防溺水監(jiān)測系統(tǒng)對比綜述

于中陽 王亞菁

摘要：在全球范圍內，溺水一直是造成意外傷害死亡事件的重要原因之一。如何降低溺水死亡風險已經成為全世界密切關注的公共衛(wèi)生問題之一。以關鍵技術為切入點，將目前的防溺水監(jiān)測系統(tǒng)分為視頻檢測、穿戴設備和救生設備三個類別，并分別進行詳細闡述。通過在成本、技術集成復雜度、監(jiān)測準確度和應用水域方面對不同的防溺水監(jiān)測系統(tǒng)進行了對比和分析，深入地討論了影響這三類防溺水監(jiān)測系統(tǒng)的關鍵性因素，并提出了新的探討方向。

關鍵詞：防溺水；人工智能；傳感器；救生；圖像處理

中圖分類號：TP311? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2023）13-0119-04

開放科學（資源服務）標識碼（OSID）

0 引言

隨著全民健身熱潮的不斷興起，參加各項健身運動的人群也不斷增多。游泳作為人們喜愛的運動方式之一，卻由于其必須在水中才能進行的特殊性，一不留神便會造成溺水的風險。據(jù)世界衛(wèi)生組織（World Health Organization） 指出，溺水已經成為全球最大的可預防、被忽視且迫切的公共衛(wèi)生問題之一。不僅如此，為了在國際社會引起重視，世衛(wèi)組織已先后發(fā)布過《預防溺水實施指南》《全球溺水報告》兩份官方文件，并根據(jù)情況逐年更新。據(jù)其稱，溺水是全球1～24歲兒童和青少年的一個主要死因，同時也是導致意外傷害和死亡的第三大原因，全球每小時有40多人溺水死亡。從溺水致死的人口數(shù)量來看，全球每年的溺水事件導致超過23.6萬的人失去性命[1-2]。從溺水事件的損失金額來看，僅在美國海岸發(fā)生的溺水事件每年造成的直接和間接損失就高達2.73億美元；澳大利亞和加拿大每年溺水造成的總損失分別為8 550萬美元和1.73億美元[1]。

在中國，每年約有5.9萬人死于溺水，平均每天有161人因溺水死亡。其中，未成年人占比在95%以上[3]，而且因溺水而亡的青少年比例還在逐年上升。隨著溺水事件的危害不斷擴散，如何減少溺水對游泳者的傷害也成為社會普遍關注的問題之一。溺水是指人體長時間淹沒于水或其他液體介質中，水體進入呼吸道和肺泡引起缺氧窒息的狀況[4]。溺水時間過長會導致呼吸困難和心臟停搏甚至死亡。在溺水情況下，人們很難進行大聲呼救，只能在頭位于水面上方時進行大聲呼喊或者舉起手臂示意。正是由于游泳運動的特殊性，救生人員難以清晰地界定游泳者的動作是正常游泳還是發(fā)生溺水。于是，一種能夠實時監(jiān)測游泳者的防溺水方法對于提高溺水者的存活概率起到非常關鍵的作用。

1 研究現(xiàn)狀

目前，主流的防溺水監(jiān)測系統(tǒng)大多分為以下幾類：第一類是利用算法、圖像處理、人工智能（AI，Artificial Intelligence）和監(jiān)控攝像頭等復雜的軟件程序和硬件來探測水下人類，從實時的視頻中捕捉圖像以監(jiān)測人體是否溺水；第二類是利用心跳、血氧飽和度、水壓、水深等各類傳感器和通信機制集成的隨身穿戴設備，監(jiān)測水中人體的各項機能指標，一旦監(jiān)測到異常情況，立刻響起警報[5]；第三類是借助傳感器監(jiān)測游泳者游泳狀態(tài)，發(fā)現(xiàn)異常后通過發(fā)起信號的方式啟動智能救生設備營救溺水者。

1.1 視頻監(jiān)測系統(tǒng)

