本发明涉及一种基于智能穿戴设备的人体状态监测方法及系统,属于信号处理、模式识别。
背景技术：
1、基础设施建设和工业化生产安全需要大量人员参与，现场环境复杂，为有效保障施工人员的声明安全，防护性穿戴设备成为必不可少的防护工具。尽管佩戴防护工具能够显著缓冲物理撞击，降低人体损伤，但仍然无法准确监测现场人员状态和现场环境。由于工程管理成本和管理人员数量的限制，缺乏对现场工人准确、实时管控，仍然难以全面避免现场人员由于环境、自身状况等异常导致的其他安全隐患。
2、目前，国内外研究主要集中在智能穿戴设备的环境参数检测、人体定位和生理参数的检测，并取得较好的成果。然而，在实际应用中，现有研究和应用没有考虑由于个人工作过程中人体发生剧烈运动、人体大量汗液、外部环境温度极端等情况，导致测量数据受到严重噪声污染甚至缺失问题；另外，现有基于阈值的人体状态检测方法性能受到阈值选择的影响，实际应用还存在惯性传感器具有测量误差累加以及无线通信切换问题，gps或者北斗导航方法易于受到环境的影响，无法及时发现施工人员异常问题并采取有效措施，给生产安全和管理带来了挑战。
技术实现思路
1、针对上述现有技术存在的问题，本发明提供一种基于智能穿戴设备的人体状态监测方法及系统，该方法和系统能够进行人体状态和环境监测，及时发现施工人员异常问题并采取有效措施，保障安全生产、提高管理水平。
2、为了实现上述目的，本发明提供一种基于智能穿戴设备的人体状态监测方法，包括以下步骤：
3、s1.gps导航位置数据与惯性传感器imu数据初始化处理：
4、s1.1.采集gps导航位置的经度和纬度数据，将其转换为x-y平面空间数据，并将转换后的gps导航位置2d平面空间数据与惯性传感器x、y坐标数据对齐；假设t时刻gps导航接收数据xbt、ybt，通过非线性变换得到当前工作实际2d平面坐标xb2dt和yb2dt,即:
5、[xb2dt,yb2dt]＝f(xbt,ybt)；
6、s1.2.惯性传感器的加速度计在(x,y,z)轴上相对于传感器坐标系的加速度测量值ax,ay,az，惯性传感器的陀螺仪在(x,y,z)轴上相对于传感器坐标系的角速度测量值ωx,ωy,ωz，沿x-y-z方向分别输出角速度和加速度，通过积分运算获取人体在各个(x,y,z)坐标轴上的位移xgt＝ygt＝zgt；设定t＝0时刻惯性位置值为xg0＝yg0＝zg0＝0，由于需要保证gps导航与惯性初始值一致，那么gps导航位置数据的校正量为：
7、δx＝xb2d0,δy＝yb2d0；
8、s1.3.对gps导航位置数据作如下处理：
9、xbt'＝xb2dt-δx；
10、ybt'＝yb2dt-δy；
11、式中，xbt'和ybt'分别表示gps导航2d平面相对位移数据，该位移数据实现gps导航与惯性传感器数据在物理位置上的对齐；
12、s1.4.生成gps导航坐标位置变化(δxbt，δybt)和惯性传感器坐标位置变化(δxgt，δygt，δzgt)，即：
13、δybt＝ybt'-ybt'-1，δxbt＝xbt'-xbt'-1；
14、δygt＝ygt-ygt-1，δxgt＝xgt-xgt-1，δzgt＝zgt-zgt-1；
15、s1.5.根据步骤s1.1至s1.5，假设在一个时间窗口内生成的gps导航和惯性传感器imu位移变化数据样本集分别记为从imu采集角速度数据集其中n为样本的数量；
16、s2.基于改进的卡尔曼滤波对生理、位置测量数据进行滤波：
