深度小波变换网络、深度置信网络和长短期记忆网络等先进技术，对数据进行深度分析，旨在为可视化预警平台提供准确的数据支撑。通过数据预处理、特征提取、模型训练和性能评估等一系列流程，系统能够实时监测驾驶员的健康状况，识别健康风险，并提供早期预警。

1.3.1 深度小波变换网络

深度小波变换网络[7]在心电图（EGG）信号分析领域展示了其独特的价值，该技术将小波变换和深度学习的优点融合在一起，实现了高效的信号特征提取。该网络首先应用了小波变换的多尺度分析能力，可以将EGG信号从时间域映射到频率域，无论是连续还是离散的变换。这样的变换使得网络可以捕捉到周期性波动和不规则心跳模式等信号在不同频带中的局部特征。深度小波变换网络在分析频率域的过程中，定位和识别那些包含心率关键信息的峰值点，通过设定特定的阈值，网络评估这些峰值点集合，以确定心率的频率。在存在多个峰值点的情况下，网络将采用聚类算法区分并选择最重要的峰值点，从而精确地确定分段频率域中的心率。此外，该网络还能够处理非平稳信号，例如EGG中的心跳信号，通过自适应提升机制，网络能够学习信号的多尺度表示，进而更有效地捕捉数据的动态变化。在睡眠呼吸障碍的分析中，深度小波变换网络通过滤波处理身体振动数据，提取呼吸波形的包络线，并计算其标准差，以识别稳定的呼吸周期，这种方法有助于监测和评估睡眠期间的呼吸模式，并及时发现潜在的呼吸障碍。

1.3.2 深度置信网络

深度小波变换网络在分析EGG信号数据后，深度置信网络（DBN）[8]能够利用其强大的特征学习能力对这些数据进行进一步的分类和识别。通过逐层预训练和微调，可以学习数据的复杂模式和层次，在处理EGG信号数据时，DBN能够利用小波变换后的特征，如频域中的峰值点集（FPS）和心率的频率信息，进行进一步的分析。DBN的预训练阶段通过无监督学习自动提取数据的高级特征，而后在微调阶段通过监督学习调整网络权重，以优化对特定健康问题的分类，如心率异常或心律不齐。对于日常体检数据和岗前安全测试数据，DBN可以处理体检数据中的结构化信息，如身高、体重、血压等，并结合岗前测试中的生理和心理健康的评估结果，进行综合分析和分类。DBN能够识别出体检数据中的模式和关联，如心率与血压之间的关系，以及它们与健康风险之间的联系。在处理EGG信号数据时，DBN能够识别出特定的频率域区域，并基于幅值和频率对峰值点集进行分类，从而确定分段频率域的心率。

1.3.3 长短期记忆网络

在循环神经网络领域，长短期记忆网络（LSTM）[9]因其在高效处理和记忆长序列数据中的独特门控机制而脱颖而出。在数据分析平台上，LSTM的应用尤其体现在对预测车手健康状况至关重要的心脏搏动波形的时间序列分析上。LSTM的核心机理由遗忘的门、输入的门、输出的门和细胞的状态等几部分组成。遗忘门负责决定哪些信息需要丢弃或保留，输入门控制着新信息的存储，而输出门则是为了确定哪些信息会被传递到网络的下一层，这些信息将在细胞状态下被传递出去。这种设计使LSTM特别适合对时间序列数据的处理和预测，可以捕捉和利用长期的依赖关系。在分析EGG讯号时，LSTM可以处理频率域内峰值点集（FPS）、心率频率资讯等透过深度小波转换提取的特性。同时，LSTM还可以通过时间序列分析这些特征，对未来心脏跳动的波形进行预测，从而对车手的健康状况进行评估。举例来说，LSTM可以通过监测心率的长期变化，预测驾驶者是否存在心率异常、心律不齐或心率异变等风险。此外，LSTM还能识别可能指示睡眠呼吸障碍的模式，并通过分析身体在睡眠中的震动数据预测发生的可能性，进行时间序列分析。在长时间的驾驶任务中，这样的分析对于评估车手的健康程度和安全程度非常有意义。

