基于可穿戴传感信息的计量现场作业异常行为识别算法探究

陈 飞

引言

计量现场作业异常行为识别算法可以帮助工作人员稳定自身动作，防止意外事故发生[1-2]，因此计量现场作业异常行为识别成为当前的研究重点[3]。王泽伟等基于时空融合卷积神经网络，通过RGB图像，对人体的异常行为进行了识别并输出识别结果。但该方法无法有效过滤噪声信号，识别准确性较差[4]。郑浩等通过相机设计自适应均值漂移的参数，但该方法的数字信号处理能力不足，识别结果准确率较低[5]。因此，本文基于可穿戴的传感信息，设计一个计量现场作业异常行为识别算法。

一、计量现场作业异常行为识别算法设计

（一）信号处理

采用带通滤波器对采集信号进行处理，将一维时域信号与高频信号分别作为基性漂移的直流分量和噪声干扰项。将带通滤波全部输入到基线中[6]，使用均方根误差与信噪比，计算去噪结果。

校正后，所得到的数据即可被用于特征提取，此时其数据误差已经大幅度降低，可以直接使用。

（二）异常行为信号特征提取

本文选择自适应滤波器作为无信号、无噪声的先验期望。此时可以通过公式（6）获得二者的原理。

（三）设计异常行为识别算法

降低同类样本的特征权重，匹配父子节点计算特征值属性，计算不同特征集之间的距离，表示特征点在不同分类样本中的差异，基础差异函数为：

通过加权欧式距离的方式，优化决策树算法的判断函数，精准判断该动作是否为异常行为，公式为：

二、实验研究

将某计量测试检定中心的计量现场作业项目作为实验对象，获得检定中心的原始记录数据。选择4位测试人员：青年男性、青年女性、老年男性、老年女性。在测试人员的腕表、头盔中配置ErgoLAB Motion无线可穿戴传感器设备。测试人员穿着可穿戴式传感器，独立完成如表1所示的动作，采集计量现场作业过程中的人体活动数据。

表1 数据集描述

将表1中的六个动作分别重复若干次，以保证实验结果的准确性。原始数据集的分布式采集平台框架为Cloudera Hadoop 6.3，采集到的数据存储在HDFS中。

将基于传感器数据、基于时空融合卷积神经网络和基于混合算法的识别方法作为对比方法，对比本文设计的异常行为识别算法与其他对比方法的F1值，不同方法的异常行为识别准确率测试结果如图1所示。

图1 异常行为识别准确率测试

如图1所示，本文算法针对不同的异常行为识别的F1值均高于96%，针对青年男性的站立异常行为识别的F1值达到了最高值，为98.7%。由此可知，文中异常行为识别方法相较于其他三种方法均具备更高的F1值，即该方法的识别准确率更高。

结束语

本文基于可穿戴传感信息设计了一种计量现场作业的异常行为识别算法，通过采集可穿戴传感信息的信号，利用决策树算法提取异常行为信号特征，实现异常行为识别。在结合可穿戴式传感信息处理初始传感器信号的基础上，针对不同测试人员异常行为的F1值均高于96%，识别准确率较高，可以提前识别工作人员的异常行为，提醒工作人员，避免事故发生。但由于当前研究没有侧重分析不同工作环境计量现场的差异化特点，因此在未来研究中，将以提升算法鲁棒性为主要研究目标，通过结合多种传感器数据，利用深度学习等技术进行多模态数据融合，提高识别算法的鲁棒性。