17、s2.1.对数据和模型进行参数初始化：从传感器采集相互关联数据并生成动态数据z1,z2,…,zn并进行标准化，比如，根据数据集b、g和ω生成动态数据首先初始化初始状态估计向量x0，系统噪声协方差矩阵q、状态转移矩阵φ、测量矩阵h、有色噪声传递矩阵ψ，量测噪声为有色噪声的离散型状态空间模型为：
18、
19、式中，xk表示状态向量，zk为测量数据向量，εk表示有色噪声，φk,k-1表示状态转移矩阵，hk表示测量矩阵，ψk-1表示有色噪声传递矩阵，wk和vk为互不相关的白噪声，即e(wk)＝e(vk)＝0，cov(wk,wj)＝qkδkj，cov(vk,vj)＝rkδkj，cov(wk,vj)＝0，其中rk表示有色噪声的激励白噪声协方差矩阵，qk表示系统噪声方差矩阵，冲激函数δkj定义为
20、
21、s2.2.在有色噪声条件下改进卡尔曼滤波算法：
22、s2.2.1.计算状态空间重构模型参数更新按照公式(2)至(7)进行：
23、
24、
25、
26、
27、
28、
29、其中，分别为k-1时刻模型参数hk、qk-1、rk-1在k时刻的更新估计，状态转移矩阵为φk,k-1的更新估计，sk表示系统噪声方差矩阵qk-1与系统矩阵hk的相关性，jk-1表示增益矩阵；
30、s2.2.2.计算滤波后的状态估计
31、
32、
33、
34、
35、
36、
37、式中，为状态转移估计，γk表示滤波过程产生的新信息，pk|k-1为矩阵pk-1在k时刻的转移矩阵，kk表示信息增益矩阵，表示状态xk的估计；
38、s2.2.3.根据步骤s2.2.2中的估计模型参数值计算测量数据的滤波估计以及噪声估计
39、
40、
41、
42、
43、式中，和分别为在k时刻系统噪声以及有色噪声的激励噪声的估计；
44、s2.2.4.噪声方差矩阵估计:
45、dk＝(1-b)/(1-bk+1) (18)；
46、
47、式中，b为遗忘因子，其取值范围为0.95～0.99；dk表示对新信息重视程度，表示k时刻系统噪声方差矩阵和白噪声方差矩阵的更新估计，pk表示pk-1在k时刻的更新估计；
48、令k＝k+1，
49、如果k≥nmax,则输出模型参数以及滤波数据，nmax为最大迭代次数；
50、否则，转到步骤s2.2.1迭代进行参数更新和数据估计。
51、s3.对gps导航和惯性传感器位置数据进行去噪、对齐和融合：
52、s3.1.设惯性传感器和gps导航滤波数据分别记为b,g，则数据去噪、对齐和协同定位模型的优化形式为：
53、
54、式中，b*,g*分别为b,g的隐模式；e和h分别为b,g的噪声；d表示变换矩阵，正则化项||d||1表示矩阵d的l1-范数；表示核范数，σi(e)表示矩阵e的第i个特征值，表示矩阵h的核范数；||·||2表示l2-范数；λ＞0和γ＞0用于目标函数的各项折中，s.t.表示约束条件；
55、s3.2.采用admm通过迭代求解多个子优化问题实现复杂优化问题的求解，引入变量s3.1中的优化形式转化为：
56、
57、构造增广lagrange函数为：
58、
59、式中，θ、β和α均为lagrange乘子，τ＞0表示惩罚变量；
60、根据交替方向乘子方法，得出如下迭代：
61、s3.3.更新e：
62、固定b*,g*,τ,h,d,α,β,θ，根据karush-kuhn-tucker条件，关于e的优化写为：
63、
64、对上式使用广义奇异值分解阈值算子求解，对矩阵进行svd分解，则使用如下形式gsvd算子求解得到e的更新形式，即：
65、
66、式中，diag{}为对角矩阵，如果σi(l)≥0(i＝1,2,…,min(m,n))，该优化问题转换为如下形式：
67、
68、对任意下界函数g，l＝σi(l)，b＝σi(c)，逼近算子定义为：
