技术领域
[0001] 本申请涉及高空作业技术领域，特别是涉及一种高空作业状态监测方法、系统和存储介质。
相关背景技术
[0002] 高空作业涉及电力、化工、铁路、建筑等多个行业及领域，需要高空作业人员进行登高施工，高空作业场景环境恶劣，如果高空作业人员身体状态不佳容易发生危险事故，由于高空作业的特殊性，难以实现人工监护，市场上缺乏相应的监测设备，不能对高空作业人员的生理和心理状态进行实时的监测。随着物联网技术、无线通信技术的发展出现了一些可穿戴设备，如智能手环、智能眼镜等，这些设备在进行人体状态监测方面具有便携的特点，目前已经在老年人摔倒监测、心率监测、血氧浓度监测等方面取得一定的应用，基于这些传感器及监测手段，在高空作业领域进行应用，需要对不同传感器数据进行融合，建立高空作业人员状态评价模型，实现对高空作业人员异常状态进行预警。
具体实施方式
[0060] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0061] 在一个实施例中，如图1、图2所示，提供了一种高空作业状态监测方法，包括以下步骤：
[0062] 步骤S1，设置生理状态检测传感器采集高空作业人员的生理状态特征数据，所述生理状态特征数据包括脑电信号数据、心电信号数据、脉搏信号数据、血氧饱和度数据和体温数据；
[0063] 步骤S2，将所述生理状态特征数据进行融合，形成生理数据多维向量，采用深度神经网络模型处理所述生理数据多维向量获得生理状态评估结果；
[0064] 步骤S3，设置运动状态检测传感器采集高空作业人员的运动特征数据，所述运动特征数据包括运动的角度数据、速度数据和加速度数据；
[0065] 步骤S4，将所述运动特征数据进行融合，形成运动数据多维向量，采用深度神经网络模型处理所述运动数据多维向量获得运动状态评估结果；
[0066] 步骤S5，根据所述生理状态评估结果及所述运动状态评估结果获取高空作业人员的状态评估得分，所述状态评估得分包括健康得分、情绪得分和活动得分；
[0067] 步骤S6，当所述状态评估得分超出预设阈值时，发出报警信息。
[0068] 在本实施例中，所述设置生理状态检测传感器采集高空作业人员的生理状态特征数据，所述生理状态特征数据包括脑电信号数据、心电信号数据、脉搏信号数据、血氧饱和度数据和体温数据包括：
[0069] 设置所述生理状态检测传感器包括脑电信号采集模块、心电信号采集模块、脉搏采集模块、血氧饱和度采集模块和体温采集模块；
[0070] 所述脑电信号采集模块将脑电信号采集的电极与高空作业人员佩戴的安全帽进行集成，支持无线通信，采用所述脑电信号采集模块采集高空作业人员的脑电信号数据；
[0071] 所述心电信号采集模块采用纽扣式电极，支持无线通信，采用所述心电信号采集模块贴在高空作业人员的上臂、胸前、颈部位置采集高空作业人员的心电信号数据；
[0072] 所述脉搏信号检测模块、所述血氧饱和度检测模块和所述体温检测模块采用智能手环的方式采集高空作业人员的脉搏信号数据、血氧饱和度数据和体温数据。
[0073] 其中无线通信方式包括蓝牙、ZigBee、Lora等。支持组网，实现各个检测传感器与智能终端的自组网。
[0074] 在本实施例中，所述将所述生理状态特征数据进行融合，形成生理数据多维向量，采用深度神经网络模型处理所述生理数据多维向量获得生理状态评估结果包括：
[0075] 设置生理数据多维向量为Xfused＝[Xs1,Xs2,…,Xsn]，其中Xsn为所述生理状态特征数据，下标sn为生理状态特征数据的序号；
[0076] 获得的生理状态评估结果为Y＝f(Xfused)，其中f是深度神经网络模型。
[0077] 在本实施例中，所述设置运动状态检测传感器采集高空作业人员的运动特征数据，所述运动特征数据包括运动的角度数据、速度数据和加速度数据包括：
[0078] 设置所述运动状态检测传感器包括加速度传感器和陀螺仪；
[0079] 所述加速度传感器和陀螺仪与无线通信模块进行集成，安装固定在高空作业人员穿戴的全身式安全带上，用于检测高空作业人员的活动状态数据；所述活动状态数据包括静止、行走、跑步、倾斜和摇晃；
[0080] 通过所述活动状态数据计算加速度模、角速度模，以及运动的角度数据、速度数据和加速度数据。
[0081] 在本实施例中，所述将所述运动特征数据进行融合，形成运动数据多维向量，采用深度神经网络模型处理所述运动数据多维向量获得运动状态评估结果包括：
[0082] 设置运动数据多维向量为XM,fused＝[XM,s1,XM,s2,…,XM,sn]，其中XM,sn为所述运动状态特征数据，下标M，sn为运动状态特征数据的序号；
[0083] 获得的运动状态评估结果为M＝f(XM,fused)，其中f是深度神经网络模型。
[0084] 在本实施例中，在将所述生理状态特征数据进行融合之前，以及在将所述运动特征数据进行融合之前还包括：
[0085] 通过数字滤波器对所述生理状态特征数据进行噪声过滤；判断噪声过滤后的生理状态特征数据是否存在偏移或缩放误差，若是则对噪声过滤后的生理状态特征数据进行数据校准；
[0086] 通过数字滤波器对所述运动状态特征数据进行噪声过滤；判断噪声过滤后的运动状态特征数据是否存在偏移或缩放误差，若是则对噪声过滤后的运动状态特征数据进行数据校准；
[0087] 设置对噪声过滤后的生理状态特征数据或对噪声过滤后的运动状态特征数据进行数据校准的校准公式为：ycalibration＝axraw+b；式中，ycalibration为校准后的数值，xraw为校准前的数值，a为校准系数，b为偏差系数。
[0088] 在本实施例中，所述方法还包括：
[0089] 从所述心电信号数据中提取心率和心律变异性(HRV)，从所述脉搏信号数据中提取脉搏波形特征，从所述血氧饱和度数据中提取氧合血红蛋白饱和度；
[0090] 所述心律变异性由两个相邻的心跳峰值间期时间长短决定，所述心律变异性为式中，N是心跳峰值数量，Ri是第i个心跳峰值的时间间隔。R为心电检测传感器采集的波形中的心跳峰值。
[0091] 如图1所示，在本实施例中，所述方法还包括：
[0092] 步骤S7，设置位置信息采集模块采集高空作业人员的位置信息。
[0093] 上述高空作业状态监测方法中，通过对高空作业人员实时采集生理状态特征数据和运动特征数据，对采集的生理状态特征数据和运动特征数据进行处理获取生理状态评估结果和运动状态评估结果，最终获取高空作业人员的状态评估得分，针对状态评估得分分别监测健康得分、情绪得分和活动得分，当所述状态评估得分超出预设阈值时，发出报警信息，能提高工作安全性、减少事故和伤害、提高工作效率、降低医疗成本以及提高高空作业人员的生活质量。
[0094] 由于上述生理检测和运动检测数据来自不同的传感器，需要对这些传感器数据进行多模态数据融合，包括脑电信号、心电信号、脉搏、血氧饱和度、体温、加速度和陀螺仪数据。这种多模态数据融合充分考虑了多种生理和运动信息，为高空作业人员提供更全面的状态评估。
[0095] 数据融合的步骤如下：
[0096] 步骤1：数据预处理，采用数字滤波技术将采集的传感器数据作为时间序列，并构造低通滤波器、均值滤波器、双边滤波器等数字滤波器，实现对采集的传感器数据中的噪声进行过滤。
[0097] 步骤2：传感器数据校准，如果传感器数据存在偏移或缩放误差，可以进行校准。一种简单的线性校准公式如下，其中a和b是校准参数。
[0098] 校准公式：
[0099] ycalibration＝axraw+b
[0100] 式中，ycalibration为校准后的传感器数值，xraw为校准前的传感器数值，a为校准系数，b为偏差系数。
[0101] 步骤3：对生理数据进行特征提取，根据上述步骤生理检测传感器的数据作为时间序列，采用小波变换提取频域特征。
[0102] 从心电信号可以提取心率和心律变异性(HRV)，从脉搏信号可以提取脉搏波形特征，从血氧饱和度可以提取氧合血红蛋白饱和度等。
[0103] 以心率变异性为例(HRV)：
[0104] 心率变异性(HRV)是指逐次心跳周期差异的变化情况或者说是指心跳快慢的变化情况。是由两个相邻的R‑R间期时间长短决定的，即，从第一次心动周期至下一次心动周期间的微小差异。(R为心电检测传感器采集的波形中的心跳峰值)
[0105]
[0106] 式中，N是心跳峰值数量，Ri是第i个心跳峰值的时间间隔。
[0107] 步骤4：生理数据的融合，将来自不同传感器的特征数据进行融合，以建立多模态数据表示。可以使用数据融合技术，如特征级融合或模型级融合，将多源数据整合成一个多维向量Xfused。
[0108] Xfused＝[Xs1,Xs2,…,Xsn]
[0109] 式中，Xsn为生理状态检测传感器采集的数据，包括：脑电、心电、脉搏、血氧、体温等。
[0110] 步骤5：多模态生理状态评价模型，使用深度神经网络来处理多模态数据。模型的输入是融合后的多模态数据特征，输出是生理状态评估结果。这个模型可以包括多层卷积神经网络(CNN)和全连接层，以自动学习数据之间的复杂关系。
[0111] 公式：
[0112] Y＝f(Xfused)
[0113] 式中，Y是综合的生理状态评估结果，f是深度神经网络模型。
[0114] 步骤6：运动状态检测传感器数据特征提取，对每个传感器模块采集的数据进行特征提取，以获得运动特征。例如，可以计算加速度模(矢量长度)和角速度模，以及运动的角度、速度和加速度等。
[0115] 步骤7：运动状态检测传感器数据融合，将来自加速度传感器和陀螺仪的特征数据进行融合，以建立多模态的运动特征向量。可以使用向量拼接或其他融合技术将多源数据整合成一个多维向量XM,fused。
[0116] XM,fused＝[XM,s1,XM,s2,…,XM,sn]
[0117] 式中，XM,sn为运动状态检测传感器采集的数据，加速度、陀螺仪等传感器数据。
[0118] 步骤8：多模态运维状态评价模型，使用深度神经网络来处理多模态的运动数据。模型的输入是融合后的多模态运动特征，输出是运动状态评估结果。这个模型可以包括卷积神经网络(CNN)、循环神经网络(RNN)和全连接层，以学习复杂的运动模式和状态。
[0119] 公式：
[0120] M＝f(XM,fused)
[0121] 式中，M是综合的运动状态评估结果，f是深度神经网络模型。
[0122] 步骤9，根据步骤3‑步骤8得到生理状态评价模型和运动状态评价模型。使用深度学习模型输出的综合特征来评估高空作业人员的生理状态。包括心脏健康、呼吸状况、氧气供应、体温正常与否等。使用深度学习模型输出的综合特征来评估高空作业人员的运动状态。包括静止、行走、跑步、倾斜、摇晃等不同状态的识别，以及姿势的检测。
[0123] 根据上述步骤进行用例示范如下：
[0124] 采集的传感器数据作为输入，包括：
[0125] EEG(t)：时间t时刻的脑电信号；
[0126] ECG(t)：时间t时刻的心电信号；
[0127] PPG(t)：时间t时刻的脉搏信号；
[0128] SpO2(t)：时间t时刻的血氧饱和度；
[0129] Temp(t)：时间t时刻的体温；
[0130] Acc(t)：时间t时刻的加速度数据(包括三轴)；
[0131] Gyro(t)：时间t时刻的陀螺仪数据(包括三轴)。
[0132] 步骤11：对上述采集的传感器数据进行预处理，包括噪声滤波和校准。对于每个传感器数据进行噪声滤波和校准，以确保数据的质量。
[0133] 步骤12：信号处理并进行特征提取：
[0134] HRV(t)：计算心率变异性(HRV)。
[0135] EEG_Power(t)：计算脑电信号的频谱能量。
[0136] PPG_Freq(t)：计算脉搏信号的主要频率成分。
[0137] Activity_Intensity(t)：根据加速度数据计算活动强度。
[0138] 步骤13：数据融合，进行特征级融合，将各个特征合并成一个多模态特征向量。
[0139] Xfused(t)＝[HRV(t),EEG_Power(t),PPG_Freq(t),SpO2(t),Temp(t),Activity_Intensity(t),Acc(t),Gyro(t)]
[0140] 步骤14：构建深度学习模型，多输入多输出(MIMO)模型：使用深度神经网络进行多模态数据的联合建模。模型包括多个层，包括卷积层、循环层和全连接层。该模型将多模态特征作为输入，输出综合的状态评估结果。
[0141] Y(t)＝f(Xfused(t))
[0142] 式中，Y(t)：时间t时刻的综合状态评估结果。f：深度神经网络模型。
[0143] 步骤15：综合状态评估：模型输出综合的状态评估结果，包括综合健康指数、情绪状态和活动状态。
[0144] 健康得分：Health_Score(t)＝fhealth(Y(t))；
[0145] 情绪得分：Emotion_Score(t)＝femotion(Y(t))；
[0146] 活动得分：Activity_Score(t)＝factivity(Y(t))。
[0147] t：时间
[0148] 健康得分Health_Score(t)：该得分用于评估高空作业人员的生理健康状况。包括对心脏健康、呼吸系统、体温等方面的评估。例如，通过监测心率、血氧饱和度和体温的异常变化，算法可以检测到可能的心血管问题或发热症状。得分越高，表示健康状况越好。
[0149] 情绪得分Emotion_Score(t)：情绪得分用于评估高空作业人员的情绪状态。可以通过脑电信号和深度学习模型来分析，以检测焦虑、疲劳或其他情绪异常。情绪得分的变化可以用来识别高空作业人员的情感反应，从而帮助管理人员采取适当的支持措施。
[0150] 活动得分Activity_Score(t)：活动得分用于评估高空作业人员的活动状态和姿势。通过分析加速度和陀螺仪数据，算法可以检测到异常的运动活动、危险的姿势或过度的体力活动。这有助于防止工作中的运动相关伤害。
[0151] 上述算法用例中，各个符号的含义如下：
[0152] EEG(t)：脑电信号数据；
[0153] ECG(t)：心电信号数据；
[0154] PPG(t)：脉搏信号数据；
[0155] SpO2(t)：血氧饱和度数据；
[0156] Temp(t)：体温数据；
[0157] Acc(t)：加速度数据；
[0158] Gyro(t)：陀螺仪数据；
[0159] HRV(t)：心率变异性数据；
[0160] EEG_Power(t)：脑电信号频谱能量数据；
[0161] PPG_Freq(t)：脉搏信号主要频率成分数据；
[0162] Activity_Intensity(t)：活动强度数据；
[0163] Xfused(t)：多模态特征向量；
[0164] Y(t)：综合状态评估结果；
[0165] f：深度神经网络模型；
[0166] fhealth：生理健康评估函数；
[0167] femotion：情绪状态评估函数；
[0168] factivity：活动状态评估函数。
[0169] 本发明所述高空作业人员状态评价算法的创新性在于它综合了多种生理和运动数据，并使用深度学习模型实时评估高空作业人员的状态，提供全面的状态评估，从而有助于提高工作安全性。
[0170] 智能终端实时的对高空作业人员佩戴的检测传感器进行处理，实时监控这些状态得分，如果发现异常情况，会触发警报，通过无线通信模块将报警信息发送到远程服务器，同时智能终端通过本地的语音提醒通知高空作业人员和现场监护人员。例如，如果健康得分急剧下降，会发出心脏健康警报；如果情绪得分表明极度焦虑，会发出情绪紧张警报；如果活动得分表明危险的运动状态，会发出危险活动警报。
[0171] 本申请旨在解决高空作业人员状态监测的关键问题，具有以下明显的通过对高空作业人员实时采集生理状态特征数据和运动特征数据，对采集的生理状态特征数据和运动特征数据进行处理获取生理状态评估结果和运动状态评估结果，最终获取高空作业人员的状态评估得分，针对状态评估得分分别监测健康得分、情绪得分和活动得分，当所述状态评估得分超出预设阈值时，发出报警信息，能提高工作安全性、减少事故和伤害、提高工作效率、降低医疗成本以及提高高空作业人员的生活质量：
[0172] 提高工作安全性：通过综合多传感器数据和深度学习模型，本发明能够实时监测高空作业人员的生理状态、情绪状态和运动状态。这有助于及时发现潜在的健康问题、情绪异常和危险的运动行为，从而提高高空作业的安全性。
[0173] 减少事故和伤害：本发明的实时监控和警报系统可以及时向监管人员和高空作业人员发出警报，当监测到异常情况时，如心脏问题、情绪紧张或危险的姿势，能够快速采取适当的措施。这有助于减少事故和伤害，提高了高空作业的安全性。
[0174] 提高工作效率：本发明的实时状态评估系统可以帮助监管人员更好地了解高空作业人员的状态，从而调配工作任务，提高工作效率。通过减少不必要的休息时间和重新分配任务，作业的完成时间可以缩短，从而提高工作效率。
[0175] 降低医疗成本：通过定期监测高空作业人员的生理状态，可以及早发现潜在的健康问题，并采取预防措施。这降低了医疗成本，因为可以减少紧急医疗治疗和长期护理的需求。
[0176] 提高高空作业人员的生活质量：本发明不仅有助于作业安全，还有助于改善高空作业人员的生活质量。他们可以更加自信地从事高空作业，知道他们的健康和情绪状态得到监测和支持。
[0177] 在一个实施例中，如图3所示，提供了一种高空作业状态监测系统，用于实现前文所述的高空作业状态监测方法，所述系统包括生理状态检测传感器、运动状态检测传感器、无线通信模块、智能终端和远程服务器；
[0178] 所述生理状态检测传感器包括脑电信号采集模块、心电信号采集模块、脉搏采集模块、血氧饱和度采集模块和体温采集模块；所述生理状态检测传感器用于采集高空作业人员的生理状态特征数据，所述生理状态特征数据包括脑电信号数据、心电信号数据、脉搏信号数据、血氧饱和度数据和体温数据；
[0179] 所述运动状态检测传感器包括加速度传感器和陀螺仪；所述运动状态检测传感器用于采集高空作业人员的运动特征数据，所述运动特征数据包括运动的角度数据、速度数据和加速度数据；
[0180] 所述生理状态检测传感器及所述所述运动状态检测传感器通过所述无线通信模块与所述智能终端连接，所述智能终端包括数据融合模块，所述数据融合模块用于将所述生理状态特征数据进行融合，形成生理数据多维向量，所述数据融合模块用于将所述运动特征数据进行融合，形成运动数据多维向量；
[0181] 所述智能终端通过所述无线通信模块与所述远程服务器连接，所述远程服务器设有深度神经网络模型，所述远程服务器用于根据所述生理状态评估结果及所述运动状态评估结果获取高空作业人员的状态评估得分，所述状态评估得分包括健康得分、情绪得分和活动得分；当所述状态评估得分超出预设阈值时，发出报警信息。
[0182] 所述智能终端为嵌入式边缘计算终端，如智能手机、平板、智能网关等。智能终端通过低功耗无线通信模块与前面所述的各个检测模块进行数据通信。通过4G、5G、GPRS等无线通信与远程服务器进行数据交互。
[0183] 所述远程服务器用于管理高空作业人员使用的传感器、智能终端，同时对高空作业人员的状态评价结果进行存储。远程服务器还可以提供异常状态信息的报警提醒、、历史数据展示、实时状态查看等功能。
[0184] 在本实施例中，所述设置生理状态检测传感器采集高空作业人员的生理状态特征数据，所述生理状态特征数据包括脑电信号数据、心电信号数据、脉搏信号数据、血氧饱和度数据和体温数据包括：
[0185] 设置所述生理状态检测传感器包括脑电信号采集模块、心电信号采集模块、脉搏采集模块、血氧饱和度采集模块和体温采集模块；
[0186] 所述脑电信号采集模块将脑电信号采集的电极与高空作业人员佩戴的安全帽进行集成，支持无线通信，采用所述脑电信号采集模块采集高空作业人员的脑电信号数据；
[0187] 所述心电信号采集模块采用纽扣式电极，支持无线通信，采用所述心电信号采集模块贴在高空作业人员的上臂、胸前、颈部位置采集高空作业人员的心电信号数据；
[0188] 所述脉搏信号检测模块、所述血氧饱和度检测模块和所述体温检测模块采用智能手环的方式采集高空作业人员的脉搏信号数据、血氧饱和度数据和体温数据。
[0189] 在本实施例中，所述将所述生理状态特征数据进行融合，形成生理数据多维向量，采用深度神经网络模型处理所述生理数据多维向量获得生理状态评估结果包括：
[0190] 设置生理数据多维向量为Xfused＝[Xs1,Xs2,…,Xsn]，其中Xsn为所述生理状态特征数据，下标sn为生理状态特征数据的序号；
[0191] 获得的生理状态评估结果为Y＝f(Xfused)，其中f是深度神经网络模型。
[0192] 在本实施例中，所述设置运动状态检测传感器采集高空作业人员的运动特征数据，所述运动特征数据包括运动的角度数据、速度数据和加速度数据包括：
[0193] 设置所述运动状态检测传感器包括加速度传感器和陀螺仪；
[0194] 所述加速度传感器和陀螺仪与无线通信模块进行集成，安装固定在高空作业人员穿戴的全身式安全带上，用于检测高空作业人员的活动状态数据；所述活动状态数据包括静止、行走、跑步、倾斜和摇晃；
[0195] 通过所述活动状态数据计算加速度模、角速度模，以及运动的角度数据、速度数据和加速度数据。
[0196] 在本实施例中，所述将所述运动特征数据进行融合，形成运动数据多维向量，采用深度神经网络模型处理所述运动数据多维向量获得运动状态评估结果包括：
[0197] 设置运动数据多维向量为XM,fused＝[XM,s1,XM,s2,…,XM,sn]，其中XM,sn为所述运动状态特征数据，下标M，sn为运动状态特征数据的序号；
[0198] 获得的运动状态评估结果为M＝f(XM,fused)，其中f是深度神经网络模型。
[0199] 在本实施例中，在本实施例中，所述高空作业状态监测系统还包括：数字滤波器和数据校准模块。
[0200] 在将所述生理状态特征数据进行融合之前，以及在将所述运动特征数据进行融合之前还包括：通过数字滤波器对所述生理状态特征数据进行噪声过滤；通过数据校准模块判断噪声过滤后的生理状态特征数据是否存在偏移或缩放误差，若是则对噪声过滤后的生理状态特征数据进行数据校准；通过数字滤波器对所述运动状态特征数据进行噪声过滤；通过数据校准模块判断噪声过滤后的运动状态特征数据是否存在偏移或缩放误差，若是则对噪声过滤后的运动状态特征数据进行数据校准。
[0201] 其中，设置对噪声过滤后的生理状态特征数据或对噪声过滤后的运动状态特征数据进行数据校准的校准公式为：ycalibration＝axraw+b；式中，ycalibration为校准后的数值，xraw为校准前的数值，a为校准系数，b为偏差系数。
[0202] 在本实施例中，所述高空作业状态监测系统还包括：心律变异性分析模块。
[0203] 所述心律变异性分析模块用于从所述心电信号数据中提取心率和心律变异性(HRV)，从所述脉搏信号数据中提取脉搏波形特征，从所述血氧饱和度数据中提取氧合血红蛋白饱和度。
[0204] 其中，所述心律变异性由两个相邻的心跳峰值间期时间长短决定，所述心律变异性为 式中，N是心跳峰值数量，Ri是第i个心跳峰值的时间间隔。
[0205] 在本实施例中，所述高空作业状态监测系统还包括：位置信息采集模块。所述位置信息采集模块支持GPS、北斗定位，主要用于记录高空作业人员的位置信息。位置信息采集模块与智能终端进行集成。
[0206] 所述位置信息采集模块用于采集高空作业人员的位置信息。
[0207] 上述高空作业状态监测系统中，通过对高空作业人员实时采集生理状态特征数据和运动特征数据，对采集的生理状态特征数据和运动特征数据进行处理获取生理状态评估结果和运动状态评估结果，最终获取高空作业人员的状态评估得分，针对状态评估得分分别监测健康得分、情绪得分和活动得分，当所述状态评估得分超出预设阈值时，发出报警信息，能提高工作安全性、减少事故和伤害、提高工作效率、降低医疗成本以及提高高空作业人员的生活质量。
[0208] 关于高空作业状态监测系统的具体限定可以参见上文中对于高空作业状态监测方法的限定，在此不再赘述。上述高空作业状态监测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0209] 在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0210] 设置生理状态检测传感器采集高空作业人员的生理状态特征数据，所述生理状态特征数据包括脑电信号数据、心电信号数据、脉搏信号数据、血氧饱和度数据和体温数据；
[0211] 将所述生理状态特征数据进行融合，形成生理数据多维向量，采用深度神经网络模型处理所述生理数据多维向量获得生理状态评估结果；
[0212] 设置运动状态检测传感器采集高空作业人员的运动特征数据，所述运动特征数据包括运动的角度数据、速度数据和加速度数据；
[0213] 将所述运动特征数据进行融合，形成运动数据多维向量，采用深度神经网络模型处理所述运动数据多维向量获得运动状态评估结果；
[0214] 根据所述生理状态评估结果及所述运动状态评估结果获取高空作业人员的状态评估得分，所述状态评估得分包括健康得分、情绪得分和活动得分；
[0215] 当所述状态评估得分超出预设阈值时，发出报警信息。
[0216] 在一个实施例中计算机程序被处理器执行时还实现以下步骤：
[0217] 所述设置生理状态检测传感器采集高空作业人员的生理状态特征数据，所述生理状态特征数据包括脑电信号数据、心电信号数据、脉搏信号数据、血氧饱和度数据和体温数据包括：
[0218] 设置所述生理状态检测传感器包括脑电信号采集模块、心电信号采集模块、脉搏采集模块、血氧饱和度采集模块和体温采集模块；
[0219] 所述脑电信号采集模块将脑电信号采集的电极与高空作业人员佩戴的安全帽进行集成，支持无线通信，采用所述脑电信号采集模块采集高空作业人员的脑电信号数据；
[0220] 所述心电信号采集模块采用纽扣式电极，支持无线通信，采用所述心电信号采集模块贴在高空作业人员的上臂、胸前、颈部位置采集高空作业人员的心电信号数据；
[0221] 所述脉搏信号检测模块、所述血氧饱和度检测模块和所述体温检测模块采用智能手环的方式采集高空作业人员的脉搏信号数据、血氧饱和度数据和体温数据。
[0222] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0223] 所述将所述生理状态特征数据进行融合，形成生理数据多维向量，采用深度神经网络模型处理所述生理数据多维向量获得生理状态评估结果包括：
