[发明专利]一种基于机器学习的人员安全监控方法及设备

权利要求书

1.一种基于机器学习的人员安全监控方法，其特征在于，所述方法包括：

通过若干运动传感器，实时采集被监控人员的人体运动数据；其中，所述运动传感器安装于可穿戴设备上的关键运动位置，至少包括加速度传感器、陀螺仪传感器；

基于预设时间间隔，通过训练好的运动特征识别模型，对所述人体运动数据进行运动特征识别，得到所述被监控人员的运动特征数据；

通过安装于所述可穿戴设备上的各种传感器，实时采集所述被监控人员的生命体征数据以及所处环境数据；并通过工业设备中安装的数据采集设备，实时采集设备运行数据；

将所述运动特征数据、生命体征数据、所处环境数据以及所述设备运行数据组合为安全监控数据集；

对所述安全监控数据集中的各类数据分别进行预处理，得到完整安全监控数据集；

对所述完整安全监控数据集进行聚类分析，得到所述完整安全监控数据集中各类数据的危险指数以及危险指数权重；

根据所述危险指数以及所述危险指数权重，得到所述被监控人员的危险评价值，进而确定是否发出报警。

2.根据权利要求1所述的一种基于机器学习的人员安全监控方法，其特征在于，在通过训练好的运动特征识别模型，对所述人体运动数据进行运动特征识别之前，所述方法还包括：

将第一预设数量的卷积层以及一个池化层进行串联，得到一个卷积块；

将第二预设数量的卷积块进行堆叠，得到卷积网络；其中，所述第一预设数量以及第二预设数量的取值范围均为[1,10]；

将所述卷积网络与双层长短期记忆网络LSTM、全连接层以及多项逻辑回归层进行组合，得到所述运动特征识别模型；

通过人体运动识别HAR数据集对所述运动特征识别模型进行训练以及测试，得到测试精度值；

若所述测试精度值小于第一预设阈值，则随机调整所述第一预设数量以及所述第二预设数量的值，直至所述测试精度达到所述第一预设阈值。

3.根据权利要求2所述的一种基于机器学习的人员安全监控方法，其特征在于，基于预设时间间隔，通过训练好的运动特征识别模型，对所述人体运动数据进行运动特征识别，得到所述被监控人员的运动特征数据，具体包括：

将当前时间间隔内，每个运动传感器采集的人体运动数据按照采集时间进行排序，得到对应的人体运动数据序列；

将每个人体运动数据序列对齐排列，得到所述被监控人员的运动数据矩阵；其中，所述运动数据矩阵中的每行元素均对应一个运动传感器采集的人体运动数据序列；

将所述运动数据矩阵输入所述运动特征识别模型中，通过所述卷积网络对所述运动数据矩阵进行特征识别，得到若干一维特征片段；

通过所述双层长短期记忆网络LSTM，将所述若干一维特征片段进行拼接，得到一维特征向量；

通过所述全连接层，对所述一维特征向量进行处理，并将输出结果输入所述多项逻辑回归层进行多分类回归处理，得到所述运动特征数据。

4.根据权利要求1所述的一种基于机器学习的人员安全监控方法，其特征在于，对所述安全监控数据集中的各类数据分别进行预处理，得到完整安全监控数据集，具体包括：

根据所述各类数据的类型，确定每一类数据的最大阈值以及最小阈值；

对于所述安全监控数据集中的各类数据，将当前时间间隔内数据值等于0的数据确定为空白数据；将当前时间间隔内数据值大于所述最大阈值或者小于所述最小阈值的数据确定为错误数据；

根据上一时间间隔内的完整监控数据集中，所述空白数据对应位置的数据值，对所述空白数据进行填补，以补全所述当前时间间隔内的各类数据；

根据上一时间间隔内的完整监控数据集中，所述错误数据对应位置的数据值，对所述错误数据进行替换，以修正所述当前时间间隔内的各类数据，得到当前时间间隔内的完整安全监控数据集。