基于深度学习理论的车载智能健康系统的设计及应用

李川鹏 王耀福

摘 要：随着智能化、共享化、信息化时代到来，计算机的算法已经在各个领域得到应用。运用机器学习领域范畴之中的深度学习理论，对车载智能健康监测系统的设计开展实践应用。依据深度学习DBN健康训练模型，可实时监测识别驾驶员生理健康状况数据和驾驶环境数据，识别到异常数据会进行预警提示，为驾驶员提供一层健康监测保障系统。

关键词：深度学习;健康监测;机器学习

1 引文

随着生活节奏的不断加快，人们对健康越来越重视，从之前的医院治疗逐渐发展成为健康监测、预防为主。汽车作为人们生活出行的工具，随着智能化、网联化技术在汽车中的应用，汽车中加入智能健康监测模块成为未来的趋势，人们在开车时就可以进行健康生理指标的检测，并对异常数据进行预警提示，为驾驶员提供一层健康监测保障系统。本系统可实时监测驾驶员的身体各项生理健康状况，通过深度学习DBN健康训练模型识别驾驶者是都适合驾车，避免减少因健康隐患导致的交通事故，如监测到驾驶者出现突发健康状况时，会迅速发送提醒消息到紧急联系人和个人主治医生，并拨打最近医院救援电话，从而确保驾驶者驾车安全。

深度学习是机器学习的一个领域，学习模式在于建立和模拟人脑进行分析学习的神经网络，建立类似人类大脑的逻辑思维学习方式。为识别监测到的各项生理指标信息提供参考。基于深度学习理论设计车载智能健康监测系统，通过研究深度学习分析研究，对车载智能健康监测系统进行设计开发，确定系统设计结构体系，对DBN的训练模型进行介绍，研究更精确的训练模型，为未来车载智能健康系统提供理论支撑。

2 深度学习理论

深度学习是机器学习的一个新领域方向，主要是对大量数据样本进行学习，分析内在联系、规律和层次。通过模拟大脑神经的动态变化，通过计算机的算法实现。依据计算机的算法探究大脑神经中的思考过程，利用大数据的变化模拟大脑思考过程，最终是让机器能够像人一样具有分析学习能力，能够识别文字、图像、声音和数字等数据。

深度学习神经网络的是模拟人体大脑皮层的组成结构，多层神经网络结构可以将数据分到每一层，每一层中对数据分别进行处理，每一层结构都会识别并分析数据类型。分析识别是在没由约束的情况下进行训练，并将训练结果反馈到高一层的输入端，并用程序去调整所有的层级，深度学习是从浅度学习发展至深度学习。DBN是深度学习的算法的一种，也是比较常用的一种算法，能够很好的识别物体的特征依据模型开展训练。构建出车载健康异常指标诊断的深度学习网络。

3 车载智能健康监测系统设计

3.1 设计思路

在汽车方向盘上加入智能健康监测系统，智能健康识别传感器模块，监测识别身体生理健康指标，通过wifi数据发送设备将监测数据包传输至树莓派开发板，根据深度学习DBN训练算法模型识别数据，将数据反馈可以反馈到车载中央显示屏进行显示，同事也可以将数据发送到云端，通过服务器端口发送到手机APP端进行显示。

智能传感器模块包括环境传感器组和生理健康传感器组。驾驶员取车前，环境传感器组会将车内环境数据发送给到手机APP中，如出现异常数据，在APP端可选择远程启动车辆，打开空气清洁系统、外循环系统，从而保证驾驶者在上车时能保持良好的车内环境。驾驶员打开车门，进入驾驶座后环境传感器组中乙醇传感器会自动识别驾驶者是否处于酒驾状态，如识别到酒精浓度过高处于酒驾状态，则车辆自动强制熄火。驾驶员在正常行驶时，手放在生理健康识别区时，系统会实时自动监测驾驶员的生理数据，如出现异常生理数据时，会触发报警器、语音系统会自动播报异常生理数据，并将异常数据反馈到中央大屏和手机APP端提醒驾驶者。

3.2 系统设计

本系统是装配在方向盘上，驾驶员在上车后，将手放在方向盘智能硬件识别区，识别区中传感器可以实时监测并输出生理和環境感应数值，智能终端控制单元可以将感应数值对比识别和存储;调节单元可以根据控制模块自动调节;控制模块通过wifi/5G将生理和环境特征数据传输到云端服务器，服务器将数据呈现在用户APP上，出现异常数据，用户APP端会触发报警模块，用户没有对报警模块处理时，系统会自动将数据传输给紧急联系人和私人医生。

智能健康监测识别单元为安装在智能终端硬件设备包括：传感器组模块和树莓派开发板。传感器组模块包括：红外传感器、多光谱传感器、乙醇传感器和湿度传感器。传感器组模块和树莓派开发板电性连接，红外传感器可以检测人体体温数据，并输出体温数值;多光谱传感器可以检测人体心率、血氧、微循环数据，并输出心率、血氧、微循环数值;乙醇传感器可以检测驾驶环境中酒精数据，并输出酒精含量数值;湿度传感器可以检测驾驶环境中湿度数据，并输出湿度含量数值。智能健康监测识别单元和控制单元以及用户APP建立通讯连接，智能健康监测识别单元设置有wifi/5G发射模块，可将监测识别到的数据包通过计时器或实时传输到控制单元，计时器数值可在用户APP中设置，默认数值为10秒传输一次（监测采集数据包传输到控制单元）;实时即为实时将监测采集数据包传输到控制单元。

控制单元和调节单元，控制单元是对智能健康监测识别单元中的监测采集数据包和存储单元中的数据进行对比和储存。调节机构包括：空调系统、内外循环系统、自清洁系统、语音系统和中央显示屏系统。

3.3 DBN车载智能健康监测系统训练模型

DBN在数据特征提取方面有很多应用，智能健康监测系统数据识别就运用DBN进行模型训练，属于概率生成模型，通过大数据构建观察数据和识别标签之间的分布状态，作出对应的判断评估[7][8]。DBN模型训练是不同的限制玻尔兹曼机构成，神经网络包括一个可视层和一个隐含层，每一层之间具有连接关系，层内没有相互关联。如图1所示。

智能健康监测系统中DBN训练模型是对不同数据特征进行识别。通过不同的RBM隐含层组合而成，每一层都是单独进行训练，分别包括可视层和隐含层，底层的隐含层输出到高一层的可视层中，高一层通过模型进行训练，训练完成后通过隐含层将数据特征输出到更高一层的可视层，通过多层训练最后构成DBN训练模型。DBN训练模型方法是通过多层隐含层单训练，不断优化数据特征的深度学习网络方法，最后得到最优的数据识别特征[7]。

智能健康监测系统DBN训练模型通过在智能多传感识别器上得到数据，发送到RBMO上面，在RBM隐含层中进行训练，将数据特征发送到RBM1上的可视层中，即RBM0的发送是RBM1的接受，逐层向上训练，训练模型的最后一层中加入BP神经网络做反向微调，输出训练误差，将误差数值从高层到底层发送到每一层，对整体训练模型进行细微调整，一直调整到最大模型训练次数，得到最优生理健康数据状态的识别训练模型，见图2。

4 总结

随着数字化时代的发展，在汽车中加装智能健康监测系统将成为未来的标配，行驶期间可实时监测驾驶员生理健康参数和车内环境参数，并对异常数据进行预警提示。为驾驶员提供一层健康监测保障系统。运用DBN训练模型对数据进行深度学习分析，建立人脑的学习机制分析解释定义相关数据，为识别监测到的各项生理指标信息提供参考。后期将研究更精确的训练模型，为未来车载智能健康系统提供理论支撑。

参考文献：

[1]孙会苹，李朝辉，徐浩森，谢础航.基于柔性电子皮肤的人体健康监测系统的研究与应用[J].数字通信世界，2019（07）：147+151.

[2]李秀静，刘永强，沈诗怡，叶大运，王岩.车用辅助健康监测系统的研究与设计[J].电脑知识与技术，2019，15（18）：261-262.

[3]张梦瑶.基于Arduino智能家居及健康监测系统设计[D].沈阳师范大学，2019.

[4]付文博，孙涛，梁藉，闫宝伟，范福新.深度学习原理及应用综述[J].计算机科学，2018，45（S1）：11-15+40.

[5]靳兵.基于深度学习模型的图像分类方法研究[D].河南大学，2018.

[6]康丽萍，许光銮，孙显.受限玻尔兹曼机的稀疏化特征学习[J].计算机科学，2016，43（12）：91-96.

[7]赵光权，葛强强，刘小勇，彭喜元.基于DBN的故障特征提取及诊断方法研究[J].仪器仪表学报，2016，37（09）：1946-1953.

[8]张艳霞.基于受限玻尔兹曼机的深度学习模型及其应用[D].电子科技大学，2016.