基于体域网的矿工生命体征监测与运动状态识别

董飞 李彦廷 慕灯聪 赵子含 丰耀辉 葛鲲鹏

摘  要：提出提出一种基于小波包与随机森林的矿工运动状态识别算法MSR-WPT-RF，用于监测矿工生命体征，识别运动状态.实验测试结果表明，构建的矿工体域网生命体征采集节点具有低功耗性能、丢包率低、时延低等优点，运动状态识别算法能够取得最高91%的识别准确率.

关键词：矿工；生命体征；体域网；随机森林；低功耗；

[   中图分类号    ]TN915.85 [    文献标志码   ]  A

Miners' Life Signs Monitoring and Motion State Recognition

Based on Body Area Network

DONG Fei1*，LI Yanting1，MU Dengcong2，ZHAO Zihan1，FENG Yaohui1，GE Kunpeng3

（1. School of Internet，Anhui University，Hefei 230039，China；2. School of physics and electronic information，

Huaibei Normal University，Huaibei 235000，China；3. School of Information Engineering，

Yangzhou Polytechnic Institute，Yangzhou 225127，China）

Abstract：A miner's motion state recognition algorithm MSR-WPT-RF based on wavelet packet and random forest is proposed to monitor miners' vital signs and identify their motion states. The experimental test and verification results show that the life signs acquisition node of the miners' body area network has low power consumption performance，low packet loss rate and low delay，and the motion state recognition algorithm can achieve the highest recognition accuracy of 91%.

Key words：miner；life signs；body area network；random forest；low-power consumption

目前，煤炭仍然是我国的主要能源，对我国国民经济发展起关键作用.[1]矿工作为煤矿开采第一线的工作人员，其健康状态不容忽视.[2]矿工煤矿井下工作时的生命体征参数与运动状态是矿工身体和工作状态的直接体现，因此，研究监测矿工生命体征并识别其运动状态，对保障矿工生命、维持煤炭安全生产具有重要意义.孟亦凡[3]等设计了边缘感知节点，实现了对矿工体温、心率、血氧浓度以及姿态的监测，并提出了一种基于长短时记忆网络边缘计算和随机森林雾决策的矿工状态监测，实现了对矿工身体和工作状况的实时掌握.魏峰[4]将矿工生命体征监测与井下人员定位管理融合起来，将采集到的矿工体温、心率和姿态信息通过定位读卡器和人员定位分站，以有线方式上传至监控中心，成功实现了人员定位管理和生命体征监测.马裕静[5]等设计了一种集成人员定位、姿态监测以及心率监测的可穿戴装备，实现了对井下人员异常状态的报警.基于体域网[6]发展起来的远程监测人体日常行为活动主要包括生命体征参数、人体运动状态分析、行为识别、异常行为监控，步态分析以及能量消耗估计等.凌雲[7]构建了一种基于低功耗可穿戴体域网、互联网和远程终端处理系统的人体运动模式远程监控系统.张凯悦[8]以军事应用为背景，重点研究体域网采集战士加速度信息来实现体态动作识别，可用于战士四肢负伤评估和日常战术作战训练等.截至目前，国内尚未有研究者基于体域网开展矿工生命体征监测与运动状态识别.本文开展基于体域网的矿工生命体征监测与运动状态识别研究，构建基于低功耗多跳Mesh网络的矿工体域网，在灵活监测矿工身体多点体征参数的同时，满足较低的功耗性能；研究基于小波包与随机森林的矿工运动状态识别算法，利用不同运动状态下的体征数据训练运动状态识别模型，实现对体征数据的深度挖掘，目的是更全面分析和确定矿工的身体和工作状态，保障矿工安全工作和煤炭的安全开采.

1 基于低功耗多跳Mesh网络的矿工体域网

基于低功耗多跳Mesh网络的矿工体域网架构是在人体四周构建一个小型的传感器网络，灵活采集矿工身体多点体征参数（图1）.矿工体域网络主要由两个部分组成：生命体征采集节点和汇聚节点.生命体征数据采集节点分布于人体不同位置，在汇聚节点的控制与协调下，通过多跳Mesh网络汇集各采集节点的数据，再与外部网络通信，将生命体征状态数据上传至远程服务端.

1.1 生命体征采集节点设计

本文以超低功耗处理器为核心，功耗控制电路为辅助，驱动多种传感器采集体征参数，再通过低功耗多跳Mesh网络通信模块将体征数据上传至汇聚节点，满足较低的功耗性能.节点硬件结构框图如图2所示.

1.1.1 基于STM32L431CBT6的超低功耗核心系统

核心系统模块主要由STM32L431CBT6最小系统、电量检测和串口通信模块组成.STM32L431CBT6是意法半导体设计生产的一款带浮点运算单元的32位ARM Cortex-M4內核处理器，主频可达80 MHz，拥有128 KB Flash和64 KB SRAM，具有丰富的通信接口外设，该芯片具有极其出色的低功耗性能.电量检测采用CW2015电量检测芯片设计电量采集电路，该芯片是一款尺寸小且无需检流电阻的锂电池电量计量芯片.该芯片能够持续监测电池在充电或者放电状态下的电压，可准确计算电池剩余电量，具有优秀的低功耗性能.串口通信模块则基于CH340G芯片设计USB转串口通信电路，用于输出采集节点调试信息.

1.1.2 低功耗电源管理模块

模块包含低功耗降压电源和功耗控制电路.降压电源采用超低功耗线性降压芯片 SGM2040-3.3 V，采用一种基于MOS的功耗控制电路[9]，在单片机的控制下实现采集节点中各模块电源的通断，进而有效降低系统功耗.

1.1.3 体征传感器模块

采用多种体征传感器感知矿工的体温、心率、血氧以及身体运动姿态数据.监測体温数据采用LMT70传感器，心率和血氧监测采用高灵敏度脉搏血氧仪和心率生物传感器MAX30102，身体运动姿态监测采用MPU6050加速度传感器.

1.1.4 无线通信模块

采用基于CC2530F256为主芯片的自组网无线通信模块实现不同采集节点间的自组网与数据传输，这种方式相比于蓝牙、WiFi、LoRa通信，具有更好的灵活性和自由度[9]，非常适合用于体域网的构建.

1.2 汇聚节点设计

汇聚节点在采集节点的基础上，去除体征传感器模块，增加一路其他无线通信方式与外部网络通信，根据外部网络的实际情况，可灵活配置不同的无线通信模块.

2 基于小波包与随机森林的矿工运动状态识别算法

2.1 小波包变换（Wavelet Packet Transform，WPT）

小波变换（Wavelet Transform，WT）是一种被广泛应用的信号时频分析方法，具有多分辨率分析的能力，可以在不同尺度下观测信号，在了解信号全貌的同时，也可以对信号的细节进行聚焦观测，从而可以很好地在时域和频域表征信号的局部特征.WPT是在WT基础上提升了对高频信号分解能力，使低频和高频信号拥有相同的分辨率.

基于多分辨率分析理论[10]，[L2（R）=⊕∞j=-∞Qj]表示按不同的尺度因子 j 把Hilbert空间[L2（R）]分解为小波子空间[Qj（j∈Z）]的正交和，小波子空间与尺度子空间[Pj]能够统一表征为新的子空间[Unj].[L2（R）]的正交分解能够用[Unj]表示为：

[U0j=U0j+1⊕U1j+1，   j∈Z .] （1）

子空间[Unj]和[U2nj]分别定义为[un（t）]和[u2n（t）]的闭包子空间，且存在如下双尺度方程：

[u2n（t）=2k∈Zhkun（2t-k）u2n+1（t）=2k∈Zgkun（2t-k）]   .                                                  （2）

式（2）中，[hk]和[gk]分别为多分辨率分析中低通滤波器和高通滤波器的系数，基于上式将得到由基函数[u0（t）=φ（t）]所确定的正交小波包序列[un（t），n=0，1，2…].小波包子空间[Unj]的分解关系为：

[Unj=U2nj+1⊕U2n+1j+1，   j∈Z .]                                                    （3）

基于上述分解关系，可以得到一个原始信号[x（t）]的小波包分解公式：

[d2nj，m=k∈Zdnj-1，khk-2md2n+1j，m=k∈Zdnj-1，kgk-2m]    .                                                         （4）

式（4）中，[dnj]是小波包分解过程中产生的系数，j表示分解的层数.

2.2 随机森林分类器

随机森林（Random Forest，RF）是一种基于Bootstrap方法重采样的机器学习算法.RF算法将多个决策树组合在一起，在构建决策树时，采用随机选取分裂属性集的方式，基于单个决策树的分类结果，通过投票法得到最终的分类结果.给定M个属性的样本数，RF算法对其进行分类对的原理概述为 [11，12]：

（1）基于Bootstrap重采样，随机生成K个训练集[S1，S2…SK].

（2）基于K训练集[S1，S2…SK]，生成相应的K个决策树[CT1，CT2…CTK].在决策树中每个非叶子节点上选择属性前，从M个属性中随机抽取m个属性作为当前节点的分裂属性集，并以这m个属性中最好的分裂方式对该节点进行分裂（m为小于M的整数且大于0）.

（3）在每个决策树生产过程中保持完整性，不对其剪枝.

（4）利用每个决策树对测试样本集X进行测试，获得对应的类别标签[CT1（X），CT2（X）…]

[CTK（X）].

（5）将K个决策树中输出最多的类别作为测试集样本的类别.

2.3 矿工运动状态识别算法框架

本文提出的基于小波包与随机森林的矿工运动状态识别算法框架，基于三轴加速度传感器数据训练矿工运动状态识别模型.首先，从低功耗多跳Mesh网络的矿工体域网获取矿工运动过程中的加速度传感器数据，然后，依次执行算法.

信号处理与特征提取 为从原始加速度传感器数据中挖掘能够表征运动状态的特征，利用WPT对原始信号进行分解，基于终端结点的单支重构信号和重构信号的包络谱，计算统计特征用于运动状态识别与分类.

高维特征集的降维 特征降维是进行模式识别与分类之前的一个重要步骤，本文采用经典的主成分分析（PCA）对高维的原始特征集进行降维，去除干扰和冗余信息，减小计算复杂度.

分类器训练与测试 基于第二步得到的低维训练特征集，作为RF分类器的输入，再将获得的训练好的RF分类器对低维测试特征集进行分类，得到矿工运动状态识别结果.

3 实验与分析

3.1 生命体征采集节点性能测试与验证

本文从低功耗性能测试和无线通信性能测试两方面对设计的采集节点进行测试验证.

3.1.1 低功耗性能测试

由于采集节点使用场景必须满足较低的平均功耗以延长使用时间，因此，在3.7 V，100 mA·h的电池供电下，设置4种工作情况，测试采集节点的平均功耗.详见表1.

（1）采集节点中所有模块均正常通电工作（无线通信模块不发送数据）；

（2）采集节点中所有模块均正常通电工作（无线通信模块发送数据）；

（3）采集节点中体征传感器模块与无线模块处于断电状态；

（4）采集节点中所有外设模块处于断电状态，且单片机进入休眠状态.

根据表1中的功耗数据表明，本文设计的低功耗采集节点具有较好的低功耗性能，在情况4下，最低功耗约3.8 mA.

3.1.2 无线通信性能测试

为验证采集节点与汇聚节点之间无线通信的性能，分别设置一名矿工配置3，5，8，10个采集节点，测试统计汇聚节点接收各采集节点数据的丢包率和时延.当一次性发送50个8字节数据包时，上述4种采集节点数量配置下，丢包率均为0，时延均低于100 ms.当一次性发送100个8字节数据包时，上述4种采集节点数量配置下，时延均低于100 ms，在8个和10个采集节点情况下，丢包率小于2%.

综合上述两方面的性能测试，表明本文设计的生命体征采集节点具有较好的低功耗性能和无线通信性能，能够有效采集矿工生命体征参数.

3.2 矿工运动状态识别算法（MSR-WPT-RFS）的验证

3.2.1 实验设置与数据

为验证MSR-WPT-RFS算法的有效性，采用美国加州伯克利大学的可穿戴动作识别数据库WARD[7]中的加速度传感器数据进行实验验证.该数据库包含了从人体多点采集到的三轴加速度传感器和二轴陀螺仪数据，传感器的安放位置分别是人员的腰部、左手腕、右手腕、左脚踝和右脚踝.分别测量人体在自然状态下的13种运动模式（站、坐、躺、前进、后退、顺时针走、左转、右转、上楼、下楼、慢跑、跳和推轮椅）.本文从WARD数据库中选取7种运动状态下的加速度传感器数据，分别是站、坐、前进、后退、左转、右转和跳.

3.2.2 实验结果与分析

首先，利用WPT对原始加速度信号进行4层分解，选用“demy”小波，得到16个终端结点，再利用16个终端结点的单支重构信号及其希尔伯特包络谱，计算11种统计参数（表2），将获得的176个时域统计特征和176个频域统计特征组成原始统计特征集（Raw Statistical Feature Set，RSFS）.图3为三轴加速度数据经WPT分解后的终端结点的单支重构信号.

将从训练样本中提取到的原始特征集经PCA降维后的低维特征集作为RF的输入，训练RF分类器，再将从测试样本中提取到的特征集输入已训练好的RF分类器，获得状态识别结果.选取三种经典分类器（支持向量机（SVM）、K近邻分类器（KNN）和决策树（DT））进行实验对比，对比的模型分别为MSR-WPT-SVM，MSR-WPT-KNN和MSR-WPT-DT.表3为运动状态识别结果.根据结果可知，在不同的降维维数下，运动状态识别结果不同，在选取合适的降维维数时，能够取得较理想的识别准确率.当直接采用高维的RSFS作为分类器的输入时，取得的识别准确率并不理想；当采用PCA对高维RSFS降维后，降维维数为80情况下，四种模型均取得明显更优的识别准确率.MSR-WPT-RF能够取得优于其他对比模型的识别准确率，最高可达91%，验证了RF分类器相比于其他分类器的优势.

4 结语

构建基于低功耗多跳Mesh网络的矿工体域网，在灵活监测矿工身体多点体征参数的同时，满足较低的功耗性能.研究基于小波包与随机森林的矿工运动状态识别算法，利用不同运动状态下的体征数据训练运动状态识别模型，实现对体征数据的深度挖掘，获取运动状态信息.实验测试与验证结果表明，对生命体征采集节点开展低功耗和无线通信性能测试，最低功耗可低至约3.8 mA，无线通信的丢包率和时延均较低.MSR-WPT-RF算法在选取合适的降维维数下，能够实现91%的运动状态识别准确率，明显优于其他对比模型.

参考文献

[1]丁恩杰，俞啸，夏冰，等.矿山信息化发展及以数字孪生为核心的智慧矿山关键技术[J].煤炭学报，2022，47（01）：564-578.

[2]田水承，孙璐瑶，唐艺璇，等.矿工不安全状态评价指标体系的构建与分析[J].西安科技大学学报，2021，41（03）： 402-409.

[3]孟亦凡，李敬兆，张梅.基于LSTM边缘计算与随机森林雾决策的矿工状态监测设备[J].煤矿机械，2018，39（11）：144-148.

[4]魏峰.面向人员定位管理系统的生命体征监测关键技术研究[J].电子设计工程，2015，23（03）：60-62+65.

[5]马裕静，白东梅，刘雨田，等.煤矿井下人员安全可穿戴装置研究[J].工矿自动化，2018，44（08）：96-99.

[6]韩伟，王骏超，周洋，等.基于体域网的急救智能可穿戴系统的研究现状与进展[J].中华灾害救援医学，2021，9（07）：1113-1117.

[7]凌雲. 低功耗体域网运动模式远程监测系统研究[D].福州：福建師范大学，2018.

[8]张凯悦. 基于体域网的单兵体态识别技术研究[D].湖南 长沙：国防科技大学，2018.

[9]张帝，汪婵，周小杰，等.井下突水监测及预警系统的设计与实现[J].牡丹江师范学院学报：自然科学版，2022（01）：47-53.

[10]董飞.基于数据驱动的滚动轴承故障诊断研究[D].江苏 徐州：中国矿业大学，2018.

[11]Breiman L.Random forest[J].Machine Learning，2001，45：5-32.

[12]李敬德，康维新.基于信息熵和BP神经网络的信号奇异点智能检测[J].牡丹江师范学院学报：自然科学版，2017（04）：1-5+43.

编辑：琳莉