基于Train2Vec的消防培訓數據分類

董 慧，程 崗，楊立紅，孟 笛，賈可佳，陳 超+

(1.華北科技學院 安全工程學院，河北 三河 065201； 2.中國航天科工集團第二研究院七〇六所，北京 100854)

0 引 言

隨著科技的進步與發展，虛擬現實(virtual reality，VR)、增強現實(augmented reality，AR)以及混合現實(mixed reality，MR)技術得到飛快發展，應用的領域也逐步擴大。如Meihui等通過搭建虛擬人物和虛擬破損機械設備實現模擬真實世界維修員維修機械設備的過程，不僅提高維修效率，還有效預防維修員受到傷害[1]；Baiqiang等、Kurilovas等讓用戶在VR學習環境和AR學習環境下學習，分析用戶在不同環境下的學習效率[2,3]，以上都是通過搭建虛擬模型、分析模擬產生的過程數據得到預期結果，在眾多的數據處理模型中，Word2vec模型是一種用于處理文本類數據的優秀模型，它是將自然語言中詞語用向量表示出來的模型[4]。該模型已有多方面研究，例如周萌利用Word2Vec對商品評論數據進行分類處理，分析出該商品的優缺點以及客服的服務態度等問題[5]；牛雪瑩等基于Word2Vec對微博文本進行分類處理的研究[6]；金貴濤等利用Word2Vec識別“隱私，泄露，安全”等敏感詞匯，并劃分安全等級，為防護數據安全提供有力的支撐[7]；段琦利用Word2Vec訓練出餐廳向量以及用戶向量，實現向用戶推薦感興趣餐廳的研究[8]。

目前Word2Vec模型很少用于處理非文本類數據，因此本文將MR與Word2Vec模型結合，衍生出一種模型——Train2Vec，它是將混合現實消防培訓的過程數據構建成培訓向量的模型，通過計算現場培訓向量與典型樣本培訓向量之間的相似度實現受訓人員身份的預測，并為其生成個性化的應對火災建議和消防培訓任務。

1 系統介紹

Train2Vec模型所分析處理的消防培訓數據來源于混合現實消防培訓系統，該系統實現了虛擬火災場景構建、火情演化、虛實滅火器的狀態同步、培訓過程數據與受訓人員生理數據采集等功能，其架構如圖1所示。

圖1 混合現實消防培訓系統架構

該系統由硬件層、仿真層和軟件層3部分組成。硬件層通過在真實滅火器上安裝霍爾傳感器、光柵傳感器以及位置跟蹤芯片實現數據采集和空間定位，通過WIFI/藍牙模塊實現與計算主機的數據傳輸。改裝后的滅火器如圖2所示。

圖2 改裝的滅火器

仿真層使用Unity3 d平臺搭建虛擬火災場景和與實體滅火器等比例的虛擬滅火器[9]，圖3為客廳虛擬火災場景。為模擬不同的火災現場，系統實現了火情演化的控制，即著火點的位置、火焰的蔓延方向和速度等都可以在系統中定制。

圖3 客廳虛擬火災場景

在仿真層中還使用Lighthouse的空間定位信息實現虛擬滅火器與實體滅火器的位置精確匹配，培訓時虛擬滅火器與真實滅火器的狀態、位姿等完全同步變化，例如，受訓人員按壓真實滅火器把手后虛擬滅火器做出同步變化并噴出虛擬滅火劑，所噴出虛擬滅火劑的劑量完全由受訓人員按壓把手的程度控制，圖4為虛擬滅火器噴出滅火劑。

圖4 虛擬場景中滅火器噴出滅火劑

軟件層是將受訓人員在培訓時所佩戴智能手環采集到的心率等生理數據以及與虛擬場景交互產生的培訓過程數據進行Train2Vec建模，從而得到該人員的培訓向量，通過計算現場培訓向量與典型樣本培訓向量之間的相似度實現受訓人員身份的預測，并為其生成個性化的應對火災建議和消防培訓任務。

2 Train2Vec模型介紹

Train2Vec是將處理后的培訓數據轉換為多維培訓向量的模型，一條培訓數據對應一個培訓向量。本模型的設計原理是受訓員在培訓過程中產生的多條培訓數據之間具有一定的關聯性，因此可利用Train2Vec求得培訓向量，依據求解相似度推測出受訓人員身份。

Train2Vec有兩種訓練模型，即Train2Vec-CBOW模型和Train2Vec-Skip-gram模型[4]。Train2Vec-CBOW是依據前后出現的培訓數據t(h-c)、…、t(h-1)、t(h+1)、…、t(h+c)預測當前培訓數據t(h)出現的概率，其中c為窗口大?。籘rain2Vec-Skip-gram模型是依據當前培訓數據t(h)預測前后出現的培訓數據t(h-c)、…、t(h-1)、t(h+1)、…、t(h+c)。兩種模型的簡單結構如圖5、圖6所示。

圖5 Train2Vec-CBOW模型

圖6 Train2Vec-Skip-gram模型

其中，Train2Vec-CBOW模型的運算過程為：

輸入矩陣與自定義的5×N維(N可任意取)的輸入權重矩陣T相乘得到4個1×N維的向量

將得到的4個向量求和取平均，作為投影層的隱藏向量p

在給輸出層傳遞數據前，先將隱藏向量p乘N×5維的初始化輸出權重矩陣T′

最后將結果傳輸到輸出層進行softmax計算，就可推測出第三條培訓數據出現的概率分布

y=softmax([c1,c2,c3,c4,c5])=[d1,d2,d3,d4,d5]

O=logP(th|th-c,…,th-1,th+1,…,th+c)

Train2Vec-Skip-gram模型的運算過程為：

輸入當前培訓數據的one-hot編碼，以上面的5條培訓數據為例輸入，將輸入向量t1與自定義的輸入權重矩陣T相乘得到隱藏層向量p

在給輸出層傳遞數據前，將隱藏層向量p乘初始化輸出權重矩陣T′

最后將結果傳輸到輸出層做softmax計算得到該培訓數據前后數據的概率分布

該模型的最大優化目標是

在模型建立過程中，為了使真正的培訓數據出現的概率達到最大化，每次運算都會更新輸入輸出權重矩陣，如果培訓數據量很大，模型的輸入和輸出權值矩陣的維度會隨之變大，在輸出層進行softmax計算的計算量也會變得非常大，加重了計算機的負擔，為解決這個問題，提出了兩種優化方式：

Train2Vec負采樣[10]：對采集到的兩條培訓數據進行分析，如果二者不是一組前后培訓數據關系，那么采集到的這一組數據就是負采樣。該優化方式是通過在每次更新輸出權重矩陣時減少更新負采樣的方式達到優化目的。

Train2Vec層次softmax[10]：通過利用霍夫曼樹降低輸出層softmax計算復雜度達到優化目的。利用霍夫曼樹還可將高頻數據放在與根節點接近的位置，從而提高查找培訓數據的效率。

3 基于Train2Vec模型的數據分類

為了驗證Train2Vec模型的可行性，即是否能很好地計算兩條，甚至多條培訓數據之間的相似度，本文預采集了16名消防人員，23名應對火災經驗豐富人員和111名未經歷過火災人員的6173條帶有身份標簽的典型培訓數據來搭建模型。

3.1 培訓數據采集

消防培訓過程中當實體滅火器的把手保持在按壓狀態時，系統認定受訓人員正處于滅火狀態，系統所采集的培訓數據包括受訓人員處于滅火狀態時的心跳變化率、距最近火焰的距離、生命值等，采集頻率為每5 s一次，這些數據的匯總見表1。

表1 實驗數據說明

表1中滅火器上下移動幅度是受訓人員按壓滅火器把手的同時上下移動滅火器的幅度；生命值表征受訓人員在滅火過程中當前時刻的健康程度，培訓開始時初始生命值為100，在培訓過程中如果受訓人員處于距火焰2 m-3 m內，則每5 s生命值減少1，如果受訓人員距火焰距離小于2 m，則每5 s生命值減少3，如果受訓人員距火焰距離大于3 m，則每15 s生命值減少1。

數據進行分析前，需要先對數據進行分析處理，本文先采用Python對原始數據歸納處理，觀察不同身份受訓員產生的培訓數據存在的特點。由于受訓員在消防培訓過程中產生的過程數據和生理數據都具有不穩定性，且都會隨時間隨意改變，因此為達到預期效果，本文選擇每隔5 s采集一次數據信息。在對原始數據進行歸納處理后發現數據具有一定的規律性，例如在數據處理時發現未經歷過火災人員的培訓數據出現雙極化現象，經過進一步調查發現這種雙極分化的現象與受訓人員的心理素質有關，因此將未經歷過火災人員類型再次劃分為兩類，即未經歷過火災心理素質良好人員和未經歷過火災心理素質較差人員，圖7為從受訓人員從開始滅火到滅火結束期間所產生的培訓數據取平均值的統計。

圖7 各類培訓數據平均值統計

從圖7可見，不同身份人員在滅火時表現出的特征各有不同，見表2-表6。

表2 各類身份人員滅火時的平均心率范圍

表3 各類身份人員在使用滅火器進行滅火時上下

表4 各類身份人員滅火后生命值范圍

表5 各類身份人員滅火時距最近火焰距離范圍

表6 各類身份人員滅火時長范圍

出現上述現象是因為，專業消防人員經歷過專門培訓，具備較高的專業水平，因此在消防培訓過程中，很少會出現心率偏高的情況，同時消防人員清楚怎樣操控滅火器能高效率控制火勢、短時間完成滅火任務，而且這類人操控滅火器時上下移動主要通過改變滅火器噴口的角度來撲滅不同位置的火焰，因此幅度較小，距最近火焰距離也保持在滅火最有效的安全距離；未經歷過火災心理素質良好和心理素質較差人員在培訓過程中心率普遍較高，同時在操控滅火器時上下移動的幅度較大，過多地浪費了體力，這與該類人員未經歷過火災事故、未參與過消防培訓任務有關，第一次身臨其境遭遇火災場景時會出現過分緊張、不清楚火焰作用的危險范圍、不會合理操縱滅火器等狀況；而應對火災經驗豐富人員由于培訓前經歷過火災事故，參加過消防任務，對消防作業流程有一定的經驗，在培訓過程中產生的心跳、動作幅度等數據基本維持在消防員和未經歷過火災人員之間。

另外，專業消防人員滅火后生命值不是最高、滅火時長不是最短的原因為，專業消防員為了完成消防救援任務、完全控制火勢，可以在可控的程度內忍受高溫與煙霧的侵襲，滅火時也會合理控制與火焰間的距離，循序漸進地撲滅火焰；而未經歷過火災的兩類人員在培訓時，一般會出現“不怕火”和“太怕火”兩種趨勢，“不怕火”的受訓人員(心理素質良好人員)為了達到快速完成滅火任務的目的會冒風險接近火焰，雖然滅火時長更短，但會因距火焰距離太近導致生命值較低，甚至出現生命值為0的情況，“太怕火”的受訓人員(心理素質較差人員)害怕火焰對自己造成傷害，因此距火焰距離很遠，滅火時長最長，但生命值會保持在較高水平。

通過對培訓數據的分析可知，未經歷過火災的兩類人員在面對火災時會產生完全不同的反應，因此準確地做出分類并有針對性地生成應對火災建議和消防培訓任務是非常必要的。

3.2 Train2Vec模型構建

本文采用裝有Windows系統、Anaconda和PyCharm的PC機作為搭建Train2Vec模型的環境，語言環境選擇Python，用Python的gensim包構建Train2Vec模型，訓練模型采用skip-gram模型，優化方式選用負采樣。

建模時，設置Train2Vec模型的窗口大小為10，向量維數為100。讓150名預先知道身份的受訓人員進行虛擬消防演練(其中消防員16名，應對火災經驗豐富人員23名，未經歷過火災心理素質良好人員55名，未經歷過火災心理素質較差人員56名，心理素質的評判根據心理測評量表提前完成)，每隔5 s采集一次培訓數據，共采集到6173條培訓數據，對應生成6173個典型培訓向量，用來構成Train2Vec模型詞典。為更清楚地觀察每條數據以及它們之間的分布情況，采用UMAP降維算法將每條培訓數據對應的培訓向量的維度由100維降到2維，實現數據可視化的目標，如圖8所示。

圖8 UMAP降維后的典型培訓向量分布

從圖8中可看出，點集分布密集的地方代表此處的相似典型培養向量多，兩點距離越近代表其對應的典型培訓向量相似度越高，產生這兩條典型培訓向量的用戶身份類型應是一致的。

3.3 Train2Vec模型驗證

Train2Vec模型構建完成后，首先通過手動輸入的方式驗證模型的準確性，圖9為選用一條未經歷過火災心理素質良好人員的培訓數據進行相似性解算，根據提示輸入對應的心率、滅火器移動幅度等培訓數據后，系統會自動找到最優結果。

圖9 手動輸入的方式驗證模型的準確性

根據運算結果，發現與“未經歷過火災心理素質良好人員”的相似度高達0.99多，而與其它身份的相似度很低，與事實基本相符。為降低使用孤立的培訓向量進行相似度求解所帶來的偶然性偏差，系統在計算出受訓人員全部培訓向量的類型后，再分別算出4種類型培訓向量占全部培訓向量的百分比，最終將該受訓人員歸類為百分比最大的類型。如圖10所示，某受訓人員的培訓時長為1 min 43 s，共產生培訓向量21條，其中與“未經歷過火災心理素質良好人員”典型培訓向量相似度最高的培訓向量為19條，占全部培訓向量的90.48%，與“消防員”典型培訓向量相似度最高的培訓向量為1條，占全部培訓向量的4.76%，與“應對火災經驗豐富人員”典型培訓向量相似度最高的培訓向量為1條，占全部培訓向量的4.76%，與“未經歷過火災心理素質較差人員”典型培訓向量相似度最高的培訓向量為0條，占全部培訓向量的0.00%。根據匹配向量占全部培訓向量的百分比的高低，系統給出該受訓人員為“未經歷過火災心理素質良好人員”的結論，與事實相符。

圖10 受訓人員培訓向量與4種類型典型培訓 向量的相似情況統計

為驗證本模型對受訓人員身份信息進行預測的準確率，本文分別找來13名專業消防人員、19名應對火災經驗豐富人員、32名未經歷過火災心理素質良好人員以及36名未經歷過火災心理素質較差人員參加本系統中的滅火訓練(這些人員與之前采集典型培訓向量時的人員沒有重疊)，最終系統給出的身份預測結果見表7。

從表7中可以看出，該模型預測的身份信息基本符合人員的真實身份，準確率為92.00%。出現個別與真實身份不一致情況的原因有偶然性因素，例如應對火災經驗豐富人員在培訓過程中狀態良好，產生的培訓向量與消防員的典型培訓向量相似度很高，模型會將其歸類為消防員身份。在準確預測出受訓人員的身份信息后，系統將基于其身份推薦不同的消防培訓任務，給出不同的遭遇火災應對策略，如對于“未經歷過火災心理素質較差人員”，系統將推薦火災逃生類培訓任務而不是滅火類培訓任務，同時會給出遭遇火災時及時尋找逃生出口并第一時間逃生的建議。

表7 Train2Vec模型身份預測準確率統計

4 結束語

實驗結果表明，通過本文提出的Train2Vec模型對受訓人員進行的身份預測準確率較高，基于身份預測結果可以有針對性地對受訓人員開展消防培訓。為讓預測結果準確率更高，之后會將培訓時的更多因素考慮進來，例如開始滅火時的火勢大小、火焰的蔓延速度、培訓場景內的煙霧濃度等因素，同時還需要在系統不斷應用的過程中擴充典型培訓向量數據集，構建更大量樣本的Train2Vec模型。