一种消防员训练效能评估方法及系统

1.本发明涉及训练效能评估技术领域，尤其涉及一种消防员训练效能评估方法及系统。


背景技术：

2.目前我国处于高速发展的时代，同时也会面临一些诸如火灾，地震，洪涝，疫情，泥石流等重大事故。在发生重大灾害和事故时，消防员的应急救援能力就格外重要，消防员临场的应急救援能力是靠日常的技战术训练积累而来的，然而在日常训练中常会出现训练强度过大或过小、训练过于注重数量等问题，这些都会使消防员的训练达不到预期效果，严重时可能还会导致过度疲劳，甚至引起肌肉或关节损伤。如何正确科学的评估消防员训练效能是目前亟待解决的问题之一。
3.现有技术中的效能评估方法有专家打分法、层次分析法、解析计算法、统计试验法等。但是专家打分法与层次分析法存在主观因素占比过大的缺点，解析计算法考虑因素较少，统计试验法则需要事先获取大量的实战和演习数据。


技术实现要素：

4.本发明的目的是提供一种消防员训练效能评估方法及系统，该方法和系统将人因工程学与信号去噪、数据降维等技术相结合，解决了消防员训练效能难以评估的问题。
5.本发明的目的是通过以下技术方案实现的：
6.一种消防员训练效能评估方法，所述方法包括：
7.步骤1、通过无线传感器采集待评估消防员的相应人因参数；所述人因参数包括心电信号、肌电信号、脉搏信号和呼吸信号；
8.步骤2、利用灵活解析小波变换fawt和樽海鞘算法ssa对采集的人因参数进行去噪处理；
9.步骤3、对去噪处理后的信号时域进行分析，提取出相应的特征值；所提取的特征值包括整流平均值、方差、波形因子、峰值因子、偏度、峭度这六种特征值；
10.步骤4、利用bp神经网络依据步骤3所提取的特征值计算待评估消防员的训练效能评估值，并根据评估值给出训练建议。
11.一种消防员训练效能评估系统，所述系统包括：
12.人因参数采集模块，用于通过无线传感器采集待评估消防员的相应人因参数；所述人因参数包括心电信号、肌电信号、脉搏信号和呼吸信号；
13.人因参数去噪模块，用于利用灵活解析小波变换fawt和樽海鞘算法ssa对采集的人因参数进行去噪处理；
14.特征值提取模块，用于对去噪处理后的信号时域进行分析，提取出相应的特征值；所提取的特征值包括整流平均值、方差、波形因子、峰值因子、偏度、峭度这六种特征值；
15.效能评估模块，用于利用bp神经网络依据所述特征值提取模块提取的特征值计算
待评估消防员的训练效能评估值，并根据评估值给出训练建议。
16.由上述本发明提供的技术方案可以看出，上述方法和系统将人因工程学与信号去噪、数据降维等技术相结合，解决了消防员训练效能难以评估的问题，提高了评估准确性，为消防员训练的方向和效果提供可视化评估体系，有利于提高消防员训练的积极性，加强消防工作人才队伍建设，有利于消防员救援能力的提升。
附图说明
17.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
18.图1为本发明实施例提供的消防员训练效能评估方法流程示意图；
19.图2为本发明实施例所述消防员训练效能评估系统的结构示意图；
20.图3为本发明实施例所举实例的系统界面示意图。
具体实施方式
21.下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，这并不构成对本发明的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
22.如图1所示为本发明实施例提供的消防员训练效能评估方法流程示意图，所述方法包括：
23.步骤1、通过无线传感器采集待评估消防员的相应人因参数；
24.在该步骤中，所采集的人因参数包括心电信号、肌电信号、脉搏信号和呼吸信号。心电信号与人体恐惧反应的产生和消亡有紧密的联系；肌电信号的强弱则量化人体的肌肉力量，爆发力等；光电容积脉搏信号的波形特征变化是评价人体心血管系统生理病理状态的重要依据；呼吸信号的变化可以从侧面反映人体警觉度的变化。
25.具体来说：心电信号(ecg)是一种非常微弱的生理低频电信号，根据美国心电图协会建立的标准，典型的ecg信号的幅度范围为10μv～4mv，标准值为1mv，频谱能量大多都集中在0.25hz～35hz。ecg信号可以反映心脏兴奋的电活动过程，不仅以用来分析和识别各种心律失常，它还可以反映心肌损伤的程度和发展，以及对于恐惧反应的表征，是一个可以很好反映消防员训练效能的生理指标。
26.表面肌电信号(semg)是由肌肉收缩产生的一种非平稳的微电交流信号,一般与肌肉力度成正比，幅值为0～1.5mv，有用信号频率为0～500hz，主要能量集中在20hz～150hz。semg通过测量运动单位电位的时限和幅度，安静状态下是否有自发电活动，以及肌肉收缩的波形和幅度，可以区分神经源性损伤和肌源性损伤。此外，肌电图还可以用来跟踪人体发力部位和体能恢复过程，对于消防员训练效能评估具有参考价值。
27.光电容积脉搏信号(ppg)是利用光电容积描记技术对人体运动心率进行检测。其原理是通过光电传感器探测人体血液和组织吸收的反射光强度的差异，记录心动周期中血
压变化，并根据脉搏波形计算心率。脉搏频率的变化是心脏和血管状态等重要信息的外在反映，也作为反映人体健康状况的一个重要生理指标。
28.呼吸信号(resp)是由呼气和吸气转换后气道，胸部和腹部周期性变形产生的人体电信号。随着疲劳程度加深，人体呼吸幅度减小，周期频率延迟，另外，随着个体生理状态变化，人体呼吸信号也会相应的发生变化，人体若呼吸停止，在短期内会导致机体缺氧，停止时间过长会导致人体严重酸中毒甚至引起窒息，同时人体反应能力，警觉度也会相应下降，所以呼吸信号也是一个评估消防员训练效能的重要生理指标。
29.步骤2、利用灵活解析小波变换fawt和樽海鞘算法ssa对采集的人因参数进行去噪处理；
30.在该步骤中，具体是在灵活解析小波变换fawt的基础上，加入相关约束条件，将其改进为一个以采集的人因参数为输入，分解后信号的信噪比为输出的去噪模型；
31.然后加入群智能优化算法中的樽海鞘算法ssa，调节灵活解析小波变换fawt中的品质因子和冗余度，利用优化后的模型对采集人因参数中的低频信号进行有效去噪。
32.具体实现中，所述灵活解析小波变换fawt的低通滤波器h(w)和高通滤波器g(w)的频率响应分别如式1、式2所示：
[0033][0034][0035]
式1中p、q分别控制低通滤波器h(w)的上采样率和下采样率；ws和w
p
表示低通滤波器的频带参数；而式2中r、s则决定高通滤波器g(w)的上采样率和下采样率，w1、w2、w3和w4作为高通滤波器的频带参数；
[0036]
通过改变滤波器的上下采样参数p、q、r和s以及常数β就能调节所述灵活解析小波变换fawt的品质因子q和冗余度r，从而实现对不同振荡成分信号的准确分析和突变成分的精确定位；
[0037]
当常数β固定不变，改变上下采样参数p、q、r、s时，各滤波器的中心频率和滤波器增益则随之改变，加入相关约束条件如式3所示：
[0038][0039]
故所述灵活解析小波变换fawt采用3个滤波器处理信号，当所述灵活解析小波变换fawt的分解层数为1时，信号会被分解成3个频段；当分解层数为m时，信号序列会被分解成2m 1个子频段，细腻程度相当于原始信号的2m 1倍，随着分解层数的m值增大，信号的细腻程度将线性增加；
[0040]
其中，所述灵活解析小波变换fawt的参数可灵活调节，在处理振荡信号时将品质因子q调高，在处理噪声较少的平稳信号时将品质因子q调低，灵活的参数设置可以使fawt较好地处理不同类型的信号。
[0041]
另外，在引入的樽海鞘算法ssa中，樽海鞘种群被分为了两部分：领导者和追随者；领导者位于链前端，它引领着追随者在d维空间中移动并寻找食物，其它个体为追随者；
[0042]
领导者的位置更新方式如式4所示：
[0043][0044]
