CN114926854A - 消防员火场行为识别模型构建方法及装置 - Google Patents
消防员火场行为识别模型构建方法及装置 Download PDFInfo
- Publication number
- CN114926854A CN114926854A CN202210418997.7A CN202210418997A CN114926854A CN 114926854 A CN114926854 A CN 114926854A CN 202210418997 A CN202210418997 A CN 202210418997A CN 114926854 A CN114926854 A CN 114926854A
- Authority
- CN
- China
- Prior art keywords
- data set
- firefighter
- sample
- sample data
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000012360 testing method Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000010606 normalization Methods 0.000 claims abstract description 30
- 238000005065 mining Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 62
- 238000003066 decision tree Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Multimedia (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Pulmonology (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种消防员火场行为识别模型构建方法及装置,涉及消防数据分析技术领域,该方法包括:获取消防员在火场时采集到的消防员体征数据及运动状态数据,将所述消防员体征数据及运动状态数据划分成训练数据集和测试数据集;对训练数据集中的第一样本数据集和测试数据集中的第二样本数据集的各数据进行归一化处理;对归一化处理后的第一样本数据集和第二样本数据集中的各数据进行特征挖掘,以选出方差变化最大的N个特征,N为正整数;将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入梯度提升树进行训练并测试,以得到消防员火场行为识别模型。通过该模型实现了消防员在火场中的行为和状态的识别。
Description
技术领域
本发明涉及消防数据分析技术领域,尤其涉及一种消防员火场行为识别模型构建方法及装置。
背景技术
随着智慧消防工作的不断深入开展,灭火救援领域的智能化应用也在增加。当前对于消防员体征数据的检测分析主要通过市面上可购得的运动手环检测心率、睡眠等情况、并记录相关数据,根据数据调整体能训练方案。但是对于救援现场消防员体征数据、动作数据的实时监测与识别是尚未实现的,即无法实现火场中消防员所处状态及具体行为的实时识别,无法及时发现火场中的突发情况,导致消防员在火场中孤立无援甚至遇险牺牲的可能性。
发明内容
本发明提供一种消防员火场行为识别模型构建方法及装置,用以解决现有技术中无法实现火场中消防员具体行为及所处状态的识别的问题。
本发明提供了一种消防员火场行为识别模型构建方法,包括:
获取消防员在火场时采集到的消防员体征数据及运动状态数据,将所述消防员体征数据及运动状态数据划分成训练数据集和测试数据集,所述训练数据集包含第一样本数据集及其对应输出的第一标签数据集,所述测试数据集中包含第二样本数据集及其对应输出的第二标签数据集;
对所述第一样本数据集和第二样本数据集中的各数据进行归一化处理;
对归一化处理后的第一样本数据集和第二样本数据集中的各数据进行特征挖掘,以选出方差变化最大的N个特征,N为正整数;
将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入梯度提升树进行训练并测试,以得到消防员火场行为识别模型。
根据本发明提供的一种消防员火场行为识别模型构建方法,对第一样本数据集和第二样本数据集中的数据按如下公式进行归一化处理:
其中,Xscaled为第一样本数据集和第二样本数据集中样本的归一化结果,X为第一样本数据集和第二样本数据集中样本的样本值,X.min(axis=0)为第一样本数据集和第二样本数据集中的最小样本,X.max(axis=0)是第一样本数据集和第二样本数据集中的最大样本,max为放缩范围的最大值2,min为放缩范围的最小值0。
根据本发明提供的一种消防员火场行为识别模型构建方法,所述获取消防员在火场时采集到的消防员体征数据及运动状态数据,包括:
将所述消防员体征数据及运动状态数据划分成多个数据块;
按所述数据块依次读取所述消防员体征数据及运动状态数据。
根据本发明提供的一种消防员火场行为识别模型构建方法,所述将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入梯度提升树进行训练并测试,以得到消防员火场行为识别模型的步骤包括:
确定所述梯度提升树的决策树棵数k,k=5,6,……,100;
对于每一个k,将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入决策树棵数为k的梯度提升树进行训练并测试,并得到多个第一测试准确率。
将多个第一测试准确率中,准确率最高情况下对应的梯度提升树确认为所述消防员火场行为识别模型。
根据本发明提供的一种消防员火场行为识别模型构建方法,在所述将准确率最高情况下对应的梯度提升树确认为所述消防员火场行为识别模型的步骤之后,还包括:
确定所述梯度提升树的决策树深度d,d=3,4,……,20;
对于每一个d,将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入决策树深度为d的梯度提升树进行训练并测试,并得到多个第二测试准确率;
将所述第二测试准确率大于准确率阈值情况下最小深度d作为所述梯度提升树中决策树的深度。
根据本发明提供的一种消防员火场行为识别模型构建方法,所述决策树棵数为80~100,深度为1~3。
本发明还提供了一种消防员火场行为识别模型构建装置,包括:
数据获取模块,用于获取消防员在火场时采集到的消防员体征数据及运动状态数据,将消防员体征数据及运动状态数据划分成训练数据集和测试数据集,所述训练数据集包含第一样本数据集及其对应输出的第一标签数据集,所述测试数据集中包含第二样本数据集及其对应输出的第二标签数据集;
归一化处理模块,用于对所述第一样本数据集和第二样本数据集中的各数据进行归一化处理;
特征挖掘模块,用于对归一化处理后的第一样本数据集和第二样本数据集中的各数据进行特征挖掘,以选出方差变化最大的N个特征,N为正整数;
模型构建模块,用于将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入梯度提升树进行训练并测试,以得到消防员火场行为识别模型。
本发明还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述的消防员火场行为识别模型构建方法。
本发明还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的消防员火场行为识别模型构建方法。
本发明还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的消防员火场行为识别模型构建方法。
本发明提供的消防员火场行为识别模型构建方法及装置,通过对消防员体征数据及运动状态数据进行归一化处理及特征挖掘,基于挖掘出的特征运用人工智能技术中的梯度提升树算法建立了准确率较高的消防员火场行为识别模型,通过该模型实现了消防员在火场中的行为和状态的识别。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的消防员火场行为识别模型构建方法的流程示意图;
图2是本发明方法中测试准确率随梯度提升树的决策树棵数变化的曲线图;
图3是本发明方法中测试准确率随梯度提升树的决策树深度变化的曲线图;
图4是本发明提供的消防员火场行为识别模型构建装置的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一实施例提供的消防员火场行为识别模型构建方法流程图,该方法包括:
步骤S110、获取消防员在火场时采集到的消防员体征数据及运动状态数据,将消防员体征数据及运动状态数据划分成训练数据集和测试数据集,所述训练数据集包含第一样本数据集及其对应输出的第一标签数据集,所述测试数据集中包含第二样本数据集及其对应输出的第二标签数据集。
本身实施例中,数据来源于2015年由荷兰华沙大学与当地消防专业学院联合承办的第十届国际人工智能与应用研讨会(简称AAIA’15)数据挖掘竞赛发布的训练数据集trainingData.csv和训练标签集trainingLabels.csv。
数据获取的原型工具之一是一件智能夹克。该智能夹克是一组可穿戴的身体传感器,可以在火灾现场自动跟踪消防员,不仅能够实时筛查消防员的体征功能,还能通过监控消防员现场正在进行的活动。通过智能夹克获取的数据分为消防员体征状况传感器数据和消防员的运动状态数据两部分。
上述两部分数据是在八名消防员穿戴智能夹克进行训练演习的过程中获得的。智能夹克上的体征状况传感器共记录了消防员的心电图、心率、呼吸率和皮肤温度四项体征数据,以及放置在躯干、手、手臂和腿上的加速度计及陀螺仪所产生的七组运动数据。每个运动过程会通过视频进行记录,并且保证视频序列与表示传感器读数的时间序列同步,由技术专家对上述数据参照同步视频进行手动标记,从而得到最终的训练数据集和训练标签集。
训练数据集以表格形式呈现,共包含20000行17242列。由于该表格体量过于庞大,EXCEL软件无法打开,通过python语言读取部分内容,见下表1,表1的内容主要来自于型号为equvital Single Subject Kit(EQ-02-KIT-SU-4)的设备,这个设备配备了两套医用级别的心电图、心率、呼吸速率、皮肤温度监测装置,这个设备主要用于监测消防员的体征数据。
表1训练数据集前42列消防员体征数据内容表
数据行是将八名消防员的训练演习视频记录合并,以感觉读数的短时间序列(约1.8秒)为单位将记录划分为20000行。