Shiuuee K等人[6]提出了使用圖像處理和背景模糊技術監(jiān)測游泳者的行為狀態(tài)并提取其圖像特征，然后通過人工神經網絡進行網絡訓練和測試，從而識別出溺水者。這種感知器類型的神經網絡包含兩個隱含層：第一層有7個神經元，第二層有3個神經元。實驗結果表明，該神經網絡對溺水者的檢測準確率為94.46%。Handalage U等人[7]提出了利用卷積神經網絡（CNN）模型的視覺監(jiān)測系統(tǒng)（如圖1所示）自動化地監(jiān)測并營救溺水者。整個救援流程分為三個階段：溺水檢測組件通過自定義CNN模型檢測出溺水者后，發(fā)送救援信號給無人機；救援無人機接收救援命令后，根據(jù)受害者位置坐標實施營救；同時，危險探測組件通過移動報警器將潛在的危險活動通知救生人員。Pavithra P等人[8]提出的基于視頻的溺水檢測系統(tǒng)，包括配有USB攝像頭的樹莓派和蜂鳴器，樹莓派將采集到的圖像進行處理，處理后進行特征識別，發(fā)現(xiàn)溺水者后通過GPIO系統(tǒng)報警并發(fā)送短消息。Jian J X等人[9]提出了利用圖像處理和人工智能運動識別的溺水識別方法，首先將攝像頭安裝在游泳館底部，然后利用OpenPose對圖像關節(jié)點特征進行標記，最后將捕捉到的關節(jié)點特征輸入遞歸神經網絡，判斷游泳者是否溺水，具體流程如圖2所示。

1.2 穿戴設備

Jalalifar S等人[10]提出了一個以傳感器為基礎的防水穿戴裝置如圖3所示，能夠通過傳感器監(jiān)測心率、血氧水平、運動情況和水深等信息，并將這些信息發(fā)送到微型控制器，微型控制器再將信息與初始設定閾值進行比較，以檢測游泳者的狀態(tài)。一旦控制器發(fā)現(xiàn)游泳者處于危險狀態(tài)超過特定時間會自動觸發(fā)警報，提示救生員營救。John S N等人[11]提出了一種基于心率的壓力傳感器防溺水系統(tǒng)如圖4所示，包括發(fā)送模塊和接收模塊，發(fā)送模塊采用腕帶設計的方式包括一個微控制器和一個心率傳感器，預定義最高和最低的心率數(shù)閾值。接收模塊由單片機、液晶屏LCD（Liquid Crystal Display） 、蜂鳴器組成。射頻模塊用于無線傳輸和信號接收。發(fā)送模塊跟蹤到超過閾值的異常心率會向接收模塊發(fā)送警報。Danh L V Q等人[12]提出了一種基于藍牙低能量和接收信號強度定位的溺水檢測方法。佩戴藍牙標簽的游泳者由安裝在游泳池周圍的藍牙信標掃描儀監(jiān)控。可穿戴藍牙標簽定期向藍牙信標掃描儀發(fā)送信號。一旦藍牙信號發(fā)生中斷，警報器會被立刻觸發(fā)，提醒救生員發(fā)生溺水事故。

1.3 救生設備

Nair S等人[13]提出了一種無人機救生設備的防溺水方法，如圖5所示。在這個項目中，游泳者佩戴著一個帶有求救按鈕的手環(huán)，當游泳者發(fā)生危險時，按動求救按鈕，無人機會根據(jù)GPS和Zigbee確定溺水者的具體位置，快速飛至目的地并投放救生衣，之后進行救援，提高溺水者的生還率。Yang D等人[14]提出了一種智能救生圈溺水檢測算法，通過救生圈上的攝像頭獲取的圖像，快速識別溺水事故，判斷事故方向并預測其發(fā)生距離，然后將這些數(shù)據(jù)發(fā)送到控制器，以輔助智能救生圈完成救援任務。Yaswanthkumar S K等人[15]提出了一種針對溺水者的預警系統(tǒng)，通過人體的超聲波和溫度采集，監(jiān)測水下是否有溺水者。如果發(fā)現(xiàn)超聲波符合人類頻率范圍，且采集溫度在12℃左右，攜有救生設備的多功能無人車Autonomous Utility Vehicle （Auvs）會自動行駛到溺水者位置實施營救。

