基于體域網的礦工生命體征監測與運動狀態識別

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森林的礦工運動狀態識別算法MSR-WPT-RF，用于監測礦工生命體征，識別運動狀態.實驗測試結果表明，構建的礦工體域網生命體征采集節點具有低功耗性能、丟包率低、時延低等優點，運動狀態識別算法能夠取得最高91%的識別準確率.

關鍵詞：礦工；生命體征；體域網；隨機森林；低功耗；

[ ? 中圖分類號 ? ?]TN915.85 [ ? ?文獻標志碼 ? ] ?A

Miners' Life Signs Monitoring and Motion State Recognition

Based on Body Area Network

DONG Fei1*，LI Yanting1，MU Dengcong2，ZHAO Zihan1，FENG 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，對我國國民經濟發展起關鍵作用.[1]礦工作為煤礦開采第一線的工作人員，其健康狀態不容忽視.[2]礦工煤礦井下工作時的生命體征參數與運動狀態是礦工身體和工作狀態的直接體現，因此，研究監測礦工生命體征并識別其運動狀態，對保障礦工生命、維持煤炭安全生產具有重要意義.孟亦凡[3]等設計了邊緣感知節點，實現了對礦工體溫、心率、血氧濃度以及姿態的監測，并提出了一種基于長短時記憶網絡邊緣計算和隨機森林霧決策的礦工狀態監測，實現了對礦工身體和工作狀況的實時掌握.魏峰[4]將礦工生命體征監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控中心，成功實現了人員定位管理和生命體征監測.馬裕靜[5]等設計了一種集成人員定位、姿態監測以及心率監測的可穿戴裝備，實現了對井下人員異常狀態的報警.基于體域網[6]發展起來的遠程監測人體日常行為活動主要包括生命體征參數、人體運動狀態分析、行為識別、異常行為監控，步態分析以及能量消耗估計等.凌雲[7]構建了一種基于低功耗可穿戴體域網、互聯網和遠程終端處理系統的人體運動模式遠程監控系統.張凱悅[8]以軍事應用為背景，重點研究體域網采集戰士加速度信息來實現體態動作識別，可用于戰士四肢負傷評估和日常戰術作戰訓練等.截至目前，國內尚未有研究者基于體域網開展礦工生命體征監測與運動狀態識別.本文開展基于體域網的礦工生命體征監測與運動狀態識別研究，構建基于低功耗多跳Mesh網絡的礦工體域網，在靈活監測礦工身體多點體征參數的同時，滿足較低的功耗性能；研究基于小波包與隨機森林的礦工運動狀態識別算法，利用不同運動狀態下的體征數據訓練運動狀態識別模型，實現對體征數據的深度挖掘，目的是更全面分析和確定礦工的身體和工作狀態，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網絡的礦工體域網

基于低功耗多跳Mesh網絡的礦工體域網架構是在人體四周構建一個小型的傳感器網絡，靈活采集礦工身體多點體征參數（圖1）.礦工體域網絡主要由兩個部分組成：生命體征采集節點和匯聚節點.生命體征數據采集節點分布于人體不同位置，在匯聚節點的控制與協調下，通過多跳Mesh網絡匯集各采集節點的數據，再與外部網絡通信，將生命體征狀態數據上傳至遠程服務端.

1.1 生命體征采集節點設計

本文以超低功耗處理器為核心，功耗控制電路為輔助，驅動多種傳感器采集體征參數，再通過低功耗多跳Mesh網絡通信模塊將體征數據上傳至匯聚節點，滿足較低的功耗性能.節點硬件結構框圖如圖2所示.

1.1.1 基于STM32L431CBT6的超低功耗核心系統

核心系統模塊主要由STM32L431CBT6最小系統、電量檢測和串口通信模塊組成.STM32L431CBT6是意法半導體設計生產的一款帶浮點運算單元的32位ARM Cortex-M4內核處理器，主頻可達80 MHz，擁有128 KB Flash和64 KB SRAM，具有豐富的通信接口外設，該芯片具有極其出色的低功耗性能.電量檢測采用CW2015電量檢測芯片設計電量采集電路，該芯片是一款尺寸小且無需檢流電阻的鋰電池電量計量芯片.該芯片能夠持續監測電池在充電或者放電狀態下的電壓，可準確計算電池剩余電量，具有優秀的低功耗性能.串口通信模塊則基于CH340G芯片設計USB轉串口通信電路，用于輸出采集節點調試信息.

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]，在單片機的控制下實現采集節點中各模塊電源的通斷，進而有效降低系統功耗.

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、血氧以及身體運動姿態數據.監測體溫數據采用LMT70傳感器，心率和血氧監測采用高靈敏度脈搏血氧儀和心率生物傳感器MAX30102，身體運動姿態監測采用MPU6050加速度傳感器.

1.1.4 無線通信模塊

采用基于CC2530F256為主芯片的自組網無線通信模塊實現不同采集節點間的自組網與數據傳輸，這種方式相比于藍牙、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的構建.

1.2 匯聚節點設計

匯聚節點在采集節點的基礎上，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絡通信，根據外部網絡的實際情況，可靈活配置不同的無線通信模塊.

2 基于小波包與隨機森林的礦工運動狀態識別算法

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，也可以對信號的細節進行聚焦觀測，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，基于上式將得到由基函數[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]的分解關系為：

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

基于上述分解關系，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生的系數，j表示分解的層數.

2.2 隨機森林分類器

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

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

（2）基于K訓練集[S1，S2…SK]，生成相應的K個決策樹[CT1，CT2…CTK].在決策樹中每個非葉子節點上選擇屬性前，從M個屬性中隨機抽取m個屬性作為當前節點的分裂屬性集，并以這m個屬性中最好的分裂方式對該節點進行分裂（m為小于M的整數且大于0）.

（3）在每個決策樹生產過程中保持完整性，不對其剪枝.

（4）利用每個決策樹對測試樣本集X進行測試，獲得對應的類別標簽[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 礦工運動狀態識別算法框架

本文提出的基于小波包與隨機森林的礦工運動狀態識別算法框架，基于三軸加速度傳感器數據訓練礦工運動狀態識別模型.首先，從低功耗多跳Mesh網絡的礦工體域網獲取礦工運動過程中的加速度傳感器數據，然后，依次執行算法.

信號處理與特征提取 為從原始加速度傳感器數據中挖掘能夠表征運動狀態的特征，利用WPT對原始信號進行分解，基于終端結點的單支重構信號和重構信號的包絡譜，計算統計特征用于運動狀態識別與分類.

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

分類器訓練與測試 基于第二步得到的低維訓練特征集，作為RF分類器的輸入，再將獲得的訓練好的RF分類器對低維測試特征集進行分類，得到礦工運動狀態識別結果.

3 實驗與分析

3.1 生命體征采集節點性能測試與驗證

本文從低功耗性能測試和無線通信性能測試兩方面對設計的采集節點進行測試驗證.

3.1.1 低功耗性能測試

由于采集節點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，設置4種工作情況，測試采集節點的平均功耗.詳見表1.

（1）采集節點中所有模塊均正常通電工作（無線通信模塊不發送數據）；

（2）采集節點中所有模塊均正常通電工作（無線通信模塊發送數據）；

（3）采集節點中體征傳感器模塊與無線模塊處于斷電狀態；

（4）采集節點中所有外設模塊處于斷電狀態，且單片機進入休眠狀態.

根據表1中的功耗數據表明，本文設計的低功耗采集節點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

為驗證采集節點與匯聚節點之間無線通信的性能，分別設置一名礦工配置3，5，8，10個采集節點，測試統計匯聚節點接收各采集節點數據的丟包率和時延.當一次性發送50個8字節數據包時，上述4種采集節點數量配置下，丟包率均為0，時延均低于100 ms.當一次性發送100個8字節數據包時，上述4種采集節點數量配置下，時延均低于100 ms，在8個和10個采集節點情況下，丟包率小于2%.

綜合上述兩方面的性能測試，表明本文設計的生命體征采集節點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.

