公共體育場所健身危險事件AI識別和報警系統平臺構建

劉曉然 劉玉 李健 亓雨晴 余長逍 唐子人

摘? ? 要? ?“健康中國”和“體育強國”發展戰略對全民健身事業的發展提出了明確的指導方向。在不斷提高人們健身有效性的同時，健身的安全性更不容小覷。目前，全民健身安全保障體系已大大加強了健身活動中的安全防護措施，但在實際健身中仍會較為頻繁地發生意外危險事件，發生突然、難以提前預測，而且致殘、致死率較高，無疑增加了部分健身者的心理負擔、降低了健身意愿。針對公共體育場所健身活動中意外危險事件識別難的問題，本研究采用大數據分析、人工智能等技術，研發了公共體育場所健身危險事件AI識別和報警系統平臺，實現基于視覺、智能穿戴設備的健身過程中意外危險事件（跌倒、溺水、心血管事件）的識別和報警，有效解決公共體育場所意外危險事件識別、報警和應急的問題，提高全民健身的安全性。

關鍵詞? ?人工智能識別；健身安全；健身危險報警平臺；跌倒；溺水；心血管事件

中圖分類號：804.5；TP3? ? ? ? ? ?學科代碼：040302? ? ? ? ? ?文獻標志碼：B

DOI：10.14036/j.cnki.cn11-4513.2023.03.003

Abstract? ?The development strategy of “Healthy China” and “Leading Sports Nation” have put forward a clear guiding direction for the National Fitness Development. Scientific fitness is a significant mean for health promotion， and scientific fitness needs are individual. While fitness effectiveness is improved， the safety of fitness should not be underestimated. The current national fitness security system has greatly enhanced the protect measures in national fitness activities， but actually， dangerous events still are frequent. Occurring suddenly， difficult to predict， if the resuscitation is not timely， resulting in a high rate of mortality and disability， which undoubtedly adds to the psychological burden of some exercisers. In order to solve the occurrence of accidental and dangerous events in fitness activities， our study adopted to big data analysis， artificial intelligence and other technologies， developed a platform of AI identification and alarm system for fitness dangerous events in public sports places， to realize the identification and alarm of dangerous events（fall， drowning， cardiovascular events） during fitness， which based on vision and smart wearable device， effective solutions for identification， alarm and emergency when dangerous events occur in public stadiums， improving the safety of fitness.

Keywords? ?artificial intelligence identification; fitness safety; fitness risk alarm platform; falling; drowning cardiovascular events

《“健康中國2030”規劃綱要》中提出了健康服務供給總體不足與需求不斷增長之間的矛盾依然突出，要全方位、全周期維護和保障人民健康，大幅提高健康水平［1］。為此，相關部門統籌建設全民健身公共設施，加強健身步道、騎行道、全民健身中心、體育公園等場地及設施建設，加速全民健身運動的普及。同時，國家體育總局發布了《體育健身活動指南》，以此建立和完善針對不同人群、不同環境及不同身體狀況的運動處方庫，開展群眾健身休閑活動，豐富和完善全民健身體系，推動全民科學健身。與此同時，全民健身運動的安全性問題也逐步凸顯。

國家體育總局在2017年發布的《全民健身指南》中提出，在體育健身活動過程中，要確保體育活動者不出現或盡量避免發生運動傷害事故，是參加體育健身活動的首要原則［2］。《全民健身計劃（2021—2025年）》對健身的安全性作了明確的指示，要求加強全民健身安全保障［3］。由此，一方面提倡個人健身前應全面評估個人身體狀況和運動能力，制定適合自身特點的體育健身活動方案。個人在體育健身活動前要做充分的準備活動，在活動過程中要控制運動強度、保持適當的運動負荷，在活動后要做整理和放松活動、定期進行身體機能檢查。另一方面，對各類健身設施安全運行加強監管，鼓勵在公共體育場館配置急救設備，確保各類公共體育設施開放服務達到防疫標準、應急標準、疏散標準、質量標準及消防安全標準。

