CN109620263B - 一种企事业单位上岗人员体征安全分析方法 - Google Patents

Abstract

本发明公开了一种企事业单位上岗人员体征安全分析方法，采集N次某一状态下企事业单位某一上岗人员的体征数据；将上述体征数据作为BP神经网络的输入，将上岗人员所处的状态作为BP神经网络的输出，利用采集的体征数据进行训练，得到分类器；实时采集所述上岗人员的体征数据，并作为所述分类器的输入，判定出该上岗人员所处的状态，并通过统计方法获得上岗人员在不同状态下各体征指标的最高值、最低值、基准值；利用上述最高值、最低值、基准值分析上岗人员的体征状态。本发明可以准确判断出上岗人员的体征状态，当状态异常时可以发出告警，从而避免上岗人员身体状况不佳出现人身伤害事故及不安全操作，提高工作效率，减少安全隐患。

Description

一种企事业单位上岗人员体征安全分析方法

技术领域

本发明涉及企事业单位上岗人员体征安全分析方法。

背景技术

企事业单位的上岗人员的体征安全(包括体况体能、精神状态、情绪状态等)对其工作效率、工作安全影响较大，现有技术中没有针对企事业单位上岗人员体征安全的有效监测和安全分析方法。有鉴于此，有必要提供一种企事业单位上岗人员体征安全分析方法，准确获知上岗人员的体征安全状态，保证安全生产作业。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种企事业单位上岗人员体征安全分析方法，准确获知上岗人员的体征状态，保证安全生产作业。

为解决上述技术问题，本发明所采用的技术方案是：一种企事业单位上岗人员体征检测及安全分析方法，其特征在于，包括以下步骤：

1)采集N次某一状态下企事业单位某一上岗人员的体征数据；所述状态包括开会/办公、运动/劳动、超负荷；

2)将上述体征数据作为BP神经网络的输入，将上岗人员所处的状态作为BP神经网络的输出，利用采集的体征数据进行训练，得到分类器；

3)实时采集所述上岗人员的体征数据，并作为所述分类器的输入，判定出该上岗人员所处的状态，并通过统计方法获得上岗人员在不同状态下各体征指标的最高值、最低值、基准值；利用上述最高值、最低值、基准值分析上岗人员的体征状态。

1、根据权利要求1所述的企事业单位上岗人员体征安全分析方法，其特征在于，步骤1)之前，进行如下处理：

A)将上岗人员按性别、年龄分组，列出各上岗人员的心率、脉压差、体温的最高值、最低值和基准值；其中，所述脉压差＝收缩压-舒张压；

B)利用以下公式计算体征安全值A和体力值L：

其中，X_s为心率实时采样值，X_j为心率基准值，X_l为心率储备值，f(x)为心率加权函数；Y_s为脉压差实时采样值，Y_j为脉压差基准值，Y_c为脉压差承受值，f(y)为脉压差加权函数；T_s为体温实时采样值，T_j为体温最佳值，T_z为体温正常值，f(t)为体温加权函数；X_l＝超负荷心率最高值-办公/休息心率最低值；Y_c＝超负荷脉压差最高值-办公/休息脉压差最低值；T_z＝体温最高值-体温最低值；

步骤3)之后，还进行如下操作：利用所述最高值、最低值、基准值，实时计算所述体征安全值A和体力值L。

当体征安全值A为0～1时，表示体征安全；否则，表示存在安全隐患；当体力值L为0～1时，表示体力正常；否则，表示体力差。

所述体征数据包括心率、收缩压、舒张压、体温。

在获得“开会/办公”状态下的体征最低值后，如果实时体征数据中，相应上岗人员的体征数据低于体征最低值的80％，认为此上岗人员处于瞌睡/睡眠状态。

在获得“超负荷”状态下的体征最高值后，如果实时数据中，相应上岗人员的体征数据高于体征最高值的120％，认为该上岗人员处于不安全状态。

对上岗人员精神状态分析方法包括：

1)利用所述分类器判断在岗人员所处状态，获取在岗人员在当前状态下的体温-时间数据[t₁,...,t_n]；

2)利用经验分布函数，获得在岗人员的最佳体温-时间分布函数F_best(t)；

3)实时采集在岗人员体温数据，利用经验分布函数，获得体温-时间分布函数F(t)；

4)利用Copula函数，计算上述两个分布函数的相关性C；

5)利用上述相关性C判断出在岗人员当前的精神状态。

对上岗人员情绪状态分析的方法包括：实时采集在岗人员的体征数据，利用下述公式判断在岗人员的情绪状态：

其中，E_b为上岗人员处于“开会/办公”状态下的情绪值的系列数据计算结果的最低值；E_b为脉压差的标准差与心率标准差之和。

当识别出在岗人员体征状态后，如在岗人员体征出现异常或不符合岗位要求，发出告警。

与现有技术相比，本发明所具有的有益效果为：本发明可以准确判断出上岗人员的体征状态，当状态异常是可以发出告警，从而避免上岗人员身体状态出现安全隐患，避免不安全操作，提高工作效率，减少安全隐患。

附图说明

图1为本发明系统结构图；

图2为本发明业务流程图；

图3为本发明BP神经网络结构图。

具体实施方式

图1为本发明系统结构图，其中：

在岗人员佩戴数据采集设备，数据采集设备可以为可穿戴设备；

数据采集设备实时采集佩戴人员的体征数据；

数据采集设备可与智能设备相连，通过智能设备将体征数据上传至业务云平台；

数据采集设备也可直接通过GPRS，3G/4G/5G数据网络将体征数据上传至业务云平台；

云平台支持存储、计算、统计在岗人员的体征数据，并提供体征状态识别、体征监测、状态告警、报表汇总、数据查询等功能；

企业管理人员通过云平台，可实时监控在岗人员的体征状态，根据云平台的状态告警信息，对不适合在岗的人员进行管理干预(暂停上岗、转岗等)；

状态告警信息、管理干预指令等信息可由云平台下发至在岗人员携带的智能设备；

云平台支持第三方接入，支持更多的企业需求。

可穿戴设备主要完成数据采集、处理、报警、数据传输等功能，其佩戴形式多样，比如头戴、手环、脚环、臂带等。

可穿戴设备可固定佩戴于上岗人员的多个部位，包括并不仅限于头部、上肢、下肢和足部。其内置的传感器可检测包括并不仅限于心率、血压、血氧、体温、心电、脑电、体重等人体体征信息；

可穿戴设备内置低功耗蓝牙BLE，可通过BLE与移动终端连接，向移动终端实时传送采集到的体征数据，最终通过移动终端将数据上传企业业务平台。

可穿戴设备也可内置GPRS/3G/4G/5G模块，直接通过无线数据链路，与企业业务平台通讯。

本发明按照如下方法设定体征指标范围值及基准值

1.根据生理学专业领域的经验值，将人员按性别、年龄分组并进行网格化，每个网格中列出其心率、脉压差、体温的最高值、最低值及基准值；其中脉压差＝收缩压-舒张压；

2.通过可穿戴设备采集到人员的实时体征数据时，获得各体征指标范围值及基准值；

3.根据步骤2中的确定范围值及基准值，计算在岗人员的体征安全值、体力值：

体征安全值：

其中：

A：体征安全值，0～1之间为健康、正常、安全三种状态，大于1即代表体征已存在安全隐患；

X_s：心率实时运算值，X_j为心率基准值，X_l为心力储备值，f(x)为心力加权函数；

Y_s：脉压差实时运算值，Y_j为脉压差基准值，Y_c为脉压差承受值，f(y)为脉压差加权函数；

T_s：体温实时运算值，T_j为体温最佳值，T_z为体温正常范围值，f(t)为体温加权函数；

X_l为心力储备值，X_l＝心率最高值-心率最低值；

Y_c为脉压差承受值，Y_c＝脉压差最高值-脉压差最低值；

T_z为体温正常值，T_z＝体温最高值-体温最低值；

本发明中，X_l＝超负荷状态下心率最高值-办公/休息状态下心率最低值；Y_c＝超负荷状态下脉压差最高值-办公/休息状态下脉压差最低值。

f(x)、f(y)、f(t)分别为心率、脉压差、体温加权函数。加权函数可以为一个经验函数，也可以为一个常量。比如心力不足的人员，心率对健康状态比较敏感，可以通过加权函数适当加大心率的权值。

体力值：

其中：

L：体力值，0～1之间分为很好、好、一般、差等4种状态，1以上为很差；其他参数同上

本发明状态模型建立过程如下：

神经网络为人工神经网络(Artificial Neural Networks)的简称，它模拟人脑神经细胞的工作方式，具有分布并行处理、非线性映射、自适应学习和鲁棒性等特点。

本发明采用基于误差反向传播(BP)的前向神经网络进行上岗人员危险体征模式识别，利用大量的样本数据进行训练，最终形成稳定的网络模型。

本发明采用的BP神经网络为三层设计，包括一个输入层、一个输出层以及一个隐含层，其结构如图3。

模型输入记为：X＝[x₁,x₂,...,x_n]^T

模型输出记为：Y＝[y₁,y₂,...,y_m]^T

模型期望输出记为：T＝[t₁,t₂,...,t_m]^T

每层第j个神经元与前一层第i个神经元的连接权值为W_ij，记神经元的输出函数为

模型训练过程为：

1.对各神经元连接的权值初始化为(0,1)的随机数；

2.从输入层输入训练样本，指定输出层各神经元的期望值；

3.逐层计算各层神经元的输出，直到输出层：

k表示第k层；

4.从输出层开始修正权值，然后修正隐含层；

输出层误差：

δ_j＝(t_j-y_j)y_j(1-y_j)

反向计算隐含层误差：

权值修正量：

Δw_ij＝-ηδ_jy_i 0＜η＜1

修正之后的权值：

t为第几次修正

5.回到第2步，循环至权值稳定；至此，模型训练完成。

模型的输入样本指标包括但不限于：心率、收缩压、舒张压、体温、性别、年龄、身高、体重。

模型的分类输出为：开会/办公、运动/劳动、超负荷。

模型训练完成后，即可用于在岗人员实时状态识别。将前述中实时采集的体征数据和其他相关数据，输入模型，然后检查模型输出，在某个模式输出为1时，即识别出人员处于对应的状态。

瞌睡(睡眠)及不安全状态的确定

通过前述步骤，利用神经网络识别出在岗人员的状态之后，可以将体征数据按状态分类，通过统计方法获得每个人员在不同状态下各体征指标的最高值、最低值、典型值(中位数、基准值)。

进一步，依据生理学相关知识及实验成果，在获得各人员“开会/办公”状态下的体征最低值后，如果实时数据中，此人员的体征数据低于体征最低值的80％，可以认为此人员处于瞌睡(睡眠)状态。

进一步，依据生理学相关知识及实验成果，在获得各人员“超负荷”状态下的体征最高值后，如果实时数据中，此人员的体征数据高于体征最高值的120％，可以认为人员处于不安全状态。

精神状态分析

精神状态分析的基本思路为：

1.获得精神状态最佳时的体温-时间模型F_best；

2.获得日常工作时的体温-时间模型F；

3.计算两个模型的相似度(相关性)，用相关性结果度量精神状态，以最接近F_best(相关性->1)为最佳精神状态。

为了计算模型相关性，引入“惩罚—Copula”模型，此模型基于Copula模型，增加了两个模型在纵向偏移上的惩罚项，既可以衡量波形横向(时间轴方向)的相关性，又可以满足其纵向(波幅)变动不相关的实际需求。

具体实施

此方法实施的具体步骤如下：

1.在有监督情况下采集每个在岗人员的实时数据，得到在岗人员在不同状态下，精神处于最佳状态的体温-时间数据[t₁,...,t_n]；

2.从步骤1获得的体温数据，利用经验分布函数，获得在岗人员在不同状态下的最佳体温分布函数F_best(t)，此函数为体温-时间模型基准；

3.日常工作时间，可穿戴设备实时采集在岗人员的体征数据，根据前述状态模型识别出用户所处的不同运动状态，从而获得此状态下的最佳体温-时间分布函数F_best(t)；

4.从步骤3获得的体温数据，利用经验分布函数，获得体温-时间分布函数F(t)；

5.利用Copula函数，计算步骤4和步骤3两个分布函数的相关性C；

6.引入惩罚—Copula模型，该模型可以表示为：

C_λ＝C+λ∑|y_1i-y_2i|

其中，C为利用Copula方法计算得到的波形变量间的相关系数值；y_1i是第一个波形(基准体征数据)的波动幅度，y_2i是第二个波形(实时体征数据)的波动幅度，两者差的绝对值的和项是时序波形波幅偏差的一种度量(数学称其为L1范数)；λ是惩罚系数，λ越大，则对两波形波幅上产生的差异的惩罚力度越大，两时序波形之间的偏差越大，相关系数越小。

7.根据步骤6中计算出来的C_λ，即可判断出在岗人员当前的精神状态(很差，差，好，很好)。

情绪状态分析

本发明使用情绪指标E用于情绪状态分析：

E＝σ_sp+σ_hr其中σ表示标准差，σ_sp为脉压差的标准差，σ_hr为心率标准差

从在岗人员处于“开会/办公”状态下的体征数据，可计算出此人员处于“开会/办公”状态下的情绪值E_b，标记其情绪状态为“稳定”。

对人员的实时数据进行计算，得到实时情绪值e，以E_b为基准分析e的偏差，得到此人员的情绪状态分类：

体征告警机制

通过上述方法识别出在岗人员体征状态后，如在岗人员体征出现异常或不符合岗位要求，系统将发出告警，提醒管理人员介入干预，提醒在岗人员提高安全操作意识，减少安全事故发生。

体征告警分两个层次：

·体征异常：在岗人员体征状态严重异常，已经不适合继续进行工作

·不符合岗位要求：在岗人员体征状态轻微异常，但不符合当前岗位要求

示例

1.某进料口操作人员由于前一天饮酒过多，加上睡眠不足，在岗时出现意识模糊及瞌睡情况。经系统平台分析体征数据发现其处于瞌睡状态，立即提示管理人员干预，及时将其调离工作岗位。

2.某财务人员因为私人事务与他人发生争执，在岗时情绪亢奋。经系统平台分析体征数据发现此情况，认为其目前不适合进行岗位工作，立即提示管理人员干预。适当休息之后，此人情绪平复，符合在岗要求，因此继续上岗。

Claims (5)

1.一种企事业单位上岗人员体征安全分析方法，其特征在于，包括以下步骤：

1)采集N次某一状态下企事业单位某一上岗人员的体征数据；所述状态包括开会/办公、运动/劳动、超负荷；

2)将上述体征数据作为BP神经网络的输入，将上岗人员所处的状态作为BP神经网络的输出，利用采集的体征数据进行训练，得到分类器；

3)实时采集所述上岗人员的体征数据，并作为所述分类器的输入，判定出该上岗人员所处的状态，并通过统计方法获得上岗人员在不同状态下各体征指标的最高值、最低值、基准值；利用上述最高值、最低值、基准值分析上岗人员的体征状态；

4)将上岗人员按性别、年龄分组，形成网格，列出各上岗人员的心率、脉压差、体温的最高值、最低值和基准值；其中，所述脉压差＝收缩压-舒张压；利用所述最高值、最低值、基准值，实时计算所述体征安全值A和体力值L；

利用以下公式计算体征安全值A和体力值L：

其中，X_s为心率实时采样值，X_j为心率基准值，X_l为心率储备值，f(x)为心率加权函数，取值为0到1；Y_s为脉压差实时采样值，Y_j为脉压差基准值，Y_c为脉压差承受值，f(y)为脉压差加权函数，取值为0到1；T_s为体温实时采样值，T_j为体温最佳值，T_z为体温正常范围值，f(t)为体温加权函数，取值为0到1；X_l＝心率最高值-心率最低值；Y_c＝脉压差最高值-脉压差最低值；T_z＝体温最高值-体温最低值；

当体征安全值A为0～1时，表示体征安全；否则，表示存在安全隐患；当体力值L为0～1时，表示体力正常；否则，表示体力差；

对上岗人员精神状态分析方法包括：

31)利用所述分类器判断在岗人员所处状态，获取在岗人员在当前状态下的体温-时间数据[t₁,...,t_n]；

32)利用经验分布函数，获得在岗人员的最佳体温-时间分布函数F_best(t)；

33)实时采集在岗人员体温数据，利用经验分布函数，获得体温-时间分布函数F(t)；

34)利用Copula函数，计算上述两个分布函数F_best(t)和F(t)的相关性C；

35)利用上述相关性C判断出在岗人员当前的精神状态；

对上岗人员情绪状态分析的方法包括：实时采集在岗人员的体征数据，利用下述公式判断在岗人员的情绪状态：

其中，E_b为上岗人员处于“开会/办公”状态下的情绪值的系列数据计算结果的最低值；E_b为脉压差的标准差与心率标准差之和。

2.根据权利要求1所述的企事业单位上岗人员体征安全分析方法，其特征在于，所述体征数据包括心率、收缩压、舒张压、体温。

3.根据权利要求1所述的企事业单位上岗人员体征安全分析方法，其特征在于，在获得“开会/办公”状态下的体征最低值后，如果实时体征数据中，相应上岗人员的体征数据低于体征最低值的80％，认为此上岗人员处于瞌睡/睡眠状态。

4.根据权利要求1所述的企事业单位上岗人员体征安全分析方法，其特征在于，在获得“超负荷”状态下的体征最高值后，如果实时数据中，相应上岗人员的体征数据高于体征最高值的120％，认为该上岗人员处于不安全状态。

5.根据权利要求1所述的企事业单位上岗人员体征安全分析方法，其特征在于，当识别出在岗人员体征状态后，如在岗人员体征出现异常或不符合岗位要求，发出告警。

Images