数据列的前42列是消防员体征状况传感器数据的汇总,其余列则是消防员的运动状态数据,由于数据中连续感觉读数之间的平均时间差为4.5毫秒,将1.8秒以4.5毫秒为单位划分成了400个部分。连接到消防员的躯干、手掌、手臂和腿上的动态传感器组的连续读数(共7组),每组由加速度计(动态带宽:+/-16G)和陀螺仪(刻度高达2,000度/秒)组成,并且分别给出加速度计和陀螺仪在三维坐标系X轴、Y轴、Z轴的数值。因此,一个部分由43个列组成,第一列是从序列开始的时间,后面的42个值表示三维空间下加速度传感器的读数(以m/s2为单位)和陀螺仪传感器的测量值(以deg/s为单位),具体内容见下表2所示。
表2消防员运动状态数据内容表
训练标签集中的每一行都包含两个标签内容,对应训练数据集中的相应行。第一个标签描述的是消防员的姿势,第二个标签描述的是消防员当前进行的活动(即trainingLabels.csv只有两列数据,第一列是消防员的姿势,第二列是消防员当前进行的活动),设定的标签内容见下表3,表3中的数字表示动作的次数,例如:消防员在蹲伏姿势下使用水枪次数是492次。
表3消防员运动标签表
本实施例中,将消防员体征数据及运动状态数据划分成训练数据集和测试数据集是指:将训练数据集trainingData.csv中的一部分数据作为测试数据集使用,将训练标签集trainingLabels.csv中相应的一部分数据作为测试标签集使用,即训练数据集中一部分数据作为训练数据,另一部分数据作为测试数据,训练标签集中一部分数据作为训练标签,另一部分作用测试标签。具体地,trainingData.csv和trainingLabels.csv中均有20000行数据,随机选取其中的6000行作为测试数据使用,剩下的14000行则作为训练数据使用,当然trainingData.csv中选择作为测试数据的行号与trainingLabels.csv中选择作为测试标签的行号相对应。划分完成后,训练数据集包含第一样本数据集及其对应输出的第一标签数据集,所述测试数据集中包含第二样本数据集及其对应输出的第二标签数据集。其中,第一样本数据集和第二样本数据集来自训练数据集trainingData.csv,第一标签数据集和第二标签数据集来自训练标签集trainingLabels.csv。
步骤S120、对所述第一样本数据集和第二样本数据集中的各数据进行归一化处理。由于数据量纲不同使得数据处于不同的数量级,为了保证数据之间的可比性,通过归一化处理消除量纲对结果的影响,提高计算的精确度。需要说明书的是归一化的过程是将第一样本数据集和第二样本数据集看作一个整体进行归一化,即直接对训练数据集trainingData.csv中的数据进行归一化。
步骤S130、对归一化处理后的第一样本数据集和第二样本数据集中的各数据进行特征挖掘,以选出方差变化最大的N个特征,N为正整数。具体地,当数据归一化处理完成之后,需要进一步挖掘有意义的特征输入机器学习模型进行训练。内容上,特征挖掘主要从两方面进行考虑:特征是否发散以及特征与目标的相关性;形式上,特征挖掘则分为过滤法、包装法和嵌入法三种。在综合考虑时间成本和运算精确度等因素后,本实施例中,采用的是按照发散性对各个特征进行评分,选择方差变化较大的过滤法,通过调用sklearn.feature_selection(Python编程语言的免费软件机器学习库中的特征工程模块)中的SelectKBest和f_classif函数选择出了N个方差变化最大的特征为接下来的模型训练做准备,例如:N=300。其中,每个特征对应训练数据集trainingData.csv中相应的列。特征本身的方差很小,就表示样本在这个特征上基本没有差异,可能特征中的大多数值都一样,甚至整个特征的取值都相同,那这个特征对于样本区分没有什么作用,因此选择方差变化最大的前N个特征作为后续模型训练的基础。需要说明的是特征挖掘的过程是将第一样本数据集和第二样本数据集看作一个整体进行特征挖掘,即直接对归一化后的训练数据集trainingData.csv中的数据进行特征挖掘。
步骤S140、将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入梯度提升树进行训练并测试,以得到消防员火场行为识别模型。由于训练数据中包含作为样本数据真实输出的标签数据,属于机器学习中的监督学习范畴,决策树、人工神经网络、贝叶斯网络和支持向量机等是监督学习技术中极具代表性的算法。其中,决策树因其易理解、易构建、速度快的特性,得到了广泛的运用,决策树是将空间用超平面进行划分的一种方法,每次分割的时候,都将当前的空间一分为二,使每一个叶子节点都是在空间中的一个不相交的区域。根据处理数据类型的不同,决策树又分为两类:分类决策树与回归决策树,分类树用于对样本的分类进行预测,可用于处理离散型数据,决策的结果是离散型的值;回归树用于对样本的某一个值进行预测,可用于处理连续型数据,决策的输出结果是一个实数。因此,回归树更符合本实施例的运算要求。由于梯度提升树是对回归树泛化能力、运算能力的优化与升级。因此,本实施例选用梯度提升树算法构建模型。
具体地,对第一样本数据集和第二样本数据集的数据进行特征挖掘后,将第一样本数据集相应特征对应的数据与第一标签数据集的数据输入梯度提升树进行模型训练,之后用第二样本数据集相应特征对应的数据输入模型,将结论与第二标签数据集的数据进行比对,从而得出该模型的准确率,当准确率超过一定阈值时,模型构建完成。
本实施例提供的消防员火场行为识别模型构建方法及装置,通过对消防员体征数据及运动状态数据进行归一化处理及特征挖掘,基于挖掘出的特征运用人工智能技术中的梯度提升树算法建立了准确率较高的消防员火场行为识别模型,通过该模型实现了消防员在火场中的行为和状态的识别。
步骤S120中,对训练数据集和测试数据集中的数据按如下公式进行归一化处理:
其中,Xscaled为第一样本数据集和第二样本数据集中样本的归一化结果,X为第一样本数据集和第二样本数据集中样本的样本值,X.min(axis=0)为第一样本数据集和第二样本数据集中的最小样本,X.max(axis=0)是第一样本数据集和第二样本数据集中的最大样本,max为放缩范围的最大值2,min为放缩范围的最小值0。通过上述公式对原始数据进行线性变换,将原始数据映射到(0,2)之间。
由于训练数据集trainingData.csv由20000行17242列,共344840000项数据组成,数据体量巨大,一台计算机无法一次性读取如此大量的数据。因此,在步骤S110中,获取消防员在火场时采集到的消防员体征数据及运动状态数据的步骤包括:
将所述消防员体征数据及运动状态数据划分成多个数据块,多个数据块中每个数据块的数据量可以相同也可以不同。具体地,在保证训练模型准确的前提下为了节省计算成本、提高模型训练效率将20000行数据分成200块每块100行的数据。
按所述数据块依次读取所述消防员体征数据及运动状态数据,具体地,使用python编程语言按上述数据块分块读取。
本实施例中,步骤S140包括:
确定所述梯度提升树的决策树棵数k,k=5,6,……,100。
对于每一个k,将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入决策树棵数为k的梯度提升树进行训练并测试,并得到多个第一测试准确率。具体地,将第一样本数据集相应特征对应的数据和第一标签数据集的数据输入梯度提升树进行模型训练,之后用第二样本数据集相应特征对应的数据输入模型,将结论与第二标签数据集的数据进行比对,从而得出该模型的第一测试准确率。为了减少计算量,对于每一个k,默认决策树的深度为1。
将多个第一测试准确率中,准确率最高情况下对应的梯度提升树确认为所述消防员火场行为识别模型。
第一测试准确率随决策树棵数的变化曲线如图2所示,当决策树棵数接近100时,模型预测的准确率大于90%,甚至接近100%,因此,本实施例中,将决策树棵数确定为80~100,优选100棵。
在所述将准确率最高情况下对应的梯度提升树确认为所述消防员火场行为识别模型的步骤之后,还包括:
确定所述梯度提升树的决策树深度d,d=3,4,……,20;
对于每一个d,将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入决策树深度为d的梯度提升树进行训练并测试,并得到多个第二测试准确率;
将第二测试准确率大于准确率阈值情况下最小深度d作为所述梯度提升树中决策树的深度,如:准确率阈值为90%。
第二测试准确率对决策树深度的变化曲线如图3所示,由于决策树深度对模型准确率影响很小,测试的准确率都在90%以上,考虑到运算的时间成本,将深度选定为1~3,优选为1。
本实施例中,消防员火场行为识别模型基于决策树棵数为100、深度为1的梯度提升树构建,对消防员在火场的行为及状态的识别准确率达到90%以上,消防员实际在火场救援过程中可身穿智能夹克,该智能夹克将实时采集的消防员体征数据及运动状态数据传输至火场外部的指挥中心,指挥中心通过上述模型对实时采集的消防员体征数据及运动状态数据进行识别,以得到消防员在火场的实时行为和状态,根据实时行为和状态可判断消防员在火场是否有遇险牺牲的可能性,若是,可及时采取相应的支援措施,降低消防员在火场遇险牺牲的可能性。
下面对本发明提供的消防员火场行为识别模型构建装置进行描述,下文描述的消防员火场行为识别模型构建装置与上文描述的消防员火场行为识别模型构建方法可相互对应参照。
本发明一实施例提供的消防员火场行为识别模型构建装置如图4所示,包括:
数据获取模块410,用于获取消防员在火场时采集到的消防员体征数据及运动状态数据,将消防员体征数据及运动状态数据划分成训练数据集和测试数据集,所述训练数据集包含第一样本数据集及其对应输出的第一标签数据集,所述测试数据集中包含第二样本数据集及其对应输出的第二标签数据集。
归一化处理模块420,用于对所述第一样本数据集和第二样本数据集中的各数据进行归一化处理。
特征挖掘模块430,用于对归一化处理后的第一样本数据集和第二样本数据集中的各数据进行特征挖掘,以选出方差变化最大的N个特征,N为正整数。
模型构建模块440,用于将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入梯度提升树进行训练并测试,以得到消防员火场行为识别模型。
可选地,归一化处理模块420具体用于对第一样本数据集和第二样本数据集中的数据按如下公式进行归一化处理:
其中,Xscaled为第一样本数据集和第二样本数据集中样本的归一化结果,X为第一样本数据集和第二样本数据集中样本的样本值,X.min(axis=0)为第一样本数据集和第二样本数据集中的最小样本,X.max(axis=0)是第一样本数据集和第二样本数据集中的最大样本,max为放缩范围的最大值2,min为放缩范围的最小值0。
可选地,该装置还包括:
数据块划分模块,用于将所述消防员体征数据及运动状态数据划分成多个数据块。
数据依次读取模块,用于按数据块依次读取所述消防员体征数据及运动状态数据。
可选地,模型构建模块440包括:
决策树棵数选择模块,用于确定所述梯度提升树的决策树棵数k,k=5,6,……,100。
第一训练模块,用于对于每一个k,将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入决策树棵数为k的梯度提升树进行训练并测试,并得到多个第一测试准确率。具体地,将第一样本数据集相应特征对应的数据和第一标签数据集的数据输入梯度提升树进行模型训练,之后用第二样本数据集相应特征对应的数据输入模型,将结论与第二标签数据集进行比对,从而得出该模型的第一测试准确率。
模型确认模块,用于将多个第一测试准确率中,将准确率最高情况下对应的梯度提升树确认为所述消防员火场行为识别模型。
可选地,模型构建模块440还包括:
决策树深度选择模块,用于确定所述梯度提升树的决策树深度d,d=3,4,……,20。
第二训练模块,用于对于每一个d,将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入决策树深度为d的梯度提升树进行训练并测试,并得到多个第二测试准确率。
决策树深度确定模块,用于将第二测试准确率大于准确率阈值情况下最小深度d作为所述梯度提升树中决策树的深度。
图5示例了一种电子设备的实体结构示意图,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行上述各方法所提供的消防员火场行为识别模型构建方法,该方法包括:
获取消防员在火场时采集到的消防员体征数据及运动状态数据,将所述消防员体征数据及运动状态数据划分成训练数据集和测试数据集,所述训练数据集包含第一样本数据集及其对应输出的第一标签数据集,所述测试数据集中包含第二样本数据集及其对应输出的第二标签数据集。
对所述第一样本数据集和第二样本数据集中的各数据进行归一化处理。
对归一化处理后的第一样本数据集和第二样本数据集中的各数据进行特征挖掘,以选出方差变化最大的N个特征,N为正整数。
将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入梯度提升树进行训练并测试,以得到消防员火场行为识别模型。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的消防员火场行为识别模型构建方法,该方法包括:
获取消防员在火场时采集到的消防员体征数据及运动状态数据,将所述消防员体征数据及运动状态数据划分成训练数据集和测试数据集,所述训练数据集包含第一样本数据集及其对应输出的第一标签数据集,所述测试数据集中包含第二样本数据集及其对应输出的第二标签数据集。
对所述第一样本数据集和第二样本数据集中的各数据进行归一化处理。
对归一化处理后的第一样本数据集和第二样本数据集中的各数据进行特征挖掘,以选出方差变化最大的N个特征,N为正整数。
将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入梯度提升树进行训练并测试,以得到消防员火场行为识别模型。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的消防员火场行为识别模型构建方法,该方法包括:
获取消防员在火场时采集到的消防员体征数据及运动状态数据,将所述消防员体征数据及运动状态数据划分成训练数据集和测试数据集,所述训练数据集包含第一样本数据集及其对应输出的第一标签数据集,所述测试数据集中包含第二样本数据集及其对应输出的第二标签数据集。
对所述第一样本数据集和第二样本数据集中的各数据进行归一化处理。
对归一化处理后的第一样本数据集和第二样本数据集中的各数据进行特征挖掘,以选出方差变化最大的N个特征,N为正整数。
将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入梯度提升树进行训练并测试,以得到消防员火场行为识别模型。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种消防员火场行为识别模型构建方法,其特征在于,包括:
获取消防员在火场时采集到的消防员体征数据及运动状态数据,将所述消防员体征数据及运动状态数据划分成训练数据集和测试数据集,所述训练数据集包含第一样本数据集及其对应输出的第一标签数据集,所述测试数据集中包含第二样本数据集及其对应输出的第二标签数据集;
对所述第一样本数据集和第二样本数据集中的各数据进行归一化处理;
对归一化处理后的第一样本数据集和第二样本数据集中的各数据进行特征挖掘,以选出方差变化最大的N个特征,N为正整数;
将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入梯度提升树进行训练并测试,以得到消防员火场行为识别模型。
3.根据权利要求2所述的消防员火场行为识别模型构建方法,其特征在于,所述获取消防员在火场时采集到的消防员体征数据及运动状态数据,包括:
将所述消防员体征数据及运动状态数据划分成多个数据块;
按所述数据块依次读取所述消防员体征数据及运动状态数据。
4.根据权利要求1所述的消防员火场行为识别模型构建方法,其特征在于,所述将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入梯度提升树进行训练并测试,以得到消防员火场行为识别模型的步骤包括:
确定所述梯度提升树的决策树棵数k,k=5,6,……,100;
对于每一个k,将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入决策树棵数为k的梯度提升树进行训练并测试,并得到多个第一测试准确率。
将多个第一测试准确率中,准确率最高情况下对应的梯度提升树确认为所述消防员火场行为识别模型。
5.根据权利要求4所述的消防员火场行为识别模型构建方法,其特征在于,在所述将准确率最高情况下对应的梯度提升树确认为所述消防员火场行为识别模型的步骤之后,还包括:
确定所述梯度提升树的决策树深度d,d=3,4,……,20;
对于每一个d,将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入决策树深度为d的梯度提升树进行训练并测试,并得到多个第二测试准确率;
将所述第二测试准确率大于准确率阈值情况下最小深度d作为所述梯度提升树中决策树的深度。
6.根据权利要求5所述的消防员火场行为识别模型构建方法,其特征在于,所述决策树棵数为80~100,深度为1~3。
7.一种消防员火场行为识别模型构建装置,其特征在于,包括:
数据获取模块,用于获取消防员在火场时采集到的消防员体征数据及运动状态数据,将消防员体征数据及运动状态数据划分成训练数据集和测试数据集,所述训练数据集包含第一样本数据集及其对应输出的第一标签数据集,所述测试数据集中包含第二样本数据集及其对应输出的第二标签数据集;
归一化处理模块,用于对所述第一样本数据集和第二样本数据集中的各数据进行归一化处理;
特征挖掘模块,用于对归一化处理后的第一样本数据集和第二样本数据集中的各数据进行特征挖掘,以选出方差变化最大的N个特征,N为正整数;
模型构建模块,用于将第一标签数据集、第二标签数据集、N个特征对应的第一样本数据集和第二样本数据集输入梯度提升树进行训练并测试,以得到消防员火场行为识别模型。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的消防员火场行为识别模型构建方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的消防员火场行为识别模型构建方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的消防员火场行为识别模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210418997.7A CN114926854A (zh) | 2022-04-20 | 2022-04-20 | 消防员火场行为识别模型构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210418997.7A CN114926854A (zh) | 2022-04-20 | 2022-04-20 | 消防员火场行为识别模型构建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926854A true CN114926854A (zh) | 2022-08-19 |
Family
ID=82805880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210418997.7A Pending CN114926854A (zh) | 2022-04-20 | 2022-04-20 | 消防员火场行为识别模型构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926854A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140375459A1 (en) * | 2013-06-25 | 2014-12-25 | Mike Curtis | Firefighter's safety monitoring and alarm |
US20150339572A1 (en) * | 2014-05-23 | 2015-11-26 | DataRobot, Inc. | Systems and techniques for predictive data analytics |
CN109326355A (zh) * | 2018-08-16 | 2019-02-12 | 浙江树人学院 | 一种消防员呼吸声音监测耳机及其身体状态评估方法 |
CN109331389A (zh) * | 2018-11-12 | 2019-02-15 | 重庆知遨科技有限公司 | 一种基于多传感器融合的消防机器人动作实时监测方法 |
-
2022
- 2022-04-20 CN CN202210418997.7A patent/CN114926854A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140375459A1 (en) * | 2013-06-25 | 2014-12-25 | Mike Curtis | Firefighter's safety monitoring and alarm |
US20150339572A1 (en) * | 2014-05-23 | 2015-11-26 | DataRobot, Inc. | Systems and techniques for predictive data analytics |
CN109326355A (zh) * | 2018-08-16 | 2019-02-12 | 浙江树人学院 | 一种消防员呼吸声音监测耳机及其身体状态评估方法 |
CN109331389A (zh) * | 2018-11-12 | 2019-02-15 | 重庆知遨科技有限公司 | 一种基于多传感器融合的消防机器人动作实时监测方法 |
Non-Patent Citations (1)
Title |
---|
朱广等: "基于神经网络的火灾现场消防员安全评估研究", 安徽建筑大学学报, vol. 27, no. 3, 30 June 2019 (2019-06-30), pages 87 - 92 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jalal et al. | A Triaxial acceleration-based human motion detection for ambient smart home system | |
CN110569795B (zh) | 一种图像识别方法、装置以及相关设备 | |
CN104850846B (zh) | 一种基于深度神经网络的人体行为识别方法及识别系统 | |
CN109363659B (zh) | 基于深度学习的心率监控方法、装置及存储介质 | |
CN106956271A (zh) | 预测情感状态的方法和机器人 | |
JP7082444B2 (ja) | 機械学習装置および機械学習プログラム | |
CN107909023B (zh) | 运动参数的识别方法、装置、终端及存储介质 | |
JP7070255B2 (ja) | 異常判別プログラム、異常判別方法および異常判別装置 | |
Avola et al. | Deep temporal analysis for non-acted body affect recognition | |
US10610109B2 (en) | Emotion representative image to derive health rating | |
US11127181B2 (en) | Avatar facial expression generating system and method of avatar facial expression generation | |
Kumar et al. | Human activity recognition (har) using deep learning: Review, methodologies, progress and future research directions | |
Ali et al. | Human activity recognition system using smart phone based accelerometer and machine learning | |
Ma et al. | A prediction method for transport stress in meat sheep based on GA-BPNN | |
CN117877734A (zh) | 一种精神障碍患者危险级别判断系统 | |
TWI829944B (zh) | 虛擬化身臉部表情產生系統和虛擬化身臉部表情產生方法 | |
CN114926854A (zh) | 消防员火场行为识别模型构建方法及装置 | |
Anwar et al. | Classification of expert-novice level of mobile game players using electroencephalography | |
Kutlay et al. | Application of machine learning in healthcare: Analysis on MHEALTH dataset | |
CN116965781A (zh) | 一种驾驶员生命体征和驾驶行为监控方法及系统 | |
CN115546491A (zh) | 一种跌倒报警方法、系统、电子设备及存储介质 | |
KR102434393B1 (ko) | 인공지능을 이용한 환자의 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램 | |
US20240233914A1 (en) | Predicting mental state characteristics of users of wearable devices | |
CN109712715A (zh) | 一种生理数据的评分处理方法及装置 | |
CN108109628A (zh) | 信息采集方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |