论文部分内容阅读
有限空间安全事故多发频发已严重威胁我国工业安全生产和城市建设,作业人员意识丧失或疲劳失误是导致有限空间事故发生的直接原因。目前,针对有限空间的研究主要集中于事故分析、危险源辨识、有害气体检测、安全管理等方面,对作业人员人因参数的监测研究还很有限。因此,本研究通过测量人体光电容积脉搏波(Photoplethysmography-PPG)信号,探讨不良作业环境对人体不安全生理状态的影响,对保障安全生产具有实际意义。通过载人实验,获取了高温、高湿、低氧等有限空间作业环境中的人体PPG信号,依托多种信号处理方法,实现基于PPG信号的人因参数分析。具体信号处理方法包括形态特征参数提取(传导周期、上升阶段上升速率、下降阶段下降速率),复杂度计算(KC复杂度、高阶KC复杂度),基于Hilbert-Huang(HHT)变换的信号时域与频域分析和基于深度学习的信号识别与分类。提出的多种PPG信号处理方法为后续实验数据处理与分析提供了理论依据和基础。针对因作业人员的自主呼吸导致有限空间环境高湿、低氧的情况,设计1OOmin载人实验。8名人员进入15m3的有限空间后,19min内,环境变为高湿、低氧环境,相对湿度达到80%,氧气体积分数降至20.5%,作业人员进入生理疲劳期,实验结束时环境湿度超过90%,氧气体积分数降至20.2%。疲劳期PPG信号的特征参数变化明显,表现为传导周期显著增大(p<0.05),上升部分斜率减小,表征心搏射血量减少,射血速度减缓,下降部分斜率增大,表征血管阻力增大,血管顺应性变差。针对由于进出口长期关闭、通风不畅导致的有限空间高温、高湿的情况。设计对照实验,高温、高湿环境设置为35℃,相对湿度为80%,根据平均热感觉指数(Predicted Mean Vote-PMV)设置对照组(即正常舒适环境)的温度为25℃,相对湿度为30%。通过深度学习残差神经网络模型的建立,实现两种情况下PPG信号的特征提取与识别,建立的网络分类性能优良,有较好的泛化能力,可在作业人员进入高温高湿环境0.5s内发出预警,较短的预警时间能够保证作业人员知晓当前生理状态,提高警惕,保证自身安全。针对有限空间作业过程中,惰性气体挤压空间氧气,致使环境氧气浓度过低的情况。设计极端低氧环境载人实验,获得空间氧气含量低至15.5%～16%时人体的PPG信号。通过经验模式分解(Empirical mode decomposition-EMD),确定人体PPG信号中固有模式函数(Intrinsicmode function-IMF)“IMFx”是表征人体血液动力学信息的分量,经Hilbert变换得到其频域特征为瞬时频率集中在1.5-2.5Hz,当人体处于低氧状态时,该频率的Hilbert边际谱振幅显著降低。进一步搭建深度学习卷积神经网络识别正常氧浓度和极端低氧状态下人体PPG信号的差异,该网络可在4s内完成状态识别,保证了提前于人体认知的低氧伤害预警。最后,在总结实验研究结果的基础上,研发设计一款腕表设备,基于PPG信号的实时测量,实现人因参数监测与异常生理状态预警。通过Altium Designer软件完成设备电路图绘制,并根据图纸制作印制电路板(Printed Circuit Board-PCB)。同时利用SolidWorks软件进行设备外观的设计并编写可在MATLAB软件中应用的信号接收程序。本文研究为有限空间不安全作业环境对人体的影响提供科学参考,对从人因角度出发避免有限空间事故提供方法借鉴。