2 平台功能模块设计

驾驶员健康状态监测预警平台在构建城市公共交通安全运营体系中扮演着核心角色。该平台大大简化了预警信息的管理和功能配置流程，通过设计交互式图形用户界面，可以方便系统管理人员处理预警信息，并通过直观的操作界面进行相应的设定。该平台的功能架构主要围绕三大核心模块展开：一是实时健康监测模块，能够持续追踪驾驶者身体和心理状况；二是风险提示模块，及时向管理者发出可能产生健康隐患的预警；三是健康数据查询和趋势分析模块，操作者可对驾驶员的历史健康资料进行检索和分析。驾驶员健康状态监测预警平台通过这三大模块的协同工作，在提高管理者监控驾驶员健康状况的效率的同时，也增强了潜在健康隐患的预警能力。

2.1 实时健康监测

实时健康监测功能对管理人员而言是一种有效的工具，可对驾驶员的关键生理参数进行监控，包括体动心率和呼吸在内的多项关键生理指标，并通过动态图表和实时警报机制，使管理人员能够迅速察觉任何异常状况，并采取相应措施加以解决，从而在保证行车安全的基础上提高整个公交系统的安全性和效率。通过实时监控，管理人员能对驾驶员的健康状况进行及时有效的干预和调整。

2.2 风险提示

通过直观的用户界面展示了驾驶员健康监测平台的风险提示功能。按照信息紧急程度，界面分为突发事件预警和常规提示两个区域。突发事件预警区域专门用于显示包括驾驶员姓名、紧急联系方式、所属车队、驾驶车辆标识、潜在健康隐患等在内的最高优先级健康预警，一旦触发，系统会自动弹出窗口并发出提示声音，同时显示关键信息。而常规提示区域则用来显示非紧急事件的健康信息，其中为了提醒系统管理员注意，会用加粗的字体显示未经处理的信息。管理员通过点击留言列表，就能看到详细信息，并对突发事件预警及时作出反应，及时进行处理。此功能能够确保实时监测，并快速响应驾驶者的健康状况，确保行车安全与健康。

2.3 健康数据查询及趋势分析

驾驶员健康数据查询和趋势分析模块可以让用户高效地分类汇总所有驾驶员的健康状况。通过简洁的用户界面，用户可以轻松访问包括预警具体细节、处理时间节点、负责人员等关键信息，以及已经实施的响应措施等详细的历史预警事件记录。此外，该工具还可以深入分析具体时间范围内的特定驾驶员的关键健康指标。该系统可以根据用户的查询自动生成走势图，使驾驶者的健康状态演变趋势得到直观呈现。进一步地，该平台整合了先进的数据分析技术和机器学习算法，以预测潜在的健康风险为目的，全面分析驾驶员的历史健康数据、行为模式和外界环境因素。这种预见性分析功能为管理者及时采取预防措施提供了重要的决策支持。这些措施可能包括对驾驶员工作计划的调整、特定的健康检查推荐等，并提供个性化的健康意见。通过这些预防措施，确保行车任务万无一失，从而有效预防因健康问题导致的事故发生。

3 驾驶员健康监测平台的应用实例——以济南公交公司驾驶员为例

该研究以济南公交公司驾驶员为例，对驾驶员健康状态监测预警平台的使用效果进行检测，根据2021年5月～2023年3月期间公交公司每日的汇总数据进行分析，主要观测对象为高血压人数、呼吸暂停人数、疑似饮酒人数、睡眠不足人数。

表1展示了使用健康状态监测预警平台前后各类监测对象的人数变化，数据显示各类监测对象在使用健康状态监测预警平台后都有一定程度的减少。具体来看，在高血压人数方面，由18.94人下降至14.06人，呈现良好的变化趋势；疑似饮酒人数由10.61人下降至4.90人，虽然该数据在2021年11月～2022年1月期间出现反弹情况，但饮酒人数呈现整体下降趋势；中度呼吸暂停人数由85.19人下降至67.48人，重度呼吸暂停人数由36.52人下降至23.42人，与饮酒人数呈现相同的反弹情况，但整体呈下降趋势；睡眠不足人数则从142.42人下降至106.58人，平均睡眠时长由361.77 min上升至383.19 min，整体睡眠质量改善情况良好。