2 對比與討論

從成本上來說，視頻監(jiān)測系統(tǒng)和救生設備的成本比較高，穿戴設備的成本較低；從技術集成的復雜度來說，視頻監(jiān)測系統(tǒng)和救生設備的集成技術較為復雜，穿戴設備在技術集成的復雜度相對另外兩類較低；從溺水判定結果的準確度來看，視頻監(jiān)測系統(tǒng)的準確度最高，其次為救生設備；從應用水域來看，救生設備主要應用于海面、湖泊等大面積天然水域，而視頻監(jiān)測系統(tǒng)和穿戴設備更多應用于游泳館等小面積人工水域。具體的防溺水監(jiān)測系統(tǒng)對比如表1所示：

而在上述的文獻中，許多影響監(jiān)測結果精確度的因素值得深入討論。在視頻監(jiān)測系統(tǒng)中，整個監(jiān)測周期包括三個流程：前期的深度學習形成模型；中期目標檢測和溺水判定以及后期的警報發(fā)送。在前期的機器學習過程中，必須輸入大量的游泳圖像和溺水圖像，機器通過算法進行區(qū)分，從而逐漸提高驗證結果的精確度。在中期，攝像頭會進行視頻的實時監(jiān)控和圖像傳輸，AI模型利用目標檢測算法對圖像進行處理，并分析是否存在溺水者。后期一旦發(fā)現(xiàn)溺水者，報警模塊會立刻發(fā)送警報提示救生員并采取其他救援行動，盡可能保護溺水者的安全。于是，在視頻監(jiān)測系統(tǒng)中，通常容易受到訓練樣本[16]、圖像捕捉要求以及AI模型算力的影響[17]。

首先，訓練樣本的數(shù)量和類型能夠直接影響深度學習模型對于溺水行為的識別精度。在初始環(huán)節(jié)，模型需要接收大量的樣本進行深度學習。然而，溺水樣本和正常游泳樣本類型分布不平衡，正常游泳樣本遠高于溺水行為樣本，在深度學習中，樣本越充足，模型對于圖像的解析結果越精確，而訓練樣本的不足更容易導致識別結果的誤判。另外，由于正常游泳和溺水都在水下，且動作行為有相似之處，所以深度學習模型更需要大量的溺水樣本進行學習，于是溺水樣本的采集對于溺水識別結果的準確度起到十分關鍵的作用。

其次，圖像傳輸和處理需要應用到運動目標檢測方法。具體而言，目標檢測方法是從視頻中將變化區(qū)域從圖像中提取出來[18]。目前主要的運動目標檢測方法有三種：幀間差分法[19-20]、卡爾曼濾波法[21]和光流法[22]。由于監(jiān)測的游泳者一直處于動態(tài)運動之中，會受到許多外部因素（比如光照、陰影、人員或物品遮擋）的干擾，以至于運動目標檢測成為一項困難的工作。對于運動目標的檢測，圖像捕捉要求會在很大程度地影響到防溺水的效果。圖像捕捉要求包括攝像頭拍攝清晰度、圖像識別幀數(shù)和圖像處理時間。攝像頭拍攝的清晰度越高，圖像識別和處理的準確度越高。在不影響溺水識別結果的情況下，圖像識別幀數(shù)越少，計算時間越少，圖像處理時間越短。于是，減少圖像處理的時間，也能盡快地發(fā)現(xiàn)是否存在溺水者，以便進行后續(xù)的營救行動。

最后，在AI領域中，算力一直是一個無法繞開的因素。至于視頻監(jiān)測防溺水方法利用的深度學習、圖像識別和神經網絡等技術，更需要提高計算機的算力以快速得到精確的計算結果。計算機的算力迭代升級越快，機器學習能力強，圖像識別結果越精確，越有助于增加溺水者生還的可能。

