董飛 李彥廷 慕燈聰 趙子含 豐耀輝 葛鯤鵬

摘 ?要：提出提出一種基于小波包與隨機(jī)森林的礦工運(yùn)動狀態(tài)識別算法MSR-WPT-RF，用于監(jiān)測礦工生命體征，識別運(yùn)動狀態(tài).實(shí)驗(yàn)測試結(jié)果表明，構(gòu)建的礦工體域網(wǎng)生命體征采集節(jié)點(diǎn)具有低功耗性能、丟包率低、時延低等優(yōu)點(diǎn)，運(yùn)動狀態(tài)識別算法能夠取得最高91%的識別準(zhǔn)確率.

關(guān)鍵詞：礦工；生命體征；體域網(wǎng)；隨機(jī)森林；低功耗；

[ ? 中圖分類號 ? ?]TN915.85 [ ? ?文獻(xiàn)標(biāo)志碼 ? ] ?A

Miners' Life Signs Monitoring and Motion State Recognition

Based on Body Area Network

DONG Fei1*，LI Yanting1，MU Dengcong2，ZHAO Zihan1，F(xiàn)ENG Yaohui1，GE Kunpeng3

（1. School of Internet，Anhui University，Hefei 230039，China；2. School of physics and electronic information，

Huaibei Normal University，Huaibei 235000，China；3. School of Information Engineering，

Yangzhou Polytechnic Institute，Yangzhou 225127，China）

Abstract：A miner's motion state recognition algorithm MSR-WPT-RF based on wavelet packet and random forest is proposed to monitor miners' vital signs and identify their motion states. The experimental test and verification results show that the life signs acquisition node of the miners' body area network has low power consumption performance，low packet loss rate and low delay，and the motion state recognition algorithm can achieve the highest recognition accuracy of 91%.

Key words：miner；life signs；body area network；random forest；low-power consumption

目前，煤炭仍然是我國的主要能源，對我國國民經(jīng)濟(jì)發(fā)展起關(guān)鍵作用.[1]礦工作為煤礦開采第一線的工作人員，其健康狀態(tài)不容忽視.[2]礦工煤礦井下工作時的生命體征參數(shù)與運(yùn)動狀態(tài)是礦工身體和工作狀態(tài)的直接體現(xiàn)，因此，研究監(jiān)測礦工生命體征并識別其運(yùn)動狀態(tài)，對保障礦工生命、維持煤炭安全生產(chǎn)具有重要意義.孟亦凡[3]等設(shè)計(jì)了邊緣感知節(jié)點(diǎn)，實(shí)現(xiàn)了對礦工體溫、心率、血氧濃度以及姿態(tài)的監(jiān)測，并提出了一種基于長短時記憶網(wǎng)絡(luò)邊緣計(jì)算和隨機(jī)森林霧決策的礦工狀態(tài)監(jiān)測，實(shí)現(xiàn)了對礦工身體和工作狀況的實(shí)時掌握.魏峰[4]將礦工生命體征監(jiān)測與井下人員定位管理融合起來，將采集到的礦工體溫、心率和姿態(tài)信息通過定位讀卡器和人員定位分站，以有線方式上傳至監(jiān)控中心，成功實(shí)現(xiàn)了人員定位管理和生命體征監(jiān)測.馬裕靜[5]等設(shè)計(jì)了一種集成人員定位、姿態(tài)監(jiān)測以及心率監(jiān)測的可穿戴裝備，實(shí)現(xiàn)了對井下人員異常狀態(tài)的報(bào)警.基于體域網(wǎng)[6]發(fā)展起來的遠(yuǎn)程監(jiān)測人體日常行為活動主要包括生命體征參數(shù)、人體運(yùn)動狀態(tài)分析、行為識別、異常行為監(jiān)控，步態(tài)分析以及能量消耗估計(jì)等.凌雲(yún)[7]構(gòu)建了一種基于低功耗可穿戴體域網(wǎng)、互聯(lián)網(wǎng)和遠(yuǎn)程終端處理系統(tǒng)的人體運(yùn)動模式遠(yuǎn)程監(jiān)控系統(tǒng).張凱悅[8]以軍事應(yīng)用為背景，重點(diǎn)研究體域網(wǎng)采集戰(zhàn)士加速度信息來實(shí)現(xiàn)體態(tài)動作識別，可用于戰(zhàn)士四肢負(fù)傷評估和日常戰(zhàn)術(shù)作戰(zhàn)訓(xùn)練等.截至目前，國內(nèi)尚未有研究者基于體域網(wǎng)開展礦工生命體征監(jiān)測與運(yùn)動狀態(tài)識別.本文開展基于體域網(wǎng)的礦工生命體征監(jiān)測與運(yùn)動狀態(tài)識別研究，構(gòu)建基于低功耗多跳Mesh網(wǎng)絡(luò)的礦工體域網(wǎng)，在靈活監(jiān)測礦工身體多點(diǎn)體征參數(shù)的同時，滿足較低的功耗性能；研究基于小波包與隨機(jī)森林的礦工運(yùn)動狀態(tài)識別算法，利用不同運(yùn)動狀態(tài)下的體征數(shù)據(jù)訓(xùn)練運(yùn)動狀態(tài)識別模型，實(shí)現(xiàn)對體征數(shù)據(jù)的深度挖掘，目的是更全面分析和確定礦工的身體和工作狀態(tài)，保障礦工安全工作和煤炭的安全開采.

1 基于低功耗多跳Mesh網(wǎng)絡(luò)的礦工體域網(wǎng)

基于低功耗多跳Mesh網(wǎng)絡(luò)的礦工體域網(wǎng)架構(gòu)是在人體四周構(gòu)建一個小型的傳感器網(wǎng)絡(luò)，靈活采集礦工身體多點(diǎn)體征參數(shù)（圖1）.礦工體域網(wǎng)絡(luò)主要由兩個部分組成：生命體征采集節(jié)點(diǎn)和匯聚節(jié)點(diǎn).生命體征數(shù)據(jù)采集節(jié)點(diǎn)分布于人體不同位置，在匯聚節(jié)點(diǎn)的控制與協(xié)調(diào)下，通過多跳Mesh網(wǎng)絡(luò)匯集各采集節(jié)點(diǎn)的數(shù)據(jù)，再與外部網(wǎng)絡(luò)通信，將生命體征狀態(tài)數(shù)據(jù)上傳至遠(yuǎn)程服務(wù)端.

1.1 生命體征采集節(jié)點(diǎn)設(shè)計(jì)

本文以超低功耗處理器為核心，功耗控制電路為輔助，驅(qū)動多種傳感器采集體征參數(shù)，再通過低功耗多跳Mesh網(wǎng)絡(luò)通信模塊將體征數(shù)據(jù)上傳至匯聚節(jié)點(diǎn)，滿足較低的功耗性能.節(jié)點(diǎn)硬件結(jié)構(gòu)框圖如圖2所示.

1.1.1 基于STM32L431CBT6的超低功耗核心系統(tǒng)

核心系統(tǒng)模塊主要由STM32L431CBT6最小系統(tǒng)、電量檢測和串口通信模塊組成.STM32L431CBT6是意法半導(dǎo)體設(shè)計(jì)生產(chǎn)的一款帶浮點(diǎn)運(yùn)算單元的32位ARM Cortex-M4內(nèi)核處理器，主頻可達(dá)80 MHz，擁有128 KB Flash和64 KB SRAM，具有豐富的通信接口外設(shè)，該芯片具有極其出色的低功耗性能.電量檢測采用CW2015電量檢測芯片設(shè)計(jì)電量采集電路，該芯片是一款尺寸小且無需檢流電阻的鋰電池電量計(jì)量芯片.該芯片能夠持續(xù)監(jiān)測電池在充電或者放電狀態(tài)下的電壓，可準(zhǔn)確計(jì)算電池剩余電量，具有優(yōu)秀的低功耗性能.串口通信模塊則基于CH340G芯片設(shè)計(jì)USB轉(zhuǎn)串口通信電路，用于輸出采集節(jié)點(diǎn)調(diào)試信息.

1.1.2 低功耗電源管理模塊

模塊包含低功耗降壓電源和功耗控制電路.降壓電源采用超低功耗線性降壓芯片 SGM2040-3.3 V，采用一種基于MOS的功耗控制電路[9]，在單片機(jī)的控制下實(shí)現(xiàn)采集節(jié)點(diǎn)中各模塊電源的通斷，進(jìn)而有效降低系統(tǒng)功耗.

1.1.3 體征傳感器模塊

采用多種體征傳感器感知礦工的體溫、心率、血氧以及身體運(yùn)動姿態(tài)數(shù)據(jù).監(jiān)測體溫?cái)?shù)據(jù)采用LMT70傳感器，心率和血氧監(jiān)測采用高靈敏度脈搏血氧儀和心率生物傳感器MAX30102，身體運(yùn)動姿態(tài)監(jiān)測采用MPU6050加速度傳感器.

1.1.4 無線通信模塊

采用基于CC2530F256為主芯片的自組網(wǎng)無線通信模塊實(shí)現(xiàn)不同采集節(jié)點(diǎn)間的自組網(wǎng)與數(shù)據(jù)傳輸，這種方式相比于藍(lán)牙、WiFi、LoRa通信，具有更好的靈活性和自由度[9]，非常適合用于體域網(wǎng)的構(gòu)建.

1.2 匯聚節(jié)點(diǎn)設(shè)計(jì)

匯聚節(jié)點(diǎn)在采集節(jié)點(diǎn)的基礎(chǔ)上，去除體征傳感器模塊，增加一路其他無線通信方式與外部網(wǎng)絡(luò)通信，根據(jù)外部網(wǎng)絡(luò)的實(shí)際情況，可靈活配置不同的無線通信模塊.

2 基于小波包與隨機(jī)森林的礦工運(yùn)動狀態(tài)識別算法

2.1 小波包變換（Wavelet Packet Transform，WPT）

小波變換（Wavelet Transform，WT）是一種被廣泛應(yīng)用的信號時頻分析方法，具有多分辨率分析的能力，可以在不同尺度下觀測信號，在了解信號全貌的同時，也可以對信號的細(xì)節(jié)進(jìn)行聚焦觀測，從而可以很好地在時域和頻域表征信號的局部特征.WPT是在WT基礎(chǔ)上提升了對高頻信號分解能力，使低頻和高頻信號擁有相同的分辨率.

基于多分辨率分析理論[10]，[L2（R）=⊕∞j=-∞Qj]表示按不同的尺度因子 j 把Hilbert空間[L2（R）]分解為小波子空間[Qj（j∈Z）]的正交和，小波子空間與尺度子空間[Pj]能夠統(tǒng)一表征為新的子空間[Unj].[L2（R）]的正交分解能夠用[Unj]表示為：

[U0j=U0j+1⊕U1j+1， ? j∈Z .] （1）

子空間[Unj]和[U2nj]分別定義為[un（t）]和[u2n（t）]的閉包子空間，且存在如下雙尺度方程：

[u2n（t）=2k∈Zhkun（2t-k）u2n+1（t）=2k∈Zgkun（2t-k）] ? . ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

式（2）中，[hk]和[gk]分別為多分辨率分析中低通濾波器和高通濾波器的系數(shù)，基于上式將得到由基函數(shù)[u0（t）=φ（t）]所確定的正交小波包序列[un（t），n=0，1，2…].小波包子空間[Unj]的分解關(guān)系為：

[Unj=U2nj+1⊕U2n+1j+1， ? j∈Z .] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

基于上述分解關(guān)系，可以得到一個原始信號[x（t）]的小波包分解公式：

[d2nj，m=k∈Zdnj-1，khk-2md2n+1j，m=k∈Zdnj-1，kgk-2m] ? ?. ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （4）

式（4）中，[dnj]是小波包分解過程中產(chǎn)生的系數(shù)，j表示分解的層數(shù).

