基于长期短期记忆的深层堆叠序对序自编码器,用于基于可穿戴设备在封闭环境中预测工业工人的健康状况
Weidong Xu1, Jingke He1, Weihua Li1,2
1School of Mechanical and Automotive Engineering, South China University of Technology, Guangzhou 510641, China.
Sensors (Basel, Switzerland)
|September 28, 2023
概括
这项研究引入了一种新的LSTM自编码器和SVM模型,用于在狭窄的空间中实时监测工人的健康状况. 该系统准确预测健康状况,提高工业环境中的安全性和生产力.
科学领域:
- 工业安全 工业安全 工业安全
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 狭小空间的前线工作者面临着需要实时健康监测的重大风险.
- 现有的机器学习模型在复杂的工业环境中与数据收集和准确性作斗争.
研究的目的:
- 提出一种基于LSTM的新型深层堆叠序列对序列自编码器,用于在狭窄的空间中预测工人的健康状况.
- 通过实时精确监测生命体征来提高安全性和生产力.
主要方法:
- 使用边缘云平台和智能可穿戴设备实施了无线数据采集系统.
- 收集了包括温度,心率和压力在内的多来源数据.
- 开发了一种混合深度学习和支持矢量机 (SVM) 模型,用于异常检测和健康状况识别.
主要成果:
- LSTM自动编码器有效地从时间序列数据中学习了深层特征.
- 混合模型实现了对工人的健康状况的准确识别.
- 与现有方法相比,拟议的方法显示出更高的性能.
结论:
- 新型LSTM自编码器和SVM混合型号为在狭窄的工业空间中实时监测工人健康提供了有效的解决方案.
- 这种方法显著提高了健康状况预测的准确性和可行性,提高了工人安全.