在穿戴設備防溺水方法中，一般包括智能手環(huán)[23]、泳帽[24-25]、泳鏡[26]、泳衣[27]等。以智能手環(huán)為例，是由各類傳感器、微型控制器、電池、LED顯示屏、連接和通信模塊等部分組成。游泳者在游泳池游泳時，佩戴的智能監(jiān)測手環(huán)可以根據(jù)游泳者的狀態(tài)進行信號傳遞，一旦傳感器接收到心率、血氧飽和度等傳感數(shù)據(jù)出現(xiàn)異常時，會立刻響起或發(fā)送警報，吸引救生員前來營救。這種情況下，設備佩戴的舒適度、通信強度、傳感器接收信號的靈敏度都會影響溺水檢測結果。一旦設備的大小佩戴起來不夠便攜，游泳動作容易受到影響，游泳者不愿意佩戴，智能手環(huán)預防溺水的功能就難以實現(xiàn)，于是對于智能手環(huán)的設計需要考慮其外觀大小，保證人體佩戴的舒適性。

通常情況下，智能手環(huán)設計信號的傳遞分為三種情況：第一種情況是智能手環(huán)的傳感器接收到異常數(shù)據(jù)時，判定為溺水后自動響起警報。岸邊的救生員聽到警報，根據(jù)警報的響聲尋找溺水者的位置進行施救；第二種情況是智能手環(huán)作為發(fā)送端，救生員佩戴手表或安卓設備作為接收端，當智能手環(huán)傳感器采集到異常數(shù)據(jù)信號時，判斷是否符合溺水條件，判定為溺水后通過通信協(xié)議將警報信號發(fā)送到接收端，救生員接收到救生信號時根據(jù)GPS定位確定溺水者位置并進行施救；第三種是智能手環(huán)將救生信號發(fā)送至中央控制臺，中央控制臺為溺水者分配救生員。鑒于人溺水時，時間是決定生還可能性的關鍵因素。溺水狀態(tài)被判斷出得越早，溺水者越有可能脫離生命危險。于是，通信能力的強弱緊密關聯(lián)著溺水者的生死。通信時間越短，干擾越少，救生人員接收到信號的時間越短，也就能越快完成溺水者的施救。目前，關于穿戴設備防溺水方法的通信機制通常選擇無線通信技術（Zigbee、藍牙、Wi-Fi等），這些通信協(xié)議在水下會受到一定程度的干擾。因此，如何增加信號傳播的強度，通信協(xié)議的選擇可以作為今后的研究者在研究溺水求救信號發(fā)送時討論的方向。

傳感器接收信號的靈敏度是影響智能手環(huán)溺水預警功能的第三大因素。心率、血氧飽和度、水深等數(shù)據(jù)是通過傳感器進行采集，在手環(huán)設計初期，設計者會根據(jù)人體正常的運動情況設置正常采集閾值范圍，比如Jalalifar S等人[10]的設計的裝置中，心率小于50BPM，且持續(xù)時間超過15秒則判定為溺水。于是，當傳感器采集的數(shù)據(jù)超出閾值并持續(xù)一定的時間時，即可確定游泳者是否溺水。但是傳感器的靈敏度會直接影響到整個防溺水監(jiān)測系統(tǒng)的判定結果，傳感器的靈敏度過強，容易導致求救信號的誤發(fā)；傳感器靈敏度過弱，又容易導致溺水者無人施救。于是，傳感器靈敏度的設計也是在此類穿戴設備防溺水方法中必須關注的問題之一。當然還有其他因素的影響，比如電池的續(xù)航能力，手環(huán)防水能力等，但在本文中不進行詳細概述。

救生設備的防溺水方法主要是由AI模型和救生裝置共同參與完成溺水人員的搜救，且該方法主要用于室外的海洋、湖泊、河流等水域進行救援。這種救援方式易受到惡劣天氣的影響，在面向雷雨大風、沙塵等天氣時，救生設備判斷結果的精確度難以得到有效保證。

