李川鵬 王耀福

摘 要：隨著智能化、共享化、信息化時代到來，計算機的算法已經(jīng)在各個領域得到應用。運用機器學習領域范疇之中的深度學習理論，對車載智能健康監(jiān)測系統(tǒng)的設計開展實踐應用。依據(jù)深度學習DBN健康訓練模型，可實時監(jiān)測識別駕駛員生理健康狀況數(shù)據(jù)和駕駛環(huán)境數(shù)據(jù)，識別到異常數(shù)據(jù)會進行預警提示，為駕駛員提供一層健康監(jiān)測保障系統(tǒng)。

關鍵詞：深度學習;健康監(jiān)測;機器學習

1 引文

隨著生活節(jié)奏的不斷加快，人們對健康越來越重視，從之前的醫(yī)院治療逐漸發(fā)展成為健康監(jiān)測、預防為主。汽車作為人們生活出行的工具，隨著智能化、網(wǎng)聯(lián)化技術在汽車中的應用，汽車中加入智能健康監(jiān)測模塊成為未來的趨勢，人們在開車時就可以進行健康生理指標的檢測，并對異常數(shù)據(jù)進行預警提示，為駕駛員提供一層健康監(jiān)測保障系統(tǒng)。本系統(tǒng)可實時監(jiān)測駕駛員的身體各項生理健康狀況，通過深度學習DBN健康訓練模型識別駕駛者是都適合駕車，避免減少因健康隱患導致的交通事故，如監(jiān)測到駕駛者出現(xiàn)突發(fā)健康狀況時，會迅速發(fā)送提醒消息到緊急聯(lián)系人和個人主治醫(yī)生，并撥打最近醫(yī)院救援電話，從而確保駕駛者駕車安全。

深度學習是機器學習的一個領域，學習模式在于建立和模擬人腦進行分析學習的神經(jīng)網(wǎng)絡，建立類似人類大腦的邏輯思維學習方式。為識別監(jiān)測到的各項生理指標信息提供參考。基于深度學習理論設計車載智能健康監(jiān)測系統(tǒng)，通過研究深度學習分析研究，對車載智能健康監(jiān)測系統(tǒng)進行設計開發(fā)，確定系統(tǒng)設計結構體系，對DBN的訓練模型進行介紹，研究更精確的訓練模型，為未來車載智能健康系統(tǒng)提供理論支撐。

2 深度學習理論

深度學習是機器學習的一個新領域方向，主要是對大量數(shù)據(jù)樣本進行學習，分析內(nèi)在聯(lián)系、規(guī)律和層次。通過模擬大腦神經(jīng)的動態(tài)變化，通過計算機的算法實現(xiàn)。依據(jù)計算機的算法探究大腦神經(jīng)中的思考過程，利用大數(shù)據(jù)的變化模擬大腦思考過程，最終是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像、聲音和數(shù)字等數(shù)據(jù)。

深度學習神經(jīng)網(wǎng)絡的是模擬人體大腦皮層的組成結構，多層神經(jīng)網(wǎng)絡結構可以將數(shù)據(jù)分到每一層，每一層中對數(shù)據(jù)分別進行處理，每一層結構都會識別并分析數(shù)據(jù)類型。分析識別是在沒由約束的情況下進行訓練，并將訓練結果反饋到高一層的輸入端，并用程序去調整所有的層級，深度學習是從淺度學習發(fā)展至深度學習。DBN是深度學習的算法的一種，也是比較常用的一種算法，能夠很好的識別物體的特征依據(jù)模型開展訓練。構建出車載健康異常指標診斷的深度學習網(wǎng)絡。

3 車載智能健康監(jiān)測系統(tǒng)設計

3.1 設計思路

在汽車方向盤上加入智能健康監(jiān)測系統(tǒng)，智能健康識別傳感器模塊，監(jiān)測識別身體生理健康指標，通過wifi數(shù)據(jù)發(fā)送設備將監(jiān)測數(shù)據(jù)包傳輸至樹莓派開發(fā)板，根據(jù)深度學習DBN訓練算法模型識別數(shù)據(jù)，將數(shù)據(jù)反饋可以反饋到車載中央顯示屏進行顯示，同事也可以將數(shù)據(jù)發(fā)送到云端，通過服務器端口發(fā)送到手機APP端進行顯示。