为领导者在第j维空间的位置；fj为食物在第j维空间的位置；maxj是第j维空间的取值上边界；minj是第j维空间的取值下边界；c1为收敛因子，用于控制整个群体的探索能力和开发能力，它和当前种群的迭代次数有关，计算方法如式5所示：
[0045][0046]
其中，t为当前送代次数；t
max
为最大的送代次数；c2和c3是区间[0,1]内产生的随机数，c2决定的是移动的长度，c3決定的是移动方向的正反；
[0047]
追随者是跟着领导者来运动的，第i只追随者下一次迭代的位置是由“当前送代中它自己的位置”和“第i-1只樽海鞘的位置”共同決定的，因此追随者的位置更新公式如式6所示：
[0048][0049]
其中，表示在第t次送代的时候，第i只樽海鞘在第j维空间的坐标；
[0050]
具体实现中，由于fawt在变换过程中上下采样因子的选择对信号处理效果影响较大，因此本实施例首先将fawt转化为多输入单输出模型，并借助引入的樽海鞘算法ssa进行最优参数选择，具体来说：
[0051]
在引入人因参数的信号后，设置相关参数，初始化所述灵活解析小波变换fawt中滤波器的上下采样参数，将其设置为初始值为1的初代染色体，并由初始的采样参数计算初
始信噪比、领导者位置和跟随者位置，并更新食物源位置，判断樽海鞘个体位置是否超出了搜索空间的上下限；
[0052]
若超出上下限，则按照领导者和追随者的位置更新公式重新计算樽海鞘群和食物源的位置，据此计算新的采样参数，并将新的采样参数带入所述灵活解析小波变换fawt中计算新的信噪比；
[0053]
若未超出上下限，则将新一代的采样参数带入所述灵活解析小波变换fawt中，由所述灵活解析小波变换fawt进行去噪处理，并输出去噪后的人因参数信号。
[0054]
步骤3、对去噪处理后的信号时域进行分析，提取出相应的特征值；所提取的特征值包括整流平均值、方差、波形因子、峰值因子、偏度、峭度这六种特征值；
[0055]
在该步骤中，(1)整流平均值表示为信号绝对值积分的平均值，用来描述交流信号的整体均值特性，其中t为采样周期，x(t)是输入信号，t0是初始时间，如式(7)所示：
[0056][0057]
(2)方差描述的是随机变量对于数学期望的偏离程度，如式(8)所示，n为采样率，xi为输入信号，是信号均值，方差是用来衡量样本数据的波动性，方差越小，则样本越稳定：
[0058][0059]
(3)波形因子是有效值(rms)与整流平均值的比值，其中x
rms
是信号的的有效值，x
arv
是信号的的整流平均值，见式(9)：
[0060][0061]
(4)峰值因子是信号峰值与有效值的比值，代表的是峰值在波形中的极端程度，见式(10)：
[0062][0063]
其中x
peak
为信号峰值；x
rms
为有效值，n为采样率，xi为输入信号，见式(11)：
[0064][0065]
(5)偏度也叫偏斜，是第三中心矩与标准差的三次方之比，见式(12)所示，偏度反映分布的对称性：
[0066][0067]
其中，x是输入信号，μ是均值；σ为标准差；e是均值操作；
[0068]
如果简单理解物理意义，对于单峰分布，负偏态意味着分布线的“头”在右边，“尾”在左边。偏度可以反映分布的对称性，峰度反映图像的尖锐程度度：峰度越大，图像上的中心点就越尖锐。
[0069]
(6)峭度是反映振动信号分布特性的统计量，偏度和峭度有一定的相关，峭度是四阶中心矩和标准差四次方的比，见式(13)所示，其中n为采样率，xi为输入信号，是信号均值：
[0070][0071]
步骤4、利用bp神经网络依据步骤3所提取的特征值计算待评估消防员的训练效能评估值，并根据评估值给出训练建议。
[0072]
在该步骤中，利用bp神经网络计算训练效能评估值主要包括两个步骤：输入激励和权值修正，具体过程为：
[0073]
首先将提取的人因参数特征值样本集输入到bp神经网络模型中，得到相应的响应结果，将响应结果与训练目标值进行比较，得到bp神经网络误差；
[0074]
根据所得到的bp神经网络误差，由输入与误差的乘积得到不同权值的误差因子；
[0075]
根据最速下降法，计算误差对初始权值的局部梯度，即误差信号与传递函数导数的乘积，得到权值修正量；
[0076]
再根据权值修正量对输出层之前的隐层进行校正，然后根据隐层的误差对前一层的权值进行校正，通过对所有隐层和输入层的权值进行修正，使训练结果最接近人因参数特征值样本集中的训练目标，计算得到最终的训练效能评估值。
[0077]
基于上述方法，本发明实施例还提供了一种消防员训练效能评估系统，如图2所示为本发明实施例所述系统的结构示意图，所述系统包括：
[0078]
人因参数采集模块，用于通过无线传感器采集待评估消防员的相应人因参数；所述人因参数包括心电信号、肌电信号、脉搏信号和呼吸信号；
[0079]
人因参数去噪模块，用于利用灵活解析小波变换fawt和樽海鞘算法ssa对采集的人因参数进行去噪处理；
[0080]
特征值提取模块，用于对去噪处理后的信号时域进行分析，提取出相应的特征值；所提取的特征值包括整流平均值、方差、波形因子、峰值因子、偏度、峭度这六种特征值；
[0081]
效能评估模块，用于利用bp神经网络依据所述特征值提取模块提取的特征值计算待评估消防员的训练效能评估值，并根据评估值给出训练建议。
[0082]
上述各模块的具体实现方式见上述方法实施例所述。
[0083]
举例来说，本发明实施例可以通过matlab的app designer平台设计基于人因参数的消防员训练效能评估系统，如图3所示为本发明实施例所举实例的系统界面示意图，本系统的界面分为三栏，第一栏是按键操作栏，最上方为导入信号按键，往下为信号预处理操作框，包括经典模态分解和小波变换。信号去噪后还需要提取特征值，根据特征值计算训练效能评估值，通过bp神经网络进行评估。
[0084]
第二栏为视图栏，导入的心电信号、肌电信号、脉搏信号、呼吸信号数据后，将呈现到此视图栏中。点击“导入信号”按钮后会在此视图框中呈现原始信号；点击“经典模态分
解”按钮后则会刷新视图框，并呈现emd去噪后的信号；点击“小波变换”按钮后会再次刷新视图框，并呈现小波变换去噪后的信号。最后，点击“提取特征值”按钮，视图栏下方会显示提取到的特征值数据表格；
[0085]
第三栏为结果栏，主要展示训练效能评估结果和相关建议文本框。
[0086]
在提取特征值后，根据不同分析方法会计算出相应的训练效能得分，也就是根据导入的心电信号、肌电信号、脉搏信号、呼吸信号数据评估消防员的警觉度、疲劳度、肌肉力量、恐惧反应等，进而计算其训练效能的综合评估值，然后根据得分系统还会给出对应的训练建议。
[0087]
值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
[0088]
为了更加清晰地展现出本发明所提供的技术方案及所产生的技术效果，下面以具体实施例对本发明实施例所提供方法及系统进行详细描述，本实例采用ergolab无线传感器采集消防员相应的人因参数，该套系统可以使用任意指标传感器并自动识别信号种类，可实时监测人体的呼吸频率(resp)、脉搏(ppg)、心电(ecg)、肌电(emg)等生理指标。为了模拟消防员在救援过程中会遇到的突发状况，本实例与大兴区消防救援支队西红门特勤站深度合作，分别在高空速降，10米攀岩，负重登楼三个训练场景下测量人因参数，根据测量的人因参数，对消防员进行训练效能的评估。
[0089]
为分析改机算法的去噪效果，本实例以消防员的semg为例进行分析，在采集semg时，传感器的正负电极放在测量肱肌的肱侧腕长伸肌位置，参考电极放置于没有肌肉的骨性标志上，电极放置的方向则顺着肌肉纤维的走向；然后采集测试对象在握拳、伸掌、举重等一系列与肱肌有关的动作时的semg，由于举重动作是应急救援人员应急救援过程中最常用的动作，同时也能有效体现应急救援人员肌肉力量和专业能力，因此本实例针对8名消防员，采集举重动作时的semg作为实验信号。
[0090]