2.2 隨機(jī)森林分類器

隨機(jī)森林（Random Forest，RF）是一種基于Bootstrap方法重采樣的機(jī)器學(xué)習(xí)算法.RF算法將多個決策樹組合在一起，在構(gòu)建決策樹時，采用隨機(jī)選取分裂屬性集的方式，基于單個決策樹的分類結(jié)果，通過投票法得到最終的分類結(jié)果.給定M個屬性的樣本數(shù)，RF算法對其進(jìn)行分類對的原理概述為 [11，12]：

（1）基于Bootstrap重采樣，隨機(jī)生成K個訓(xùn)練集[S1，S2…SK].

（2）基于K訓(xùn)練集[S1，S2…SK]，生成相應(yīng)的K個決策樹[CT1，CT2…CTK].在決策樹中每個非葉子節(jié)點(diǎn)上選擇屬性前，從M個屬性中隨機(jī)抽取m個屬性作為當(dāng)前節(jié)點(diǎn)的分裂屬性集，并以這m個屬性中最好的分裂方式對該節(jié)點(diǎn)進(jìn)行分裂（m為小于M的整數(shù)且大于0）.

（3）在每個決策樹生產(chǎn)過程中保持完整性，不對其剪枝.

（4）利用每個決策樹對測試樣本集X進(jìn)行測試，獲得對應(yīng)的類別標(biāo)簽[CT1（X），CT2（X）…]

[CTK（X）].

（5）將K個決策樹中輸出最多的類別作為測試集樣本的類別.

2.3 礦工運(yùn)動狀態(tài)識別算法框架

本文提出的基于小波包與隨機(jī)森林的礦工運(yùn)動狀態(tài)識別算法框架，基于三軸加速度傳感器數(shù)據(jù)訓(xùn)練礦工運(yùn)動狀態(tài)識別模型.首先，從低功耗多跳Mesh網(wǎng)絡(luò)的礦工體域網(wǎng)獲取礦工運(yùn)動過程中的加速度傳感器數(shù)據(jù)，然后，依次執(zhí)行算法.

信號處理與特征提取 為從原始加速度傳感器數(shù)據(jù)中挖掘能夠表征運(yùn)動狀態(tài)的特征，利用WPT對原始信號進(jìn)行分解，基于終端結(jié)點(diǎn)的單支重構(gòu)信號和重構(gòu)信號的包絡(luò)譜，計(jì)算統(tǒng)計(jì)特征用于運(yùn)動狀態(tài)識別與分類.

高維特征集的降維 特征降維是進(jìn)行模式識別與分類之前的一個重要步驟，本文采用經(jīng)典的主成分分析（PCA）對高維的原始特征集進(jìn)行降維，去除干擾和冗余信息，減小計(jì)算復(fù)雜度.

分類器訓(xùn)練與測試 基于第二步得到的低維訓(xùn)練特征集，作為RF分類器的輸入，再將獲得的訓(xùn)練好的RF分類器對低維測試特征集進(jìn)行分類，得到礦工運(yùn)動狀態(tài)識別結(jié)果.

3 實(shí)驗(yàn)與分析

3.1 生命體征采集節(jié)點(diǎn)性能測試與驗(yàn)證

本文從低功耗性能測試和無線通信性能測試兩方面對設(shè)計(jì)的采集節(jié)點(diǎn)進(jìn)行測試驗(yàn)證.

3.1.1 低功耗性能測試

由于采集節(jié)點(diǎn)使用場景必須滿足較低的平均功耗以延長使用時間，因此，在3.7 V，100 mA·h的電池供電下，設(shè)置4種工作情況，測試采集節(jié)點(diǎn)的平均功耗.詳見表1.

（1）采集節(jié)點(diǎn)中所有模塊均正常通電工作（無線通信模塊不發(fā)送數(shù)據(jù)）；

（2）采集節(jié)點(diǎn)中所有模塊均正常通電工作（無線通信模塊發(fā)送數(shù)據(jù)）；

（3）采集節(jié)點(diǎn)中體征傳感器模塊與無線模塊處于斷電狀態(tài)；

（4）采集節(jié)點(diǎn)中所有外設(shè)模塊處于斷電狀態(tài)，且單片機(jī)進(jìn)入休眠狀態(tài).