目前的全民健身安全保障體系已大大加強了全民健身活動中的安全防護措施，但在實際健身中仍會較為頻繁地發生意外危險事件，例如：跌倒、溺水、心血管危險事件等。這些意外危險事件發生突然且難以提前預測，如果搶救不及時，致死率和致殘率較高，這無疑增加了部分健身者的心理負擔。為了更好地降低健身活動中意外危險事件的發生率，本研究應用大數據、人工智能等技術，研究建立公共體育場所健身危險事件AI識別和報警系統平臺。該平臺可實現基于視覺與智能可穿戴設備的健身意外危險事件（例如：跌倒、溺水、心血管危險事件）的識別和報警，有效解決了復雜環境中運動意外危險事件識別難度大、報警不及時及決策時程長的問題，能滿足實時交互的預測需求及提高全民健身的安全性。

1? ?公共體育場所健身意外危險事件

參加有規律的健身活動可獲得更多生理和心理上的健康益處，但是健身活動也存在很多已證實的危險因素。例如在健身運動時出現冠狀動脈痙攣會產生心絞痛；沒有休息好或感冒后在健身運動時容易出現頭痛；在健身運動中還可能出現腹脹痛、腹絞痛、肝區痛、暈厥等不良反應。這些不良反應有些可以在運動停止后休息一段時間自行消失，但是有些如果沒有及時發現或搶救不及時，則可能危及生命。目前，最為常見且嚴重的意外危險事件大致包括跌倒、溺水、心血管危險事件等，這也正是公共體育場所健身危險事件AI識別和報警系統平臺要識別的主要危險事件。

1.1? 公共體育場所跌倒危險事件

跌倒是指突發的、不自主及非故意的體位改變而倒在地上［4］。據估算，世界上每年發生684 000例致命性跌傷，即使未致命，每年仍大約有37 300 000例跌傷嚴重到需要進行治療［5］。隨著馬拉松等戶外運動在健身領域風靡，運動中的安全問題也接踵而至。據相關數據統計，超過63%的運動損傷者是由于在運動過程中發生跌倒無法得到及時救治而導致了傷病［6］。

在公共體育場所，跌倒的發生主要由內在（生理）和外在（環境或情境）風險因素導致。內在風險因素包括心血管功能障礙（例如：直立性低血壓和暈厥）、使用精神疾病類藥物、認知障礙、下肢無力、平衡能力差、視力受損等，主要表現為因暈倒、休克等導致的突然性跌倒、突然抽筋、扭傷等肢體損傷［7］。外在風險因素主要指地面上有障礙物、地板濕滑、光線不足等，主要表現為因人體失去平衡而產生的突然跌倒［8］。

1.2? 公共游泳池溺水危險事件

游泳是很多健身者選擇的運動項目，能鍛煉人的心肺耐力、提高心血管功能、促進骨骼與肌肉的協調性、改善平衡能力，并且水的壓力和浮力可以使人體在運動過程中減少關節的損耗。但是游泳卻存在著潛在的危險性，即便是十分熟悉水性的人也可能會因為各種意外情況而導致溺水，溺亡事故也時有發生。一旦溺水，人體會迅速發生一系列病理反應，產生腦水腫、急性的呼吸窘迫綜合征、肺水腫、電解質紊亂、心力衰竭、酸堿失衡、急性腎功能衰竭、血管內凝血等并發癥［9］59，此時如果沒有被游泳救生員及時發現，溺水時間越長越容易造成人體不可逆的損傷或死亡。

當游泳者出現溺水危險時，一般會掙扎求救，有些動作毫無規律，救生員會根據游泳者溺水的實際情況，憑借經驗采取相應的救生措施。溺水者在求救狀態下呼吸道內會進入大量的水，并會很快失去求救意識，導致身體不斷下沉，這種情況下很難被救生員發現。在傳統的救生員管理模式下，救生員在游泳館的游泳者較多、光照強度低、長時間注視水面時很容易視覺疲勞，較難對突發溺水事件作出及時反應。

1.3? 公共體育場所心血管危險事件

適量的健身運動能提高人體的心肺耐力并降低心血管疾病的發生率，但如果健身者年齡偏大、患有慢性病、選擇了不適合自己的運動項目及在不合適的時間點運動或進行了較高強度和較長時間的運動時，有可能發生心血管危險事件，甚至可能發生心源性猝死［10］。關于運動猝死的新聞每隔一段時間就會出現，這主要是由于心源性猝死的發病特點是：男性心源性猝死的風險高于女性［11］；可以發生在運動過程中，也可以發生在運動后和休息時［12］；猝死者年齡主要集中在15～20歲的青少年和老年人。而且相關調查顯示，強度過大的運動，尤其是突然的、非常規的與涉及大強度無氧代謝的運動，對于未接受過專業訓練者和有潛在心血管疾病者來說，存在一定的心血管疾病風險［10］。

運動前心血管疾病篩查和運動危險分層是降低心血管疾病風險的主要手段。在2017年，來自世界各地的學者共同發布了運動前心血管疾病篩查專家共識和心電圖解讀專家共識，得到了國際奧委會和國際足球聯合會等國際體育組織的充分認可和采納［13］。但仍有很多體育領域的學者對運動前心血管疾病篩查的有效性提出了質疑，認為運動前篩查會遺漏80%以上的病例［14］，而且心血管疾病的檢查需要消耗大量醫療資源。

2? ?公共體育場所健身危險事件AI識別

2.1? 基于視覺的跌倒AI識別

2.1.1? 跌倒識別場景設計

《2022國民健身趨勢報告》中提到國民熱衷的健身項目主要以健步走、跑步、球類和健身舞蹈為主［15］。隨著大眾參與健身跑的人數與日俱增，跑步引發的意外危險事件頻繁發生。有研究者通過因子分析構建并驗證了跑步者跑步風險認知評價模型，提出個人身心狀況和跑步環境因素是影響跑步者在戶外發生跌倒的主要因素［16］。雖然在公共健身步道附近設立了一些救助點，但是仍無法做到有效地預防運動危險事件發生和對跑步損傷者進行及時救助，更無法實時監測跑步者的身體狀況。

本研究研制的系統是一種基于視覺的戶外健身跑場景中跌倒行為識別方法，通過戶外健身步道安裝的攝像頭獲取跑步者的視頻流，從視頻流提取出每一幀圖片，從圖片中提取評估人體姿態的骨骼關鍵點，形成運動姿態編碼，與建立的倒地特征庫和非倒地特征庫進行對比，從而實現對跑步意外跌倒或倒地狀態的識別。同時，建立跌倒行為特征數據庫，一是可以解決因攝像頭角度而使獲取到的人體姿態變形問題；二是可以識別跑步者前倒、側倒、坐地、系鞋帶等姿態；三是可以解決多人視覺圖像交疊在一起的識別問題，從而大大提高戶外健身跑場景下跌倒事件的識別率。

2.1.2? 人體姿態識別

跌倒識別需要對攝像頭中的人體姿態進行精確的識別，圍繞圖像中的人體姿態估計問題進行研究。人體姿態估計從輸出的維度上可分為二維和三維，二維是輸出基于圖像坐標的人體關鍵點（x和y），三維是輸出在空間坐標中的人體關鍵點（x、y及z）。

2.1.2.1? ? 二維人體姿態估計

本系統主要用于監控運動場景中的人體姿態，由于在該場景中人體尺寸相對較小、人數不多，對姿態的識別精度要求較高，因此，選擇了自頂向下的流程。如圖1所示，先檢測圖像中的人體，然后對每個人體單獨進行姿態估計，該流程由于對每個人體單獨做姿態估計，所以能忽略人體尺寸的影響，可達到較高的精度。

本方法使用HRNet（high-resolution net）作為人體姿態估計的主干網絡。該網絡在構建第一階段維持了一個高分辨率，然后形成了從高到低逐漸增加分辨率的子網絡，同時將不同分辨率的網絡融合在一起［17］。由此，通過保持一個高分辨率，同時融合低分辨率的信息能有效地提取人體關鍵點的局部特征，并提高關鍵點的精度，其結構如圖2所示。

2.1.2.2? ? 三維人體姿態估計

三維人體姿態估計需要獲取空間坐標中的人體關鍵點（x、y及z），但是因為相機成像時會使深度信息丟失，一般采用多幀二維人體姿態推斷出三維人體姿態，而三維人體姿態估計是基于髖骨中心點的相對位置。在三維人體姿態估計時，將每個關鍵點的位置估計轉化為骨骼長度和方向的估計，該骨骼長度在視頻中就不會發生變化。在模型訓練時，對骨骼長度和方向的約束會使三維人體姿態估計的結果更加準確與穩定，并且在對姿態識別進行訓練時，增強了對骨骼長度和方向的識別能力及模型的泛化能力。

2.1.3? 基于視覺的跌倒姿態AI識別算法

針對跑步場景中的倒地情況的多樣性及單攝像頭的多義性，設置多相機幀同步后的多視角視頻采集位置，以確保在多人擁擠和多視角情況下人體姿態還原的準確性。基于此設計了一套基于二維姿態特征比對的流程，主要步驟如下。

步驟1：對圖片進行人體檢測，獲取圖片檢測框中每個人的空間坐標（x、y、w、h），其中：（x，y）表示檢測框左上角點坐標，w表示檢測框的寬，h表示檢測框的高。

步驟2：對每個檢測框中的人進行人體姿態估計，獲取每個人的24個骨骼關鍵點的坐標{x1，y1，…，x24，y24 }。

步驟3：將每個人的24個骨骼關鍵點通過運動姿態編碼模型進行姿態編碼，形成128維浮點歸一化特征向量。

步驟4：選取各種倒地的姿態（N），將這些姿態通過步驟1～3提取特征，并制作出倒地特征庫Ff=（ff1，…，ffN ）。選取各種躺、蹲、坐等與倒地比較相似的姿態（M），將這些姿態通過步驟1～3提取特征，并制作為非倒地特征庫Fn=（fn1，…， fnM ），如圖3所示。

步驟5：從監控攝像頭獲取視頻流，從視頻流提取出每一幀圖片。對每幀圖片通過步驟1～3提取特征f，將該特征分別與倒地特征庫和非倒地特征庫中的特征進行比對。如果特征f與倒地特征庫中的特征比對分數最大值超過閾值τf，同時特征f與非倒地特征庫中特征比對分數最大值低于閾值τn，則認為是倒地狀態。

步驟6：如果倒地狀態維持了一段時間（t），可設置t為5 s，則可判斷有人倒地，報警系統即可發出報警信號。

2.1.4? 跌倒識別數據的實時分析

基于視覺的跌倒姿態AI識別的數據采集端采集的人體姿態估計數據，可通過網絡傳輸模塊發送至云服務器端，經過算法處理獲取用戶的實時運動狀態數據，保存至云端服務器。如果用戶出現跌倒時，運動危險事件報警系統APP的用戶端界面和場館工作人員端界面均出現跌倒危險報警提示、跌倒瞬時圖像及跌倒定位信息，以便場館工作人員根據現場具體情況實施救援，如圖4所示。

2.2? 基于視覺的溺水AI識別

2.2.1? 溺水識別場景

游泳已經成為一些健身者運動休閑的主要方式之一，但也有較大的安全風險。救生員在日常工作中主要是依靠視力觀察泳池中游泳者的活動情況，通過肉眼鑒定游泳池中靜止不動的游泳者是否溺水。分析實際數據后發現，人工看護方式的救生措施存有明顯的漏洞。除了主動潛泳之外，游泳者溺于水中將會缺氧或肺部積水，缺氧達到或超過30 s，其生命將受到威脅；溺水時間超過180 s以上，游泳者可能受到嚴重的人身傷害，甚至死亡［9］59。因此，游泳救生員急需一種輔助技術手段協助救生工作，準確地監控整個游泳池的安全情況。本研究研制的系統是一種基于可視化游泳館場景下溺水識別方法，在游泳池側壁中位安裝攝像機拍攝游泳池內部，每2個攝像機為一組，2臺攝像機視場角均大于90°，成一定角度放置可覆蓋窗內將近180°的范圍。通過攝像機獲取游泳者的視頻流，從視頻流提取出每一幀圖片，研究基于人體骨骼檢測和人體運動軌跡跟蹤為基礎的游泳動作識別技術與溺水監測算法，對溺水危險事件進行識別。

2.2.2? 基于視覺的溺水AI識別算法

針對游泳館場景中的溺水情況的多樣性，設計多攝像機幀同步后的多視角視頻采集監控并識別游泳池中的每個人的運動狀態，以此判斷是否發生溺水事件。整個算法流程包括人體檢測、人體姿態估計和人體運動狀態估計。由此設計了一套基于二維姿態特征比對的流程，其主要步驟如下。

步驟1：對圖片進行人體檢測，獲取圖片中每個人的空間坐標（x、y、w、h）的檢測框，其中（x，y）表示檢測框左上角點坐標，w表示檢測框的寬，h表示檢測框的高。

步驟2：對每個檢測框進行人體姿態估計，獲取每個人的24個骨骼關鍵點的坐標。

步驟3：對應一個視頻中的多幀圖片，重復步驟1和2，獲得多幀人體姿態圖片。

步驟4：計算每個人體關鍵點的運動速度，組成人體關鍵點運動特征。

步驟5：建立水中人體運動主題分類器，將水中人體運動狀態分為3種：正常水中運動姿態、人體緩慢下沉姿態、人體靜止平躺姿態，把這3種人體骨骼關鍵點和關鍵點的運動特征納入人體運動主題分類器，并通過數據訓練分類器，如圖5所示。

步驟6：將人體關鍵點和運動特征輸入人體運動主題分類器，分類器可以輸出運動狀態預測結果，當發現運動狀態為人體緩慢下沉直至靜止平躺時，可判斷為溺水事件發生并報警。

2.2.3? 溺水識別數據的實時分析

基于視覺的溺水AI識別的數據采集端采集的人體姿態估計數據，可通過網絡傳輸到云服務器端，進行算法處理，獲取用戶的實時運動狀態數據，保存至云端服務器。如果用戶出現溺水狀態，運動危險事件報警系統APP的場館工作人員端界面出現溺水危險報警提示、溺水瞬時圖像及溺水定位信息，以便救生員實施救援，如圖6所示。

2.3? 基于可穿戴設備的心血管危險事件AI識別

2.3.1? 心血管危險事件監測手段與指標

從2010年開始，運動與健康監測技術迅速發展，涌現出了許多形式的生物信號采集方式，從距離定位功能發展到如今具有心臟監測、睡眠監測、呼吸狀態監測、全面的運動監測等功能［17-18］。可穿戴智能手表、智能手環等可穿戴智能設備對運動健身的影響也越來越深入人心。有研究顯示，可穿戴設備采集的靜息心率（與健康呈負相關）和心率變異性（與心臟健康呈正相關）數據的準確性和一致性水平較高［19］。還有些可穿戴智能設備配有心電模塊，目前以顯示單導聯心電圖為主，通過建立深度神經網絡和應用人工智能技術可以經驗性地找出輸入數據（即心電圖）與輸出數據（即診斷）之間的關系，可高敏感性、高準確性地作出診斷［20］，還可以在運動中進行心電監測，能更好地識別心律失常，相較腕率表采集的心率更為準確［10］。

本研究針對心血管疾病不同風險等級人群研發了智能運動手表和單導聯心電衣。智能運動手表主要滿足心血管疾病低風險人群的需求，具有監測心率、血氧、睡眠等功能，可以實現日常運動時靶心率的控制及對短時間脈率明顯下降的識別和報警，因為該現象是惡性心率失常的常見表現。單導聯心電衣則是滿足心血管疾病高風險人群的需求，具有監測房顫、房室傳導阻滯、室性心動過速、心房早搏復合征、心房停搏等常見心律失常的功能。心搏驟停是前述常見心律失常的主要表現，單導聯心電衣一旦識別到上述指標異常就會發送救援信息。

2.3.2? 基于心電衣的心血管危險事件識別算法

心電信號是表征人體生命體征和健康程度的關鍵指標。每年有大量的人死于心血管疾病［21］，其中心律失常是最為常見、最具代表性的心率異常疾病。本文針對5種常見的心律失常（房顫、房室傳導阻滯、室性心動過速、心房早搏復合征、心房停搏）設計識別算法，通過采集北京市首都醫科大學附屬朝陽醫院的多位心律失常患者的心電數據，結合單導聯心電公開數據集“Physio Net”中的多個正常心電數據樣本，構建用于訓練算法的樣本庫。樣本庫中包括6種類型的單導聯心電數據，共有515例。其中：正常心電有200例，房顫有156例、房室傳導阻滯有37例、室性心動過速有20例、心房早搏復合征有173例、心房停搏有29例。

考慮到不同類別的心電信號在時序變化上具有顯著差異，本文構建基于CNN-LSTM模型的單導聯心電異常識別算法。卷積神經網絡（縮寫為“CNN”）是一種包含卷積計算且具有深度結構的前饋神經網絡，通過對輸入的單導聯心電圖數據進行卷積運算可以提取心電時序特征。考慮到CNN無法分析心電信號時序變化特征之間的關聯性，將CNN的輸出心電信號進一步傳輸到長短時記憶網絡（縮寫為“LSTM”），以確定心電信號序列的時間依賴性。LSTM模型可以分析心電信號時序關聯特性，并解決傳統循環神經網絡存在的梯度消失的問題，適用于分析心電信號的時序特性。

將心電數據樣本庫按照4∶1的比例拆分成訓練集和測試集。將訓練集輸入到模型進行訓練，測試集用于檢測模型的性能。本文所提出的基于CNN-LSTM模型的單導聯心電異常識別算法的主要步驟如下。

步驟1：數據預處理。對原始心電信號進行降噪處理，并以30 s（9 000采樣點）為周期進行心電信號序列分割，如圖7所示。

步驟2：CNN-LSTM模型訓練。本研究構建CNN-

LSTM模型對單導聯心電數據進行分類預測，CNN-LSTM模型包括輸入層、CNN層、最大池化層、LSTM層、隨機失活（Dropout）層、全連接層及歸一化指數函數（Softmax）層組成，如圖8所示。

步驟3：使用已經訓練好的CNN-LSTM模型，對新輸入的單導聯心電圖信號數據進行判斷，將其歸為相應的類別。

2.3.3? 心血管危險事件識別數據的實時分析

基于智能運動手表的數據采集端可實時采集和呈現人體運動相關數據。如果用戶出現心率驟降狀態，例如心率在連續30 s中下降30%，運動危險事件報警系統APP的場館工作人員端界面和用戶運動手表界面均會出現心血管危險事件報警提示，并將運動狀態和位置定位數據上傳至運動危險事件報警平臺，以便場館工作人員根據現場具體情況實施救援。同時，基于心電衣的數據采集端采集人體心電數據并進行算法處理。如果用戶出現心血管危險事件風險，運動危險事件報警APP的用戶端界面和場館工作人員端界面均會出現心血管危險事件報警提示，并將運動狀態和位置定位數據上傳至運動危險事件報警平臺，以便場館工作人員根據現場具體情況實施救援，如圖9所示。

3? ?公共體育場所健身危險事件報警系統平臺的構建

3.1? 健身危險事件報警系統平臺總體設計

公共體育場所運動危險事件識別、報警及應急系統結合了人工智能識別技術和智能危險事件識別設備，根據公共體育場所實際情況編寫預案，基于人工智能算法的最優匹配，制定醫療資源的分配方案，最終構建一套完整的公共體育場所運動危險事件識別、報警及應急系統。該系統是由健身危險事件識別智能運動手表、健身危險事件識別專用攝像裝置和健身危險事件報警與救援APP組成，如圖10所示。