此外，该研究还围绕各类监测人群使用健康状态监测预警平台前后人数变化的相关性及方差进行研究。相关性分析方面，高血压与中度呼吸暂停存在相关性，但相关性较弱；饮酒与中度呼吸暂停的线性关系拟合优度为0.25，线性关系不明显；饮酒与重度呼吸暂停的线性关系拟合优度为0.49，具备一定的线性关系；睡眠不足人数与平均睡眠时长呈现强相关关系，拟合优度超过0.94，线性趋势十分明显。方差分析方面，高血压人数的方差由43.53下降至12.66，疑似饮酒人数的方差由15.11下降至6.42，中度呼吸暂停人数的方差在前十期均在60以内，而重度呼吸暂停人数的方差在前十期均在20以内，睡眠不足人数的方差由460.12下降至131.25，平均睡眠时长方差由164.05下降至74.63，说明该公司驾驶员的整体生活习惯呈现改善状态，生活作息规律日趋稳定。

4 结论

该文构建并实施了一个专门针对城市公共交通安全运营的驾驶员健康监测系统。该系统融合了尖端的传感器技术、大数据分析能力及人工智能算法，旨在为驾驶员提供全面、即时且精确的健康监测解决方案。通过持续追踪驾驶员的关键生理参数，该系统能够对潜在健康风险发出预警，并及时给予驾驶员健康管理建议，增强他们对个人健康状况的了解，进而增强公共交通的安全性。此外，系统的数据分析组件能够对收集的健康数据进行深入分析，预测健康趋势，并为驾驶员定制个性化的健康管理方案。在实际部署中，通过对比实施健康状态监测预警系统前后的数据，可以观察到高血压、睡眠呼吸暂停和睡眠不足等健康问题的发生率有所降低，驾驶员的整体健康状况得到了显著提升。这一结果表明，实时监控和干预驾驶员的健康状况，不仅有助于保障驾驶员个人的健康，也显著提高了城市公交系统的安全性和服务质量。

参考文献

[1]Zhang Rui， Lin Yao， Zhang Qinchuan， et al. Intelligent connected vehicle health monitoring system based on pulse diagnosis technology[C].International Conference on Smart Transportation and City Engineering （stce 2023）： Spie， 2024：221-225.

[2]Ye Sun， Xiong Yu. An innovative nonintrusive driver assistance system for vital signal monitoring[J]. Ieee Journal of Biomedical and Health Informatics， 2014（6）：1932-1939.

[3]Mohamed Abul Hassan， Aamir Saeed Malik， David Fofi， et al. Video-Based Heartbeat Rate Measuring Method Using Ballistocardiography[J]. Ieee Sensors Journal， 2017（17）：

4544-4557.

[4]Branko Babusiak， Adrian Hajducik， Stefan Medvecky， et al. Design of Smart Steering Wheel for Unobtrusive Health and Drowsiness Monitoring[J]. Sensors， 2021（16）：5285.

[5] G. Vinci， T. Lenhard， C. Will and A. Koelpin. Microwave interferometer radar-based vital sign detection for driver monitoring system[C]. 2015 IEEE MTT-S International Conference on Microwaves for Intelligent Mobility （ICMIM）， Heidelberg， Germany， 2015：1-4.

[6]倪晨旭，汤佳，邵宝魁，等.智能穿戴设备与老年健康——来自智能手环的证据[J].人口学刊， 2023（6）：50-67.

[7]陈煜之，李心悦，方毅.基于频率分解的机器学习模型预测效果比较[J].统计与决策， 2024（12）：29-34.

[8]张李义，刘畅.结合深度置信网络和模糊集的虚假交易识别研究[J].现代图书情报技术， 2016（1）：32-39.

[9]陈晓红，王泽深，吴超，等.基于长短期记忆网络的微电网分时负荷组合预测模型研究[J/OL].中国管理科学， 2024-08-29/2024-10-28.