摘要 隨著城市化進(jìn)程的加速，城市公共交通安全日益受到社會(huì)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(cè)和管理顯得尤為重要。文章設(shè)計(jì)了一套面向城市公交安全運(yùn)營(yíng)的駕駛員健康檢測(cè)平臺(tái)，通過采集駕駛員的日常體檢數(shù)據(jù)、睡眠監(jiān)測(cè)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(chǔ)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(hào)數(shù)據(jù)，并通過駕駛員健康監(jiān)測(cè)平臺(tái)展示分析結(jié)果，同時(shí)預(yù)測(cè)駕駛員未來的健康狀況，有助于及時(shí)發(fā)現(xiàn)健康風(fēng)險(xiǎn)，并提供預(yù)警和干預(yù)措施。研究結(jié)果表明，該平臺(tái)能夠有效提升駕駛員健康監(jiān)測(cè)的效率和準(zhǔn)確性，降低因駕駛員健康問題導(dǎo)致的交通事故風(fēng)險(xiǎn)，對(duì)于提升城市公交系統(tǒng)的安全性和服務(wù)質(zhì)量至關(guān)重要。

關(guān)鍵詞 城市公交；駕駛員健康監(jiān)測(cè)；安全運(yùn)營(yíng)；實(shí)時(shí)監(jiān)測(cè)；健康預(yù)警

中圖分類號(hào) U463 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 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(jì)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(yùn)營(yíng)領(lǐng)域的應(yīng)用越來越廣泛。城市化進(jìn)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(dǎo)致交通事故的諸多因素中，駕駛員的健康狀況逐漸被認(rèn)為是一個(gè)關(guān)鍵因素，由于駕駛員健康問題所導(dǎo)致的交通事故占比顯著。因此，駕駛員健康監(jiān)測(cè)在城市公共交通安全問題方面顯得格外重要。目前，對(duì)駕駛員健康狀態(tài)的評(píng)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(bào)告的問卷調(diào)查、血壓測(cè)量，以及視覺和聽覺能力測(cè)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(shí)時(shí)性和連續(xù)性，且依賴于駕駛員的主觀陳述和醫(yī)療機(jī)構(gòu)的周期性服務(wù)。由于目前對(duì)駕駛員健康狀況的監(jiān)測(cè)方法還不夠及時(shí)和精準(zhǔn)，當(dāng)駕駛員身體出現(xiàn)異常時(shí)，往往難以及時(shí)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(yán)重威脅公眾的生命安全。

目前，國(guó)內(nèi)外在駕駛員健康監(jiān)測(cè)與交通事故的關(guān)系研究取得了一定的進(jìn)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(dǎo)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(cè)駕駛員的脈搏、心率、心電圖和腦電圖等生理參數(shù)評(píng)估其健康，能夠在駕駛員健康狀況不佳時(shí)及時(shí)給予提醒，并且使得長(zhǎng)期監(jiān)測(cè)成為可能，有助于及時(shí)發(fā)現(xiàn)駕駛員的潛在健康問題，從而預(yù)防可能的交通事故。此外，視頻分析技術(shù)也是監(jiān)測(cè)駕駛員生理信號(hào)的有效手段。運(yùn)用非接觸方式的BCG原理[3]及智能方向盤設(shè)計(jì)[4]，通過視頻監(jiān)測(cè)駕駛員頭部的微小運(yùn)動(dòng)和面部活動(dòng)進(jìn)而監(jiān)測(cè)其心率。有的學(xué)者利用微波干涉儀雷達(dá)技術(shù)探討監(jiān)測(cè)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(cè)駕駛員的心跳和呼吸，為自動(dòng)駕駛和健康監(jiān)測(cè)提供了一種新的思路[5]。

然而，當(dāng)前有關(guān)駕駛員健康檢測(cè)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(shí)時(shí)視頻信息，利用面部生物特征模式技術(shù)進(jìn)行分析和檢測(cè)的方式存在檢測(cè)時(shí)間短、算法有效性差、可信度不高等問題，車載設(shè)備雖然保障了駕駛員的長(zhǎng)時(shí)間實(shí)時(shí)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(shè)備易發(fā)故障和誤識(shí)別率較高，很難進(jìn)一步推廣應(yīng)用。該研究的設(shè)計(jì)方案基于常規(guī)體檢、人體睡眠振動(dòng)體征監(jiān)測(cè)、崗前安全信息采集等三方融合數(shù)據(jù)，對(duì)其進(jìn)行人工智能建模和分析，依據(jù)安全運(yùn)營(yíng)管理制度，結(jié)合駕駛員健康安全三級(jí)風(fēng)險(xiǎn)模型，形成健康干預(yù)措施。

1 駕駛員健康監(jiān)測(cè)平臺(tái)的設(shè)計(jì)思路

駕駛員健康檢測(cè)平臺(tái)的設(shè)計(jì)，以駕駛員日常體檢數(shù)據(jù)、人體睡眠振動(dòng)體征監(jiān)測(cè)、崗前安全信息采集等三方數(shù)據(jù)的融合作為基礎(chǔ)，對(duì)匯集的數(shù)據(jù)進(jìn)行人工智能建模和分析，依據(jù)安全運(yùn)營(yíng)管理制度，結(jié)合駕駛員健康安全三級(jí)風(fēng)險(xiǎn)模型，形成健康干預(yù)措施。根據(jù)平臺(tái)預(yù)警和干預(yù)措施，進(jìn)而分析安全運(yùn)營(yíng)績(jī)效，評(píng)估預(yù)警體系的有效性和效果，同時(shí)對(duì)安全運(yùn)營(yíng)管理制度進(jìn)行動(dòng)態(tài)改進(jìn)，進(jìn)一步提升安全運(yùn)營(yíng)服務(wù)質(zhì)量。駕駛員健康監(jiān)測(cè)平臺(tái)的總體數(shù)據(jù)流動(dòng)過程如圖1所示。

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

1.1 數(shù)據(jù)采集

駕駛員健康監(jiān)測(cè)平臺(tái)的計(jì)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(cè)設(shè)備的實(shí)時(shí)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(yùn)動(dòng)功能等多個(gè)維度的一系列規(guī)范化醫(yī)學(xué)檢查。在內(nèi)科檢查中，以詢問病史、測(cè)量血壓、心臟聽診等方式，重點(diǎn)檢查心血管系統(tǒng)，并對(duì)駕駛員進(jìn)行健康評(píng)價(jià)[6]。此外，由于睡眠質(zhì)量、壓力水平等心理因素同樣對(duì)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(gè)方面。這些體檢項(xiàng)目都是為了及時(shí)發(fā)現(xiàn)司機(jī)可能存在的健康隱患而設(shè)計(jì)，比如在行車過程中，慢性疾病可能會(huì)導(dǎo)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(fēng)險(xiǎn)，而這些健康風(fēng)險(xiǎn)則可以通過早期識(shí)別和及時(shí)治療得到顯著降低。體檢結(jié)果不僅有助于識(shí)別問題，還可以作為鼓勵(lì)司機(jī)采取改善飲食習(xí)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(cè)設(shè)備

對(duì)駕駛員進(jìn)行睡眠監(jiān)測(cè)數(shù)據(jù)的分析，對(duì)保障和評(píng)價(jià)駕駛員的身體健康至關(guān)重要，因?yàn)檫@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(huì)對(duì)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(duì)駕駛員的注意力和反應(yīng)速度都會(huì)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(cè)設(shè)備，它以壓電薄膜傳感器技術(shù)為基礎(chǔ)，安置在駕駛員床墊之下。作為一種動(dòng)態(tài)應(yīng)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(cè)到人體脈搏，對(duì)駕駛員在睡眠中產(chǎn)生的各種生理信號(hào)進(jìn)行監(jiān)測(cè)。這項(xiàng)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(dòng)的力敏元件，從而將振動(dòng)頻率和幅度收集到人體器官中。通過對(duì)高頻心音和低頻呼吸運(yùn)動(dòng)等信號(hào)波形的應(yīng)用，可對(duì)這些信號(hào)波形進(jìn)行分析。這些信號(hào)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(gè)過程，可以有效地區(qū)分身體的運(yùn)動(dòng)、心臟的搏動(dòng)和呼吸的訊號(hào)。該設(shè)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(dòng)信號(hào)數(shù)據(jù)，實(shí)現(xiàn)其心臟跳動(dòng)等生理信號(hào)在駕駛者睡眠過程中的無聲采集。這種無干擾的監(jiān)測(cè)方式對(duì)于評(píng)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(dǎo)致的交通事故的針對(duì)性健康干預(yù)的實(shí)施，都極為關(guān)鍵。此外，睡眠監(jiān)測(cè)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(jī)在工作時(shí)一直保持清醒的最佳狀態(tài)。

1.1.3 崗前安全調(diào)查

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

1.2 數(shù)據(jù)存儲(chǔ)

為了對(duì)持續(xù)流入平臺(tái)的數(shù)據(jù)進(jìn)行有效管理，該研究設(shè)計(jì)了一種高效的數(shù)據(jù)存儲(chǔ)解決方案?？紤]系統(tǒng)中包含來自多個(gè)用戶、多個(gè)來源的數(shù)據(jù)，如果將所有數(shù)據(jù)直接存儲(chǔ)在傳統(tǒng)的關(guān)系型數(shù)據(jù)庫中，隨著時(shí)間的推移，數(shù)據(jù)表將會(huì)變得異常龐大，進(jìn)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(chǔ)策略：優(yōu)先考慮實(shí)時(shí)數(shù)據(jù)的快速存儲(chǔ)，同時(shí)為長(zhǎng)期數(shù)據(jù)保留一個(gè)輔助存儲(chǔ)方案，旨在優(yōu)化數(shù)據(jù)管理流程，確保數(shù)據(jù)的即時(shí)可用性，同時(shí)為未來的數(shù)據(jù)檢索及分析提供支持。

1.2.1 實(shí)時(shí)數(shù)據(jù)存儲(chǔ)

為實(shí)現(xiàn)數(shù)據(jù)的高效實(shí)時(shí)存儲(chǔ)，該平臺(tái)采用專門用于存儲(chǔ)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(chǔ)方案可使兩個(gè)數(shù)據(jù)庫的優(yōu)勢(shì)互補(bǔ)得到最好發(fā)揮。作為一款高效的鍵值存儲(chǔ)系統(tǒng)，Redis為平臺(tái)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(hào)等短期臨時(shí)數(shù)據(jù)的存儲(chǔ)。Redis簡(jiǎn)明的界面、多樣化的數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)，能夠快速實(shí)現(xiàn)開發(fā)人員的數(shù)據(jù)存儲(chǔ)和檢索。同時(shí)，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(qiáng)大優(yōu)勢(shì)，它可以實(shí)時(shí)接收來自監(jiān)控設(shè)備的數(shù)據(jù)，保證數(shù)據(jù)的穩(wěn)定傳遞和存儲(chǔ)。Kafka的分布式架構(gòu)和高容錯(cuò)機(jī)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(kuò)展性也隨著數(shù)據(jù)量的增長(zhǎng)，通過增加Broker節(jié)點(diǎn)的方式實(shí)現(xiàn)集群的擴(kuò)展，并保持?jǐn)?shù)據(jù)處理的高效這一顯著特點(diǎn)。通過將Redis和Kafka的使用進(jìn)行結(jié)合，駕駛員健康監(jiān)控平臺(tái)可以實(shí)現(xiàn)實(shí)時(shí)采集、快速處理和可靠存儲(chǔ)駕駛員的生理信號(hào)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(shí)，也為駕駛員提供了堅(jiān)實(shí)的技術(shù)支持，確保了數(shù)據(jù)的安全與穩(wěn)定。

1.2.2 長(zhǎng)期數(shù)據(jù)存儲(chǔ)

在構(gòu)建駕駛員健康監(jiān)測(cè)平臺(tái)的長(zhǎng)期數(shù)據(jù)存儲(chǔ)策略時(shí)，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(yīng)不同類型數(shù)據(jù)的存儲(chǔ)需求，并對(duì)結(jié)構(gòu)化程度較高且查詢模式相對(duì)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(wù)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(duì)這些數(shù)據(jù)進(jìn)行有效管理，便于歷史數(shù)據(jù)的查詢和統(tǒng)計(jì)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(jì)分析提供了有力支持。對(duì)于MongoDB的文檔導(dǎo)向和模式靈活性尤其關(guān)鍵，比如睡眠監(jiān)測(cè)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(fù)雜。MongoDB的BSON文檔存儲(chǔ)格式支持?jǐn)?shù)據(jù)的嵌套和數(shù)組，對(duì)于存儲(chǔ)多樣化的生理信號(hào)數(shù)據(jù)，比如睡眠監(jiān)測(cè)設(shè)備收集的數(shù)據(jù)，則非常合適。此外，對(duì)于處理大量數(shù)據(jù)和應(yīng)對(duì)高并發(fā)訪問至關(guān)重要的MongoDB副本集和分片機(jī)制，提供了高可用性和橫向擴(kuò)展能力。隨著數(shù)據(jù)量的不斷增長(zhǎng)，平臺(tái)可以借助MongoDB的分片機(jī)制，向不同服務(wù)器分散數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)的橫向擴(kuò)展，從而保持系統(tǒng)的可擴(kuò)展性和高效率。對(duì)于歷史資料，為優(yōu)化存儲(chǔ)效率和成本，該文采取定期存檔策略，從實(shí)時(shí)數(shù)據(jù)庫向歸檔存儲(chǔ)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(cè)平臺(tái)對(duì)數(shù)據(jù)精確性與實(shí)時(shí)性的需求，又保證了數(shù)據(jù)的長(zhǎng)期可維護(hù)性與可訪問性，滿足了未來數(shù)據(jù)增長(zhǎng)與系統(tǒng)擴(kuò)展的需要。這一雙數(shù)據(jù)庫戰(zhàn)略為平臺(tái)提供了一種靈活的數(shù)據(jù)存儲(chǔ)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(fù)責(zé)從數(shù)據(jù)存儲(chǔ)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(luò)、深度置信網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)等先進(jìn)技術(shù)，對(duì)數(shù)據(jù)進(jìn)行深度分析，旨在為可視化預(yù)警平臺(tái)提供準(zhǔn)確的數(shù)據(jù)支撐。通過數(shù)據(jù)預(yù)處理、特征提取、模型訓(xùn)練和性能評(píng)估等一系列流程，系統(tǒng)能夠?qū)崟r(shí)監(jiān)測(cè)駕駛員的健康狀況，識(shí)別健康風(fēng)險(xiǎn)，并提供早期預(yù)警。

1.3.1 深度小波變換網(wǎng)絡(luò)

深度小波變換網(wǎng)絡(luò)[7]在心電圖（EGG）信號(hào)分析領(lǐng)域展示了其獨(dú)特的價(jià)值，該技術(shù)將小波變換和深度學(xué)習(xí)的優(yōu)點(diǎn)融合在一起，實(shí)現(xiàn)了高效的信號(hào)特征提取。該網(wǎng)絡(luò)首先應(yīng)用了小波變換的多尺度分析能力，可以將EGG信號(hào)從時(shí)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(luò)可以捕捉到周期性波動(dòng)和不規(guī)則心跳模式等信號(hào)在不同頻帶中的局部特征。深度小波變換網(wǎng)絡(luò)在分析頻率域的過程中，定位和識(shí)別那些包含心率關(guān)鍵信息的峰值點(diǎn)，通過設(shè)定特定的閾值，網(wǎng)絡(luò)評(píng)估這些峰值點(diǎn)集合，以確定心率的頻率。在存在多個(gè)峰值點(diǎn)的情況下，網(wǎng)絡(luò)將采用聚類算法區(qū)分并選擇最重要的峰值點(diǎn)，從而精確地確定分段頻率域中的心率。此外，該網(wǎng)絡(luò)還能夠處理非平穩(wěn)信號(hào)，例如EGG中的心跳信號(hào)，通過自適應(yīng)提升機(jī)制，網(wǎng)絡(luò)能夠?qū)W習(xí)信號(hào)的多尺度表示，進(jìn)而更有效地捕捉數(shù)據(jù)的動(dòng)態(tài)變化。在睡眠呼吸障礙的分析中，深度小波變換網(wǎng)絡(luò)通過濾波處理身體振動(dòng)數(shù)據(jù)，提取呼吸波形的包絡(luò)線，并計(jì)算其標(biāo)準(zhǔn)差，以識(shí)別穩(wěn)定的呼吸周期，這種方法有助于監(jiān)測(cè)和評(píng)估睡眠期間的呼吸模式，并及時(shí)發(fā)現(xiàn)潛在的呼吸障礙。

1.3.2 深度置信網(wǎng)絡(luò)

深度小波變換網(wǎng)絡(luò)在分析EGG信號(hào)數(shù)據(jù)后，深度置信網(wǎng)絡(luò)（DBN）[8]能夠利用其強(qiáng)大的特征學(xué)習(xí)能力對(duì)這些數(shù)據(jù)進(jìn)行進(jìn)一步的分類和識(shí)別。通過逐層預(yù)訓(xùn)練和微調(diào)，可以學(xué)習(xí)數(shù)據(jù)的復(fù)雜模式和層次，在處理EGG信號(hào)數(shù)據(jù)時(shí)，DBN能夠利用小波變換后的特征，如頻域中的峰值點(diǎn)集（FPS）和心率的頻率信息，進(jìn)行進(jìn)一步的分析。DBN的預(yù)訓(xùn)練階段通過無監(jiān)督學(xué)習(xí)自動(dòng)提取數(shù)據(jù)的高級(jí)特征，而后在微調(diào)階段通過監(jiān)督學(xué)習(xí)調(diào)整網(wǎng)絡(luò)權(quán)重，以優(yōu)化對(duì)特定健康問題的分類，如心率異?；蛐穆刹积R。對(duì)于日常體檢數(shù)據(jù)和崗前安全測(cè)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(cè)試中的生理和心理健康的評(píng)估結(jié)果，進(jìn)行綜合分析和分類。DBN能夠識(shí)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(fēng)險(xiǎn)之間的聯(lián)系。在處理EGG信號(hào)數(shù)據(jù)時(shí)，DBN能夠識(shí)別出特定的頻率域區(qū)域，并基于幅值和頻率對(duì)峰值點(diǎn)集進(jìn)行分類，從而確定分段頻率域的心率。

1.3.3 長(zhǎng)短期記憶網(wǎng)絡(luò)

在循環(huán)神經(jīng)網(wǎng)絡(luò)領(lǐng)域，長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）[9]因其在高效處理和記憶長(zhǎng)序列數(shù)據(jù)中的獨(dú)特門控機(jī)制而脫穎而出。在數(shù)據(jù)分析平臺(tái)上，LSTM的應(yīng)用尤其體現(xiàn)在對(duì)預(yù)測(cè)車手健康狀況至關(guān)重要的心臟搏動(dòng)波形的時(shí)間序列分析上。LSTM的核心機(jī)理由遺忘的門、輸入的門、輸出的門和細(xì)胞的狀態(tài)等幾部分組成。遺忘門負(fù)責(zé)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(chǔ)，而輸出門則是為了確定哪些信息會(huì)被傳遞到網(wǎng)絡(luò)的下一層，這些信息將在細(xì)胞狀態(tài)下被傳遞出去。這種設(shè)計(jì)使LSTM特別適合對(duì)時(shí)間序列數(shù)據(jù)的處理和預(yù)測(cè)，可以捕捉和利用長(zhǎng)期的依賴關(guān)系。在分析EGG訊號(hào)時(shí)，LSTM可以處理頻率域內(nèi)峰值點(diǎn)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(shí)，LSTM還可以通過時(shí)間序列分析這些特征，對(duì)未來心臟跳動(dòng)的波形進(jìn)行預(yù)測(cè)，從而對(duì)車手的健康狀況進(jìn)行評(píng)估。舉例來說，LSTM可以通過監(jiān)測(cè)心率的長(zhǎng)期變化，預(yù)測(cè)駕駛者是否存在心率異常、心律不齊或心率異變等風(fēng)險(xiǎn)。此外，LSTM還能識(shí)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(dòng)數(shù)據(jù)預(yù)測(cè)發(fā)生的可能性，進(jìn)行時(shí)間序列分析。在長(zhǎng)時(shí)間的駕駛?cè)蝿?wù)中，這樣的分析對(duì)于評(píng)估車手的健康程度和安全程度非常有意義。

2 平臺(tái)功能模塊設(shè)計(jì)

駕駛員健康狀態(tài)監(jiān)測(cè)預(yù)警平臺(tái)在構(gòu)建城市公共交通安全運(yùn)營(yíng)體系中扮演著核心角色。該平臺(tái)大大簡(jiǎn)化了預(yù)警信息的管理和功能配置流程，通過設(shè)計(jì)交互式圖形用戶界面，可以方便系統(tǒng)管理人員處理預(yù)警信息，并通過直觀的操作界面進(jìn)行相應(yīng)的設(shè)定。該平臺(tái)的功能架構(gòu)主要圍繞三大核心模塊展開：一是實(shí)時(shí)健康監(jiān)測(cè)模塊，能夠持續(xù)追蹤駕駛者身體和心理狀況；二是風(fēng)險(xiǎn)提示模塊，及時(shí)向管理者發(fā)出可能產(chǎn)生健康隱患的預(yù)警；三是健康數(shù)據(jù)查詢和趨勢(shì)分析模塊，操作者可對(duì)駕駛員的歷史健康資料進(jìn)行檢索和分析。駕駛員健康狀態(tài)監(jiān)測(cè)預(yù)警平臺(tái)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(shí)，也增強(qiáng)了潛在健康隱患的預(yù)警能力。

2.1 實(shí)時(shí)健康監(jiān)測(cè)

實(shí)時(shí)健康監(jiān)測(cè)功能對(duì)管理人員而言是一種有效的工具，可對(duì)駕駛員的關(guān)鍵生理參數(shù)進(jìn)行監(jiān)控，包括體動(dòng)心率和呼吸在內(nèi)的多項(xiàng)關(guān)鍵生理指標(biāo)，并通過動(dòng)態(tài)圖表和實(shí)時(shí)警報(bào)機(jī)制，使管理人員能夠迅速察覺任何異常狀況，并采取相應(yīng)措施加以解決，從而在保證行車安全的基礎(chǔ)上提高整個(gè)公交系統(tǒng)的安全性和效率。通過實(shí)時(shí)監(jiān)控，管理人員能對(duì)駕駛員的健康狀況進(jìn)行及時(shí)有效的干預(yù)和調(diào)整。

2.2 風(fēng)險(xiǎn)提示

通過直觀的用戶界面展示了駕駛員健康監(jiān)測(cè)平臺(tái)的風(fēng)險(xiǎn)提示功能。按照信息緊急程度，界面分為突發(fā)事件預(yù)警和常規(guī)提示兩個(gè)區(qū)域。突發(fā)事件預(yù)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(duì)、駕駛車輛標(biāo)識(shí)、潛在健康隱患等在內(nèi)的最高優(yōu)先級(jí)健康預(yù)警，一旦觸發(fā)，系統(tǒng)會(huì)自動(dòng)彈出窗口并發(fā)出提示聲音，同時(shí)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(huì)用加粗的字體顯示未經(jīng)處理的信息。管理員通過點(diǎn)擊留言列表，就能看到詳細(xì)信息，并對(duì)突發(fā)事件預(yù)警及時(shí)作出反應(yīng)，及時(shí)進(jìn)行處理。此功能能夠確保實(shí)時(shí)監(jiān)測(cè)，并快速響應(yīng)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(shì)分析

駕駛員健康數(shù)據(jù)查詢和趨勢(shì)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(jiǎn)潔的用戶界面，用戶可以輕松訪問包括預(yù)警具體細(xì)節(jié)、處理時(shí)間節(jié)點(diǎn)、負(fù)責(zé)人員等關(guān)鍵信息，以及已經(jīng)實(shí)施的響應(yīng)措施等詳細(xì)的歷史預(yù)警事件記錄。此外，該工具還可以深入分析具體時(shí)間范圍內(nèi)的特定駕駛員的關(guān)鍵健康指標(biāo)。該系統(tǒng)可以根據(jù)用戶的查詢自動(dòng)生成走勢(shì)圖，使駕駛者的健康狀態(tài)演變趨勢(shì)得到直觀呈現(xiàn)。進(jìn)一步地，該平臺(tái)整合了先進(jìn)的數(shù)據(jù)分析技術(shù)和機(jī)器學(xué)習(xí)算法，以預(yù)測(cè)潛在的健康風(fēng)險(xiǎn)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(yù)見性分析功能為管理者及時(shí)采取預(yù)防措施提供了重要的決策支持。這些措施可能包括對(duì)駕駛員工作計(jì)劃的調(diào)整、特定的健康檢查推薦等，并提供個(gè)性化的健康意見。通過這些預(yù)防措施，確保行車任務(wù)萬無一失，從而有效預(yù)防因健康問題導(dǎo)致的事故發(fā)生。

3 駕駛員健康監(jiān)測(cè)平臺(tái)的應(yīng)用實(shí)例——以濟(jì)南公交公司駕駛員為例

該研究以濟(jì)南公交公司駕駛員為例，對(duì)駕駛員健康狀態(tài)監(jiān)測(cè)預(yù)警平臺(tái)的使用效果進(jìn)行檢測(cè)，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(jìn)行分析，主要觀測(cè)對(duì)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(cè)預(yù)警平臺(tái)前后各類監(jiān)測(cè)對(duì)象的人數(shù)變化，數(shù)據(jù)顯示各類監(jiān)測(cè)對(duì)象在使用健康狀態(tài)監(jiān)測(cè)預(yù)警平臺(tái)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(shì)；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(shì)；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(shì)；睡眠不足人數(shù)則從142.42人下降至106.58人，平均睡眠時(shí)長(zhǎng)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(cè)人群使用健康狀態(tài)監(jiān)測(cè)預(yù)警平臺(tái)前后人數(shù)變化的相關(guān)性及方差進(jìn)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(shí)長(zhǎng)呈現(xiàn)強(qiáng)相關(guān)關(guān)系，擬合優(yōu)度超過0.94，線性趨勢(shì)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(shí)長(zhǎng)方差由164.05下降至74.63，說明該公司駕駛員的整體生活習(xí)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(shí)施了一個(gè)專門針對(duì)城市公共交通安全運(yùn)營(yíng)的駕駛員健康監(jiān)測(cè)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(shí)且精確的健康監(jiān)測(cè)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(fēng)險(xiǎn)發(fā)出預(yù)警，并及時(shí)給予駕駛員健康管理建議，增強(qiáng)他們對(duì)個(gè)人健康狀況的了解，進(jìn)而增強(qiáng)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(jìn)行深入分析，預(yù)測(cè)健康趨勢(shì)，并為駕駛員定制個(gè)性化的健康管理方案。在實(shí)際部署中，通過對(duì)比實(shí)施健康狀態(tài)監(jiān)測(cè)預(yù)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(shí)時(shí)監(jiān)控和干預(yù)駕駛員的健康狀況，不僅有助于保障駕駛員個(gè)人的健康，也顯著提高了城市公交系統(tǒng)的安全性和服務(wù)質(zhì)量。

參考文獻(xiàn)

[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(shè)備與老年健康——來自智能手環(huán)的證據(jù)[J].人口學(xué)刊， 2023（6）：50-67.

[7]陳煜之，李心悅，方毅.基于頻率分解的機(jī)器學(xué)習(xí)模型預(yù)測(cè)效果比較[J].統(tǒng)計(jì)與決策， 2024（12）：29-34.

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

[9]陳曉紅，王澤深，吳超，等.基于長(zhǎng)短期記憶網(wǎng)絡(luò)的微電網(wǎng)分時(shí)負(fù)荷組合預(yù)測(cè)模型研究[J/OL].中國(guó)管理科學(xué)， 2024-08-29/2024-10-28.