3.2? 健身危險事件報警系統的用戶端設計

3.2.1? 用戶端基礎信息錄入

1）APP用戶登錄。進入登錄界面后有2種登錄方式，一種為用戶密碼登錄，另一種為短信驗證碼登錄。2）APP界面顯示。主界面以體育場館地形為背景，顯示包含個人健康信息、健康狀況、健身危險事件報警按鈕。3）增添緊急聯系人。在APP界面可通過輸入聯系人的電話號碼添加緊急聯系人。4）確認進入場館功能。通過APP掃描體育場館二維碼，確認用戶已進入場館。

3.2.2? 健身危險事件報警功能設計

1）跌倒報警功能。當用戶在公共體育場所AI運動攝像機監控范圍內發生跌倒后，APP用戶端會出現跌倒危險事件提示。用戶可根據自身情況判斷是否需要救援，如果不需要救援，可點擊關閉；如果需要救援或無法作出應答，待20 s后，跌倒危險事件會直接推送至APP的場館工作人員端。2）心血管危險事件報警功能。用戶通過掃碼進入公共體育場館健身，當用戶在該場館內發生心血管危險事件后，APP用戶端會出現跌倒危險事件提示。用戶可根據自身情況判斷是否需要救援，如果不需要救援，可點擊關閉；如果需要救援或無法作出應答，待20 s后，心血管危險事件會推送至APP的場館工作人員端，如圖11所示。

3.3? 健身危險事件報警系統APP的場館工作人員端設計

3.3.1? 場館工作人員端基礎信息

公共體育場館APP管理端可添加工作人員信息。場館工作人員點擊APP安全界面的人物卡片上的場館名稱后，如果變為綠色表示上崗、變為灰色表示離崗。

3.3.2? 健身危險事件報警信息推送功能設計

當識別到用戶出現健身危險事件，包括跌倒、溺水和心血管危險事件后，健身危險事件報警系統APP用戶界面出現跌倒危險報警提示，且APP工作人員界面能收到跌倒報警推送信息，并顯示用戶精準的位置定位信息，如圖12所示。

3.3.3? 健身危險事件報警系統APP救援功能設計

工作人員在健身危險事件報警系統安全界面收到救援推送信息后，可點擊“健康狀況”下的“救援”按鈕查看場館地形圖上是否規劃了到事發地點的最佳路線。同時，被救人員也能收到救援人員的路線圖。工作人員在實施救援后點擊“關閉”，被救用戶界面會提示“危險事件已被工作人員關閉”，救援流程即為結束，如圖13所示。

3.4? 健身危險事件報警系統APP的監控中心界面設計

健身危險事件報警系統APP包括危險事件記錄、場館工作人員在崗情況、入場健身人員年齡分布、健身人流量分布、場館地形圖等基本信息。登錄科學健身管理系統 （isports.org.cn）后，點擊監控中心（如圖14所示），當發生健身危險事件時，可在監控中心同步顯示發生健身危險事件的人員和地點，點擊救援后，則可以顯示救援人員和救援路線。

此外，監控中心支持對所監控場館的基本信息進行編輯（包括場地類別、器材、營業時間、責任人信息、場館地形圖上傳、場館二維碼上傳等），并且可以查看健身危險事件的歷史信息、添加或刪除場館工作人員、添加或刪除攝像頭設備等。

4? ?結束語

通過采集大量的跌倒、非跌倒、模擬溺水及游泳的正常心率和心電、異常心率和心電的相關數據，對本研究設計的公共體育場所健身危險事件AI識別和報警系統平臺進行了測試，基于視覺的跌倒AI識別技術對跌倒的識別率、基于視覺的溺水AI識別技術對溺水的識別率、基于可穿戴設備的心血管危險事件AI識別技術對心血管突發事件的識別率均達到90%以上，公共體育場所健身危險事件報警系統的報警準確度達到了95%以上。

綜上所述，本研究設計的公共體育場所健身危險事件AI識別和報警系統平臺基本實現了基于視覺、智能可穿戴設備對健身過程中的意外危險事件（跌倒、溺水、心血管事件）的識別和報警，有效解決了復雜環境下運動的意外危險事件識別難度大、急救不及時及救援決策時程長的問題，有助于推動“體醫融合”服務過程中的信息共享及更有力地推動全民健身與全民健康的融合。

參考文獻：

［1］? 中共中央 國務院.“健康中國 2030”規劃綱要［EB/OL］.（2016-10-25）［2023-04-25］. http：//www.gov.cn/zhengce/2016-10/25/content_5124174.htm.

［2］? 中國體育報. 《全民健身指南》解讀［N/OL］.（2017-08-14）［2023-03-20］. https：//www.sport.gov.cn/n315/n331/n405/c819327/content.html.

［3］? 國務院. 全民健身計劃（2021—2025年） ［EB/OL］.（2021-07-18）［2023-04-25］. http：//www.gov.cn/zhengce/content/2021-08/03/content_5629218.htm.

［4］? WHO. Global report on falls prevention in older age［M］. Geneva： WHO， 2008： 1-9.

［5］? 皮紅英，高遠，侯慧如，等. 老年人跌倒風險綜合管理專家共識［J］. 中華保健醫學雜志，2022，24（6）：439-441.

［6］? 王宇紅. 對北京馬拉松賽事醫療安全保障體系的研究［D］.北京：北京體育大學，2016.

［7］? 李曉亮. “運動風險”概念的剖析與界定［J］. 哈爾濱體育學院學報，2011，29（6）：20-24.

［8］? 楊懌健，李麗萍. 從運動科學及公共衛生角度開展老年人跌倒預防的研究［J］. 傷害醫學，2022，11（4）：1-6.

［9］? 沈浩然. 游泳救生員［M］. 北京：高等教育出版社，2015.

［10］? 中國醫藥衛生文化協會心血管健康與科學運動分會. 運動相關心血管事件風險的評估與監測中國專家共識［J］.中國循環雜志，2022，37（7）：659-668.

［11］? ECKART R E， SHRY E A， BURKE A P， et al. Sudden death in young adults： An autopsy-based series of a population undergoing active surveillance［J］. Journal of the American College of Cardiology， 2011， 58（12）： 1254-1261.

［12］? FINOCCHIARO G， PAPADAKIS M， ROBERTUS J L， et al. Etiology of sudden death in sports： Insights from a united kingdom regional registry［J］. Journal of the American College of Cardiology， 2016， 67（18）： 2108-2115.

［13］? DREZNER J A， SHARMA S， BAGGISH A， et al. International criteria for lectrocardiographic interpretation in athletes：Consensus statement［J］. British Journal of Sports Medicine，2017， 51（9）： 704-731.

［14］? LANDRY C H， ALLAN K S， CONNELLY K A， et al. Sudden cardiac arrest during participation in competitive sports［J］. New England Journal of Medicine， 2017， 377（20）： 1943-1953.

［15］? 一圖讀懂《2022國民健身趨勢報告》［EB/OL］. （2022-08-02）［2023-04-25］. http：//health.people.com.cn/n1/2022/0802/c14739-32492003.html.

［16］? 胡德剛，梁金輝，張吾龍. 健身跑者跑步風險認知評價模型的構建及實證分析［J］. 首都體育學院學報，2021，33（2）：162-171.

［17］? 倪禮，劉褚燚. 智能手環中國專利技術綜述［J］. 中國科技信息，2022（7）：18-19.

［18］? 李文祺，高佳鋒，尚玲瓏，等.穿戴式心率監測報警器設計與制作［J］. 電子世界，2021（8）：190-191.

［19］? SUN J J， ZHAO J P， CHEN L C， et al. View-invariant probabilistic embedding for human pose［G］// Proceedings of european conference on computer vision 2020. Edinburgh： ECCV， 2020： 1-26.

［20］? MURAKAMI H， KAWAKAMI R， NAKAE S， et al. Accuracy of wearable devices forestimating total energy expenditure： comparison with metabolic chamber and doubly labeledwater method［J］. JAMA Internal Medicine， 2016， 176（5）： 702-703. ［21］? 胡盛壽，高潤霖，劉力生，等. 《中國心血管病報告2018》概要［J］. 中國循環雜志，2019，34（3）：209-220.