根據(jù)表1中的功耗數(shù)據(jù)表明，本文設(shè)計(jì)的低功耗采集節(jié)點(diǎn)具有較好的低功耗性能，在情況4下，最低功耗約3.8 mA.

3.1.2 無線通信性能測試

為驗(yàn)證采集節(jié)點(diǎn)與匯聚節(jié)點(diǎn)之間無線通信的性能，分別設(shè)置一名礦工配置3，5，8，10個采集節(jié)點(diǎn)，測試統(tǒng)計(jì)匯聚節(jié)點(diǎn)接收各采集節(jié)點(diǎn)數(shù)據(jù)的丟包率和時延.當(dāng)一次性發(fā)送50個8字節(jié)數(shù)據(jù)包時，上述4種采集節(jié)點(diǎn)數(shù)量配置下，丟包率均為0，時延均低于100 ms.當(dāng)一次性發(fā)送100個8字節(jié)數(shù)據(jù)包時，上述4種采集節(jié)點(diǎn)數(shù)量配置下，時延均低于100 ms，在8個和10個采集節(jié)點(diǎn)情況下，丟包率小于2%.

綜合上述兩方面的性能測試，表明本文設(shè)計(jì)的生命體征采集節(jié)點(diǎn)具有較好的低功耗性能和無線通信性能，能夠有效采集礦工生命體征參數(shù).

3.2 礦工運(yùn)動狀態(tài)識別算法（MSR-WPT-RFS）的驗(yàn)證

3.2.1 實(shí)驗(yàn)設(shè)置與數(shù)據(jù)

為驗(yàn)證MSR-WPT-RFS算法的有效性，采用美國加州伯克利大學(xué)的可穿戴動作識別數(shù)據(jù)庫WARD[7]中的加速度傳感器數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證.該數(shù)據(jù)庫包含了從人體多點(diǎn)采集到的三軸加速度傳感器和二軸陀螺儀數(shù)據(jù)，傳感器的安放位置分別是人員的腰部、左手腕、右手腕、左腳踝和右腳踝.分別測量人體在自然狀態(tài)下的13種運(yùn)動模式（站、坐、躺、前進(jìn)、后退、順時針走、左轉(zhuǎn)、右轉(zhuǎn)、上樓、下樓、慢跑、跳和推輪椅）.本文從WARD數(shù)據(jù)庫中選取7種運(yùn)動狀態(tài)下的加速度傳感器數(shù)據(jù)，分別是站、坐、前進(jìn)、后退、左轉(zhuǎn)、右轉(zhuǎn)和跳.

3.2.2 實(shí)驗(yàn)結(jié)果與分析

首先，利用WPT對原始加速度信號進(jìn)行4層分解，選用“demy”小波，得到16個終端結(jié)點(diǎn)，再利用16個終端結(jié)點(diǎn)的單支重構(gòu)信號及其希爾伯特包絡(luò)譜，計(jì)算11種統(tǒng)計(jì)參數(shù)（表2），將獲得的176個時域統(tǒng)計(jì)特征和176個頻域統(tǒng)計(jì)特征組成原始統(tǒng)計(jì)特征集（Raw Statistical Feature Set，RSFS）.圖3為三軸加速度數(shù)據(jù)經(jīng)WPT分解后的終端結(jié)點(diǎn)的單支重構(gòu)信號.

將從訓(xùn)練樣本中提取到的原始特征集經(jīng)PCA降維后的低維特征集作為RF的輸入，訓(xùn)練RF分類器，再將從測試樣本中提取到的特征集輸入已訓(xùn)練好的RF分類器，獲得狀態(tài)識別結(jié)果.選取三種經(jīng)典分類器（支持向量機(jī)（SVM）、K近鄰分類器（KNN）和決策樹（DT））進(jìn)行實(shí)驗(yàn)對比，對比的模型分別為MSR-WPT-SVM，MSR-WPT-KNN和MSR-WPT-DT.表3為運(yùn)動狀態(tài)識別結(jié)果.根據(jù)結(jié)果可知，在不同的降維維數(shù)下，運(yùn)動狀態(tài)識別結(jié)果不同，在選取合適的降維維數(shù)時，能夠取得較理想的識別準(zhǔn)確率.當(dāng)直接采用高維的RSFS作為分類器的輸入時，取得的識別準(zhǔn)確率并不理想；當(dāng)采用PCA對高維RSFS降維后，降維維數(shù)為80情況下，四種模型均取得明顯更優(yōu)的識別準(zhǔn)確率.MSR-WPT-RF能夠取得優(yōu)于其他對比模型的識別準(zhǔn)確率，最高可達(dá)91%，驗(yàn)證了RF分類器相比于其他分類器的優(yōu)勢.

