CN116341686B - 体液pH计算模型训练方法、井下疲劳预警方法及装置 - Google Patents
体液pH计算模型训练方法、井下疲劳预警方法及装置 Download PDFInfo
- Publication number
- CN116341686B CN116341686B CN202310627721.4A CN202310627721A CN116341686B CN 116341686 B CN116341686 B CN 116341686B CN 202310627721 A CN202310627721 A CN 202310627721A CN 116341686 B CN116341686 B CN 116341686B
- Authority
- CN
- China
- Prior art keywords
- data
- body fluid
- underground
- calculation model
- blood pressure
- 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.)
- Active
Links
- 210000001124 body fluid Anatomy 0.000 title claims abstract description 174
- 239000010839 body fluid Substances 0.000 title claims abstract description 174
- 238000004364 calculation method Methods 0.000 title claims abstract description 92
- 238000012549 training Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000036772 blood pressure Effects 0.000 claims abstract description 54
- 230000036760 body temperature Effects 0.000 claims abstract description 53
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005065 mining Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000000241 respiratory effect Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000013186 photoplethysmography Methods 0.000 description 7
- 238000009530 blood pressure measurement Methods 0.000 description 5
- 238000009529 body temperature measurement Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 206010041349 Somnolence Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14507—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue specially adapted for measuring characteristics of body fluids other than blood
- A61B5/1451—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue specially adapted for measuring characteristics of body fluids other than blood for interstitial fluid
-
- 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
- A61B5/683—Means for maintaining contact with the body
- A61B5/6831—Straps, bands or harnesses
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/20—Workers
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Pulmonology (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Optics & Photonics (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提出了一种体液pH计算模型训练方法、井下疲劳预警方法及装置,该方法包括:获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据、呼吸数据和目标体液酸碱度pH,并获取候选体液pH计算模型;将体温数据、脉搏数据、血压数据和呼吸数据输入至候选体液pH计算模型中,以获取预测体液pH;基于目标体液酸碱度pH和预测体液pH,计算损失值,并对候选体液pH计算模型进行训练,输出待测取区域的训练好的目标体液pH计算模型。通过训练生成目标体液pH计算模型,可以通过检测井下作业员体征数据,来确定其体液pH,并作为是否处于疲劳状态的数据基础,可以准确判断疲劳状态,及时进行报警处理,降低井下发生事故的概率。
Description
技术领域
本申请涉及矿用健康监测技术领域,尤其涉及一种体液pH计算模型训练方法、井下疲劳预警方法及装置。
背景技术
现有无线生命体征传感器通过轻便耐用的绑带跨系于下井人员的肩部和腰部,当发生紧急医疗事件时,无线生命体征传感器能够发送报警信息,并将该人员的健康参数发送至监控主机上以红色显示;监控主机也可通过无线生命体征传感器以声光震动的方式向井下人员发出告警。但是当前技术中,缺少对井下员工疲劳度的实施监测的技术手段。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的一个目的在于提出一种体液pH计算模型训练方法。
本申请的第二个目的在于提出一种井下疲劳预警方法。
本申请的第三个目的在于提出一种体液pH计算模型训练装置。
本申请的第四个目的在于提出一种井下疲劳预警装置。
本申请的第五个目的在于提出一种电子设备。
本申请的第六个目的在于提出一种非瞬时计算机可读存储介质。
本申请的第七个目的在于提出一种计算机程序产品。
为达上述目的,本申请第一方面实施方式提出了一种体液pH计算模型训练方法,其特征在于,包括:获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据、呼吸数据和目标体液酸碱度pH,并获取待训练的候选体液pH计算模型;将所述体温数据、所述脉搏数据、所述血压数据和所述呼吸数据输入至所述候选体液pH计算模型中,以获取预测体液pH;基于所述目标体液酸碱度pH和所述预测体液pH,计算损失值,并基于所述损失值对所述候选体液pH计算模型进行训练,直至训练结束,输出所述待测取区域的训练好的目标体液pH计算模型。
根据本申请的一个实施方式,所述基于所述目标体液酸碱度pH和所述预测体液pH,计算损失值,包括:获取损失函数;将所述目标体液酸碱度pH和所述预测体液pH输入至所述损失函数中,以获取所述损失值。
为达上述目的,本申请第一方面实施方式提出了一种井下疲劳预警方法,其特征在于,包括:获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据和呼吸数据;将所述体温数据、所述脉搏数据、所述血压数据和所述呼吸数据输入至体液pH计算模型中,以确定所述井下作业人员的体液酸碱度pH,所述体液pH计算模型是基于第一方面实施例所述的体液pH计算模型训练方法得到的;基于所述体液酸碱度pH判断所述井下作业人员是否处于疲劳状态,并对所述井下作业人员进行疲劳报警。
根据本申请的一个实施方式,所述基于所述体液酸碱度pH判断所述井下作业人员是否处于疲劳状态,包括;将所述体液pH和体液pH阈值进行比较;响应于所述体液pH大于所述体液pH阈值,确定所述井下作业人员处于疲劳状态。
根据本申请的一个实施方式,所述方法还包括:将所述体温数据、所述脉搏数据、所述血压数据和所述呼吸数据,分别与正常体温范围、正常脉搏范围、正常血压范围和正常呼吸范围进行比较;响应于所述体温数据超出所述正常体温范围,和/或所述脉搏数据超出所述正常脉搏范围,和/或所述血压数据超出所述正常血压范围,和/或所述呼吸数据超出所述正常呼吸范围,进行身体机能报警。
为达上述目的,本申请第三方面实施例提出了一种体液pH计算模型训练装置,其特征在于,包括:获取模块,用于获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据、呼吸数据和目标体液酸碱度pH,并获取待训练的候选体液pH计算模型;预测模块,用于将所述体温数据、所述脉搏数据、所述血压数据和所述呼吸数据输入至所述候选体液pH计算模型中,以获取预测体液pH;训练模块,用于基于所述目标体液酸碱度pH和所述预测体液pH,计算损失值,并基于所述损失值对所述候选体液pH计算模型进行训练,直至训练结束,输出所述待测取区域的训练好的目标体液pH计算模型。
为达上述目的,本申请第四方面实施例提出了一种井下疲劳预警装置,其特征在于,包括:采集模块,用于获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据和呼吸数据;计算模块,用于将所述体温数据、所述脉搏数据、所述血压数据和所述呼吸数据输入至体液pH计算模型中,以确定所述井下作业人员的体液酸碱度pH,所述体液pH计算模型是基于第一方面实施例所提出的体液pH计算模型训练方法得到的;报警模块, 用于基于所述体液酸碱度pH判断所述井下作业人员是否处于疲劳状态,并对所述井下作业人员进行疲劳报警。
为达上述目的,本申请第五方面实施例提出了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以实现如本申请第一方面实施例所述的体液pH计算模型训练方法,或者如第二方面实施例所述的井下疲劳预警方法。
为达上述目的,本申请第六方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于实现如本申请第一方面实施例所述的体液pH计算模型训练方法,或者如第二方面实施例所述的井下疲劳预警方法。
为达上述目的,本申请第七方面实施例提出了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时用于实现如本申请第一方面实施例所述的体液pH计算模型训练方法,或者如第二方面实施例所述的井下疲劳预警方法。
通过训练生成体液pH计算模型,可以通过检测井下作业员的体温数据、脉搏数据、血压数据、呼吸数据,来确定其体液pH,并作为判断作业人员是否处于疲劳状态的数据基础,可以准确的判断作业人员的疲劳状态,及时进行报警处理,降低井下发生事故的概率。
附图说明
图1为本申请提出的一种体液pH计算模型训练方法的一种示例性实施方式的示意图;
图2为本申请提出的一种体液pH计算模型训练方法的一种示例性实施方式的示意图;
图3为本申请提出的井下采集体征数据装置的结构示意框图;
图4是一个心动周期内的脉搏波波形图;
图5为本申请提出的一种体液pH计算模型训练装置的示意图;
图6为本申请提出的一种井下疲劳预警装置的示意图;
图7是本申请一个实施方式的一种电子设备的示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
图1为本申请提出的一种体液pH计算模型训练方法的一种示例性实施方式的示意图,如图1所示,该体液pH计算模型训练方法包括以下步骤:
S101,获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据、呼吸数据和目标体液酸碱度pH,并获取待训练的候选体液pH计算模型。
发明人发现,人体疲劳与体液酸碱度(Pondus Hydrogenii,pH)存在关联,体液pH越高,则人体表现出越疲劳。因此,可通过体液酸碱度pH判断井下作业人员的疲劳度。由于井下作业时并不方便通过采集体液进行体液pH的测量,发明人发现体温数据、脉搏数据、血压数据、呼吸数据与体液pH存在关联,以此提出可通过体温数据、脉搏数据、血压数据、呼吸数据确定人员的体液pH。
需要说明的是,体液pH计算模型为发明人提出的通过体温数据、脉搏数据、血压数据、呼吸数据确定人员的体液pH的模型,该模型可为多种,举例来说,可为神经网络模型。
实现中,由于不同的井下作业面深度、湿度均不相同,同一作业人员在井下作业时的生命体征数据可能存在差别。因此,在对体液pH计算模型进行训练时,需要根据待测取区域的井下作业人员的体征数据进行训练,以此提升体液pH计算的准确性。
在本公实施例中,井下作业人员的体温数据、脉搏数据、血压数据、呼吸数据和目标体液酸碱度pH可为历史的体征数据,也可为实时采集获取的。此处不作任何限定。
S102,将体温数据、脉搏数据、血压数据和呼吸数据输入至候选体液pH计算模型中,以获取预测体液pH。
S103,基于目标体液酸碱度pH和预测体液pH,计算损失值,并基于损失值对候选体液pH计算模型进行训练,直至训练结束,输出待测取区域的训练好的目标体液pH计算模型。
能够理解的是,模型的训练是个重复迭代的过程,通过不断地调整模型的网络参数进行训练,直到模型整体的损失函数值小于预设值,或者模型整体的损失函数值不再变化或变化幅度缓慢,模型收敛,得到训练好的模型。
可选地,还可为达到预设的训练次数,则可认为训练结束。
可选地,还可为达到预设的训练时间,则可认为训练结束。
在本申请实施例中,首先获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据、呼吸数据和目标体液酸碱度pH,并获取待训练的候选体液pH计算模型,然后将体温数据、脉搏数据、血压数据和呼吸数据输入至候选体液pH计算模型中,以获取预测体液pH,最后基于目标体液酸碱度pH和预测体液pH,计算损失值,并基于损失值对候选体液pH计算模型进行训练,直至训练结束,输出待测取区域的训练好的目标体液pH计算模型。通过训练生成目标体液pH计算模型,可以通过检测井下作业员的体温数据、脉搏数据、血压数据、呼吸数据,来确定其体液pH,为后续确定井下作业人员的疲劳状态提供数据基础。
在本申请实施例中,基于目标体液酸碱度pH和预测体液pH,计算损失值,可首先获取损失函数,然后将目标体液酸碱度pH和预测体液pH输入至损失函数中,以获取损失值。
图2为本申请提出的一种体液pH计算模型训练方法的一种示例性实施方式的示意图,如图2所示,该体液pH计算模型训练方法包括以下步骤:
S201,获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据和呼吸数据。
在本申请实施例中,如图3所示,可通矿用智能手环、体征监测应用程序、健康分析预警平台采集井下作业人员的体温数据、脉搏数据、血压数据和呼吸数据,基本架构如图所示。矿用智能手环负责实时采集井下人员的体征数据,并通过蓝牙传输到矿用智能终端,比如智能矿灯、矿用智能手机。体征监测应用程序被安装在矿用智能终端上,负责提取体征数据,并通过井下通信基站上传到地面服务器。服务器上的健康分析预警平台负责对体征数据进行分析管理。在整个系统中,无论是体征数据的上传,还是告警信息的下发,都依托煤矿已有通信网络,比如4G、5G、WiFi,不需要构建额外的井上-井下信息传输通道。
S202,将体温数据、脉搏数据、血压数据和呼吸数据输入至体液pH计算模型中,以确定井下作业人员的体液酸碱度pH。
需要说明的是,本申请实施例中的体液pH计算模型是根据如图1所示的一种体液pH计算模型训练方法训练得到的。
S203,基于体液酸碱度pH判断井下作业人员是否处于疲劳状态,并对井下作业人员进行疲劳报警。
在本申请实施例中,基于体液酸碱度pH判断井下作业人员是否处于疲劳状态的方法可为多种,此处不作任何限定。
举例来说,可基于体液pH值计算疲劳值,该计算方法可为提前设定好的,并可根据实际的设计需要进行变更。
在本申请实施例中,首先获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据和呼吸数据,然后将体温数据、脉搏数据、血压数据和呼吸数据输入至体液pH计算模型中,最后基于体液酸碱度pH判断井下作业人员是否处于疲劳状态,并对井下作业人员进行疲劳报警。通过训练生成体液pH计算模型,可以通过检测井下作业员的体温数据、脉搏数据、血压数据、呼吸数据,来确定其体液pH,并作为判断作业人员是否处于疲劳状态的数据基础,可以准确的判断作业人员的疲劳状态,及时进行报警处理,降低井下发生事故的概率。
在本申请实施例中,基于体液酸碱度pH判断井下作业人员是否处于疲劳状态,可首先将体液pH和体液pH阈值进行比较,然后响应于体液pH大于体液pH阈值,确定井下作业人员处于疲劳状态。需要说明的是,体液pH阈值为提前设定好的,并可根据实际的设计需要进行变更,此处不作任何限定。
在本申请实施例中,为了降低汗液、气温等因素对手腕测温的影响,矿用智能手环采用了一种热释电红外测温传感器,与热敏电阻等常规测温器件相比,具有灵敏度高、响应速度快、抗干扰能力强等优点。该传感器主要由滤光片、热释电探测元和前置放大器等元件组成,全部封装在—个金属管内。基于热释电红外测温技术,矿用智能手环能够对井下人员的体温进行实时监测,测量范围:32.0~42.9 ℃,精度:0.1 ℃,误差:±0.3 ℃。
PPG(光电容积描记波)是目前广泛应用的脉搏测量技术,它利用LED对皮肤进行照射,并测量经过人体血管和组织反射、吸收后的衰减光,从而提取出脉搏波信号。图4是一个心动周期内的脉搏波波形图,其中A为主波,D为降中峡,C为重搏波,t1为快速射血期,t2为射血期,t3为舒张期,T为心动周期。利用PPG技术,矿用智能手环能够对井下人员的脉搏进行实时监测,测量范围:45~200次/min,准确率为99%以上。
目前有三种以PPG技术为基础的血压测量方案,分别是ECG与PPG结合的血压测量、两路PPG结合的血压测量、基于脉搏波特征参数的血压测量[13]。为了保证硬件结构的极简,矿用智能手环采用了第三种方案:通过分析脉搏波特征参数与血压之间的相关性,并建立血压估计的回归方程,从而实现对血压的实时监测。臂式血压计是非常准确的血压测量手段,矿用智能手环与臂式血压计的测量结果对比见表。以PPG技术为基础,矿用智能手环能够对井下人员的血压进行实时监测,收缩压测量范围:120~180 mmHg,舒张压测量范围:60~100 mmHg,误差:±10 mmHg。
在本申请实施例中,矿用智能手环还可进行血氧监测、运动状态检测等。
需要说明的是,与常规的智能手环相同,矿用智能手环可以利用内置的3轴陀螺仪和3轴加速度计来精准监测井下人员的运动状态。还可以与脉搏监测功能相结合,实现对疲劳状态的监测,井下人员一旦出现瞌睡迹象,手环将立刻发出震动和声音提醒,从而提高井下作业的安全性。
与上述几种实施例提供的体液pH计算模型训练方法相对应,本申请的一个实施例还提供了一种体液pH计算模型训练装置,由于本申请实施例提供的体液pH计算模型训练装置与上述几种实施例提供的体液pH计算模型训练方法相对应,因此上述体液pH计算模型训练方法的实施方式也适用于本申请实施例提供的体液pH计算模型训练装置,在下述实施例中不再详细描述。
图5为本申请提出的一种体液pH计算模型训练装置的示意图,如图 5所示,该体液pH计算模型训练装置500,包括:获取模块510、预测模块520和训练模块530。
其中,获取模块510,用于获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据、呼吸数据和目标体液酸碱度pH,并获取待训练的候选体液pH计算模型。
预测模块520,用于将体温数据、脉搏数据、血压数据和呼吸数据输入至候选体液pH计算模型中,以获取预测体液pH。
训练模块530,用于基于目标体液酸碱度pH和预测体液pH,计算损失值,并基于损失值对候选体液pH计算模型进行训练,直至训练结束,输出待测取区域的训练好的目标体液pH计算模型。
通过训练生成目标体液pH计算模型,可以通过检测井下作业员的体温数据、脉搏数据、血压数据、呼吸数据,来确定其体液pH,为后续确定井下作业人员的疲劳状态提供数据基础。
图6为本申请提出的一种井下疲劳预警装置的示意图,如图 6所示,该体液pH计算模型训练装置600,包括:采集模块610、计算模块620和报警模块630。
采集模块610,用于获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据和呼吸数据。
计算模块620,用于将体温数据、脉搏数据、血压数据和呼吸数据输入至体液pH计算模型中,以确定井下作业人员的体液酸碱度pH,体液pH计算模型是基于体液pH计算模型训练方法得到的。
报警模块630, 用于基于体液酸碱度pH判断井下作业人员是否处于疲劳状态,并对井下作业人员进行疲劳报警。
通过训练生成体液pH计算模型,可以通过检测井下作业员的体温数据、脉搏数据、血压数据、呼吸数据,来确定其体液pH,并作为判断作业人员是否处于疲劳状态的数据基础,可以准确的判断作业人员的疲劳状态,及时进行报警处理,降低井下发生事故的概率。
为了实现上述实施例,本申请实施例还提出一种电子设备700,如图7所示,该电子设备700包括:处理器701和处理器通信连接的存储器702,存储器702存储有可被至少一个处理器执行的指令,指令被至少一个处理器701执行,以实现如图1所示的体液pH计算模型训练方法或者如图2所示的井下疲劳预警方法。
为了实现上述实施例,本申请实施例还提出一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机以实现如图1所示的体液pH计算模型训练方法或者如图2所示的井下疲劳预警方法。
为了实现上述实施例,本申请实施例还提出一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时以实现如图1所示的体液pH计算模型训练方法或者如图2所示的井下疲劳预警方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种井下疲劳预警方法,其特征在于,包括:
获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据和呼吸数据;
将所述体温数据、所述脉搏数据、所述血压数据和所述呼吸数据输入至目标体液pH计算模型中,以确定所述井下作业人员的体液酸碱度pH;
基于所述体液酸碱度pH判断所述井下作业人员是否处于疲劳状态,并对所述井下作业人员进行疲劳报警;
其中,所述目标体液pH计算模型基于以下训练方法得到,所述训练方法,包括:
获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据、呼吸数据和目标体液酸碱度pH,并获取待训练的候选体液pH计算模型;
将所述体温数据、所述脉搏数据、所述血压数据和所述呼吸数据输入至所述候选体液pH计算模型中,以获取预测体液pH;
基于所述目标体液酸碱度pH和所述预测体液pH,计算损失值,并基于所述损失值对所述候选体液pH计算模型进行训练,直至训练结束,输出所述待测取区域的训练好的所述目标体液pH计算模型;
其中,通过矿用智能手环实时采集井下人员的体征数据,并通过蓝牙传输到矿用智能终端,通过安装在矿用智能终端上的体征监测应用程序提取体征数据,并通过井下通信基站上传到地面服务器,服务器上的健康分析预警平台负责对体征数据进行分析管理,其中,体征数据包括体温数据、脉搏数据、血压数据和呼吸数据;
其中,通过由滤光片、热释电探测元和前置放大器元件组成的热释电红外测温传感器获取所述体温数据。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标体液酸碱度pH和所述预测体液pH,计算损失值,包括:
获取损失函数;
将所述目标体液酸碱度pH和所述预测体液pH输入至所述损失函数中,以获取所述损失值。
3.根据权利要求1所述的方法,其特征在于,所述基于所述体液酸碱度pH判断所述井下作业人员是否处于疲劳状态,包括:
将所述体液pH和体液pH阈值进行比较;
响应于所述体液pH大于所述体液pH阈值,确定所述井下作业人员处于疲劳状态。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述体温数据、所述脉搏数据、所述血压数据和所述呼吸数据,分别与正常体温范围、正常脉搏范围、正常血压范围和正常呼吸范围进行比较;
响应于所述体温数据超出所述正常体温范围,和/或所述脉搏数据超出所述正常脉搏范围,和/或所述血压数据超出所述正常血压范围,和/或所述呼吸数据超出所述正常呼吸范围,进行身体机能报警。
5.一种井下疲劳预警装置,其特征在于,包括:
采集模块,用于获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据和呼吸数据;
计算模块,用于将所述体温数据、所述脉搏数据、所述血压数据和所述呼吸数据输入至目标体液pH计算模型中,以确定所述井下作业人员的体液酸碱度pH;
报警模块, 用于基于所述体液酸碱度pH判断所述井下作业人员是否处于疲劳状态,并对所述井下作业人员进行疲劳报警;
所述目标体液pH计算模型基于以下训练装置获得,所述训练装置,包括:
获取模块,用于获取待测取区域的井下作业人员的体温数据、脉搏数据、血压数据、呼吸数据和目标体液酸碱度pH,并获取待训练的候选体液pH计算模型;
预测模块,用于将所述体温数据、所述脉搏数据、所述血压数据和所述呼吸数据输入至所述候选体液pH计算模型中,以获取预测体液pH;
训练模块,用于基于所述目标体液酸碱度pH和所述预测体液pH,计算损失值,并基于所述损失值对所述候选体液pH计算模型进行训练,直至训练结束,输出所述待测取区域的训练好的所述目标体液pH计算模型;
其中,通过矿用智能手环实时采集井下人员的体征数据,并通过蓝牙传输到矿用智能终端,通过安装在矿用智能终端上的体征监测应用程序提取体征数据,并通过井下通信基站上传到地面服务器,服务器上的健康分析预警平台负责对体征数据进行分析管理,其中,体征数据包括体温数据、脉搏数据、血压数据和呼吸数据;
其中,通过由滤光片、热释电探测元和前置放大器元件组成的热释电红外测温传感器获取所述体温数据。
6.一种电子设备,其特征在于,包括存储器、处理器;
其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如权利要求1-4中任一所述的方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627721.4A CN116341686B (zh) | 2023-05-31 | 2023-05-31 | 体液pH计算模型训练方法、井下疲劳预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627721.4A CN116341686B (zh) | 2023-05-31 | 2023-05-31 | 体液pH计算模型训练方法、井下疲劳预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116341686A CN116341686A (zh) | 2023-06-27 |
CN116341686B true CN116341686B (zh) | 2024-01-23 |
Family
ID=86886208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310627721.4A Active CN116341686B (zh) | 2023-05-31 | 2023-05-31 | 体液pH计算模型训练方法、井下疲劳预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341686B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206400492U (zh) * | 2016-10-24 | 2017-08-11 | 华南师范大学 | 一种用于检测人体疲劳度的鼠标 |
CN110448281A (zh) * | 2019-07-29 | 2019-11-15 | 南京理工大学 | 一种基于多传感器的可穿戴作业疲劳检测系统 |
CN110639191A (zh) * | 2018-06-27 | 2020-01-03 | 北京东方兴企食品工业技术有限公司 | 用于评估机体运动能力的系统及其应用 |
CN114023441A (zh) * | 2021-11-08 | 2022-02-08 | 中国人民解放军总医院 | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 |
JP2023005080A (ja) * | 2021-06-28 | 2023-01-18 | 国立大学法人 東京大学 | モデル生成装置、胎児状態予測装置、胎児状態予測システム、モデル生成方法、胎児状態予測方法およびデータ処理方法 |
CN115670444A (zh) * | 2022-11-07 | 2023-02-03 | 安克创新科技股份有限公司 | 运动监测方法、装置、可穿戴设备与存储介质 |
-
2023
- 2023-05-31 CN CN202310627721.4A patent/CN116341686B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206400492U (zh) * | 2016-10-24 | 2017-08-11 | 华南师范大学 | 一种用于检测人体疲劳度的鼠标 |
CN110639191A (zh) * | 2018-06-27 | 2020-01-03 | 北京东方兴企食品工业技术有限公司 | 用于评估机体运动能力的系统及其应用 |
CN110448281A (zh) * | 2019-07-29 | 2019-11-15 | 南京理工大学 | 一种基于多传感器的可穿戴作业疲劳检测系统 |
JP2023005080A (ja) * | 2021-06-28 | 2023-01-18 | 国立大学法人 東京大学 | モデル生成装置、胎児状態予測装置、胎児状態予測システム、モデル生成方法、胎児状態予測方法およびデータ処理方法 |
CN114023441A (zh) * | 2021-11-08 | 2022-02-08 | 中国人民解放军总医院 | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 |
CN115670444A (zh) * | 2022-11-07 | 2023-02-03 | 安克创新科技股份有限公司 | 运动监测方法、装置、可穿戴设备与存储介质 |
Non-Patent Citations (1)
Title |
---|
罗志增.《测试技术与传感器》.西安电子科技大学出版社,2008,第189-191页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116341686A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3308701B1 (en) | Apparatus and method for estimating biometric information | |
CN103876711B (zh) | 可穿戴电子设备以及人体健康监测管理系统 | |
CN104622445B (zh) | 一种无线智能的多生理参数健康监护腕式设备 | |
US20090082681A1 (en) | Biological information processing apparatus and biological information processing method | |
US10786164B2 (en) | Method for improving heart rate estimates by combining multiple measurement modalities | |
CN103271732A (zh) | 一种健康腕带装置及健康监测方法 | |
CN104523254A (zh) | 基于ZigBee可穿戴传感器的医疗监护系统 | |
CN203303043U (zh) | 一种健康腕带装置 | |
CN103637783B (zh) | 基于无线控制的人体健康检测系统 | |
KR20120033526A (ko) | 심폐지구력 측정장치 및 이를 이용한 생체정보 측정 시스템 | |
CN103637511A (zh) | 可智能监控人体健康状况的手环及方法 | |
CN104771149A (zh) | 6分钟步行试验多维实时监测系统 | |
CN108024743B (zh) | 血压分析装置、血压测定装置、血压分析方法、血压分析程序 | |
KR101803291B1 (ko) | Eeg 및 emg 신호에 기반한 자궁 수축도 검사 장치 및 그 방법 | |
US11963748B2 (en) | Portable monitor for heart rate detection | |
CN105708439A (zh) | 一种可穿戴监护装置 | |
RU2657966C2 (ru) | Устройство и способ для дистанционной беспроводной диагностики функционального состояния сердечно-сосудистой системы человека на основе двигательной активности и фотоплетизмографии | |
EP3094244B1 (en) | Method, device and computer program product for the detection of the degree of entropy of medical data | |
CN202942095U (zh) | 人体智能实时监测装置 | |
CN116341686B (zh) | 体液pH计算模型训练方法、井下疲劳预警方法及装置 | |
CN105549745A (zh) | 一种利用可穿戴设备进行监护的方法 | |
CN209661626U (zh) | 健康检测手环和系统 | |
KR20180049317A (ko) | 운동량에 따른 근피로도 측정방법 | |
KR20100076136A (ko) | 생체정보인식기 | |
WO2022039188A1 (ja) | 生体検出装置、生体検出方法、及び、プログラム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |