基于深度學習理論的車載智能健康系統的設計及應用

李川鵬 王耀福

摘 要：隨著智能化、共享化、信息化時代到來，計算機的算法已經在各個領域得到應用。運用機器學習領域范疇之中的深度學習理論，對車載智能健康監測系統的設計開展實踐應用。依據深度學習DBN健康訓練模型，可實時監測識別駕駛員生理健康狀況數據和駕駛環境數據，識別到異常數據會進行預警提示，為駕駛員提供一層健康監測保障系統。

關鍵詞：深度學習;健康監測;機器學習

1 引文

隨著生活節奏的不斷加快，人們對健康越來越重視，從之前的醫院治療逐漸發展成為健康監測、預防為主。汽車作為人們生活出行的工具，隨著智能化、網聯化技術在汽車中的應用，汽車中加入智能健康監測模塊成為未來的趨勢，人們在開車時就可以進行健康生理指標的檢測，并對異常數據進行預警提示，為駕駛員提供一層健康監測保障系統。本系統可實時監測駕駛員的身體各項生理健康狀況，通過深度學習DBN健康訓練模型識別駕駛者是都適合駕車，避免減少因健康隱患導致的交通事故，如監測到駕駛者出現突發健康狀況時，會迅速發送提醒消息到緊急聯系人和個人主治醫生，并撥打最近醫院救援電話，從而確保駕駛者駕車安全。

深度學習是機器學習的一個領域，學習模式在于建立和模擬人腦進行分析學習的神經網絡，建立類似人類大腦的邏輯思維學習方式。為識別監測到的各項生理指標信息提供參考。基于深度學習理論設計車載智能健康監測系統，通過研究深度學習分析研究，對車載智能健康監測系統進行設計開發，確定系統設計結構體系，對DBN的訓練模型進行介紹，研究更精確的訓練模型，為未來車載智能健康系統提供理論支撐。

2 深度學習理論

深度學習是機器學習的一個新領域方向，主要是對大量數據樣本進行學習，分析內在聯系、規律和層次。通過模擬大腦神經的動態變化，通過計算機的算法實現。依據計算機的算法探究大腦神經中的思考過程，利用大數據的變化模擬大腦思考過程，最終是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像、聲音和數字等數據。

深度學習神經網絡的是模擬人體大腦皮層的組成結構，多層神經網絡結構可以將數據分到每一層，每一層中對數據分別進行處理，每一層結構都會識別并分析數據類型。分析識別是在沒由約束的情況下進行訓練，并將訓練結果反饋到高一層的輸入端，并用程序去調整所有的層級，深度學習是從淺度學習發展至深度學習。DBN是深度學習的算法的一種，也是比較常用的一種算法，能夠很好的識別物體的特征依據模型開展訓練。構建出車載健康異常指標診斷的深度學習網絡。

3 車載智能健康監測系統設計

3.1 設計思路

在汽車方向盤上加入智能健康監測系統，智能健康識別傳感器模塊，監測識別身體生理健康指標，通過wifi數據發送設備將監測數據包傳輸至樹莓派開發板，根據深度學習DBN訓練算法模型識別數據，將數據反饋可以反饋到車載中央顯示屏進行顯示，同事也可以將數據發送到云端，通過服務器端口發送到手機APP端進行顯示。

智能傳感器模塊包括環境傳感器組和生理健康傳感器組。駕駛員取車前，環境傳感器組會將車內環境數據發送給到手機APP中，如出現異常數據，在APP端可選擇遠程啟動車輛，打開空氣清潔系統、外循環系統，從而保證駕駛者在上車時能保持良好的車內環境。駕駛員打開車門，進入駕駛座后環境傳感器組中乙醇傳感器會自動識別駕駛者是否處于酒駕狀態，如識別到酒精濃度過高處于酒駕狀態，則車輛自動強制熄火。駕駛員在正常行駛時，手放在生理健康識別區時，系統會實時自動監測駕駛員的生理數據，如出現異常生理數據時，會觸發報警器、語音系統會自動播報異常生理數據，并將異常數據反饋到中央大屏和手機APP端提醒駕駛者。

3.2 系統設計

本系統是裝配在方向盤上，駕駛員在上車后，將手放在方向盤智能硬件識別區，識別區中傳感器可以實時監測并輸出生理和環境感應數值，智能終端控制單元可以將感應數值對比識別和存儲;調節單元可以根據控制模塊自動調節;控制模塊通過wifi/5G將生理和環境特征數據傳輸到云端服務器，服務器將數據呈現在用戶APP上，出現異常數據，用戶APP端會觸發報警模塊，用戶沒有對報警模塊處理時，系統會自動將數據傳輸給緊急聯系人和私人醫生。

智能健康監測識別單元為安裝在智能終端硬件設備包括：傳感器組模塊和樹莓派開發板。傳感器組模塊包括：紅外傳感器、多光譜傳感器、乙醇傳感器和濕度傳感器。傳感器組模塊和樹莓派開發板電性連接，紅外傳感器可以檢測人體體溫數據，并輸出體溫數值;多光譜傳感器可以檢測人體心率、血氧、微循環數據，并輸出心率、血氧、微循環數值;乙醇傳感器可以檢測駕駛環境中酒精數據，并輸出酒精含量數值;濕度傳感器可以檢測駕駛環境中濕度數據，并輸出濕度含量數值。智能健康監測識別單元和控制單元以及用戶APP建立通訊連接，智能健康監測識別單元設置有wifi/5G發射模塊，可將監測識別到的數據包通過計時器或實時傳輸到控制單元，計時器數值可在用戶APP中設置，默認數值為10秒傳輸一次（監測采集數據包傳輸到控制單元）;實時即為實時將監測采集數據包傳輸到控制單元。

控制單元和調節單元，控制單元是對智能健康監測識別單元中的監測采集數據包和存儲單元中的數據進行對比和儲存。調節機構包括：空調系統、內外循環系統、自清潔系統、語音系統和中央顯示屏系統。

3.3 DBN車載智能健康監測系統訓練模型

DBN在數據特征提取方面有很多應用，智能健康監測系統數據識別就運用DBN進行模型訓練，屬于概率生成模型，通過大數據構建觀察數據和識別標簽之間的分布狀態，作出對應的判斷評估[7][8]。DBN模型訓練是不同的限制玻爾茲曼機構成，神經網絡包括一個可視層和一個隱含層，每一層之間具有連接關系，層內沒有相互關聯。如圖1所示。

智能健康監測系統中DBN訓練模型是對不同數據特征進行識別。通過不同的RBM隱含層組合而成，每一層都是單獨進行訓練，分別包括可視層和隱含層，底層的隱含層輸出到高一層的可視層中，高一層通過模型進行訓練，訓練完成后通過隱含層將數據特征輸出到更高一層的可視層，通過多層訓練最后構成DBN訓練模型。DBN訓練模型方法是通過多層隱含層單訓練，不斷優化數據特征的深度學習網絡方法，最后得到最優的數據識別特征[7]。

智能健康監測系統DBN訓練模型通過在智能多傳感識別器上得到數據，發送到RBMO上面，在RBM隱含層中進行訓練，將數據特征發送到RBM1上的可視層中，即RBM0的發送是RBM1的接受，逐層向上訓練，訓練模型的最后一層中加入BP神經網絡做反向微調，輸出訓練誤差，將誤差數值從高層到底層發送到每一層，對整體訓練模型進行細微調整，一直調整到最大模型訓練次數，得到最優生理健康數據狀態的識別訓練模型，見圖2。

4 總結

隨著數字化時代的發展，在汽車中加裝智能健康監測系統將成為未來的標配，行駛期間可實時監測駕駛員生理健康參數和車內環境參數，并對異常數據進行預警提示。為駕駛員提供一層健康監測保障系統。運用DBN訓練模型對數據進行深度學習分析，建立人腦的學習機制分析解釋定義相關數據，為識別監測到的各項生理指標信息提供參考。后期將研究更精確的訓練模型，為未來車載智能健康系統提供理論支撐。

參考文獻：

[1]孫會蘋，李朝輝，徐浩森，謝礎航.基于柔性電子皮膚的人體健康監測系統的研究與應用[J].數字通信世界，2019（07）：147+151.

[2]李秀靜，劉永強，沈詩怡，葉大運，王巖.車用輔助健康監測系統的研究與設計[J].電腦知識與技術，2019，15（18）：261-262.

[3]張夢瑤.基于Arduino智能家居及健康監測系統設計[D].沈陽師范大學，2019.

[4]付文博，孫濤，梁藉，閆寶偉，范福新.深度學習原理及應用綜述[J].計算機科學，2018，45（S1）：11-15+40.

[5]靳兵.基于深度學習模型的圖像分類方法研究[D].河南大學，2018.

[6]康麗萍，許光鑾，孫顯.受限玻爾茲曼機的稀疏化特征學習[J].計算機科學，2016，43（12）：91-96.

[7]趙光權，葛強強，劉小勇，彭喜元.基于DBN的故障特征提取及診斷方法研究[J].儀器儀表學報，2016，37（09）：1946-1953.

[8]張艷霞.基于受限玻爾茲曼機的深度學習模型及其應用[D].電子科技大學，2016.