3.2 礦工運動狀態識別算法（MSR-WPT-RFS）的驗證

3.2.1 實驗設置與數據

為驗證MSR-WPT-RFS算法的有效性，采用美國加州伯克利大學的可穿戴動作識別數據庫WARD[7]中的加速度傳感器數據進行實驗驗證.該數據庫包含了從人體多點采集到的三軸加速度傳感器和二軸陀螺儀數據，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下的13種運動模式（站、坐、躺、前進、后退、順時針走、左轉、右轉、上樓、下樓、慢跑、跳和推輪椅）.本文從WARD數據庫中選取7種運動狀態下的加速度傳感器數據，分別是站、坐、前進、后退、左轉、右轉和跳.

3.2.2 實驗結果與分析

首先，利用WPT對原始加速度信號進行4層分解，選用“demy”小波，得到16個終端結點，再利用16個終端結點的單支重構信號及其希爾伯特包絡譜，計算11種統計參數（表2），將獲得的176個時域統計特征和176個頻域統計特征組成原始統計特征集（Raw Statistical Feature Set，RSFS）.圖3為三軸加速度數據經WPT分解后的終端結點的單支重構信號.

將從訓練樣本中提取到的原始特征集經PCA降維后的低維特征集作為RF的輸入，訓練RF分類器，再將從測試樣本中提取到的特征集輸入已訓練好的RF分類器，獲得狀態識別結果.選取三種經典分類器（支持向量機（SVM）、K近鄰分類器（KNN）和決策樹（DT））進行實驗對比，對比的模型分別為MSR-WPT-SVM，MSR-WPT-KNN和MSR-WPT-DT.表3為運動狀態識別結果.根據結果可知，在不同的降維維數下，運動狀態識別結果不同，在選取合適的降維維數時，能夠取得較理想的識別準確率.當直接采用高維的RSFS作為分類器的輸入時，取得的識別準確率并不理想；當采用PCA對高維RSFS降維后，降維維數為80情況下，四種模型均取得明顯更優的識別準確率.MSR-WPT-RF能夠取得優于其他對比模型的識別準確率，最高可達91%，驗證了RF分類器相比于其他分類器的優勢.

4 結語

構建基于低功耗多跳Mesh網絡的礦工體域網，在靈活監測礦工身體多點體征參數的同時，滿足較低的功耗性能.研究基于小波包與隨機森林的礦工運動狀態識別算法，利用不同運動狀態下的體征數據訓練運動狀態識別模型，實現對體征數據的深度挖掘，獲取運動狀態信息.實驗測試與驗證結果表明，對生命體征采集節點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下，能夠實現91%的運動狀態識別準確率，明顯優于其他對比模型.

參考文獻

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

[2]田水承，孫璐瑤，唐藝璇，等.礦工不安全狀態評價指標體系的構建與分析[J].西安科技大學學報，2021，41（03）： 402-409.

[3]孟亦凡，李敬兆，張梅.基于LSTM邊緣計算與隨機森林霧決策的礦工狀態監測設備[J].煤礦機械，2018，39（11）：144-148.

[4]魏峰.面向人員定位管理系統的生命體征監測關鍵技術研究[J].電子設計工程，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.基于體域網的急救智能可穿戴系統的研究現狀與進展[J].中華災害救援醫學，2021，9（07）：1113-1117.

[7]凌雲. 低功耗體域網運動模式遠程監測系統研究[D].福州：福建師范大學，2018.

[8]張凱悅. 基于體域網的單兵體態識別技術研究[D].湖南 長沙：國防科技大學，2018.

[9]張帝，汪嬋，周小杰，等.井下突水監測及預警系統的設計與實現[J].牡丹江師范學院學報：自然科學版，2022（01）：47-53.

[10]董飛.基于數據驅動的滾動軸承故障診斷研究[D].江蘇 徐州：中國礦業大學，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神經網絡的信號奇異點智能檢測[J].牡丹江師范學院學報：自然科學版，2017（04）：1-5+43.

編輯：琳莉