申请/专利权人：中国矿业大学(北京)

申请日：2024-01-11

公开（公告）日：2024-03-19

公开（公告）号：CN117717333A

主分类号：A61B5/1455

分类号：A61B5/1455;A61B5/11;G06V40/20;G06V10/40;G06V10/774;G06V20/40

优先权：

专利状态码：在审-公开

法律状态：2024.03.19#公开

摘要：本发明公开了一种基于AI和近红外光谱的对地下空间恶劣环境下人的较为明显的不安全行为和微小的有意识不安全行为的判识方法，通过深度学习技术和计算机视觉技术可以实现对特定较为明显的地下恶劣环境下不安全行为的识别，而不明显的微小有意识不安全行为可以通过全脑近红外光谱成像及建模进行判识。利用SSAE模型对静息状态和作业过程，实施有意识不安全行为过程的脑部近红外光谱数据建模，通过训练可以预测到地下恶劣环境下作业人员大脑HbO2、HHb、以及tHb的实时浓度变化，当生理指标超过正常值发出警报，从而实现对不易发现的微小有意识不安全行为进行判识，为地下恶劣环境下作业人员不安全行为较为全面地识别提供了一种新的方法依据。

主权项：1.一种基于AI和近红外光谱的地下空间恶劣环境下人的不安全行为判识方法，其特征在于，所述判识方法是利用深度学习技术和近红外光谱技术对地下恶劣环境下作业人员的不安全行为进行识别，这种联合判识方法包括对比较明显的不安全行为和微小有意识不安全行为进行判识，所述方法如下：步骤1.地下恶劣作业环境布置及作业人员样本的选取。模拟地下作业实际情况，根据地下作业环境照度、温度、湿度等布置实验场景，选取50名符合要求的地下工作人员作为被试者；步骤2.检查工业相机摄像角度，安装并检查fNIRS仪器探头，尽量克服影响视频和光谱数据准确度的外部因素；步骤3.被试者作业全过程行为视频和全脑近红外光谱数据的采集，其中光谱数据的处理采用fNIRS数据提取软件；步骤4.对视频图像数据和训练集光谱数据进行预处理。对图像数据和练集光谱数据降噪处理，得到优质数据；步骤5.通过图像处理和深度学习技术对视频图像进行处理，对要识别的不安全行为进行特征提取，从深度图像提取人的关节位置及关节角度数据；通过光谱数据获取血红蛋白的浓度信号；步骤6.将处理过的视频图像和光谱数据加载到深度学习模型中，通过深度学习网络结构对视频图像进行测试识别比对，利用SSAE对大脑主要指标HbO2、HHb、以及tHb的数据进行监督；步骤7.用预处理后的测试集进行模型的测试和评价，如模型满足要求，保存模型。如模型精度不够，则进一步修正模型直到模型满足要求；步骤8.利用该模型进行现场有意识不安全行为的判识。

全文数据：

权利要求：

百度查询： 中国矿业大学(北京) 基于AI和近红外光谱的地下空间恶劣环境下人的有意识不安全行为判识方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD