本發(fā)明涉及公共區(qū)域風(fēng)險(xiǎn)預(yù)警領(lǐng)域，具體為基于cnn-lstm與lora架構(gòu)的公共安全區(qū)域動(dòng)態(tài)風(fēng)險(xiǎn)智能預(yù)警方法，涉及到lora遠(yuǎn)距離感知技術(shù)、無(wú)線通信技術(shù)、深度學(xué)習(xí)技術(shù)。

背景技術(shù)：

1、在公共安全領(lǐng)域，保障人員的安全與健康以及維護(hù)良好的治安秩序是至關(guān)重要的任務(wù)。隨著社會(huì)的發(fā)展和科技的進(jìn)步，對(duì)公共區(qū)域的智能化監(jiān)控與管理需求日益增長(zhǎng)。

2、目前，在許多公共安全區(qū)域，如交通樞紐(機(jī)場(chǎng)、火車站、汽車站等)、大型活動(dòng)場(chǎng)所(體育館、會(huì)展中心等)，雖然已經(jīng)部署了一定的監(jiān)控設(shè)備，但大多以傳統(tǒng)的視頻監(jiān)控為主。視頻監(jiān)控雖然能夠直觀地獲取場(chǎng)景畫(huà)面，但存在諸多局限性。一方面，視頻監(jiān)控依賴人工實(shí)時(shí)查看，面對(duì)大量的監(jiān)控畫(huà)面，人力成本高昂且容易出現(xiàn)疏漏，難以對(duì)每個(gè)人員的細(xì)微狀態(tài)變化進(jìn)行精準(zhǔn)監(jiān)測(cè)。另一方面，視頻監(jiān)控受限于隱私保護(hù)、光線條件、遮擋等因素，在某些場(chǎng)景下無(wú)法有效獲取人員狀態(tài)信息。與此同時(shí)，現(xiàn)有的人體姿態(tài)感知技術(shù)在公共安全場(chǎng)景中的應(yīng)用還相對(duì)較少。部分基于近距離通信技術(shù)(如藍(lán)牙、wi-fi)的姿態(tài)感知方案，由于通信距離有限，無(wú)法滿足大型公共區(qū)域的覆蓋需求。而在一些采用有線連接的感知系統(tǒng)中，布線復(fù)雜、成本高且靈活性差，難以在現(xiàn)有的公共區(qū)域設(shè)施上進(jìn)行大規(guī)模部署。

3、對(duì)于公共區(qū)域內(nèi)人員的健康與安全狀況監(jiān)測(cè)，目前缺乏有效的實(shí)時(shí)預(yù)警機(jī)制。例如，乘客在公共區(qū)域突發(fā)疾病時(shí)，若不能及時(shí)發(fā)現(xiàn)并采取救援措施，可能會(huì)導(dǎo)致嚴(yán)重后果。長(zhǎng)時(shí)間保持異常蜷縮、扭曲等不適坐姿，很可能是身體突發(fā)疾病的表現(xiàn)，但現(xiàn)有的監(jiān)控手段難以快速準(zhǔn)確地識(shí)別此類情況并及時(shí)預(yù)警。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為了解決對(duì)公共區(qū)域內(nèi)人員的健康與安全狀況缺乏有效監(jiān)測(cè)預(yù)警的問(wèn)題，提供了一種基于cnn-lstm與lora架構(gòu)的公共安全區(qū)域動(dòng)態(tài)風(fēng)險(xiǎn)智能預(yù)警方法。

2、本發(fā)明是采用如下的技術(shù)方案實(shí)現(xiàn)的：基于cnn-lstm與lora架構(gòu)的公共安全區(qū)域動(dòng)態(tài)風(fēng)險(xiǎn)智能預(yù)警方法，包括以下步驟：

3、步驟1：數(shù)據(jù)收集與預(yù)處理：通過(guò)lora感知模塊采集到乘客姿態(tài)數(shù)據(jù)，在收集到姿態(tài)數(shù)據(jù)后進(jìn)行預(yù)處理，在預(yù)處理完成后按比例進(jìn)行分割，分為訓(xùn)練集與測(cè)試集；

