一种基于鲸鱼算法优化LSTM的人体生理状态检测系统技术方案

本申请提供一种基于鲸鱼算法优化LSTM的人体生理状态检测系统，生理状态检测系统包括主控模块，边缘服务器，生理参数采集模块；生理参数采集模块被配置为获取生理参数并发送给边缘服务器；边缘服务器被配置为构建基于鲸鱼算法优化LSTM的疲劳预测模型，基于鲸鱼算法优化LSTM的疲劳预测模型包括鲸鱼算法处理；对生理参数进行预处理得到目标参数；将目标参数输入进所述基于鲸鱼算法优化LSTM的疲劳预测模型进行疲劳预测得到预测结果并发送给主控模块；主控模块被配置为根据预测结果判断是否发出疲劳警告。本申请通过上述系统可以有效且较为准确地预测出人体在不同环境、不同行为动作下的疲劳状态，降低了由于疲劳导致的人身风险。险。险。

【技术实现步骤摘要】
一种基于鲸鱼算法优化LSTM的人体生理状态检测系统


[0001]本专利技术涉及生理状态检测
，特别涉及一种基于鲸鱼算法优化LSTM的人体生理状态检测系统。

技术介绍

[0002]在“智能电网”的发展建设中，工人时常需要执行带电检修、运检巡查等任务，但是由于作业环境复杂、作业工序繁琐等问题导致作业人员的人身安全无法得到有效保障。这时，智能作业人员安全保护装置显得尤为重要。而生理性疲劳是造成作业人员作业能力下降，从而诱发严重事故的重要因素，目前针对生理性疲劳的检测装置不便穿戴且价格昂贵，检测过程较为繁琐，检测结果不够准确。
[0003]市面上大多都是利用BP神经网络对各类传感器的特征值进行融合决策，从而判断出作业人员的疲劳状态。传统的BP神经网络的本质是线性权函数的逼近，也就是通过线性参数的变动来达到模型逼近的目的，该算法在识别前后有关联的数据时候，如果不把序列数据的前一部分作为后一部分的共同输入的话，其无法挖掘到序列数据之间的相关性。因此，以BP神经网络(Back Propagation Neural Network BPNN)进行疲劳决策的系统收敛速度慢、网络性差、学习率不稳定、预测结果不够精确。

技术实现思路

[0004]本申请提供一种基于鲸鱼算法优化LSTM的人体生理状态检测系统，以优化目前的人体生理状态检测系统。
[0005]所述生理状态检测系统包括：
[0006]主控模块；
[0007]与所述主控模块通讯连接的边缘服务器；
[0008]与所述主控模块和所述边缘服务器通讯连接的生理参数采集模块；
[0009]所述生理参数采集模块被配置为获取生理参数并发送给所述边缘服务器；
[0010]所述边缘服务器被配置为：
[0011]构建基于鲸鱼算法优化LSTM的疲劳预测模型，所述基于鲸鱼算法优化LSTM的疲劳预测模型包括鲸鱼算法处理；所述鲸鱼算法处理用于对LSTM单元中的初始学习率、迭代次数和隐藏层的神经元数量进行寻优；所述鲸鱼算法包括包围猎物、发泡网攻击、搜索捕食三个动作；
[0012]对所述生理参数进行预处理得到目标参数；
[0013]将所述目标参数输入进所述基于鲸鱼算法优化LSTM的疲劳预测模型进行疲劳预测得到预测结果并发送给所述主控模块；
[0014]所述主控模块被配置为根据所述预测结果判断是否发出疲劳警告。
[0015]优选的，所述边缘服务器还被配置为：
[0016]对所述生理参数依次进行异常值处理、信号滤波、特征值提取处理和归一化处理
得到目标参数。
[0017]优选的，所述边缘服务器包括LSTM单元；
[0018]所述LSTM单元为一组隐含层和全连接层组成的结构；
[0019]所述LSTM单元还包括：
[0020]用于选择性保留上一个细胞的隐藏状态信息到当前细胞单元的遗忘门；
[0021]用于选择性保留输入信息至细胞单元中并创建新的状态向量的输入门；
[0022]用于选择性保留单元状态信息并输出到下一个细胞单元的输出门。
[0023]优选的，所述遗忘门、所述输入门和所述输出门的计算公式如下：
[0024]f
t
＝sigmoid(W
f
x
t
+W
f
h
t
‑1+b
f
)
[0025]i
t
＝sigmoid(W
i
x
t
+W
i
h
t
‑1+b
i
)
[0026]o
t
＝sigmoid(W
o
x
t
+W
o
h
t
‑1+b
o
)
[0027]g
t
＝tanh(W
g
x
t
+W
g
h
t
‑1+b
g
)
[0028]c
t
＝(f
t
*c
t
‑1)+(i
t
*g
t
)
[0029]h
t
＝o
t
*tanh(c
t
).
[0030]其中，x
t
为当前时刻的输入，h
t
‑1为上时刻的输出，W
i
、W
f
、W
o
和W
g
为权重矩阵，b
i
、b
f
、b
o
和b
g
为偏置矩阵，i
t
、f
t
、g
t
、c
t
和o
t
分别为当前时刻的输入门、遗忘门、输入门增益、细胞状态和输出门，h
t
为本次细胞运算的最终输出，＊为矩阵逐点乘法运算，σ和tanh分别为sigmoid激活函数和双曲正切激活函数；
[0031]所述b
i
、b
f
、b
o
和b
g
用于对输出量x
t
和h
t
‑1做线性变换；
[0032]所述h
t
由o
t
和c
t
决定。
[0033]优选的，所述σ和tanh用于进行非线性化处理；
[0034]所述σ和tanh的表达分别为：
[0035][0036][0037]优选的，所述基于鲸鱼算法优化LSTM的疲劳预测模型还包括模型精度评价指标；
[0038]所述模型精度评价指标包括平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)；
[0039]所述MAE、所述RMSE和所述MAPE的公式分别如下：
[0040][0041][0042][0043]其中，y
i
和分别为真实值和模型的预测值，n为样本总个数。
[0044]优选的，所述生理状态检测系统还包括与所述主控模块、所述边缘服务器和所述
生理参数采集模块通讯连接的通讯模块；
[0045]所述通讯模块被配置为传递所述边缘服务器与所述生理参数采集模块之间和所述主控模块和所述边缘服务器之间的数据。
[0046]优选的，所述生理状态检测系统还包括与所述主控模块通讯连接的警告模块；
[0047]所述预测结果包括疲劳值；
[0048]所述主控模块被配置为判断所述疲劳值是否大于预设值；
[0049]若是，则生成用于警告疲劳的疲劳警告并发送给所述警告模块。
[0050]优选的，所述生理参数采集模块包括：
[0051]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于鲸鱼算法优化LSTM的人体生理状态检测系统，其特征在于，所述生理状态检测系统包括：主控模块；与所述主控模块通讯连接的边缘服务器；与所述主控模块和所述边缘服务器通讯连接的生理参数采集模块；所述生理参数采集模块被配置为获取生理参数并发送给所述边缘服务器；所述边缘服务器被配置为：构建基于鲸鱼算法优化LSTM的疲劳预测模型，所述基于鲸鱼算法优化LSTM的疲劳预测模型包括鲸鱼算法处理；所述鲸鱼算法处理用于对LSTM单元中的初始学习率、迭代次数和隐藏层的神经元数量进行寻优；所述鲸鱼算法包括包围猎物、发泡网攻击、搜索捕食三个动作；对所述生理参数进行预处理得到目标参数；将所述目标参数输入进所述基于鲸鱼算法优化LSTM的疲劳预测模型进行疲劳预测，并将得到的预测结果发送给所述主控模块；所述主控模块被配置为根据所述预测结果判断是否发出疲劳警告。2.根据权利要求1所述一种基于鲸鱼算法优化LSTM的人体生理状态检测系统，其特征在于，所述边缘服务器还被配置为：对所述生理参数依次进行异常值处理、信号滤波、特征值提取处理和归一化处理得到目标参数。3.根据权利要求2所述的一种基于鲸鱼算法优化LSTM的人体生理状态检测系统，其特征在于，所述边缘服务器包括LSTM单元；所述LSTM单元为一组隐含层和全连接层组成的结构；所述LSTM单元还包括：用于选择性保留上一个细胞的隐藏状态信息到当前细胞单元的遗忘门；用于选择性保留输入信息至细胞单元中并创建新的状态向量的输入门；用于选择性保留单元状态信息并输出到下一个细胞单元的输出门。4.根据权利要求3所述的一种基于鲸鱼算法优化LSTM的人体生理状态检测系统，其特征在于，所述遗忘门、所述输入门和所述输出门的计算公式如下：f
t
＝sigmoid(W
f
x
t
+W
f
h
t
‑1+b
f
)i
t
＝sigmoid(W
i
x
t
+W
i
h
t
‑1+b
i
)o
t
＝sigmoid(W
o
x
i
+W
o
h
t
‑1+b
o
)g
t
＝tanh(W
g
x
t
+W
g
h
t
‑1+b
g
)c
t
＝(f
t
*c
t_1
)+(i
t
*g
t
)h
t
＝o
t
*tanh(c
t
)；其中，x
t
为当前时刻的输入，h
t

【专利技术属性】
技术研发人员：柳明贤，李凯，李继标，段雪柱，和秦丽，赵东华，杨烜，
申请(专利权)人：云南电网有限责任公司丽江供电局，
类型：发明
国别省市：