智能傳感器模塊包括環(huán)境傳感器組和生理健康傳感器組。駕駛員取車前，環(huán)境傳感器組會將車內(nèi)環(huán)境數(shù)據(jù)發(fā)送給到手機APP中，如出現(xiàn)異常數(shù)據(jù)，在APP端可選擇遠程啟動車輛，打開空氣清潔系統(tǒng)、外循環(huán)系統(tǒng)，從而保證駕駛者在上車時能保持良好的車內(nèi)環(huán)境。駕駛員打開車門，進入駕駛座后環(huán)境傳感器組中乙醇傳感器會自動識別駕駛者是否處于酒駕狀態(tài)，如識別到酒精濃度過高處于酒駕狀態(tài)，則車輛自動強制熄火。駕駛員在正常行駛時，手放在生理健康識別區(qū)時，系統(tǒng)會實時自動監(jiān)測駕駛員的生理數(shù)據(jù)，如出現(xiàn)異常生理數(shù)據(jù)時，會觸發(fā)報警器、語音系統(tǒng)會自動播報異常生理數(shù)據(jù)，并將異常數(shù)據(jù)反饋到中央大屏和手機APP端提醒駕駛者。

3.2 系統(tǒng)設計

本系統(tǒng)是裝配在方向盤上，駕駛員在上車后，將手放在方向盤智能硬件識別區(qū)，識別區(qū)中傳感器可以實時監(jiān)測并輸出生理和環(huán)境感應數(shù)值，智能終端控制單元可以將感應數(shù)值對比識別和存儲;調節(jié)單元可以根據(jù)控制模塊自動調節(jié);控制模塊通過wifi/5G將生理和環(huán)境特征數(shù)據(jù)傳輸?shù)皆贫朔掌?，服務器將?shù)據(jù)呈現(xiàn)在用戶APP上，出現(xiàn)異常數(shù)據(jù)，用戶APP端會觸發(fā)報警模塊，用戶沒有對報警模塊處理時，系統(tǒng)會自動將數(shù)據(jù)傳輸給緊急聯(lián)系人和私人醫(yī)生。

智能健康監(jiān)測識別單元為安裝在智能終端硬件設備包括：傳感器組模塊和樹莓派開發(fā)板。傳感器組模塊包括：紅外傳感器、多光譜傳感器、乙醇傳感器和濕度傳感器。傳感器組模塊和樹莓派開發(fā)板電性連接，紅外傳感器可以檢測人體體溫數(shù)據(jù)，并輸出體溫數(shù)值;多光譜傳感器可以檢測人體心率、血氧、微循環(huán)數(shù)據(jù)，并輸出心率、血氧、微循環(huán)數(shù)值;乙醇傳感器可以檢測駕駛環(huán)境中酒精數(shù)據(jù)，并輸出酒精含量數(shù)值;濕度傳感器可以檢測駕駛環(huán)境中濕度數(shù)據(jù)，并輸出濕度含量數(shù)值。智能健康監(jiān)測識別單元和控制單元以及用戶APP建立通訊連接，智能健康監(jiān)測識別單元設置有wifi/5G發(fā)射模塊，可將監(jiān)測識別到的數(shù)據(jù)包通過計時器或實時傳輸?shù)娇刂茊卧?，計時器數(shù)值可在用戶APP中設置，默認數(shù)值為10秒傳輸一次（監(jiān)測采集數(shù)據(jù)包傳輸?shù)娇刂茊卧?實時即為實時將監(jiān)測采集數(shù)據(jù)包傳輸?shù)娇刂茊卧?/p>

控制單元和調節(jié)單元，控制單元是對智能健康監(jiān)測識別單元中的監(jiān)測采集數(shù)據(jù)包和存儲單元中的數(shù)據(jù)進行對比和儲存。調節(jié)機構包括：空調系統(tǒng)、內(nèi)外循環(huán)系統(tǒng)、自清潔系統(tǒng)、語音系統(tǒng)和中央顯示屏系統(tǒng)。

3.3 DBN車載智能健康監(jiān)測系統(tǒng)訓練模型

DBN在數(shù)據(jù)特征提取方面有很多應用，智能健康監(jiān)測系統(tǒng)數(shù)據(jù)識別就運用DBN進行模型訓練，屬于概率生成模型，通過大數(shù)據(jù)構建觀察數(shù)據(jù)和識別標簽之間的分布狀態(tài)，作出對應的判斷評估[7][8]。DBN模型訓練是不同的限制玻爾茲曼機構成，神經(jīng)網(wǎng)絡包括一個可視層和一個隱含層，每一層之間具有連接關系，層內(nèi)沒有相互關聯(lián)。如圖1所示。

智能健康監(jiān)測系統(tǒng)中DBN訓練模型是對不同數(shù)據(jù)特征進行識別。通過不同的RBM隱含層組合而成，每一層都是單獨進行訓練，分別包括可視層和隱含層，底層的隱含層輸出到高一層的可視層中，高一層通過模型進行訓練，訓練完成后通過隱含層將數(shù)據(jù)特征輸出到更高一層的可視層，通過多層訓練最后構成DBN訓練模型。DBN訓練模型方法是通過多層隱含層單訓練，不斷優(yōu)化數(shù)據(jù)特征的深度學習網(wǎng)絡方法，最后得到最優(yōu)的數(shù)據(jù)識別特征[7]。

智能健康監(jiān)測系統(tǒng)DBN訓練模型通過在智能多傳感識別器上得到數(shù)據(jù)，發(fā)送到RBMO上面，在RBM隱含層中進行訓練，將數(shù)據(jù)特征發(fā)送到RBM1上的可視層中，即RBM0的發(fā)送是RBM1的接受，逐層向上訓練，訓練模型的最后一層中加入BP神經(jīng)網(wǎng)絡做反向微調，輸出訓練誤差，將誤差數(shù)值從高層到底層發(fā)送到每一層，對整體訓練模型進行細微調整，一直調整到最大模型訓練次數(shù)，得到最優(yōu)生理健康數(shù)據(jù)狀態(tài)的識別訓練模型，見圖2。

4 總結

隨著數(shù)字化時代的發(fā)展，在汽車中加裝智能健康監(jiān)測系統(tǒng)將成為未來的標配，行駛期間可實時監(jiān)測駕駛員生理健康參數(shù)和車內(nèi)環(huán)境參數(shù)，并對異常數(shù)據(jù)進行預警提示。為駕駛員提供一層健康監(jiān)測保障系統(tǒng)。運用DBN訓練模型對數(shù)據(jù)進行深度學習分析，建立人腦的學習機制分析解釋定義相關數(shù)據(jù)，為識別監(jiān)測到的各項生理指標信息提供參考。后期將研究更精確的訓練模型，為未來車載智能健康系統(tǒng)提供理論支撐。

參考文獻：

[1]孫會蘋，李朝輝，徐浩森，謝礎航.基于柔性電子皮膚的人體健康監(jiān)測系統(tǒng)的研究與應用[J].數(shù)字通信世界，2019（07）：147+151.

[2]李秀靜，劉永強，沈詩怡，葉大運，王巖.車用輔助健康監(jiān)測系統(tǒng)的研究與設計[J].電腦知識與技術，2019，15（18）：261-262.

[3]張夢瑤.基于Arduino智能家居及健康監(jiān)測系統(tǒng)設計[D].沈陽師范大學，2019.

[4]付文博，孫濤，梁藉，閆寶偉，范福新.深度學習原理及應用綜述[J].計算機科學，2018，45（S1）：11-15+40.

[5]靳兵.基于深度學習模型的圖像分類方法研究[D].河南大學，2018.

[6]康麗萍，許光鑾，孫顯.受限玻爾茲曼機的稀疏化特征學習[J].計算機科學，2016，43（12）：91-96.

[7]趙光權，葛強強，劉小勇，彭喜元.基于DBN的故障特征提取及診斷方法研究[J].儀器儀表學報，2016，37（09）：1946-1953.

[8]張艷霞.基于受限玻爾茲曼機的深度學習模型及其應用[D].電子科技大學，2016.