69、
70、得最优解为l*＝0或者其中表示函数g(l)关于l的导数；
71、s3.4.更新h：
72、同理使用类似步骤s3.2方法更新h，得：
73、
74、其中矩阵ug和由下式得到：
75、
76、s3.5.更新b*：
77、固定e,g*,τ,h,d,α,β,θ，根据karush-kuhn-tucker条件，关于b*的优化问题形式写为：
78、
79、上式对b*求导并等于0得：
80、
81、s3.6.更新g*：
82、固定e,b*,τ,h,d,α,β,θ，g*的优化形式写为：
83、
84、对g*求导并等于0得到g*的闭解为：
85、
86、s3.7.更新
87、固定e,g*,τ,h,b*,d,α,β,θ，的优化形式写为：
88、
89、那么的封闭解由下面的软阈值函数给出
90、
91、其中，软阈值函数定义为
92、
93、式中，sgn(a)表示符号指示函数；
94、s3.8.更新d：
95、固定e,g*,τ,h,b*,α,β,θ，根据karush-kuhn-tucker条件，d的优化形式写为：
96、
97、对上式目标函数求导并等于0，得变量d的闭解：
98、
99、更新lagrange乘子α,β,θ以及τ：
100、
101、α＝α+τ(b-b*-e) (37)；
102、β＝β+τ(g-g*-h) (38)；
103、τ＝min(τmax,ρτ)，ρ＞1 (39)；
104、s3.9.判断算法结束：如果|jk(b*,g*,d)-jk-1(b*,g*,d)|≤εth或者k＞＝nmax，则输出gps导航位置和惯性传感器最优值b*,g*，数据对齐和融合算法结束；否则k←k+1，转到s3.2继续迭代优化。其中，εth为事先确定的算法停止阈值，k表示迭代次数，jk(b*,g*,d)和jk-1(b*,g*,d)分别表示第k次、k-1次迭代时目标函数j(b*,g*,d)的值，nmax表示最大迭代次数。
105、通过以上求解，消除gps导航位置数据和imu位置数据的复杂噪声，实现两类数据的互补与融合，进而提高定位精度。
106、进一步地，所述步骤s3对gps导航和惯性传感器位置数据进行去噪、对齐和融合的模型训练过程为：
107、输入数据和模型参数：输入滤波后的gps导航数据集b以及imu惯性数据集g；模型参数τ在区间[0.8,1.5]内选取，nmax＝5，ρ在区间[1.1,1.5]内选取，λ在区间[0.5,2]内选取，迭代最大次数nmax，停止阈值εth＝10-4；
108、lagrange乘子初始化：矩阵e和h分别从均值为0、方差0.05的高斯分布随机采样选取，根据b*＝b-e和g*＝g-h作为b*和g*的初始值，变换矩阵d初始值由确定，矩阵的初始值为d的微小扰动其中υ＞0，取值0.01；α,β,θ初始值分别从分布n(0,0.01)中随机采样，迭代次数初始化值取k＝0；
109、迭代优化模型参数：求解式(24)所示优化问题更新矩阵e；求解式(27)所示优化问题更新矩阵h；计算式(30)求取更新矩阵b*；计算式(31)求取更新矩阵g*；求解式(33)所示lasso优化问题更新矩阵计算式(35)求取更新矩阵d；根据式(36)至式(39)更新lagrange乘子α,β,θ以及τ；
110、k＝k+1；
111、if k＜nmax以及|jk(b*,g*,d)-jk-1(b*,g*,d)|≤εth，则转至步骤迭代优化模型参数；
112、最终根据输出模型参数值计算融合位置由计算。
113、进一步地，还包括基于人体运动和生理参数的人体状态监测方法，其步骤为：
114、s1.对人体生理参数以及运动参数分别采用基于改进的卡尔曼滤波方法进行滤波，然后对滤波后数据使用s3gps导航和惯性传感器位置数据进行去噪、对齐和融合，把上述数据处理结果记为pi＝[hri,boi,pxi,pyi,pzi,ωxi,ωyi,ωzi],i＝1,2,…,m，m为采样点的数据量，hri和boi分别表示改进卡尔曼滤波后的心率、血氧浓度，pxi,pyi表示数据融合后的位置，ωxi,ωyi,ωzi表示改进卡尔曼滤波后的惯性传感器角速度，pzi表示改进卡尔曼滤波后的惯性传感器z坐标轴位置变化。然后根据pi(i＝1,2,…,m)转化为动态数据样本：
115、
116、其中，2＜l≤l/2为步长，l'＝(m-l)/l+1，l表示窗口长度，通过计算变量自相关确定；
117、s2.采用主元分析方法(pca)对数据集消除数据冗余特征，即首先对样本进行归一化预处理得到然后计算协方差矩阵：
118、
119、其中，表示向量s'n的转置；对矩阵r进行svd分解：
120、r＝pλpt；
121、这里p表示8l阶正交矩阵，pt为p的转置，λ＝diag{σ1,σ2,…,σ8l}为对角矩阵，σ1,σ2,…,σ8l为r的特征值，根据下式确定潜在特征数量npca：
122、
123、式中，η为预设阈值，一般取0.85～0.95；npca＜＜8l；
124、基于上式确定npca个潜在特征，取对应的特征向量组成投影矩阵然后获得低维潜在特征
125、s3.对上述数据样本划分为上楼、下楼、走路、休息、剧烈劳动、轻松工作、异常状态共7类，对应的样本集分别记为mc表示第c类样本数量，c＝1,2,…,7；然后使用支持向量数据描述(svdd)每一类数据进行建模，即：
126、
127、
128、其中，c'是超球体积和误差之间的折中，为超球的半径，ac为超球半径；是松弛向量，其用于实现允许软边界；求解上式所示优化问题转化为求解下面对偶优化问题：
129、
130、其中，表示的转置；通过求解上述对偶优化问题，超球中心ac和半径rc由下式计算
131、
132、
133、其中，与相关的数据点称为支持向量(svs),表示支持向量的数量；
134、测试数据rnew和第c类超球中心的相对距离由下式计算：
135、
136、根据下式确定人体状态：
137、
138、进一步地，所述的人体生理参数为心率、血氧浓度，所述的运动参数为惯性传感器测量在x、y、z坐标轴上位移变化和加速度、gps导航位置变化参数。
139、一种基于智能穿戴设备的人体状态监测系统，包括智能穿戴设备，所述智能穿戴设备内设置有包括单片机系统、wifi模块、显示屏模块、语音合成模块、gps导航和imu模块、环境监测单元、劳动保护监测单元和身体状态监测单元，gps导航和imu模块、环境监测单元、劳动保护监测单元和身体状态监测单元均分别通过wifi模块与单片机系统连接；显示屏模块和语音合成模块与单片机系统的输出端连接；
140、所述的环境监测单元包括光敏电阻传感器、有毒气体传感器、气压传感器、温湿度传感器和粉尘传感器；所述的光敏电阻传感器用于实时采集当前环境的光照数据，并将采集到的光照数据信号实时发送至单片机系统，单片机系统对接收到的光照数据信号进行分析和处理，当光照数值低于设定值时则自动接通继电器打开照明灯，反之则自动关闭照明灯；所述的有毒气体传感器用于实时采集当前环境中的有毒气体数据，并将采集到的有毒气体数据信号实时发送至单片机系统，单片机系统对接收到的有毒气体数据信号进行分析和处理，当有毒气体含量超过高于设定值即工人工作环境中有毒气体含量超过设定值时，通过语音合成模块提醒工人离开当前区域并及时佩戴上智能穿戴设备后侧的面罩；所述的气压传感器用于实时采集工人所处环境的气压，并将采集到的气压数据信号实时发送至单片机系统，单片机系统对接收到的气压数据信号进行分析和处理，当气压数值高于设定值时则通过语音合成模块提醒工人尽快离开当前区域；所述的粉尘传感器用于实时采集当前环境的粉尘含量，并将采集到的粉尘含量数据信号实时发送至单片机系统，单片机系统对接收到的粉尘含量数据信号进行分析和处理，当粉尘含量高于设定值时，通过语音合成模块提醒工人佩戴智能穿戴设备后侧的面罩并离开当前区域；
141、所述加速度传感器设置于智能穿戴设备夹层内部，用于监测人体加速度数据，并将采集到的加速度数据信号发送至单片机系统，当加速度超过设定值时，则判定为工人发生坠落危险，则通过wifi模块发送坐标位置、坠落提醒信息至管理者终端设备。
142、进一步地，所述的max30102脉搏血氧传感器电路中包含低通滤波器电路；所述的深度学习图像处理技术为yolov5深度学习算法。
143、进一步地，所述的智能穿戴设备为智能安全帽、智能手环、智能项圈。
144、本发明通过gps导航、惯性传感器模块以及人体生理数据使用改进的kalman滤波，基于压缩感知技术对gps导航和惯性传感器模块进行数据对齐和融合，实现这两类模态数据的互补、自校正，消除两种模态数据的噪声，进而准确获取工人位置，适合在多种类型工地和施工现场，极大提高了智能穿戴设备的适用场景，增强了产品的竞争力和施工安全性，降低了企业管理成本；进一步采用数字孪生技术进行建模和数据分析，可以在管理端更好地对工人的姿态和身体状态可视化与分析，对潜在的危险进行预测并做出提醒帮助工人及时避免减少工地意外，对发生的意外进行监测并协调管理者和工人对其进行及时的救助，同时通过数字孪生技术对智能穿戴设备本身存在的故障进行检测，并及时给技术人员发送维修提示，使智能穿戴设备一直处于良好的工作状态，实现了对人体健康和姿态检测，及时发现施工人员异常问题并采取有效措施，保障了安全生产、提高了管理水平。
1.一种基于智能穿戴设备的人体状态监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于智能穿戴设备的人体状态监测方法，其特征在于，所述步骤s3对gps导航和惯性传感器位置数据进行去噪、对齐和融合的模型训练过程为：
3.根据权利要求1所述的基于智能穿戴设备的人体状态监测方法，其特征在于，还包括基于人体运动和生理参数的人体状态监测方法，其步骤为：
4.根据权利要求3所述的基于智能穿戴设备的人体状态监测方法，其特征在于，所述的人体生理参数为心率、血氧浓度，所述的运动参数为惯性传感器测量在x、y、z坐标轴上位移变化和加速度、gps导航位置变化参数。
5.一种基于智能穿戴设备的人体状态监测系统，包括智能穿戴设备，其特征在于，所述智能穿戴设备内设置有包括单片机系统、wifi模块、显示屏模块、语音合成模块、gps导航和imu模块、环境监测单元、劳动保护监测单元和身体状态监测单元，gps导航和imu模块、环境监测单元、劳动保护监测单元和身体状态监测单元均分别通过wifi模块与单片机系统连接；显示屏模块和语音合成模块与单片机系统的输出端连接；
6.根据权利要求5所述的基于智能穿戴设备的人体状态监测系统，其特征在于，所述的max30102脉搏血氧传感器电路中包含低通滤波器电路；所述的深度学习图像处理技术为yolov5深度学习算法。
7.根据权利要求5或6所述的基于智能穿戴设备的人体状态监测系统，其特征在于，所述的智能穿戴设备为智能安全帽、智能手环、智能项圈。