3 未來研究方向

關于防溺水方案的設計，其實可以有更多的思路，雖然這些思路目前僅停留在概念層面，但是可以為后續(xù)的研究者提供參考方向。

第一種思路是多功能滑軌小車救生方案：首先，在游泳館四周安裝多個智能監(jiān)控攝像頭，并且保證這些攝像頭可以360度無死角地拍攝到泳池。其次，在游泳館館頂上固定好滑軌以及能在滑軌上運行的多功能小車。整個方案的運作流程是智能攝像頭利用AI算法實時地對圖像進行分析，一旦攝像頭識別到人體的溺水行為，會立刻將該溺水者的位置坐標發(fā)送至多功能小車的接收端，小車接收到救生指令后，行駛到溺水者坐標上方位置，投放救生圈，幫助溺水者脫困。

第二種思路是智能手環(huán)防溺水方案，這個方案會更針對個體差異性。首先，每個首次進入游泳館的游泳者需要注冊身份信息，并將自己正常運動下的心率、血氧飽和度等體征信息輸入手環(huán)進行記錄，手環(huán)可以根據(jù)每個人輸入的正常體征信息，判斷游泳者是否溺水。當手環(huán)監(jiān)測到游泳者的體征數(shù)據(jù)高于或低于正常閾值時，會判斷為游泳者溺水并響起警報，吸引救生員或身邊的游泳者進行營救。游泳完成后，手環(huán)會將每次游泳的個人體征數(shù)據(jù)儲存到云端，下次登錄時備用。

4 總結

本文以提高溺水者生還率為目標，將國內外現(xiàn)有的防溺水監(jiān)測技術分為三類，并分別綜述了三種防溺水監(jiān)測系統(tǒng)的研究與進展。通過文獻調研，對比了每種方法都有各自的優(yōu)缺點：雖然視頻監(jiān)測系統(tǒng)和救生設備成本高，但是具有較高的監(jiān)測精度；穿戴設備成本雖然低，但是監(jiān)測精度相比前兩種也較差。而且不同的防溺水監(jiān)測系統(tǒng)應用水域不同，在游泳池、游泳館等小型水域中，一般使用視頻監(jiān)測系統(tǒng)和穿戴設備，在大型水域比如湖泊、海洋，一般使用救生設備。所以在不同的場景要選用不同的防溺水方法。而且每種防溺水方法也存在著重要的影響因素，如何利用這些因素實現(xiàn)溺水監(jiān)測效果的最大化，是后續(xù)學者需要深度研究的課題。

參考文獻：

[1] 世界衛(wèi)生組織.溺水[EB/OL]. （2021-4-27）[2022-10-24]. https：//www.who.int/zh/news-room/fact-sheets/detail/drowning.

[2] Royal Life Saving. Royal Life Saving National Drowning Report 2022[R]. Sydney Australia：Royal Life Saving， 2022.

[3] 王曉宇， 侯鑫淼， 王佳暢， 等. 2022中國青少年防溺水大數(shù)據(jù)報告[R]. 北京：人民網輿情數(shù)據(jù)中心， 2022.

[4] 賀佳佳，張風云，范中沿，等.基于Utstein模式的海水淹溺現(xiàn)場（院前）救治研究進展[J].臨床醫(yī)學進展，2022（7）：6740-6747.

[5] Shehata A M，Mohamed E M，Salem K L，et al.A survey of drowning detection techniques[C]//2021 International Mobile，Intelligent，and Ubiquitous Computing Conference （MIUCC）.May 26-27，2021，Cairo，Egypt.IEEE，2021：286-290.

[6] Shiuuee K， Rezaei F.A presentation of drowning detection system on coastal lines using image processing techniques and neural network[J].Journal of Injury and Violence Research，2019，11（2）.

[7] Handalage U，Nikapotha N，Subasinghe C，et al.Computer vision enabled drowning detection system[C]//2021 3rd International Conference on Advancements in Computing （ICAC）.IEEE，2022：240-245.

