基于边缘计算和高斯混合模型的公交车司机

0引言

在城市化水平越来越高的今天,城市人口逐渐增加,无论是出于经济还是环保的考虑,居民往往愿意选择乘坐公交车出行。这时候,公交车上的众多乘客和路上行人的安危都系于公交车司机一身,司机的身心健康就变得非常重要。

据南昌市交通管理局通报,2024年4月8日,南昌市一公交车先后与多名行人发生碰撞。 经调查,51岁的驾驶员驾驶车辆时突发心脏不适失去意识,事故造成3人当场死亡、7人受伤送医。类似事件时有发生,因此搭建公交车司机的健康管理系统,对司机的健康状况进行实时预警,对降低驾驶员在岗异常的风险非常有帮助。

1公交车司机健康管理系统的独特需求

1.1 需要采集的健康参数

反映司机健康的常见参数主要包括体温、心率、血压、血氧饱和度这四项,同时体温、心率、血压和血氧饱和度等健康参数通过对司机配备成本不高的智能穿戴设备即可获取,可实施性较高[1]。

1.2 司机健康管理系统对数据算法的需求

公交车司机有年长的也有年轻的,有男性也有女性,因此简单地采用传统的平均值+正负偏差的方法来判断司机体温、心率、血压、血氧饱和度是否正常并不恰当,也无法针对个体提出有效的预警。这就要求算法能够针对公交车司机个体独特的体温、心率、血压、血氧数据进行统计分析,从而达到比较准确评估每个司机健康状态的目的。

司机在工作时,难免会遇到紧急情况,这时可能会心率加快,血压升高,这种情况下如何避免健康系统对司机状况的误判?司机携带手环时,手部频繁运动,也有可能造成数据异常,这种情况如何识别?这就要求数据算法有相当的鉴别能力,能排除无效数据的影响,而且对短期的数据剧烈变化有稳妥的处理方式。

公交车运行在城市的每个角落,有网络良好的市中心,也有网络覆盖不佳的边缘地带,而当公交车进入隧道、地下建筑时甚至可能没有网络信号,如何避免数据中断而导致健康系统失效甚至是误报,这对数据算法也是一个考验。 当然要完全解决这个问题,数据的算法是一方面,另一方面也要有相关的硬件支持[2]。

2边缘计算的优势

前面提到,在司机工作中,难免会遇到信号不好导致数据传输不顺畅的情况,为了解决这个问题,本系统采用了边缘计算的方式,即:佩戴在司机身上的智能穿戴设备通过蓝牙把数据传输到公交车上的边缘计算节点,经过边缘计算节点对数据进行处理和分析后,再把经过处理后的少量关键数据和报警信息传输到中央云。这时候,即使环境网络不好,也并不影响边缘计算终端的正常工作,一旦发现司机异常情况,即可本地报警。而计算出来的关键数据和报警信息会暂时存储在边缘计算终端,一旦网络信号恢复,即可自动进行数据续传[3]。

中央云接收到报警信息后,可以立即通过预设的电话或短信方式通知值班管理人员;接收到的司机健康关键信息可以存档记录,成为后续生成司机月度/季度健康报表的基础数据。

边缘计算架构图如图1所示。

3 系统的设计与实现

3.1硬件系统

公交车司机健康系统的硬件主要由两部分组成:

1)多功能健康监测手环,采用定制的可同时测量体温、心率、血氧和血压的支持蓝牙功能的智能手环。

2)承担边缘计算功能的高性能工控机,考虑到边缘计算终端要长期在灰尘大、振动多、噪声强、高低温等环境下工作,以及网络通信、未来可扩展性等多方面需求,系统采用支持深度定制的J1900工控机。这款工控机支持最多16 GB内存、1 TB硬盘,可以选配蓝牙和5G模块,具备4组USB3.0接口及3组RS232接口。整体机身小巧,采用高强度的铝合金制造,抗振耐压防腐蚀,金属机身散热,无风扇设计减少了振动和积灰,特别适合在复杂环境下连续工作。

3.2 软件系统

软件系统工作流程如图2所示。

下面对软件系统的工作流程进行详细说明。

3.2.1数据的收集和预处理

首先设置定制手环每1min采集一次体温、心率、血压和血氧饱和度数据,当司机进入公交车即进入工作状态,蓝牙自动配对链接并开始收集数据。接下来对数据进行清洗,按照表1的标准,剔除明显的异常值。

3.2.2模型的选择和训练

公交车司机在工作中往往会遇到多种突发情况,比如交通事故、大塞车或者车上乘客发生冲突等,这时难免会造成司机的心率、血压等生命体征参数波动;而另外一些时刻,司机处于平静的开车状态。这两种情况下司机的体温、心率、血压、血氧饱和度情况可能会大相径庭,因此需要选择合适的算法,来定义针对司机个性化的身体参数的正常范围,这样才可以更加准确地对司机的健康状况进行预警。

本方案选择高斯混合模型来处理收集到的这些数据[4]。假设收集到的参数(体温、心率、血压和血氧饱和度)都符合高斯分布,其概率密度函数为:

式中:μ为均值;σ2为方差。

一般来说,数据会由多个高斯分布的加权组合构成,即:

式中:K为高斯分布的个数,在本系统中K=2,包括司机的平静状态和激动状态;πk为第k个高斯分布的权重, 为第k个高斯分布的概率密度函数。

在模型训练的过程中,首先采用k—means聚类对数据进行初步分组,确定初始的μk、σ、πk,接下来采用期望最大化(EM)算法迭代优化高斯混合模型(GMM)参数,步骤如下:

1)E步(Expectation):计算每个数据点属于每个高斯分布的后验概率。

式中:znk表示第n个数据点是否属于第k个高斯分布。

2)M步(Maximization):更新参数。

3)设定收敛条件,当迭代次数达到预先设定的50次或者参数变化小于10^-3时,上述参数已经被认为处于稳定状态,此时迭代停止。

3.2.3各项参数报警阈值的确定

经过前面的计算,可以得出个性化的各项参数报警阈值。

1)低风险标准。

对于每个高斯分布,定义其95%置信区间为正常范围:下限为μk—1.96σk ,上限为μk十1.96σk ,在这个范围内的司机健康数据符合无风险标准,而在这个范围之外且加权概率p(x)<0.05的司机健康数据被判定为符合低风险标准。

2)中风险标准。

对于符合低风险标准的数据,进一步判断是否符合中风险标准。计算数据属于所有高斯分布的加权概率总和:

如果p(x)≥0.01,意味着这种情况虽然比较罕见,但并不极端,可以依旧归类为低风险;但是如果p(x)<0.01,则意味着这个数据非常罕见,这时候符合中风险标准。

3)高风险标准。

除了前面提到的低风险和中风险项,根据临床数据,当心率、血压和血氧同时超过一定阈值后,被称为“三联征”,这时,心率>100次/min,收缩压>160 mmHg,血氧饱和度<93%[5]。本系统在高风险判断的过程中,没有采用高斯混合模型优化,直接采用满足标准即报警的模式,因为满足三联征的数据极其罕见,且一旦出现,临床上意味着需要尽快进行干预,在这种情况下,没有必要采用高斯混合模型去修正报警阈值。

当出现三联征报警,司机应该立刻停止工作并就医,而公交管理部门也应在第一时间得到报警信息并做好应急安排。

3.2.4不同风险等级的报警策略

当司机被监测到身体处于高风险状态时,本地边缘计算终端驱动本地声光报警,提示司机尽快回到站场并及时就医;同时,中央云收到高风险报警信息,立刻发送紧急报警信息至公交管理部门,调整该司机的工作计划,安排代班司机。

当司机被监测到身体处于中风险状态时,本地边缘计算终端驱动报警灯闪烁,提示监测到司机身体状态可能出现异常,同时发送中风险报警信息至中央云,中央云在收到报警信息当天把所有报警司机信息汇总发送给公交管理部门,公交管理部门安排相关司机在第二天上岗前,在站场使用符合医用标准的体温计、血压计和血氧仪进行复查。如果一周内该司机有两次以上中风险报警,则安排该司机去医院体检。

当司机被监测到身体处于低风险状态时,本地不报警,不干扰司机的正常工作,但边缘计算终端将低风险报警信息发送至中央云,中央云对报警信息和对应司机数据进行汇总记录,并按月发送司机健康报告。如果司机每月低风险报警次数超过50次,管理部门优先安排这些司机在本季度去医院体检。

4 系统实现

部署在本地的边缘计算终端通过蓝牙接收司机健康数据后,采用基于python的panda5/Numpy库实现流式数据处理,当出现报警时,驱动集成蜂鸣器和LED指示灯进行本地声光报警。同时,通过HTTp协议向云端推送报警信息和经过处理后的司机健康数据。通过Fla5K/Fa5tApI实现RESTful接口,供云端查询历史数据。

在中央云端,使用阿里云服务配置弹性计算实例(T5-larGe,2核4GB内存)。数据库使用MySQL/po5tGreSQL存储结构化数据。考虑到可能多个边缘计算终端会在同一时间内报警,消息队列采用kafKa/RabbitMQ处理高并发报警信息。云服务器接收边缘终端的MQTT消息,解析JSON数据并存储至数据库,同时通过阿里云短信/电话服务发送报警信息至指定的管理部门。在数据视化方面,使用python的Matplotlib/plotly库生成周报/月报,包含趋势图、异常事件统计图等。前端展示基于vue.j5/React开发web应用,支持数据筛选和导出。

采用高斯混合模型的本系统可以根据司机个人情况,并综合考虑其在不同工作状态下的健康特征建立动态的报警阈值,因此报警的准确率会有所提高,跟通过传统的置信区间界定风险等级的方法相比,高斯混合模型可以避免许多无谓的误报,这大大提升了司机健康管理系统的准确性和严肃性,可以有效降低云平台的负荷,同时也有效降低因为误报而造成管理部门额外安排司机体检的损失。

原始算法和改进算法的报警率比较如表2所示。需要注意的是,三联征(高风险)报警因为发生概率本身已经很低了,故没有采用混合高斯模型进行优化。

5 结束语

采用基于边缘计算技术和高斯混合模型算法的公交车司机健康管理系统,可以有效提升数据本地处理的速度,避免因为网络信号不佳导致数据缺失的情况。同时,针对司机的个体情况和不同工作状态给出动态的报警阈值,大大提升了报警的准确度。本系统提升了公交管理部门对司机健康的掌握度,为保障市民安全出行提供了有力支撑,有一定的推广意义。

[参考文献]

[1]孙二华,胡云冰.基于边缘云计算的人体数据传感架构[J].西南师范大学学报(自然科学版),2020,45(7):137-143.

[2] 陈祥,叶钰斌,徐雨.基于边缘计算的EHS管理系统研究[J].信息与电脑(理论版),2022,34(15):135-138.

[3]刘艳.基于云计算的城市轨道交通信息化平台研究[J].设备管理与维修,2023(7):146-148.

[4]朱壮壮,周治平.高斯混合生成模型检测健康数据异常[J].计算机科学与探索,2022,16(5):1128-1135.

[5]刘月玲.脉搏血氧饱和度监测在急性心肌梗死患者中的应用[J].临床合理用药杂志,2012,5(18):113.

《机电信息》2025年第17期第9篇