(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111602916.0 (22)申请日 2021.12.24 (71)申请人 山东浪潮工业互联网产业股份有限 公司 地址 250101 山东省济南市高新区浪潮路 1036号浪潮科技园S02号楼19层 (72)发明人 张超　李佳　商广勇　胡立军　 (74)专利代理 机构 北京君慧知识产权代理事务 所(普通合伙) 11716 专利代理师 肖鹏 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的人员安全监控方法及 设备 (57)摘要 本发明公开了一种基于机器学习的人员安 全监控方法及设备， 属于安全监控技术领域， 用 于解决现有的人员安全监控方法监控范围不全 面、 对于工作人员的安全状况评估准确性低的技 术问题。 方法包括： 通过若干运动 传感器， 实时采 集被监控人员的人体运动数据； 通过训练好的运 动特征识别模 型， 对人体运动数据进行运动特征 识别， 得到被监控人员的运动特征数据； 实时采 集被监控人员的生命体征数据以及所处环境数 据、 设备运行数据， 得到安全监控数据集； 对安全 监控数据集进行预处理并进行聚类 分析， 得到完 整安全监控数据集中各类数据的危险指数以及 危险指数权重； 根据危险指数以及危险指数权 重， 得到被监控人员的危险评价值， 进而确定是 否发出报警。 权利要求书3页 说明书8页 附图2页 CN 114462481 A 2022.05.10 CN 114462481 A 1.一种基于 机器学习的人员安全监控方法， 其特 征在于， 所述方法包括： 通过若干运动传感器， 实时采集被监控人员的人体运动数据； 其中， 所述运动传感器安 装于可穿戴设备 上的关键运动位置， 至少包括加速度传感器、 陀螺 仪传感器； 基于预设时间间隔， 通过训练好的运动特征识别模型， 对所述人体运动数据进行运动 特征识别， 得到所述被监控人员的运动特 征数据； 通过安装于所述可穿戴设备上的各种传感器， 实时采集所述被监控人员的生命体征数 据以及所处环境数据； 并通过工业设备中安装的数据采集设备， 实时采集设备运行 数据； 将所述运动特征数据、 生命体征数据、 所处环境数据以及所述设备运行数据组合为安 全监控数据集； 对所述安全监控数据集中的各类数据分别进行 预处理， 得到完整安全监控数据集； 对所述完整安全监控数据集进行聚类分析， 得到所述完整安全监控数据集中各类数据 的危险指数以及危险指数权 重； 根据所述危险指数以及所述危险指数权重， 得到所述被监控人员的危险评价值， 进而 确定是否发出报警。 2.根据权利要求1所述的一种基于机器学习的人员安全监控方法， 其特征在于， 在通过 训练好的运动特征识别模型， 对所述人体运动数据进行运动特征识别 之前， 所述方法还包 括： 将第一预设数量的卷积层以及一个池化层进行串联， 得到一个卷积块； 将第二预设数量的卷积块进行堆叠， 得到卷积网络； 其中， 所述第一预设数量以及第二 预设数量的取值范围均为[1,10]； 将所述卷积网络与双层长短期记忆网络LSTM、 全连接层以及多项逻辑回归层进行组 合， 得到所述 运动特征识别模型； 通过人体运动识别HAR数据集对所述运动特征识别模型进行训练以及测试， 得到测试 精度值； 若所述测试精度值小于第 一预设阈值， 则随机调整所述第 一预设数量以及所述第 二预 设数量的值， 直至所述测试精度达 到所述第一预设阈值。 3.