[8] P P，S N，A N，et al.Video based drowning detection system[C]//2021 International Conference on Design Innovations for 3Cs Compute Communicate Control （ICDI3C）.June 10-11，2021，Bangalore，India.IEEE，2021：203-206.

[9] Jian J X，Wang C M.Deep learning used to recognition swimmers drowning[C]//2021 IEEE/ACIS 22nd International Conference on Software Engineering，Artificial Intelligence，Networking and Parallel/Distributed Computing （SNPD）.IEEE，2022：111-114.

[10] Jalalifar S，Kashizadeh A，Mahmood I，et al.A smart multi-sensor device to detect distress in swimmers[J].Sensors （Basel，Switzerland），2022，22（3）：1059.

[11] John S N， Ukpabio I G， Omoruyi O， et al. Design of a drowning rescue alert system[J]. International Journal of Mechanical Engineering and Technology （IJMET）， 2019， 10（1）： 1987-1995.

[12] Danh L V Q， Hoan T N K， Pha H V， et al. An Early Drowning Detection System Capable of Locating Swimmers in Real Time[C]//International Conference on Business and Technology. Springer， Cham， 2023： 175-186.

[13] Nair S，Rodrigues G，Dsouza C，et al.Designing of beach rescue drone using GPS and zigbee technologies[C]//2019 International Conference on Communication and Electronics Systems （ICCES）.IEEE，2020：1154-1158.

[14] Yang D S，Cao Y，F(xiàn)eng Y J，et al.Drowning detection algorithm for intelligent lifebuoy[C]//2021 IEEE International Conference on Unmanned Systems （ICUS）.IEEE，2021：512-519.

[15] K Y S，K P O，V R R.Autonomous utility vehicle （auvs） based emergency human drowning detection system using sonar and thermal detection methods[C]//2019 IEEE International Conference on Distributed Computing，VLSI，Electrical Circuits and Robotics （DISCOVER）.IEEE，2020：1-6.

[16] 趙凱琳，靳小龍，王元卓.小樣本學習研究綜述[J].軟件學報，2021，32（2）：349-369.

[17] 鄭緯民.新基建中的高性能人工智能算力基礎設施的架構與測評[J].機器人產業(yè)，2020（6）：51-56.

[18] 郭靜.基于Blob的雙攝像機泳池監(jiān)控報警系統(tǒng)算法研究[D].大連：大連海事大學，2011.

[19] 趙婷，鄭紫微.基于改進的幀間差分運動目標提取算法[J].無線通信技術，2016，25（2）46-49，53.

[20] 陳媛，蔡曉燕.改進的幀間差分運動目標檢測算法研究[J].現(xiàn)代計算機，2019（33）：41-44.

[21] 鄭斌.基于卷積神經網絡融合擴展卡爾曼濾波的拖纜姿態(tài)解算算法研究[D].長春：吉林大學，2022.

[22] 董銳.基于光流法和結構相似度的無線視頻質量評價方法[J].河南工程學院學報（自然科學版），2022，34（3）：65-68，73.

[23] 崔亞龍，王景麗.水上智能救生手環(huán)系統(tǒng)設計與研究[J].信息與電腦，2021（10）：73-75.

[24] 鄒旭，廖鐘豪，王廷軍，等.基于zigbee通信模塊的泳池防溺水智能泳帽的研究[J].科技風，2018（34）：70.

[25] 霍君力，楊喬云，肖美妍，等. 防溺水自動報警充氣泳帽[C]//物聯(lián)網與無線通信-2017年全國物聯(lián)網技術與應用大會和2017年全國無線電應用與管理學術會議論文集，2017：251-254.

[26] Roy A，Srinivasan K.A novel drowning detection method for safety of Swimmers[C]//2018 20th National Power Systems Conference （NPSC）.December 14-16，2018，Tiruchirappalli，India.IEEE，2019：1-6.

[27] 邱睿，聞宇欣，張鵬，等.基于單片機的智能防溺水背心[J].電動工具，2019（3）：7-10.

【通聯(lián)編輯：唐一東】