[0224] 设置生理数据多维向量为Xfused＝[Xs1,Xs2,…,Xsn]，其中Xsn为所述生理状态特征数据，下标sn为生理状态特征数据的序号；
[0225] 获得的生理状态评估结果为Y＝f(Xfused)，其中f是深度神经网络模型。
[0226] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0227] 所述设置运动状态检测传感器采集高空作业人员的运动特征数据，所述运动特征数据包括运动的角度数据、速度数据和加速度数据包括：
[0228] 设置所述运动状态检测传感器包括加速度传感器和陀螺仪；
[0229] 所述加速度传感器和陀螺仪与无线通信模块进行集成，安装固定在高空作业人员穿戴的全身式安全带上，用于检测高空作业人员的活动状态数据；所述活动状态数据包括静止、行走、跑步、倾斜和摇晃；
[0230] 通过所述活动状态数据计算加速度模、角速度模，以及运动的角度数据、速度数据和加速度数据。
[0231] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0232] 所述将所述运动特征数据进行融合，形成运动数据多维向量，采用深度神经网络模型处理所述运动数据多维向量获得运动状态评估结果包括：
[0233] 设置运动数据多维向量为XM,fused＝[XM,s1,XM,s2,…,XM,sn]，其中XM,sn为所述运动状态特征数据，下标M，sn为运动状态特征数据的序号；
[0234] 获得的运动状态评估结果为M＝f(XM,fused)，其中f是深度神经网络模型。
[0235] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0236] 在将所述生理状态特征数据进行融合之前，以及在将所述运动特征数据进行融合之前还包括：
[0237] 通过数字滤波器对所述生理状态特征数据进行噪声过滤；判断噪声过滤后的生理状态特征数据是否存在偏移或缩放误差，若是则对噪声过滤后的生理状态特征数据进行数据校准；
[0238] 通过数字滤波器对所述运动状态特征数据进行噪声过滤；判断噪声过滤后的运动状态特征数据是否存在偏移或缩放误差，若是则对噪声过滤后的运动状态特征数据进行数据校准；
[0239] 设置对噪声过滤后的生理状态特征数据或对噪声过滤后的运动状态特征数据进行数据校准的校准公式为：ycalibration＝axraw+b；式中，ycalibration为校准后的数值，xraw为校准前的数值，a为校准系数，b为偏差系数。
[0240] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0241] 从所述心电信号数据中提取心率和心律变异性(HRV)，从所述脉搏信号数据中提取脉搏波形特征，从所述血氧饱和度数据中提取氧合血红蛋白饱和度；
[0242] 所述心律变异性由两个相邻的心跳峰值间期时间长短决定，所述心律变异性为式中，N是心跳峰值数量，Ri是第i个心跳峰值的时间间隔。
[0243] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0244] 设置位置信息采集模块采集高空作业人员的位置信息。
[0245] 关于计算机程序被处理器执行时实现步骤的具体限定可以参见上文中对于高空作业状态监测的方法的限定，在此不再赘述。
[0246] 在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储高空作业状态监测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种高空作业状态监测方法。
[0247] 本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0248] 在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0249] 设置生理状态检测传感器采集高空作业人员的生理状态特征数据，所述生理状态特征数据包括脑电信号数据、心电信号数据、脉搏信号数据、血氧饱和度数据和体温数据；
[0250] 将所述生理状态特征数据进行融合，形成生理数据多维向量，采用深度神经网络模型处理所述生理数据多维向量获得生理状态评估结果；
[0251] 设置运动状态检测传感器采集高空作业人员的运动特征数据，所述运动特征数据包括运动的角度数据、速度数据和加速度数据；
[0252] 将所述运动特征数据进行融合，形成运动数据多维向量，采用深度神经网络模型处理所述运动数据多维向量获得运动状态评估结果；
[0253] 根据所述生理状态评估结果及所述运动状态评估结果获取高空作业人员的状态评估得分，所述状态评估得分包括健康得分、情绪得分和活动得分；
[0254] 当所述状态评估得分超出预设阈值时，发出报警信息。
[0255] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0256] 所述设置生理状态检测传感器采集高空作业人员的生理状态特征数据，所述生理状态特征数据包括脑电信号数据、心电信号数据、脉搏信号数据、血氧饱和度数据和体温数据包括：
[0257] 设置所述生理状态检测传感器包括脑电信号采集模块、心电信号采集模块、脉搏采集模块、血氧饱和度采集模块和体温采集模块；
[0258] 所述脑电信号采集模块将脑电信号采集的电极与高空作业人员佩戴的安全帽进行集成，支持无线通信，采用所述脑电信号采集模块采集高空作业人员的脑电信号数据；
[0259] 所述心电信号采集模块采用纽扣式电极，支持无线通信，采用所述心电信号采集模块贴在高空作业人员的上臂、胸前、颈部位置采集高空作业人员的心电信号数据；
[0260] 所述脉搏信号检测模块、所述血氧饱和度检测模块和所述体温检测模块采用智能手环的方式采集高空作业人员的脉搏信号数据、血氧饱和度数据和体温数据。
[0261] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0262] 所述将所述生理状态特征数据进行融合，形成生理数据多维向量，采用深度神经网络模型处理所述生理数据多维向量获得生理状态评估结果包括：
[0263] 设置生理数据多维向量为Xfused＝[Xs1,Xs2,…,Xsn]，其中Xsn为所述生理状态特征数据，下标sn为生理状态特征数据的序号；
[0264] 获得的生理状态评估结果为Y＝f(Xfused)，其中f是深度神经网络模型。
[0265] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0266] 所述设置运动状态检测传感器采集高空作业人员的运动特征数据，所述运动特征数据包括运动的角度数据、速度数据和加速度数据包括：
[0267] 设置所述运动状态检测传感器包括加速度传感器和陀螺仪；
[0268] 所述加速度传感器和陀螺仪与无线通信模块进行集成，安装固定在高空作业人员穿戴的全身式安全带上，用于检测高空作业人员的活动状态数据；所述活动状态数据包括静止、行走、跑步、倾斜和摇晃；
[0269] 通过所述活动状态数据计算加速度模、角速度模，以及运动的角度数据、速度数据和加速度数据。
[0270] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0271] 所述将所述运动特征数据进行融合，形成运动数据多维向量，采用深度神经网络模型处理所述运动数据多维向量获得运动状态评估结果包括：
[0272] 设置运动数据多维向量为XM,fused＝[XM,s1,XM,s2,…,XM,sn]，其中XM,sn为所述运动状态特征数据，下标M，sn为运动状态特征数据的序号；
[0273] 获得的运动状态评估结果为M＝f(XM,fused)，其中f是深度神经网络模型。
[0274] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0275] 在将所述生理状态特征数据进行融合之前，以及在将所述运动特征数据进行融合之前还包括：
[0276] 通过数字滤波器对所述生理状态特征数据进行噪声过滤；判断噪声过滤后的生理状态特征数据是否存在偏移或缩放误差，若是则对噪声过滤后的生理状态特征数据进行数据校准；
[0277] 通过数字滤波器对所述运动状态特征数据进行噪声过滤；判断噪声过滤后的运动状态特征数据是否存在偏移或缩放误差，若是则对噪声过滤后的运动状态特征数据进行数据校准；
[0278] 设置对噪声过滤后的生理状态特征数据或对噪声过滤后的运动状态特征数据进行数据校准的校准公式为：ycalibration＝axraw+b；式中，ycalibration为校准后的数值，xraw为校准前的数值，a为校准系数，b为偏差系数。
[0279] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0280] 从所述心电信号数据中提取心率和心律变异性(HRV)，从所述脉搏信号数据中提取脉搏波形特征，从所述血氧饱和度数据中提取氧合血红蛋白饱和度；
[0281] 所述心律变异性由两个相邻的心跳峰值间期时间长短决定，所述心律变异性为式中，N是心跳峰值数量，Ri是第i个心跳峰值的时间间隔。
[0282] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0283] 设置位置信息采集模块采集高空作业人员的位置信息。
[0284] 关于处理器执行计算机程序时实现步骤的具体限定可以参见上文中对于高空作业状态监测的方法的限定，在此不再赘述。
[0285] 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0286] 设置生理状态检测传感器采集高空作业人员的生理状态特征数据，所述生理状态特征数据包括脑电信号数据、心电信号数据、脉搏信号数据、血氧饱和度数据和体温数据；
[0287] 将所述生理状态特征数据进行融合，形成生理数据多维向量，采用深度神经网络模型处理所述生理数据多维向量获得生理状态评估结果；
[0288] 设置运动状态检测传感器采集高空作业人员的运动特征数据，所述运动特征数据包括运动的角度数据、速度数据和加速度数据；
[0289] 将所述运动特征数据进行融合，形成运动数据多维向量，采用深度神经网络模型处理所述运动数据多维向量获得运动状态评估结果；
[0290] 根据所述生理状态评估结果及所述运动状态评估结果获取高空作业人员的状态评估得分，所述状态评估得分包括健康得分、情绪得分和活动得分；
[0291] 当所述状态评估得分超出预设阈值时，发出报警信息。
[0292] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0293] 所述设置生理状态检测传感器采集高空作业人员的生理状态特征数据，所述生理状态特征数据包括脑电信号数据、心电信号数据、脉搏信号数据、血氧饱和度数据和体温数据包括：
[0294] 设置所述生理状态检测传感器包括脑电信号采集模块、心电信号采集模块、脉搏采集模块、血氧饱和度采集模块和体温采集模块；
[0295] 所述脑电信号采集模块将脑电信号采集的电极与高空作业人员佩戴的安全帽进行集成，支持无线通信，采用所述脑电信号采集模块采集高空作业人员的脑电信号数据；
[0296] 所述心电信号采集模块采用纽扣式电极，支持无线通信，采用所述心电信号采集模块贴在高空作业人员的上臂、胸前、颈部位置采集高空作业人员的心电信号数据；
[0297] 所述脉搏信号检测模块、所述血氧饱和度检测模块和所述体温检测模块采用智能手环的方式采集高空作业人员的脉搏信号数据、血氧饱和度数据和体温数据。
[0298] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0299] 所述将所述生理状态特征数据进行融合，形成生理数据多维向量，采用深度神经网络模型处理所述生理数据多维向量获得生理状态评估结果包括：
[0300] 设置生理数据多维向量为Xfused＝[Xs1,Xs2,…,Xsn]，其中Xsn为所述生理状态特征数据，下标sn为生理状态特征数据的序号；
[0301] 获得的生理状态评估结果为Y＝f(Xfused)，其中f是深度神经网络模型。
[0302] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0303] 所述设置运动状态检测传感器采集高空作业人员的运动特征数据，所述运动特征数据包括运动的角度数据、速度数据和加速度数据包括：
[0304] 设置所述运动状态检测传感器包括加速度传感器和陀螺仪；
[0305] 所述加速度传感器和陀螺仪与无线通信模块进行集成，安装固定在高空作业人员穿戴的全身式安全带上，用于检测高空作业人员的活动状态数据；所述活动状态数据包括静止、行走、跑步、倾斜和摇晃；
[0306] 通过所述活动状态数据计算加速度模、角速度模，以及运动的角度数据、速度数据和加速度数据。
[0307] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0308] 所述将所述运动特征数据进行融合，形成运动数据多维向量，采用深度神经网络模型处理所述运动数据多维向量获得运动状态评估结果包括：
[0309] 设置运动数据多维向量为XM,fused＝[XM,s1,XM,s2,…,XM,sn]，其中XM,sn为所述运动状态特征数据，下标M，sn为运动状态特征数据的序号；
[0310] 获得的运动状态评估结果为M＝f(XM,fused)，其中f是深度神经网络模型。
[0311] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0312] 在将所述生理状态特征数据进行融合之前，以及在将所述运动特征数据进行融合之前还包括：
[0313] 通过数字滤波器对所述生理状态特征数据进行噪声过滤；判断噪声过滤后的生理状态特征数据是否存在偏移或缩放误差，若是则对噪声过滤后的生理状态特征数据进行数据校准；
[0314] 通过数字滤波器对所述运动状态特征数据进行噪声过滤；判断噪声过滤后的运动状态特征数据是否存在偏移或缩放误差，若是则对噪声过滤后的运动状态特征数据进行数据校准；
[0315] 设置对噪声过滤后的生理状态特征数据或对噪声过滤后的运动状态特征数据进行数据校准的校准公式为：ycalibration＝axraw+b；式中，ycalibration为校准后的数值，xraw为校准前的数值，a为校准系数，b为偏差系数。
[0316] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0317] 从所述心电信号数据中提取心率和心律变异性(HRV)，从所述脉搏信号数据中提取脉搏波形特征，从所述血氧饱和度数据中提取氧合血红蛋白饱和度；
[0318] 所述心律变异性由两个相邻的心跳峰值间期时间长短决定，所述心律变异性为式中，N是心跳峰值数量，Ri是第i个心跳峰值的时间间隔。
[0319] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0320] 设置位置信息采集模块采集高空作业人员的位置信息。
[0321] 关于计算机程序被处理器执行时实现步骤的具体限定可以参见上文中对于高空作业状态监测的方法的限定，在此不再赘述。
[0322] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
[0323] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0324] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
