一种基于谷歌眼镜的电力检修人员安全风险监控系统的制作方法
【技术领域】
[0001] 本发明涉及一种面向电力检修人员安全风险的监控系统
【背景技术】
[0002] 供电检修安全风险是指在供电检修中发生的风险。从构成上来说，主要包括人身 安全风险、电网安全风险以及设备安全风险。人是检修工作中最活跃、最积极的因素。检修 人员的工作状态将对以上安全风险构成直接影响：若检修人员状态好，可以降低电网和设 备的安全风险；若检修人员处于疲劳、紧张等状态下，不仅会增加自身的安全风险，也会增 加电网、设备的安全风险。因此，如何对检修人员的工作状态进行持续监测，并在出现潜在 危险时进行预警，是降低供电检修安全风险的重要途径之一。
[0003] 随着人体传感器技术的发展，目前已经可以通过监测人的血压、脉搏、体温、脑电 波等生理指标，来监控工作中人的生理与心理状态。就目前相关研究来看，基于脑电波仪的 脑电波监测应是最准确的人体心理与生理状态监测手段。但从具体技术实现来看，由于脑 电波检测是接触式检测，并且检测设备笨重，目前并不适于运用在供电检修环境中。因此在 电力检修人员工作状态监控领域，目前主要是采用检测血压、脉搏、体温等生理指标，再通 过分析模型分析监测数据来分析被检测人状态的方法，例如中国专利公开号CN 104013394 A，发明创造的名称为"电力工程高空作业人员个体状态监测装置"，该申请案公开了基于脉 搏与体温检测来监测电力高空作业人员个体状态的方案。
[0004] 该类方法在应用中存在一系列问题，主要表现为：1)血压、脉搏等指标对于紧张、 恐慌等心理状态的检测效果相对较好，但对于疲劳等状态检测效果不明显，而疲劳是引起 安全风险的一类重要原因；2)目前在建立分析模型时的主导思路是建立一个面向所有人 群的模型，但血压、脉搏、体温等指标具有较大的个体差异，因此在模型的异常特征阈值的 确定上非常困难，从而造成最终系统的预警失败率高。
[0005] 为解决以上问题，提高对检修人员异常状态的预警成功率，有必要引入新的检修 人员工作状态特征检测方法。同时在分析模型的建立上，也需要有新的思路引入。
【发明内容】
[0006] 为了克服上述现有技术存在的缺点，本发明的目的在于提供一种基于谷歌眼镜的 电力检修人员安全风险监控系统：该系统利用谷歌眼镜能够侦测佩戴者眼部活动的能力， 监测检修人员眨眼频率、眨眼时间、闭眼总持续时间等眼部活动数据，并同时监测脉搏和体 温；在特定的检修人员实训项目中，基于以上设备采集检修人员的以上所述生理特征数据， 形成个人特征模式数据库，并建立异常工作状态模式识别模型；现场监测阶段基于特征模 式数据库，对收集的实时特征生理数据进行异常特征检测，当检修人员在工作过程中出现 紧张、恐慌、疲劳等异常状态时进行预警，有效提高对检修人员危险工作状态监控的水平， 降低检修安全风险。
[0007] 本发明采用以下技术方案：一种基于谷歌眼镜的电力检修人员安全风险监控系 统，包括谷歌眼镜、穿戴式脉搏与体温传感器、便携式智能平板电脑、个体生理特征数据采 集与建模系统、现场工作状态监测系统。
[0008] 所述谷歌眼镜，用于测量检修人员的眨眼频率、眨眼时间、闭眼总持续时间。
[0009] 所述穿戴式脉搏与体温传感器，包括脉搏传感器模块、体温传感器、蓝牙通讯模 块、主控单元，用于测量检修人员的脉搏与体温。所述脉搏传感器采用光敏检测原理，电路 原理图如图1所示。所述体温传感器，电路原理图如图2所示。所述蓝牙通讯模块，与主控 单元相连，负责将检测数据传送给便携式智能平板电脑。
[0010] 所述便携式智能平板电脑具有3G数据通信功能，用于在检修现场通过蓝牙通讯 协议与谷歌眼镜、穿戴式脉搏与体温传感器相连，收集人体特征检测数据，并将收集结果送 回后方的现场工作状态监测系统。
[0011] 所述个体生理特征数据采集与建模系统，包括硬件系统与软件系统，用于在检修 人员个体生理特征数据收集阶段，采集生理特征数据，并基于采集数据建立分析模型。所述 硬件系统，包括动态脑电图仪与运行软件系统的计算机设备。所述软件系统，包括数据采集 模块与数据建模模块，在培训的特定考核环节中，将为检修人员佩戴谷歌眼镜、穿戴式脉搏 与体温传感器与动态脑电图仪，数据采集模块收集以上设备的检测数据，其中眨眼频率、眨 眼时间、闭眼总持续时间，脉搏与体温用于生成个人特征模式数据库，脑电波数据用于辅助 分析判断检修人员的工作状态，基于主观与客观相结合的方法，个人特征模式数据按照正 常工作状态与异常工作状态分别存储；数据建模模块针对正常工作状态特征数据与异常工 作数据特征数据，分别构建适用于该检修人员的正常工作状态模式识别模型与异常工作状 态模式识别模型，算法步骤如下：
[0012] 步骤1 :数据预处理
[0013] 对于获得的数据集X= {Xl，X2，…，Xn}，其中X为包括眨眼频率、眨眼时间、闭 眼总持续时间，脉搏与体温的5维向量，在各维度上做归一化处理，获得归一化数据集 X=Ixl^c2,-
[0014] 步骤2 :计算初始聚类中心与初始隶属度
[0015] 按照下式计算S处的密度
[0016]
[0017] 其中SD1,为数据5与&之间的统计距离，定义如下：
[0018]
[0019] Σ是数据集X的协方差矩阵
[0020] d为数据集X中数据的平均统计距离，定义如下：
[0021]
[0022] 贝IJ与D1: =max{Z),(uV = l,2,"_，《})对应的数据点Y为第1个聚类中心，记为vf
[0023] 按照下式计算第q次迭代时的处的密度
[0024]
[0025] 则与Z^x=HiaxP,(气/ = 1，2,对应的数据点I为第q个聚类中心，记为 v(0) Vv 0
[0026] 当ZV丨<乂>2，〇 < ? < 1时，以上计算结束，所得结果0°)=化(°),<),..，4°)}作 为初始聚类中心。
[0027] 数据集X中的数据对于初始聚类中心的隶属度矩阵为U= [ulq]nX(j，根据下式计算 初始隶属度
[0028]
[0029] 步骤3 :重新计算聚类中心V(k)，计算方法如下
[0030]
[0031] 其中m(m > 1)是模糊指数
[0032] 步骤4 :计算隶属度
[0033] 相对于新聚类中心的隶属度计算如下
[0034]
[0035] 步骤5 :若，则停止迭代，否则令k = k+Ι，转向步骤3,其中ε 是预先给定的小正数。
[0036] 所述现场工作状态监控系统，用于生产现场的检修人员生产状态监控，包括工作 状态模式识别