以其中1位消防员为例，本实例首先截取了有效信号片段作为输入，设置fawt的分解层数为6层，初始上下采样参数为p＝4，q＝6，r＝9，s＝10，k＝0.8。经计算，semg的初始信噪比为10.611629，fawt去噪后的信噪比为11.605031。fawt作为一种有理膨胀小波变换，可以通过改变滤波器组的上下采样参数p、q、r、s以及常数β调节品质因子q和冗余度r，从而实现对不同振荡成分的信号的准确分析和突变成分的精确定位。fawt算法与wt算法相比，其去噪后的信噪比并无明显提升，因此需要加入优化算法合理选择采样参数，使算法不仅能有效去除噪声，还能最大限度保留信号的有效特征。
[0091]
本实施例在现有fawt基础上加入樽海鞘ssa算法优化其上下采样参数，以综合评价指标作为目标函数进行去噪，从而得到更好的去噪效果。初始信噪比为10.611629，改进fawt变换后的信噪比为12.456929。由结果可知，使用改进fawt算法去噪后信号的信噪比有较大提升，具有更好的去噪效果。综上可知，改进fawt算法在处理不同的振荡信号时，通过采用樽海鞘ssa算法，可以根据信号特点从信噪比进行优化，提升算法的整体去噪效果。
[0092]
表1高空速降项目中消防员人因参数的特征值
[0093][0094]
在提取人因参数特征值后还可以通过特征值对消防员的训练效能进行更加详尽的分析。比如在高空速降项目消防员2号的semg信号的峰值因子最高，可知2号的肌肉爆发力相对较强；消防员3号的信号整流平均值最小，可知3号的整体肌肉力量较弱，因此用时较长；消防员4号的信号整流平均值最大，且方差最大，因此其整体肌肉力量相对较强。
[0095]
表2消防员训练效能评估结果对比
[0096][0097][0098]
本实例将8名消防员在不同训练场景下的多次测量的人因参数特征值作为训练样本，将其中1组数据作为测试样本得到消防员的训练效能评估结果。为了验证评估结果的有效性，研究收集了参与测试的8名消防员根据专家打分法得到的训练效能，同时系统根据评估结果的分值将消防员的训练效能分为四个等级，其中得分85分以上为优秀；75～85分评
级为良好；65～75分评级为中等；65分以下评级为较差。经对比验证后，可知基于人因参数的消防员训练效能评估结果较传统的专家打分评估结果更加精准有效。
[0099]
传统的训练效能评估方法只能根据消防员在某项目上的用时来进行评估，无法针对某个消防员给出科学的分析与指导，而使用人因参数进行分析时，则可以对每个消防员给出针对性的分析和训练指导，以消防员在高空速降项目上采集的semg信号为例，经过分析可知：
[0100]
消防员1号在速降项目上的肌肉爆发主要是在速降的开始和结束，消防员2号的肌肉爆发主要是在速降中段发力，消防员3号在整个项目中发力较为平均，消防员4号的则在尾端发力，综合项目用时可知1号消防员用时较少，其次是2号和4号，3号则用时最长。由以上分析可知，在速降项目上，若想提高消防员的训练效能，首先可从发力角度入手，在速降过程中主要在开始和结束阶段发力则可有效提高速降的效率。
[0101]
研究还将1号消防员去噪前的人因参数输入神经网络，得到评估出的结果为83.6分；去噪后的人因参数由神经网络评估出的结果为92.1分；根据消防中队对1号消防员的日常评估结果可知其训练效能约为90分。故去噪后由神经网络评估出的结果更符合该消防员的真实训练效能，因此可知在评估前需要进行有效的去噪。
[0102]
综上所述，本发明实施例所述方法及系统将人因参数与信号处理技术相结合，通过设计不同的实验场景并采集各项人因参数进行分析处理，建立人因参数变化与训练效能的关系，科学有效的对消防员训练效能进行评估，为消防员训练的方向和效果提供可视化评估体系，有利于提高消防员训练的积极性，加强消防工作人才队伍建设，有利于消防员救援能力的提升。
[0103]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。本文背景技术部分公开的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。