4、步驟2：異常坐姿感知：采用基于深度學(xué)習(xí)的姿態(tài)分析模型，該模型為卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)相結(jié)合的架構(gòu)，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練集中數(shù)據(jù)的空間特征進(jìn)行自動(dòng)學(xué)習(xí)，捕捉坐姿的靜態(tài)特征，利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)數(shù)據(jù)的時(shí)間序列進(jìn)行分析，學(xué)習(xí)姿態(tài)變化的動(dòng)態(tài)模式；經(jīng)過(guò)對(duì)訓(xùn)練集的深度訓(xùn)練與特征選擇，模型將學(xué)習(xí)到的正常與異常坐姿分類規(guī)律應(yīng)用于測(cè)試集進(jìn)行分類預(yù)測(cè)，實(shí)現(xiàn)對(duì)測(cè)試集數(shù)據(jù)的識(shí)別處理；

5、步驟3：預(yù)警信息生成：在得到實(shí)際姿態(tài)數(shù)據(jù)的異常坐姿及嚴(yán)重程度序列后，將該序列輸入預(yù)警信息生成算法。算法結(jié)合預(yù)先設(shè)定的規(guī)則劃分異常坐姿的等級(jí)，并發(fā)出相應(yīng)的預(yù)警信息。

6、上述的基于cnn-lstm與lora架構(gòu)的公共安全區(qū)域動(dòng)態(tài)風(fēng)險(xiǎn)智能預(yù)警方法，步驟1的具體過(guò)程如下：

7、步驟11：在公共區(qū)域候車區(qū)座椅底部安裝lora感知模塊，通過(guò)后臺(tái)計(jì)算機(jī)內(nèi)置的姿態(tài)感應(yīng)組件收集lora?chirp信號(hào)數(shù)據(jù)；

8、步驟12：lora?chirp信號(hào)數(shù)據(jù)預(yù)處理包括數(shù)據(jù)讀取、數(shù)據(jù)清洗、數(shù)據(jù)歸一化、數(shù)據(jù)分割與窗口化；

9、1)讀取lora?chirp信號(hào)數(shù)據(jù)，并將其轉(zhuǎn)換為復(fù)數(shù)形式，包含實(shí)部和虛部，再將復(fù)數(shù)信號(hào)轉(zhuǎn)換為時(shí)間序列數(shù)據(jù)；

10、2)數(shù)據(jù)清洗：時(shí)間序列數(shù)據(jù)采用小波變換去噪，分解不同頻率，對(duì)高頻系數(shù)進(jìn)行閾值處理去除噪聲，再通過(guò)小波逆變換重構(gòu)信號(hào)；

11、3)數(shù)據(jù)歸一化：將所有重構(gòu)信號(hào)映射到相同的數(shù)值區(qū)間，通過(guò)最小-最大歸一化到指定空間；

12、4)數(shù)據(jù)分割與窗口化：將歸一化后的連續(xù)時(shí)間序列數(shù)據(jù)轉(zhuǎn)化為適合模型處理的離散數(shù)據(jù)，便于提取時(shí)間序列數(shù)據(jù)特征和進(jìn)行模型訓(xùn)練；

13、步驟13：數(shù)據(jù)分割比例設(shè)為7：3，其中訓(xùn)練集占比為7，測(cè)試集占比為3。

14、上述的基于cnn-lstm與lora架構(gòu)的公共安全區(qū)域動(dòng)態(tài)風(fēng)險(xiǎn)智能預(yù)警方法，lora感知模塊安裝在金屬框架座椅上時(shí)，lora感知模塊間距設(shè)定為2.5-3m。

15、上述的基于cnn-lstm與lora架構(gòu)的公共安全區(qū)域動(dòng)態(tài)風(fēng)險(xiǎn)智能預(yù)警方法，步驟2的具體過(guò)程如下：

16、卷積神經(jīng)網(wǎng)絡(luò)中使用卷積核k對(duì)輸入數(shù)據(jù)i進(jìn)行卷積操作，m和n為卷積核元素位置，t表示時(shí)間，d為維度，b為偏置：ot，d＝∑m∑nit+m,d+n·km,n+b；

17、將卷積結(jié)果ot，d中負(fù)值置零，引入非線性，a(ot，d)＝max(0，ot，d)；

18、在窗口s內(nèi)取最大值進(jìn)行池化，s為池化步長(zhǎng)，降低特征維度，保留關(guān)鍵特征:

19、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)中通過(guò)sigmoid函數(shù)σ決定從先前細(xì)胞狀態(tài)ct-1中遺忘信息的比例，wf為權(quán)重，ht-1為前一時(shí)刻隱藏狀態(tài)，pt為當(dāng)前輸入，bf為偏置:ft＝σ(wf·[ht-1,pt]+bf)；

20、確定新信息納入細(xì)胞狀態(tài)的比例，wi為權(quán)重，bi為偏置:it＝σ(wi·

21、[ht-1,pt]+bi)；

22、根據(jù)遺忘門和輸入門更新細(xì)胞狀態(tài)，tanh函數(shù)處理新信息，wc為權(quán)重，bc為偏置:ct＝ft·ct-1+it·tanh(wc·[ht-1,pt]+bc)；

23、決定輸出信息，更新當(dāng)前隱藏狀態(tài)ht，wo為權(quán)重，bo為偏置:ot＝σ(wo·[ht-1,pt]+bo),ht＝ot·tanh(ct)；

24、基于深度學(xué)習(xí)模型對(duì)姿態(tài)數(shù)據(jù)的分析，最終輸出為是否為異常坐姿以及異常坐姿的嚴(yán)重程度序列。

25、上述的基于cnn-lstm與lora架構(gòu)的公共安全區(qū)域動(dòng)態(tài)風(fēng)險(xiǎn)智能預(yù)警方法，步驟3的具體過(guò)程如下：

26、步驟31：算法規(guī)則構(gòu)建：結(jié)合人體工程學(xué)標(biāo)準(zhǔn)，預(yù)先設(shè)定一套規(guī)則庫(kù)，設(shè)置閾值t1∈(10°,20°)為輕度；t2∈(20°,40°)為中度；t3>40°為重度，構(gòu)建加權(quán)求和模型，通過(guò)以下公式將ht映射到身體傾斜程度θtilt或關(guān)節(jié)彎曲程度θjoint的預(yù)測(cè)值：其中，θ是身體傾斜程度或關(guān)節(jié)彎曲程度的預(yù)測(cè)值，hti是嚴(yán)重程度序列中的第i個(gè)特征，ωi是第i個(gè)特征的權(quán)重，b是偏置項(xiàng)；最后使用分類函數(shù)將預(yù)測(cè)值與閾值比較，將異常坐姿進(jìn)行等級(jí)劃分為輕度、中度或重度；

27、步驟32：信息構(gòu)成與生成：接收到異常坐姿嚴(yán)重程度后，預(yù)警信息生成算法迅速提取關(guān)鍵信息，通過(guò)與公共安全區(qū)域的定位系統(tǒng)對(duì)接，獲取異常乘客所在的精確位置；

28、步驟33：可視化呈現(xiàn)：預(yù)警算法將需救治人員的位置信息在可視化界面上進(jìn)行標(biāo)注顯示，且不同異常等級(jí)用不同顏色或圖標(biāo)區(qū)分，方便救援或管理人員快速定位和采取相應(yīng)措施；

29、步驟34：當(dāng)出現(xiàn)重度異常坐姿時(shí)，立即觸發(fā)最高級(jí)別預(yù)警，發(fā)送至相關(guān)救援或管理人員終端；中度異常坐姿持續(xù)一定時(shí)間未改善，觸發(fā)中級(jí)預(yù)警，發(fā)送至相關(guān)救援或管理人員終端；輕度異常坐姿持續(xù)超1小時(shí)，觸發(fā)初級(jí)預(yù)警，告知相關(guān)人員關(guān)注該位置人員坐姿情況。

30、本發(fā)明通過(guò)對(duì)人員坐姿及行為的實(shí)時(shí)感知，實(shí)現(xiàn)對(duì)可能存在的健康風(fēng)險(xiǎn)和治安風(fēng)險(xiǎn)的進(jìn)行預(yù)警，以便警務(wù)人員和醫(yī)護(hù)人員及時(shí)干預(yù)，提高公共安全區(qū)域的安全性和管理效率。