基于可穿戴傳感信息的計量現場作業異常行為識別算法探究

陳 飛

引言

計量現場作業異常行為識別算法可以幫助工作人員穩定自身動作，防止意外事故發生[1-2]，因此計量現場作業異常行為識別成為當前的研究重點[3]。王澤偉等基于時空融合卷積神經網絡，通過RGB圖像，對人體的異常行為進行了識別并輸出識別結果。但該方法無法有效過濾噪聲信號，識別準確性較差[4]。鄭浩等通過相機設計自適應均值漂移的參數，但該方法的數字信號處理能力不足，識別結果準確率較低[5]。因此，本文基于可穿戴的傳感信息，設計一個計量現場作業異常行為識別算法。

一、計量現場作業異常行為識別算法設計

（一）信號處理

采用帶通濾波器對采集信號進行處理，將一維時域信號與高頻信號分別作為基性漂移的直流分量和噪聲干擾項。將帶通濾波全部輸入到基線中[6]，使用均方根誤差與信噪比，計算去噪結果。

校正后，所得到的數據即可被用于特征提取，此時其數據誤差已經大幅度降低，可以直接使用。

（二）異常行為信號特征提取

本文選擇自適應濾波器作為無信號、無噪聲的先驗期望。此時可以通過公式（6）獲得二者的原理。

（三）設計異常行為識別算法

降低同類樣本的特征權重，匹配父子節點計算特征值屬性，計算不同特征集之間的距離，表示特征點在不同分類樣本中的差異，基礎差異函數為：

通過加權歐式距離的方式，優化決策樹算法的判斷函數，精準判斷該動作是否為異常行為，公式為：

二、實驗研究

將某計量測試檢定中心的計量現場作業項目作為實驗對象，獲得檢定中心的原始記錄數據。選擇4位測試人員：青年男性、青年女性、老年男性、老年女性。在測試人員的腕表、頭盔中配置ErgoLAB Motion無線可穿戴傳感器設備。測試人員穿著可穿戴式傳感器，獨立完成如表1所示的動作，采集計量現場作業過程中的人體活動數據。

表1 數據集描述

將表1中的六個動作分別重復若干次，以保證實驗結果的準確性。原始數據集的分布式采集平臺框架為Cloudera Hadoop 6.3，采集到的數據存儲在HDFS中。

將基于傳感器數據、基于時空融合卷積神經網絡和基于混合算法的識別方法作為對比方法，對比本文設計的異常行為識別算法與其他對比方法的F1值，不同方法的異常行為識別準確率測試結果如圖1所示。

圖1 異常行為識別準確率測試

如圖1所示，本文算法針對不同的異常行為識別的F1值均高于96%，針對青年男性的站立異常行為識別的F1值達到了最高值，為98.7%。由此可知，文中異常行為識別方法相較于其他三種方法均具備更高的F1值，即該方法的識別準確率更高。

結束語

本文基于可穿戴傳感信息設計了一種計量現場作業的異常行為識別算法，通過采集可穿戴傳感信息的信號，利用決策樹算法提取異常行為信號特征，實現異常行為識別。在結合可穿戴式傳感信息處理初始傳感器信號的基礎上，針對不同測試人員異常行為的F1值均高于96%，識別準確率較高，可以提前識別工作人員的異常行為，提醒工作人員，避免事故發生。但由于當前研究沒有側重分析不同工作環境計量現場的差異化特點，因此在未來研究中，將以提升算法魯棒性為主要研究目標，通過結合多種傳感器數據，利用深度學習等技術進行多模態數據融合，提高識別算法的魯棒性。