摘要 隨著城市化進程的加速，城市公共交通安全日益受到社會廣泛關(guān)注。駕駛員的健康狀況作為影響交通安全的關(guān)鍵因素之一，其監(jiān)測和管理顯得尤為重要。文章設計了一套面向城市公交安全運營的駕駛員健康檢測平臺，通過采集駕駛員的日常體檢數(shù)據(jù)、睡眠監(jiān)測數(shù)據(jù)和崗前安全調(diào)查數(shù)據(jù)，將數(shù)據(jù)上傳至數(shù)據(jù)存儲中心，由數(shù)據(jù)分析模塊通過不同的人工智能算法分析駕駛員的生理信號數(shù)據(jù)，并通過駕駛員健康監(jiān)測平臺展示分析結(jié)果，同時預測駕駛員未來的健康狀況，有助于及時發(fā)現(xiàn)健康風險，并提供預警和干預措施。研究結(jié)果表明，該平臺能夠有效提升駕駛員健康監(jiān)測的效率和準確性，降低因駕駛員健康問題導致的交通事故風險，對于提升城市公交系統(tǒng)的安全性和服務質(zhì)量至關(guān)重要。

關(guān)鍵詞 城市公交；駕駛員健康監(jiān)測；安全運營；實時監(jiān)測；健康預警

中圖分類號 U463 文獻標識碼 A 文章編號 2096-8949（2024）24-0021-05

0 引言

近年來，隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算及人工智能等技術(shù)的發(fā)展，信息技術(shù)在城市公交安全運營領(lǐng)域的應用越來越廣泛。城市化進程的不斷加快，使得城市公共交通安全問題越來越受到重視。在導致交通事故的諸多因素中，駕駛員的健康狀況逐漸被認為是一個關(guān)鍵因素，由于駕駛員健康問題所導致的交通事故占比顯著。因此，駕駛員健康監(jiān)測在城市公共交通安全問題方面顯得格外重要。目前，對駕駛員健康狀態(tài)的評估往往依賴于傳統(tǒng)的健康檢查方法，包括規(guī)律的醫(yī)療體檢、自我報告的問卷調(diào)查、血壓測量，以及視覺和聽覺能力測試等。這些方法雖然能夠提供一定的健康信息，但通常缺乏實時性和連續(xù)性，且依賴于駕駛員的主觀陳述和醫(yī)療機構(gòu)的周期性服務。由于目前對駕駛員健康狀況的監(jiān)測方法還不夠及時和精準，當駕駛員身體出現(xiàn)異常時，往往難以及時發(fā)現(xiàn)。如果駕駛員在駕駛過程中突發(fā)健康問題，極有可能嚴重威脅公眾的生命安全。

目前，國內(nèi)外在駕駛員健康監(jiān)測與交通事故的關(guān)系研究取得了一定的進展。駕駛員的生理和心理狀態(tài)，如心臟病、高血壓、疲勞和注意力不集中，都可能導致交通事故，而通過使用脈搏診斷技術(shù)[1]及非侵入性方法[2]監(jiān)測駕駛員的脈搏、心率、心電圖和腦電圖等生理參數(shù)評估其健康，能夠在駕駛員健康狀況不佳時及時給予提醒，并且使得長期監(jiān)測成為可能，有助于及時發(fā)現(xiàn)駕駛員的潛在健康問題，從而預防可能的交通事故。此外，視頻分析技術(shù)也是監(jiān)測駕駛員生理信號的有效手段。運用非接觸方式的BCG原理[3]及智能方向盤設計[4]，通過視頻監(jiān)測駕駛員頭部的微小運動和面部活動進而監(jiān)測其心率。有的學者利用微波干涉儀雷達技術(shù)探討監(jiān)測駕駛員生命體征的方法，該技術(shù)通過在座椅中嵌入傳感器，監(jiān)測駕駛員的心跳和呼吸，為自動駕駛和健康監(jiān)測提供了一種新的思路[5]。

然而，當前有關(guān)駕駛員健康檢測技術(shù)的研究仍存在一定的缺陷和不足。例如，采用崗前攝像頭采集人臉的實時視頻信息，利用面部生物特征模式技術(shù)進行分析和檢測的方式存在檢測時間短、算法有效性差、可信度不高等問題，車載設備雖然保障了駕駛員的長時間實時視頻采集，但這類方式并不適配現(xiàn)有的調(diào)度系統(tǒng)，且車載電子設備易發(fā)故障和誤識別率較高，很難進一步推廣應用。該研究的設計方案基于常規(guī)體檢、人體睡眠振動體征監(jiān)測、崗前安全信息采集等三方融合數(shù)據(jù)，對其進行人工智能建模和分析，依據(jù)安全運營管理制度，結(jié)合駕駛員健康安全三級風險模型，形成健康干預措施。

1 駕駛員健康監(jiān)測平臺的設計思路

駕駛員健康檢測平臺的設計，以駕駛員日常體檢數(shù)據(jù)、人體睡眠振動體征監(jiān)測、崗前安全信息采集等三方數(shù)據(jù)的融合作為基礎，對匯集的數(shù)據(jù)進行人工智能建模和分析，依據(jù)安全運營管理制度，結(jié)合駕駛員健康安全三級風險模型，形成健康干預措施。根據(jù)平臺預警和干預措施，進而分析安全運營績效，評估預警體系的有效性和效果，同時對安全運營管理制度進行動態(tài)改進，進一步提升安全運營服務質(zhì)量。駕駛員健康監(jiān)測平臺的總體數(shù)據(jù)流動過程如圖1所示。

駕駛員健康監(jiān)測平臺主要包括數(shù)據(jù)采集、數(shù)據(jù)存儲、數(shù)據(jù)分析、平臺可視化等四部分。

1.1 數(shù)據(jù)采集

駕駛員健康監(jiān)測平臺的計算數(shù)據(jù)主要來源于三部分：駕駛員的日常體檢數(shù)據(jù)、基于物聯(lián)網(wǎng)的睡眠監(jiān)測設備的實時數(shù)據(jù)、基于問卷的崗前安全調(diào)查數(shù)據(jù)。

1.1.1 日常體檢

體檢是考核駕駛員健康狀況的重要環(huán)節(jié)，包括身高、體重、視力、辨色力、聽力和身體運動功能等多個維度的一系列規(guī)范化醫(yī)學檢查。在內(nèi)科檢查中，以詢問病史、測量血壓、心臟聽診等方式，重點檢查心血管系統(tǒng)，并對駕駛員進行健康評價[6]。此外，由于睡眠質(zhì)量、壓力水平等心理因素同樣對行車安全造成直接影響，心理健康也是體檢中不可忽視的一個方面。這些體檢項目都是為了及時發(fā)現(xiàn)司機可能存在的健康隱患而設計，比如在行車過程中，慢性疾病可能會導致突發(fā)事件，包括心血管疾病、高血壓、糖尿病等，從而增加車禍風險，而這些健康風險則可以通過早期識別和及時治療得到顯著降低。體檢結(jié)果不僅有助于識別問題，還可以作為鼓勵司機采取改善飲食習慣、增加體育鍛煉等更健康的生活方式以降低患病可能性的健康教育依據(jù)。

1.1.2 睡眠監(jiān)測設備

對駕駛員進行睡眠監(jiān)測數(shù)據(jù)的分析，對保障和評價駕駛員的身體健康至關(guān)重要，因為這些數(shù)據(jù)揭示了潛在的睡眠障礙和質(zhì)量問題，而這些都會對駕駛員的駕駛表現(xiàn)和公共安全造成直接影響，通過分析這些數(shù)據(jù)，能夠及早發(fā)現(xiàn)并解決健康隱患，如睡眠呼吸暫停綜合征等，對駕駛員的注意力和反應速度都會產(chǎn)生一定程度的影響。此次研究采用中科振知品牌的睡眠監(jiān)測設備，它以壓電薄膜傳感器技術(shù)為基礎，安置在駕駛員床墊之下。作為一種動態(tài)應變的壓電薄膜傳感器，它具有較高的靈敏度，可穿透衣物探測到人體脈搏，對駕駛員在睡眠中產(chǎn)生的各種生理信號進行監(jiān)測。這項研究選擇了此類傳感器作為捕捉呼吸引起的微小壓力波動的力敏元件，從而將振動頻率和幅度收集到人體器官中。通過對高頻心音和低頻呼吸運動等信號波形的應用，可對這些信號波形進行分析。這些信號波先由壓電膜轉(zhuǎn)化為電荷，再經(jīng)電荷放大電路轉(zhuǎn)化為輸出電壓。通過這個過程，可以有效地區(qū)分身體的運動、心臟的搏動和呼吸的訊號。該設備可在睡眠狀態(tài)下，精確采集0.1～500 Hz范圍內(nèi)的身體震動信號數(shù)據(jù)，實現(xiàn)其心臟跳動等生理信號在駕駛者睡眠過程中的無聲采集。這種無干擾的監(jiān)測方式對于評估駕駛員睡眠質(zhì)量、睡眠呼吸暫停、心律不齊等潛在健康隱患的早期發(fā)現(xiàn)，以及因睡眠不足或質(zhì)量不佳導致的交通事故的針對性健康干預的實施，都極為關(guān)鍵。此外，睡眠監(jiān)測數(shù)據(jù)也幫助巴士公司遵守職業(yè)衛(wèi)生及安全法規(guī)，以提升公交系統(tǒng)的安全性及效率，確保司機在工作時一直保持清醒的最佳狀態(tài)。

1.1.3 崗前安全調(diào)查

對駕駛員進行崗前安全測評，是城市公共交通安全運行中至關(guān)重要的一環(huán)。這一考核過程既包括對駕駛員身體健康的檢查，也涉及為了確認駕駛員無論在身體上還是心理上都適合承擔駕駛職責，而對其心理狀態(tài)進行的考核。身體健康檢查側(cè)重于對心臟病、高血壓等可能干擾駕駛能力的疾病進行鑒別，而心理健康測評則側(cè)重于對駕駛員壓力的承受能力、情緒控制能力等方面的評估。再進一步，通過對駕駛員駕駛技能的審核和對交通法規(guī)的掌握，確保其具備技術(shù)和法律知識，確保安全駕駛工作萬無一失。

1.2 數(shù)據(jù)存儲

為了對持續(xù)流入平臺的數(shù)據(jù)進行有效管理，該研究設計了一種高效的數(shù)據(jù)存儲解決方案?？紤]系統(tǒng)中包含來自多個用戶、多個來源的數(shù)據(jù)，如果將所有數(shù)據(jù)直接存儲在傳統(tǒng)的關(guān)系型數(shù)據(jù)庫中，隨著時間的推移，數(shù)據(jù)表將會變得異常龐大，進而影響數(shù)據(jù)的存取及檢索速度。鑒于此，該研究采用一種分層存儲策略：優(yōu)先考慮實時數(shù)據(jù)的快速存儲，同時為長期數(shù)據(jù)保留一個輔助存儲方案，旨在優(yōu)化數(shù)據(jù)管理流程，確保數(shù)據(jù)的即時可用性，同時為未來的數(shù)據(jù)檢索及分析提供支持。

1.2.1 實時數(shù)據(jù)存儲

為實現(xiàn)數(shù)據(jù)的高效實時存儲，該平臺采用專門用于存儲最近72 h內(nèi)數(shù)據(jù)的Redis和Apache Kafka數(shù)據(jù)庫組合，以確保數(shù)據(jù)的快速訪問處理。這一存儲方案可使兩個數(shù)據(jù)庫的優(yōu)勢互補得到最好發(fā)揮。作為一款高效的鍵值存儲系統(tǒng)，Redis為平臺提供了快速讀寫數(shù)據(jù)的能力，尤其適用于駕駛員短期生理信號等短期臨時數(shù)據(jù)的存儲。Redis簡明的界面、多樣化的數(shù)據(jù)結(jié)構(gòu)設計，能夠快速實現(xiàn)開發(fā)人員的數(shù)據(jù)存儲和檢索。同時，作為一種分布式流處理系統(tǒng)，Apache Kafka在處理大規(guī)模數(shù)據(jù)流方面也具有強大優(yōu)勢，它可以實時接收來自監(jiān)控設備的數(shù)據(jù)，保證數(shù)據(jù)的穩(wěn)定傳遞和存儲。Kafka的分布式架構(gòu)和高容錯機制保證了數(shù)據(jù)處理流程能夠持續(xù)不受阻礙，即使在數(shù)據(jù)量激增的情況下。Kafka的可擴展性也隨著數(shù)據(jù)量的增長，通過增加Broker節(jié)點的方式實現(xiàn)集群的擴展，并保持數(shù)據(jù)處理的高效這一顯著特點。通過將Redis和Kafka的使用進行結(jié)合，駕駛員健康監(jiān)控平臺可以實現(xiàn)實時采集、快速處理和可靠存儲駕駛員的生理信號數(shù)據(jù)。這一架構(gòu)在提升數(shù)據(jù)處理速度與效率的同時，也為駕駛員提供了堅實的技術(shù)支持，確保了數(shù)據(jù)的安全與穩(wěn)定。

1.2.2 長期數(shù)據(jù)存儲

在構(gòu)建駕駛員健康監(jiān)測平臺的長期數(shù)據(jù)存儲策略時，該文采用MySQL與MongoDB兩種數(shù)據(jù)庫技術(shù)的融合方案，以適應不同類型數(shù)據(jù)的存儲需求，并對結(jié)構(gòu)化程度較高且查詢模式相對固定的數(shù)據(jù)，如日常體檢數(shù)據(jù)等，利用MySQL成熟的事務處理能力和穩(wěn)定的性能表現(xiàn)，確保數(shù)據(jù)的一致性和完整性，并通過有效組織和索引的方式對這些數(shù)據(jù)進行有效管理，便于歷史數(shù)據(jù)的查詢和統(tǒng)計分析，包括身高、體重、血壓等，通過在關(guān)系型模式中的有效組織并加以索引，為數(shù)據(jù)的查詢和統(tǒng)計分析提供了有力支持。對于MongoDB的文檔導向和模式靈活性尤其關(guān)鍵，比如睡眠監(jiān)測數(shù)據(jù)和崗前安全調(diào)查數(shù)據(jù)等結(jié)構(gòu)可能更加靈活或復雜。MongoDB的BSON文檔存儲格式支持數(shù)據(jù)的嵌套和數(shù)組，對于存儲多樣化的生理信號數(shù)據(jù)，比如睡眠監(jiān)測設備收集的數(shù)據(jù)，則非常合適。此外，對于處理大量數(shù)據(jù)和應對高并發(fā)訪問至關(guān)重要的MongoDB副本集和分片機制，提供了高可用性和橫向擴展能力。隨著數(shù)據(jù)量的不斷增長，平臺可以借助MongoDB的分片機制，向不同服務器分散數(shù)據(jù)，實現(xiàn)數(shù)據(jù)的橫向擴展，從而保持系統(tǒng)的可擴展性和高效率。對于歷史資料，為優(yōu)化存儲效率和成本，該文采取定期存檔策略，從實時數(shù)據(jù)庫向歸檔存儲轉(zhuǎn)移舊資料。綜合來看，MySQL與MongoDB的搭配使用，既滿足了駕駛員健康監(jiān)測平臺對數(shù)據(jù)精確性與實時性的需求，又保證了數(shù)據(jù)的長期可維護性與可訪問性，滿足了未來數(shù)據(jù)增長與系統(tǒng)擴展的需要。這一雙數(shù)據(jù)庫戰(zhàn)略為平臺提供了一種靈活的數(shù)據(jù)存儲解決方案，高效且具有可持續(xù)性。

1.3 數(shù)據(jù)分析

數(shù)據(jù)分析模塊負責從數(shù)據(jù)存儲模塊中提取和分析駕駛員的健康數(shù)據(jù)，采用深度小波變換網(wǎng)絡、深度置信網(wǎng)絡和長短期記憶網(wǎng)絡等先進技術(shù)，對數(shù)據(jù)進行深度分析，旨在為可視化預警平臺提供準確的數(shù)據(jù)支撐。通過數(shù)據(jù)預處理、特征提取、模型訓練和性能評估等一系列流程，系統(tǒng)能夠?qū)崟r監(jiān)測駕駛員的健康狀況，識別健康風險，并提供早期預警。

1.3.1 深度小波變換網(wǎng)絡

深度小波變換網(wǎng)絡[7]在心電圖（EGG）信號分析領(lǐng)域展示了其獨特的價值，該技術(shù)將小波變換和深度學習的優(yōu)點融合在一起，實現(xiàn)了高效的信號特征提取。該網(wǎng)絡首先應用了小波變換的多尺度分析能力，可以將EGG信號從時間域映射到頻率域，無論是連續(xù)還是離散的變換。這樣的變換使得網(wǎng)絡可以捕捉到周期性波動和不規(guī)則心跳模式等信號在不同頻帶中的局部特征。深度小波變換網(wǎng)絡在分析頻率域的過程中，定位和識別那些包含心率關(guān)鍵信息的峰值點，通過設定特定的閾值，網(wǎng)絡評估這些峰值點集合，以確定心率的頻率。在存在多個峰值點的情況下，網(wǎng)絡將采用聚類算法區(qū)分并選擇最重要的峰值點，從而精確地確定分段頻率域中的心率。此外，該網(wǎng)絡還能夠處理非平穩(wěn)信號，例如EGG中的心跳信號，通過自適應提升機制，網(wǎng)絡能夠?qū)W習信號的多尺度表示，進而更有效地捕捉數(shù)據(jù)的動態(tài)變化。在睡眠呼吸障礙的分析中，深度小波變換網(wǎng)絡通過濾波處理身體振動數(shù)據(jù)，提取呼吸波形的包絡線，并計算其標準差，以識別穩(wěn)定的呼吸周期，這種方法有助于監(jiān)測和評估睡眠期間的呼吸模式，并及時發(fā)現(xiàn)潛在的呼吸障礙。

1.3.2 深度置信網(wǎng)絡

深度小波變換網(wǎng)絡在分析EGG信號數(shù)據(jù)后，深度置信網(wǎng)絡（DBN）[8]能夠利用其強大的特征學習能力對這些數(shù)據(jù)進行進一步的分類和識別。通過逐層預訓練和微調(diào)，可以學習數(shù)據(jù)的復雜模式和層次，在處理EGG信號數(shù)據(jù)時，DBN能夠利用小波變換后的特征，如頻域中的峰值點集（FPS）和心率的頻率信息，進行進一步的分析。DBN的預訓練階段通過無監(jiān)督學習自動提取數(shù)據(jù)的高級特征，而后在微調(diào)階段通過監(jiān)督學習調(diào)整網(wǎng)絡權(quán)重，以優(yōu)化對特定健康問題的分類，如心率異?；蛐穆刹积R。對于日常體檢數(shù)據(jù)和崗前安全測試數(shù)據(jù)，DBN可以處理體檢數(shù)據(jù)中的結(jié)構(gòu)化信息，如身高、體重、血壓等，并結(jié)合崗前測試中的生理和心理健康的評估結(jié)果，進行綜合分析和分類。DBN能夠識別出體檢數(shù)據(jù)中的模式和關(guān)聯(lián)，如心率與血壓之間的關(guān)系，以及它們與健康風險之間的聯(lián)系。在處理EGG信號數(shù)據(jù)時，DBN能夠識別出特定的頻率域區(qū)域，并基于幅值和頻率對峰值點集進行分類，從而確定分段頻率域的心率。

1.3.3 長短期記憶網(wǎng)絡

在循環(huán)神經(jīng)網(wǎng)絡領(lǐng)域，長短期記憶網(wǎng)絡（LSTM）[9]因其在高效處理和記憶長序列數(shù)據(jù)中的獨特門控機制而脫穎而出。在數(shù)據(jù)分析平臺上，LSTM的應用尤其體現(xiàn)在對預測車手健康狀況至關(guān)重要的心臟搏動波形的時間序列分析上。LSTM的核心機理由遺忘的門、輸入的門、輸出的門和細胞的狀態(tài)等幾部分組成。遺忘門負責決定哪些信息需要丟棄或保留，輸入門控制著新信息的存儲，而輸出門則是為了確定哪些信息會被傳遞到網(wǎng)絡的下一層，這些信息將在細胞狀態(tài)下被傳遞出去。這種設計使LSTM特別適合對時間序列數(shù)據(jù)的處理和預測，可以捕捉和利用長期的依賴關(guān)系。在分析EGG訊號時，LSTM可以處理頻率域內(nèi)峰值點集（FPS）、心率頻率資訊等透過深度小波轉(zhuǎn)換提取的特性。同時，LSTM還可以通過時間序列分析這些特征，對未來心臟跳動的波形進行預測，從而對車手的健康狀況進行評估。舉例來說，LSTM可以通過監(jiān)測心率的長期變化，預測駕駛者是否存在心率異常、心律不齊或心率異變等風險。此外，LSTM還能識別可能指示睡眠呼吸障礙的模式，并通過分析身體在睡眠中的震動數(shù)據(jù)預測發(fā)生的可能性，進行時間序列分析。在長時間的駕駛?cè)蝿罩?，這樣的分析對于評估車手的健康程度和安全程度非常有意義。

2 平臺功能模塊設計

駕駛員健康狀態(tài)監(jiān)測預警平臺在構(gòu)建城市公共交通安全運營體系中扮演著核心角色。該平臺大大簡化了預警信息的管理和功能配置流程，通過設計交互式圖形用戶界面，可以方便系統(tǒng)管理人員處理預警信息，并通過直觀的操作界面進行相應的設定。該平臺的功能架構(gòu)主要圍繞三大核心模塊展開：一是實時健康監(jiān)測模塊，能夠持續(xù)追蹤駕駛者身體和心理狀況；二是風險提示模塊，及時向管理者發(fā)出可能產(chǎn)生健康隱患的預警；三是健康數(shù)據(jù)查詢和趨勢分析模塊，操作者可對駕駛員的歷史健康資料進行檢索和分析。駕駛員健康狀態(tài)監(jiān)測預警平臺通過這三大模塊的協(xié)同工作，在提高管理者監(jiān)控駕駛員健康狀況的效率的同時，也增強了潛在健康隱患的預警能力。

2.1 實時健康監(jiān)測

實時健康監(jiān)測功能對管理人員而言是一種有效的工具，可對駕駛員的關(guān)鍵生理參數(shù)進行監(jiān)控，包括體動心率和呼吸在內(nèi)的多項關(guān)鍵生理指標，并通過動態(tài)圖表和實時警報機制，使管理人員能夠迅速察覺任何異常狀況，并采取相應措施加以解決，從而在保證行車安全的基礎上提高整個公交系統(tǒng)的安全性和效率。通過實時監(jiān)控，管理人員能對駕駛員的健康狀況進行及時有效的干預和調(diào)整。

2.2 風險提示

通過直觀的用戶界面展示了駕駛員健康監(jiān)測平臺的風險提示功能。按照信息緊急程度，界面分為突發(fā)事件預警和常規(guī)提示兩個區(qū)域。突發(fā)事件預警區(qū)域?qū)ｉT用于顯示包括駕駛員姓名、緊急聯(lián)系方式、所屬車隊、駕駛車輛標識、潛在健康隱患等在內(nèi)的最高優(yōu)先級健康預警，一旦觸發(fā)，系統(tǒng)會自動彈出窗口并發(fā)出提示聲音，同時顯示關(guān)鍵信息。而常規(guī)提示區(qū)域則用來顯示非緊急事件的健康信息，其中為了提醒系統(tǒng)管理員注意，會用加粗的字體顯示未經(jīng)處理的信息。管理員通過點擊留言列表，就能看到詳細信息，并對突發(fā)事件預警及時作出反應，及時進行處理。此功能能夠確保實時監(jiān)測，并快速響應駕駛者的健康狀況，確保行車安全與健康。

2.3 健康數(shù)據(jù)查詢及趨勢分析

駕駛員健康數(shù)據(jù)查詢和趨勢分析模塊可以讓用戶高效地分類匯總所有駕駛員的健康狀況。通過簡潔的用戶界面，用戶可以輕松訪問包括預警具體細節(jié)、處理時間節(jié)點、負責人員等關(guān)鍵信息，以及已經(jīng)實施的響應措施等詳細的歷史預警事件記錄。此外，該工具還可以深入分析具體時間范圍內(nèi)的特定駕駛員的關(guān)鍵健康指標。該系統(tǒng)可以根據(jù)用戶的查詢自動生成走勢圖，使駕駛者的健康狀態(tài)演變趨勢得到直觀呈現(xiàn)。進一步地，該平臺整合了先進的數(shù)據(jù)分析技術(shù)和機器學習算法，以預測潛在的健康風險為目的，全面分析駕駛員的歷史健康數(shù)據(jù)、行為模式和外界環(huán)境因素。這種預見性分析功能為管理者及時采取預防措施提供了重要的決策支持。這些措施可能包括對駕駛員工作計劃的調(diào)整、特定的健康檢查推薦等，并提供個性化的健康意見。通過這些預防措施，確保行車任務萬無一失，從而有效預防因健康問題導致的事故發(fā)生。

3 駕駛員健康監(jiān)測平臺的應用實例——以濟南公交公司駕駛員為例

該研究以濟南公交公司駕駛員為例，對駕駛員健康狀態(tài)監(jiān)測預警平臺的使用效果進行檢測，根據(jù)2021年5月～2023年3月期間公交公司每日的匯總數(shù)據(jù)進行分析，主要觀測對象為高血壓人數(shù)、呼吸暫停人數(shù)、疑似飲酒人數(shù)、睡眠不足人數(shù)。

表1展示了使用健康狀態(tài)監(jiān)測預警平臺前后各類監(jiān)測對象的人數(shù)變化，數(shù)據(jù)顯示各類監(jiān)測對象在使用健康狀態(tài)監(jiān)測預警平臺后都有一定程度的減少。具體來看，在高血壓人數(shù)方面，由18.94人下降至14.06人，呈現(xiàn)良好的變化趨勢；疑似飲酒人數(shù)由10.61人下降至4.90人，雖然該數(shù)據(jù)在2021年11月～2022年1月期間出現(xiàn)反彈情況，但飲酒人數(shù)呈現(xiàn)整體下降趨勢；中度呼吸暫停人數(shù)由85.19人下降至67.48人，重度呼吸暫停人數(shù)由36.52人下降至23.42人，與飲酒人數(shù)呈現(xiàn)相同的反彈情況，但整體呈下降趨勢；睡眠不足人數(shù)則從142.42人下降至106.58人，平均睡眠時長由361.77 min上升至383.19 min，整體睡眠質(zhì)量改善情況良好。

此外，該研究還圍繞各類監(jiān)測人群使用健康狀態(tài)監(jiān)測預警平臺前后人數(shù)變化的相關(guān)性及方差進行研究。相關(guān)性分析方面，高血壓與中度呼吸暫停存在相關(guān)性，但相關(guān)性較弱；飲酒與中度呼吸暫停的線性關(guān)系擬合優(yōu)度為0.25，線性關(guān)系不明顯；飲酒與重度呼吸暫停的線性關(guān)系擬合優(yōu)度為0.49，具備一定的線性關(guān)系；睡眠不足人數(shù)與平均睡眠時長呈現(xiàn)強相關(guān)關(guān)系，擬合優(yōu)度超過0.94，線性趨勢十分明顯。方差分析方面，高血壓人數(shù)的方差由43.53下降至12.66，疑似飲酒人數(shù)的方差由15.11下降至6.42，中度呼吸暫停人數(shù)的方差在前十期均在60以內(nèi)，而重度呼吸暫停人數(shù)的方差在前十期均在20以內(nèi)，睡眠不足人數(shù)的方差由460.12下降至131.25，平均睡眠時長方差由164.05下降至74.63，說明該公司駕駛員的整體生活習慣呈現(xiàn)改善狀態(tài)，生活作息規(guī)律日趨穩(wěn)定。

4 結(jié)論

該文構(gòu)建并實施了一個專門針對城市公共交通安全運營的駕駛員健康監(jiān)測系統(tǒng)。該系統(tǒng)融合了尖端的傳感器技術(shù)、大數(shù)據(jù)分析能力及人工智能算法，旨在為駕駛員提供全面、即時且精確的健康監(jiān)測解決方案。通過持續(xù)追蹤駕駛員的關(guān)鍵生理參數(shù)，該系統(tǒng)能夠?qū)撛诮】碉L險發(fā)出預警，并及時給予駕駛員健康管理建議，增強他們對個人健康狀況的了解，進而增強公共交通的安全性。此外，系統(tǒng)的數(shù)據(jù)分析組件能夠?qū)κ占慕】禂?shù)據(jù)進行深入分析，預測健康趨勢，并為駕駛員定制個性化的健康管理方案。在實際部署中，通過對比實施健康狀態(tài)監(jiān)測預警系統(tǒng)前后的數(shù)據(jù)，可以觀察到高血壓、睡眠呼吸暫停和睡眠不足等健康問題的發(fā)生率有所降低，駕駛員的整體健康狀況得到了顯著提升。這一結(jié)果表明，實時監(jiān)控和干預駕駛員的健康狀況，不僅有助于保障駕駛員個人的健康，也顯著提高了城市公交系統(tǒng)的安全性和服務質(zhì)量。

參考文獻

[1]Zhang Rui， Lin Yao， Zhang Qinchuan， et al. Intelligent connected vehicle health monitoring system based on pulse diagnosis technology[C].International Conference on Smart Transportation and City Engineering （stce 2023）： Spie， 2024：221-225.

[2]Ye Sun， Xiong Yu. An innovative nonintrusive driver assistance system for vital signal monitoring[J]. Ieee Journal of Biomedical and Health Informatics， 2014（6）：1932-1939.

[3]Mohamed Abul Hassan， Aamir Saeed Malik， David Fofi， et al. Video-Based Heartbeat Rate Measuring Method Using Ballistocardiography[J]. Ieee Sensors Journal， 2017（17）：

4544-4557.

[4]Branko Babusiak， Adrian Hajducik， Stefan Medvecky， et al. Design of Smart Steering Wheel for Unobtrusive Health and Drowsiness Monitoring[J]. Sensors， 2021（16）：5285.

[5] G. Vinci， T. Lenhard， C. Will and A. Koelpin. Microwave interferometer radar-based vital sign detection for driver monitoring system[C]. 2015 IEEE MTT-S International Conference on Microwaves for Intelligent Mobility （ICMIM）， Heidelberg， Germany， 2015：1-4.

[6]倪晨旭，湯佳，邵寶魁，等.智能穿戴設備與老年健康——來自智能手環(huán)的證據(jù)[J].人口學刊， 2023（6）：50-67.

[7]陳煜之，李心悅，方毅.基于頻率分解的機器學習模型預測效果比較[J].統(tǒng)計與決策， 2024（12）：29-34.

[8]張李義，劉暢.結(jié)合深度置信網(wǎng)絡和模糊集的虛假交易識別研究[J].現(xiàn)代圖書情報技術(shù)， 2016（1）：32-39.

[9]陳曉紅，王澤深，吳超，等.基于長短期記憶網(wǎng)絡的微電網(wǎng)分時負荷組合預測模型研究[J/OL].中國管理科學， 2024-08-29/2024-10-28.