基于多源感知数据的救援队员状态动态建模方法
本发明涉及救援状态监测,尤其涉及基于多源感知数据的救援队员状态动态建模方法。
背景技术:
1、常规救援队员状态监测技术通过采集生理、定位、环境等异构多模态感知数据,采用固定时间窗口或滑动窗口对连续数据流进行静态切分,经数据清洗、特征提取后输入状态评估模型输出结果。此类技术未关联任务实际执行阶段,不同任务阶段的关键状态特征存在显著差异,静态切分易导致特征提取与阶段需求不匹配,造成信息冗余或遗漏。
2、现有技术的缺陷在于,数据切分与任务阶段脱节,无法适应阶段转换引发的动态需求;时序融合环节多采用简单滑动平均或单变量递推,缺乏对任务阶段间逻辑关系的显式建模,状态评估仅依赖当前片段数据,忽略前序阶段状态的延续影响,难以捕捉阶段转换导致的状态突变,评估结果孤立且滞后。
3、本发明需解决的核心问题,是突破固定窗口的静态切分限制,使数据分段与任务实际阶段动态匹配,即通过任务阶段先验知识从交互事件序列中识别阶段转换边界,将连续数据流切分为与阶段对应的独立片段;同时构建能刻画阶段间时序依赖的融合机制,将前序片段的初步状态概率与当前片段的阶段相关特征偏离度结合,避免评估受阶段逻辑缺失的干扰,提升状态评估与任务进展的适配性及时序准确性。
技术实现思路
1、本发明的目的是解决现有技术中存在的缺点,而提出的基于多源感知数据的救援队员状态动态建模方法。
2、为了实现上述目的,本发明采用了如下技术方案:基于多源感知数据的救援队员状态动态建模方法,包括:
3、采集异构多模态原始感知数据流,构建分层级的多级数据融合框架,在数据级对异构多模态原始感知数据流进行时间戳同步、缺失值填补与野值剔除处理,生成同步清洗数据流,在特征级对同步清洗数据流中不同类型的数据进行特征抽取与变换,生成跨模态融合特征向量,在决策级对跨模态融合特征向量应用多变量联合推理,输出初步的队员状态概率分布;
4、通过引入任务阶段先验知识,从任务交互事件序列中识别出关键任务阶段的转换边界,将连续的数据流切分为与任务阶段对应的独立时间片段;
5、针对每个独立时间片段,分别提取与当前任务阶段高度相关的感知特征子集,并基于队员历史数据与群体基准数据,计算所述独立时间片段内队员状态特征的偏离度得分;
6、基于独立时间片段间的时序逻辑,构建有向状态转移图,在所述有向状态转移图上,将前一独立时间片段的初步状态概率分布与当前独立时间片段的偏离度得分进行加权融合,生成包含时序上下文信息的修正后队员状态评估结果。
7、作为本发明的进一步方案,所述在数据级对异构多模态原始感知数据流进行时间戳同步、缺失值填补与野值剔除处理包括:
8、所述异构多模态原始感知数据流包含队员生命体征、运动姿态、空间位置、任务交互事件及环境参数;
9、以救援队员佩戴的定位信标周期性发送的同步脉冲信号为基准时间,对其他所有感知设备采集的数据流进行时间戳对齐,将不同采样频率的感知数据统一插值到预设的公共时间序列上;
10、对时间对齐后的数据序列,采用基于局部窗口的线性插值法填补因短时信号丢失产生的数据缺失点;
11、计算每个数据通道在滑动时间窗口内的均值和标准差,将偏离均值超过预设倍数标准差的数值点判定为野值,并使用每个数据通道在滑动时间窗口内的中位数予以替换,生成同步清洗数据流。
12、作为本发明的进一步方案,所述在特征级对同步清洗数据流中不同类型的数据进行特征抽取与变换包括:
13、对同步清洗数据流中的生命体征数据,提取心率变异性指标、呼吸节律的频谱特征以及皮肤电导水平的趋势斜率,构成生理特征子集;
14、对同步清洗数据流中的运动姿态数据,通过姿态解算计算队员身体的轴向加速度、角速度以及合成后姿态角的稳定性指标,构成运动特征子集;
15、对同步清洗数据流中的空间位置与任务交互事件数据,计算队员的单位时间移动距离、在失能区域内的驻留时间以及与关键设备交互的成功率与反应时,构成行为特征子集;
