实时检测工业呼吸器适合使用嵌入式呼吸传感器和机器学习算法

科学领域:

• 职业健康和安全问题 职业健康和安全问题
• 生物医学工程 生物医学工程
• 传感器技术 传感器技术

背景情况:

• 有效的面部密封对于紧密的工业呼吸器至关重要.
• 传统的适合性测试方法 (QLFT,QNFT) 是周期性的,无法检测使用中的适合性退化.
• 矿业,制造业和建筑业等高风险行业需要可靠的呼吸器性能.

研究的目的:

• 开发和验证一个实时呼吸器适应检测系统.
• 为了能够持续,非侵入性地监测呼吸器面密封的完整性.
• 通过立即适应反来提高职业安全和监管合规性.

主要方法:

• 呼吸器内部的一个紧的传感器模块可以测量压力,温度和湿度.
• 数据通过蓝牙低能耗 (BLE) 传输到智能手机,以便在设备上进行机器学习推断.
• 采用了多模式生物传感 (压力,热-湿度信号) 和循环同步模式分析.

主要成果:

• 机器学习模型 (Random Forest,SVM,XGBoost) 在检测合适/不合适条件时获得了超过95%的F1分数.
• 该系统展示了呼吸器面密封的可靠实时读数.
• 验证包括k倍交叉验证和超过10,000个呼吸周期的离开一个主体的评估.

结论:

• 开发的系统提供了一个可扩展,具有成本效益和现场部署的解决方案,用于持续监测呼吸器的适应性.
• 它依赖于内部生理信号,与传统的外部测量技术不同.
• 允许在工作轮班期间实时发出警报,大大提高了职业安全.