根据权利要求2所述的一种基于机器学习的人员安全监控方法， 其特征在于， 基于预 设时间间隔， 通过训练好的运动特征识别模型， 对 所述人体运动数据进 行运动特征识别， 得 到所述被监控人员的运动特 征数据， 具体包括： 将当前时间间隔内， 每个运动传感器采集的人体运动数据按照采集时间进行排序， 得 到对应的人体运动数据 序列； 将每个人体运动数据序列对齐排列， 得到所述被监控人员的运动数据矩阵； 其中， 所述 运动数据矩阵中的每行 元素均对应一个运动传感器采集的人体运动数据 序列； 将所述运动数据矩阵输入所述运动特征识别模型中， 通过所述卷积网络对所述运动数 据矩阵进行 特征识别， 得到若干一维特 征片段； 通过所述双层长短期记忆网络LSTM， 将所述若干一维特征片段进行拼接， 得到一维特 征向量； 通过所述全连接层， 对所述一维特征向量进行处理， 并将输出结果输入所述多项逻辑 回归层进行多分类回归处 理， 得到所述 运动特征数据。权　利　要　求　书 1/3 页 2 CN 114462481 A 24.根据权利要求1所述的一种基于机器学习的人员安全监控方法， 其特征在于， 对所述 安全监控数据集中的各类数据分别进行 预处理， 得到完整安全监控数据集， 具体包括： 根据所述各类数据的类型， 确定每一类数据的最大阈值以及最小阈值； 对于所述安全监控数据集中的各类数据， 将当前时间间隔内数据值等于0的数据确定 为空白数据； 将当前时间间隔内数据值大于所述最大阈值或者小于所述最小阈值的数据确 定为错误数据； 根据上一时间间隔内的完整监控数据集中， 所述空白数据对应位置的数据值， 对所述 空白数据进行填补， 以补全所述当前时间 间隔内的各类数据； 根据上一时间间隔内的完整监控数据集中， 所述错误数据对应位置的数据值， 对所述 错误数据进行替换， 以修正所述当前时间间隔内的各类数据， 得到当前时间间隔内的完整 安全监控数据集。 5.根据权利要求1所述的一种基于机器学习的人员安全监控方法， 其特征在于， 对预处 理后的所述安全监控数据集进 行聚类分析， 得到所述安全监控数据集中各种数据的危险指 数以及危险指数权 重， 具体包括： 分别将所述预处理后的所述生命体征数据、 环境数据、 设备运行数据以及运动特征数 据， 按照数据类型转 化为对应的数据矩阵； 根据 得到第m类数据对应的聚类分析适应度M； 其中， Pm为第m类数据对 应的数据矩阵， max(Pm)为矩阵Pm中的元素最小值， min(Pm)为矩阵Pm中的元素最大值， λ为聚 类因子， q为偏移差量； 根据 得到所述 安全监控数据集中第m类数据对应的危险指数ρm； 根据 得到所述安全监控数据集中第m类数据对应的危险指数权重Vm； 其中， H 为所述第m类数据的重要程度， 所述重要程度通过 人为指定 。 6.根据权利要求5所述的一种基于机器学习的人员安全监控方法， 其特征在于， 根据 所 述危险指数以及所述 危险指数权 重， 得到所述被监控人员的危险评价 值， 具体包括： 根据 得到所述被监控人员的危险评价值R； 其中， L为所述数据矩阵 的总数。 7.根据权利要求1所述的一种基于机器学习的人员安全监控方法， 其特征在于， 在根据 所述危险指数以及所述危险指数权重， 得到所述被监控人员的危险评价值之后， 所述方法 还包括： 获取所有被监控人员的位置信息， 并将每个被监控人员的位置信息、 安全监控数据集 以及危险评价 值发送到可视化 监控设备； 在所述可视化监控设备中的工作场景二维地图中， 根据被监控人员的工作种类以及位 置信息， 在对应的位置生成相应的图标； 读取所述安全监控数据集中的数据， 并以标签的形式与所述图标进行链接， 以使光标 经过所述图标时显示所述标签的内容。 8.根据权利要求7所述的一种基于机器学习的人员安全监控方法， 其特征在于， 在读取权　利　要　求　书 2/3 页 3 CN 114462481 A 3