16、对环境参数数据,提取温度、有害气体浓度、光照强度的实时读数及其变化梯度,构成环境特征子集;
17、将所述生理特征子集、运动特征子集、行为特征子集与环境特征子集的所有特征维度进行拼接,并对拼接后的高维向量进行标准化处理,生成跨模态融合特征向量。
18、作为本发明的进一步方案,所述在决策级对跨模态融合特征向量应用多变量联合推理包括:
19、构建一个深度信念网络,其输入层节点数与跨模态融合特征向量的维度一致;
20、将跨模态融合特征向量输入所述深度信念网络,通过多层受限玻尔兹曼机的逐层无监督预训练,学习感知数据的高阶抽象表示;
21、在预训练网络顶层,连接一个softmax分类器,使用带有状态标签的历史数据对所述深度信念网络进行有监督的全局微调;
22、将实时的跨模态融合特征向量输入微调后的深度信念网络,所述深度信念网络的softmax层输出一个向量,所述向量中各元素的值代表队员处于各预设状态类别下的初步概率,此向量即为初步的队员状态概率分布。
23、作为本发明的进一步方案,所述通过引入任务阶段先验知识,从任务交互事件序列中识别出关键任务阶段的转换边界包括:
24、定义救援任务的标准化阶段序列,所述标准化阶段序列包括集结准备、进入现场、搜索定位、实施救助、人员转运与撤离清点;
25、从任务交互事件序列中,提取具有阶段标志性的事件,所述事件包括“收到调度指令”、“跨入警戒区”、“发现目标”、“开始医疗处置”、“移交伤员”、“撤离指令确认”;
26、以标志性事件的发生时刻作为锚点,结合任务规程中定义的阶段最小与最大持续时间,通过动态时间规整算法匹配实时事件序列与标准阶段序列,从而在连续的时间轴上划分出各个独立时间片段的起止时刻。
27、作为本发明的进一步方案,所述分别提取与当前任务阶段高度相关的感知特征子集,并基于队员历史数据与群体基准数据,计算所述独立时间片段内队员状态特征的偏离度得分包括:
28、根据当前独立时间片段对应的任务阶段,从预定义的特征-阶段关联映射表中,选取与任务阶段关键绩效指标最相关的感知特征,形成当前任务阶段高度相关的感知特征子集;
29、从历史数据库中,检索队员在相同或相似任务阶段下的历史感知特征数据,计算历史数据中每个特征的均值与标准差,作为队员的个人基准;
30、同时,从群体数据库中,检索所有队员在相同任务阶段下的感知特征数据,计算群体数据中每个特征的均值与标准差,作为群体基准;
31、对于当前独立时间片段内感知特征子集中的每一个特征,分别计算其与个人基准的标准化距离,以及其与群体基准的标准化距离;
32、将个人标准化距离与群体标准化距离以预设的权重系数进行加权求和,得到每一个特征的复合偏离度;
33、对感知特征子集中所有特征的复合偏离度进行加权平均,权重由特征-阶段关联映射表中定义的特征重要性决定,计算得到的加权平均值即为独立时间片段的偏离度得分。
34、作为本发明的进一步方案,所述构建有向状态转移图,在所述有向状态转移图上,将前一独立时间片段的初步状态概率分布与当前独立时间片段的偏离度得分进行加权融合包括:
35、以任务阶段序列中的每个独立时间片段作为节点,以前后阶段间的必然或高概率转换关系作为有向边,构建一个有向状态转移图,所述有向边上赋予基于历史统计得到的转移概率;
36、从当前独立时间片段开始,向前回溯预设数量的连续独立时间片段;
37、沿着有向状态转移图回溯路径,提取回溯路径上各独立时间片段在决策级得到的初步的队员状态概率分布;
38、将回溯路径上各节点的初步的队员状态概率分布,按其时间顺序与当前节点状态转移概率的乘积进行连乘,计算得到沿回溯路径传递至当前节点的先验状态概率分布;
39、计算当前独立时间片段的偏离度得分,并将所述偏离度得分通过一个单调递减函数映射为一个零到一之间的可靠性系数;
40、将所述先验状态概率分布与当前独立时间片段的初步的队员状态概率分布,以所述可靠性系数作为当前数据可信度的权重,进行加权平均融合,生成当前时刻的修正后队员状态评估结果。
41、作为本发明的进一步方案,所述对同步清洗数据流中的运动姿态数据,通过姿态解算计算队员身体的轴向加速度、角速度以及合成后姿态角的稳定性指标,构成运动特征子集,包括:
42、从同步清洗数据流中提取由惯性测量单元采集的原始加速度与原始角速度数据;
43、利用四元数互补滤波算法对所述原始加速度与原始角速度数据进行姿态解算,得到队员身体在三个正交轴向的轴向加速度与轴向角速度;
44、对所述轴向加速度与轴向角速度在滑动时间窗口内进行标准差计算,得到轴向加速度波动性与轴向角速度波动性指标;
45、基于解算得到的姿态角数据,计算其在一段时间内的方差作为姿态角稳定性指标;
46、将计算得到的轴向加速度、轴向角速度、轴向加速度波动性、轴向角速度波动性及姿态角稳定性指标组合,构成运动特征子集。
47、作为本发明的进一步方案,所述将跨模态融合特征向量输入所述深度信念网络,通过多层受限玻尔兹曼机的逐层无监督预训练,学习感知数据的高阶抽象表示,包括:
48、将跨模态融合特征向量作为第一层受限玻尔兹曼机的可见层输入;
49、对第一层受限玻尔兹曼机执行对比散度算法,更新其可见层与隐藏层之间的连接权重与偏置,将第一层隐藏层的激活状态作为第二层受限玻尔兹曼机的可见层输入;
50、重复执行对比散度算法与层间逐层传递,完成对深度信念网络中所有受限玻尔兹曼机层的无监督预训练;
51、在预训练过程中,每一层受限玻尔兹曼机学习并提取其输入数据中的高阶抽象特征,最终在网络的顶层形成感知数据的高阶抽象表示。
52、作为本发明的进一步方案,以所述标志性事件的发生时刻作为锚点,结合任务规程中定义的阶段最小与最大持续时间,通过动态时间规整算法匹配实时事件序列与标准阶段序列,从而在连续的时间轴上划分出各个独立时间片段的起止时刻,包括:
53、以标志性事件的发生时刻为基准点,构建包含事件时间戳的实时事件序列向量;
54、根据标准化阶段序列的定义,构建包含各阶段预期顺序与持续时长的标准阶段序列模板;
55、应用动态时间规整算法计算实时事件序列向量与标准阶段序列模板之间的最小累计距离路径;
56、沿所述最小累计距离路径回溯,找到实时事件序列中与标准阶段序列模板中每个阶段边界点最佳对齐的时间点;
57、将所述最佳对齐的时间点结合任务规程中定义的阶段最小持续时间与最大持续时间进行约束性校验,最终确定每个独立时间片段的起止时刻。
58、与现有技术相比,本发明的优点和积极效果在于:
59、基于任务阶段先验知识,从任务交互事件序列中识别关键任务阶段的转换边界,将连续的多源感知数据流切分为与任务阶段对应的独立时间片段。通过引入预定义的阶段知识,从通信指令、设备操作记录、环境触发事件等交互序列中提取边界特征,实现数据分段与任务实际进展的动态匹配。此方式使每个片段仅包含单一阶段数据,后续可针对性提取与当前阶段高度相关的感知特征子集,避免跨阶段无关特征干扰,提升状态特征与任务需求的适配性,减少信息冗余与遗漏,为后续状态评估提供更精准的特征基础。
60、构建有向状态转移图,将独立时间片段作为节点,按任务执行的时序逻辑建立有向边表示阶段转移方向。在该图上,将前一片段经多级融合输出的初步状态概率分布与当前片段计算的阶段相关特征偏离度得分进行加权融合,权重依据阶段间依赖强度动态调整。有向图显式刻画阶段转移的时序约束,融合时纳入前序状态的时间延续性,同时以当前阶段偏离度修正异常波动。这使得评估结果既反映队员状态的动态变化,又兼顾阶段上下文的逻辑关联,较常规无显式转移建模的融合方式,更能捕捉因阶段转换引发的状态跃迁,提升评估结果与任务实际的贴合度及时序准确性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com