4 結(jié)語

構(gòu)建基于低功耗多跳Mesh網(wǎng)絡(luò)的礦工體域網(wǎng)，在靈活監(jiān)測礦工身體多點(diǎn)體征參數(shù)的同時，滿足較低的功耗性能.研究基于小波包與隨機(jī)森林的礦工運(yùn)動狀態(tài)識別算法，利用不同運(yùn)動狀態(tài)下的體征數(shù)據(jù)訓(xùn)練運(yùn)動狀態(tài)識別模型，實(shí)現(xiàn)對體征數(shù)據(jù)的深度挖掘，獲取運(yùn)動狀態(tài)信息.實(shí)驗(yàn)測試與驗(yàn)證結(jié)果表明，對生命體征采集節(jié)點(diǎn)開展低功耗和無線通信性能測試，最低功耗可低至約3.8 mA，無線通信的丟包率和時延均較低.MSR-WPT-RF算法在選取合適的降維維數(shù)下，能夠?qū)崿F(xiàn)91%的運(yùn)動狀態(tài)識別準(zhǔn)確率，明顯優(yōu)于其他對比模型.

參考文獻(xiàn)

[1]丁恩杰，俞嘯，夏冰，等.礦山信息化發(fā)展及以數(shù)字孿生為核心的智慧礦山關(guān)鍵技術(shù)[J].煤炭學(xué)報(bào)，2022，47（01）：564-578.

[2]田水承，孫璐瑤，唐藝璇，等.礦工不安全狀態(tài)評價指標(biāo)體系的構(gòu)建與分析[J].西安科技大學(xué)學(xué)報(bào)，2021，41（03）： 402-409.

[3]孟亦凡，李敬兆，張梅.基于LSTM邊緣計(jì)算與隨機(jī)森林霧決策的礦工狀態(tài)監(jiān)測設(shè)備[J].煤礦機(jī)械，2018，39（11）：144-148.

[4]魏峰.面向人員定位管理系統(tǒng)的生命體征監(jiān)測關(guān)鍵技術(shù)研究[J].電子設(shè)計(jì)工程，2015，23（03）：60-62+65.

[5]馬裕靜，白東梅，劉雨田，等.煤礦井下人員安全可穿戴裝置研究[J].工礦自動化，2018，44（08）：96-99.

[6]韓偉，王駿超，周洋，等.基于體域網(wǎng)的急救智能可穿戴系統(tǒng)的研究現(xiàn)狀與進(jìn)展[J].中華災(zāi)害救援醫(yī)學(xué)，2021，9（07）：1113-1117.

[7]凌雲(yún). 低功耗體域網(wǎng)運(yùn)動模式遠(yuǎn)程監(jiān)測系統(tǒng)研究[D].福州：福建師范大學(xué)，2018.

[8]張凱悅. 基于體域網(wǎng)的單兵體態(tài)識別技術(shù)研究[D].湖南 長沙：國防科技大學(xué)，2018.

[9]張帝，汪嬋，周小杰，等.井下突水監(jiān)測及預(yù)警系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].牡丹江師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2022（01）：47-53.

[10]董飛.基于數(shù)據(jù)驅(qū)動的滾動軸承故障診斷研究[D].江蘇 徐州：中國礦業(yè)大學(xué)，2018.

[11]Breiman L.Random forest[J].Machine Learning，2001，45：5-32.

[12]李敬德，康維新.基于信息熵和BP神經(jīng)網(wǎng)絡(luò)的信號奇異點(diǎn)智能檢測[J].牡丹江師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2017（04）：1-5+43.

編輯：琳莉