本發明涉及安全設備，尤其是涉及一種基于多傳感器融合與行為模式識別的鉤索背包及鉤索控制方法。

背景技術：

1、隨著城市化進程的加速，高層建筑施工、外墻維護、消防救援等高空作業需求日益增多，但傳統安全保護措施存在顯著缺陷。目前，高空作業人員主要依賴安全帶、固定錨點或手動操作的鉤鎖裝置，這些設備需要人工判斷危險并手動觸發保護機制，存在反應延遲、誤操作風險高的問題。尤其在緊急情況下（如失足、強風干擾或突發墜落），傳統設備無法實時監測人體動態姿勢變化，更缺乏對危險動作的預判能力，導致事故預防效果有限。此外，現有技術的傳感器數據處理多采用單一算法，對復雜動作特征的提取能力不足，難以適應多變的高空作業場景。

技術實現思路

1、發明目的：本發明第一目的是提供一種基于多傳感器融合與行為模式識別的鉤索背包，該背包可以實時預測人體動態姿勢、智能預測危險并自動觸發保護機制，提升高空作業的安全性和可靠性；

2、第二目的是提供基于上述鉤索背包的基于多傳感器融合與行為模式識別鉤索控制方法。

3、技術方案：本發明所提供的基于多傳感器融合與行為模式識別的鉤索背包，包括背包主體以及設于背包主體上的背帶組件、傳感器模塊、數據處理模塊、核心裝置模塊及中央控制模塊；

4、所述傳感器模塊設于背包主體的中部位置，實時采集使用者在三個空間方向軸上的加速度和角速度信號，以獲得六軸慣性測量數據；

5、所述數據處理模塊對六軸慣性測量數據進行特征提取和狀態判定，輸出使用者是否處于或趨近危險狀態的判定結果；

6、所述核心裝置模塊設于背包主體外部，集成有鉤爪組件、彈簧儲能組件、雙冗余電磁鎖止銷以及牽引繩組件；在核心裝置模塊接收到觸發指令時，彈簧儲能組件驅動鉤爪組件彈出并帶出牽引繩，牽引繩被拋出并張緊，從而對使用者提供機械約束或錨定支撐；

7、所述中央控制模塊在判定結果滿足預設觸發條件時向核心裝置模塊發送觸發指令。

8、進一步的，所述傳感器模塊包括三軸加速度計和三軸陀螺儀。

9、進一步的，所述鉤爪組件為三爪倒鉤式結構；所述彈簧儲能組件在觸發時為鉤爪組件提供瞬時彈射能量；所述雙冗余電磁鎖止銷在未觸發狀態下鎖止彈簧儲能組件并在接收到觸發指令時解除鎖止；所述牽引繩組件與鉤爪組件連接，所述牽引繩組件包括牽引繩以及用于自動收放牽引繩的絞盤機構；在未觸發狀態下，鉤爪組件和牽引繩組件處于收容狀態；在觸發狀態下，鉤爪組件被彈出并展開，以與外部結構形成錨定支撐并通過牽引繩組件對使用者提供約束固定。

10、相對應的還提供了一種基于多傳感器融合與行為模式識別的鉤索控制方法，基于上述基于多傳感器融合與行為模式識別的鉤索背包，包括以下步驟：

11、s1、傳感器模塊持續實時監測使用者在三個空間方向軸上的加速度和角速度變化，形成連續的六軸慣性測量數據流，用于表征使用者的姿態狀態、運動趨勢以及穩定性，為后續的風險識別提供基礎輸入；

12、s2、基于s1獲得的實時數據，將數據輸入cnn-transformer混合預測模型；模型選擇以危險概率損失函數或最小誤差函數為目標函數，并結合登山者優化算法對模型參數進行訓練與調優，能夠對動作信息進行分析，識別當前姿勢或動作是否呈現出接近危險的趨勢，并輸出相應的危險發生可能性評估結果；

13、s3、當s2的評估結果表明使用者當前的姿勢或動作已經接近觸發危險狀態時，中央控制模塊向核心裝置模塊下達執行指令；

14、核心裝置模塊在接收到該指令后，啟動鉤鎖機構的解鎖與彈射過程，使鉤索快速發射并形成約束，以對使用者實施及時的保護和支撐；

15、s4、在鉤鎖裝置完成觸發與保護動作之后，系統會結合本次觸發發生的具體時機和現場工況，允許使用者通過中央控制模塊對裝置的觸發模式和敏感度進行調整，使后續的觸發邏輯更加貼合實際使用環境和個人作業特性，從而確保鉤索的彈出時機在未來的工作場景中更加合理、有效。

16、其中，s2中cnn-transformer混合預測模型的建立過程如下：

17、數據預處理：

18、傳感器數據（六軸imu的加速度、角速度）按時間窗口切片，每窗口包含50個時間步（0.5秒，采樣率100hz），每個時間步包含6個通道（x/y/z軸加速度+角速度），對每個傳感器通道進行z-score標準化，

19、,

20、其中，μ和σ分別為訓練集的均值和標準差；

21、cnn模型設計：

22、卷積神經網絡(convolutional?neural?networks，cnn)包括輸入層、卷積層、池化層和全連接層，其中，卷積層用于提取電壓數據的時間和空間特征，其輸出 o i表示為：

23、，

24、式中， w i和 b i分別表示第 i層卷積層的權重和偏置，*表示卷積操作， f是激活函數，選用校正線性單元；

25、激活函數表達式如下：

26、；

27、transformer模型設計：

28、transformer?的主體由編碼器和解碼器組成，包含三個部分：輸入、多頭注意力和全連接前饋神經網絡；

29、考慮輸入序列中時間順序，在詞編碼后加入位置編碼，位置編碼通過正余弦函數對輸入序列進行編碼，生成固定的位置矩陣表示序列中的時間順序，其表達式如下：

30、

31、

32、式中， p為位置編碼矩陣， pos為輸入序列中時間順序固定位置， i為輸入序列編號， d m為模型維度；

33、多頭注意力部分由多個自注意力的輸出結果拼接構成，自注意力機制計算公式如下：

34、

35、式中， attention為注意力函數； q,k,v為輸入序列每個元素轉換成的向量； softmax為激活函數； d k為輸入序列的維度；

36、通過concat對每個head進行拼接，其結果與權重矩陣相乘，得到多頭自注意力輸出結果，其表達式如下：

37、

38、

39、式中， w o為權重矩陣；為第 i個頭的投影矩陣； i∈[1, h]； h為頭的數量大小;

40、全連接前饋神經網絡用于將多頭注意力輸出的結果進行空間變換，其包括兩個線性變換和一個relu激活輸出，表達式如下：

41、

42、式中，w1、w2分別表示第一層和第二層全連接線性變換的權重矩陣，b1、b2分別表示對應的偏置向量；全連接前饋神經網絡先對多頭注意力模塊輸出的特征進行一次線性變換并經過relu激活，再通過第二次線性變換得到最終的特征輸出；

43、激活函數表達式如下：

44、

45、式中，表示模型對第i類的預測概率；為輸出層中第i類對應的原始得分；c為類別總數；分母為對全部c個類別得分進行指數運算后求和的結果，用于對各類別得分進行歸一化，使所有類別的預測概率之和為1。

46、進一步的，s2中最小誤差目標函數為：

47、

48、式中， n為樣本數量； x obs,i為真實值； x model,i為預測值。

49、進一步的，s2中采用登山者優化算法的具體步驟為：

50、建立登山者種群并初始化，在尋優空間里隨機初始化如下：

51、

52、 x i是第i個個體在空間中的位置， u j、 l j為優化問題的第 j維上、下限值，及誤差最大與誤差最小值；rand為[0,1]之間的隨機數， n為種群規模； d為優化問題維度；

53、為避免種群在選擇搜索空間的時候陷入局部最優，對該位置進行改進，通過引入混沌反向學習模型來增強種群的多樣性，改進的公式如下：

54、

55、是改進后第i個個體在空間中的位置；

56、將隨機生成的登山者位置帶入目標函數進行評估，每位登山者代表一組最優解，即最優的位置編碼學習率；

57、更新種群成員，登山隊中最有經驗的成員被選為領導者，領導者帶領其他隊員走到山頂，即找到最優的位置編碼學習率，位置公式如下：

58、

59、 x leader 是登山隊隊長位置，作為最優的位置編碼學習率， x i是第i個個體在空間中的位置，作為當前的學習率，是第i個個體的尋優結果；

60、更新種群成員在搜索空間中的位置，登山者可能在途中遇難，算法將該成員從組中刪除，并隨機替換新成員：

61、

62、 x max代表新個體， x min()代表死亡的個體；

63、判定是否滿足終止條件，若不滿足終止條件，則返回將登山者位置帶入目標函數進行評估；若滿足，則輸出得到最優的位置編碼學習率。

64、進一步的，s2中危險概率損失函數公式如下：

65、

66、式中，表示第i個樣本的真實危險標簽，0=安全，1=危險；sigmoid激活函數，將網絡輸出映射為危險概率；表示模型對第i個樣本的原始預測值（線性變換輸出）； n為總訓練樣本量；λ為正則化系數；為正則化項；

67、當損失值小于預設閾值時判定為高危動作，觸發鉤鎖結構，用戶可調節λ控制模型過擬合風險，或通過動態采樣策略調整不同的動作模式的損失權重。

68、有益效果：與現有技術相比，本發明顯著的進步為：可以實時預測人體動態姿勢、智能預測危險并自動觸發保護機制，提升高空作業的安全性和可靠性；

69、其中；

70、多傳感器實時監測：六軸慣性測量單元同步采集三軸加速度與角速度數據，精準捕捉人體動態變化，為危險預測提供高精度數據基礎；

71、混合模型提升預測精度：cnn-transformer混合模型結合了cnn的局部特征提取能力和transformer的時序建模優勢，有效識別復雜動作模式（如彎腰、伸手、失穩），顯著提高危險預測的準確性；

72、智能優化算法加速響應：登山者優化算法通過模擬登山隊的協作與擾動機制，優化模型參數并避免局部最優解，提升了模型準確性；

73、自動化保護機制：系統實時分析數據，一旦預測到危險動作的發生（如墜落），中央控制模塊立即激活鉤鎖機構，確保鉤爪快速發射并固定在安全網上，響應時間遠超人工操作速度；

74、用戶自定義調節：支持通過中央控制模塊調整觸發敏感度與模式，適應不同作業場景，兼顧安全性與靈活性。