一种保障外卖员配送安全的智能头盔设备

本发明属于智慧交通领域，具体涉及一种保障外卖员配送安全的智能头盔设备。

背景技术：

1、外卖行业的快速发展带来了许多便利，但同时也带来了安全问题。外卖员在配送过程中往往面临着交通安全、人身安全等多方面的风险。

2、智能安全骑行头盔可以在事故发生时提供额外的保护，减少头部伤害的风险。头盔记录的数据可以用于分析骑行习惯、交通情况等，为城市交通管理和规划提供有用的信息。这有助于改善城市交通设计，提升骑行者的整体安全。智能安全骑行头盔的使用背景是在提升骑行安全性的基础上，通过车祸检测、智能分类和紧急救援等技术，为骑行者提供更安全、更舒适的骑行体验。

3、综上所述，如何利用通信技术、传感技术、人工智能技术，以确保外卖员在配送过程中的安全，是亟需解决的问题，这些技术的应用不仅要能提高外卖员的配送效率，还能降低交通事故发生率，保障外卖员的人身安全。

技术实现思路

1、发明目的：针对背景技术中指出的问题，本发明公开了一种保障外卖员配送安全的智能头盔设备，采用了多种传感器采集数据，采集压力，生命体数据，加速度，倾斜角数据，能够监督外卖员配送时的交通行为，避免出现不佩戴头盔、疲劳配送、超速行驶的行为，保障了外卖员的人身安全，同时通过车祸诊断分类模型，能够对发生的车祸进行准确分类。

2、技术方案：本发明公开一种保障外卖员配送安全的智能头盔设备，包括设置于头盔上的佩戴检测模块、体征检测模块、超速和撞击检测模块，还包括车祸诊断分类模块、gps定位模块，报警救援模块，监控云平台，行车记录仪。

3、所述佩戴检测模块基于压力传感器采集到的压力数据来检测外卖员是否正确佩戴头盔，并将数据上传到监控云平台。

4、所述体征检测模块包括压电传感器和振动式血压传感器，设置于头盔内侧，实时检测外卖人员的心率、血压以及疲劳程度；当检测到心率异常以及重度疲劳时，将异常数据上传到监控云平台，并停止对外卖员进行配单；

5、所述超速和撞击检测模块基于三轴加速度传感器采集到的加速度、倾斜度数据，当加速度大于规定值时，将异常数据传输给监控云平台，并根据gps定位模块更新外卖员位置，并对外卖员进行安全提醒；

6、所述行车记录仪实时记录外卖员行驶具体路况，为发生交通事故时提供依据；

7、所述车祸诊断分类模块，基于佩戴检测模块、体征检测模块、超速和撞击检测模块检测的数据来进行诊断分类，对车祸等级进行准确分类，上传至监控云平台，通过报警救援模块及时做出有效报警救援。

8、进一步地，所述车祸诊断分类模块根据获取的参数数据进行数据诊断以得出跌倒撞击指数f与生命体指数h，将f、h的评分进行分类，得到车祸等级并上传至监控云平台；

9、将压力数据、生命体数据、加速度数据、倾斜角数据作为输入，建立如下评分函数，并利用车祸诊断分类模型对评分函数进行优化控制，最终输出车祸等级，所述评分函数为：

10、e＝f+h

11、式中：f为跌倒撞击指数，h为生命体指数；

12、

13、式中：a1为最大加速度参数，a2为最大倾斜角度参数，a3为最大压力参数，λ为修正参数，确保f为[0,1]之间的数；

14、

15、其中，ax，ay，az分别是x,y,z这三个轴上的加速度值；

16、

17、式中，a1，β1，γ1分别表示x,y，z轴和水平线的弧度值，ax，ay，az是三个轴上的加速度值；依据θ＝lπr/180计算最大倾斜角度a2：

18、

19、a2＝(x,y,z)

20、式中，a1，β1，γ1分别表示x,y，z轴和水平线的弧度值，ax，ay，az是三个轴上的加速度值,a2为倾斜角度；

21、

22、式中：b1为心率值，b2为血压值，b3为呼吸频率值，θ为修正参数，确保h为[0,1]之间的数；

23、

24、式中：tmax为最大心率值，tgb为标准心率值；

25、

26、式中：km为外卖员实时血压值，kgb为正常人标准血压值，η1为[2.9,3.1]之间的随机数，η2为[3,3.1]之间的随机数；

27、

28、式中：cmax为最大心率值，cgb为标准心率值。

29、进一步地，所述车祸诊断分类模型根据获取的参数数据进行数据诊断以得出跌倒撞击指数f与生命体指数h，并进行危险诊断，具体包括如下步骤：

30、步骤1：建立诊断模型，确定输入数据x,所述输入数据为跌倒撞击指数f与生命体指数h，输入给诊断模型作为输入数据x,其相关概率密度公式为：

31、

32、

33、式中：xi表示第i组f和h的评分数据，i＝1,2,3…,n,k是混合聚类模型中子高斯模型的数量，k＝1,2,3…,k，hk是检测数据的分布服从第k个高斯分布的概率，uk,δk,αk分别为各个正态分布的均值、方差以及每一个正态分布的权重，约束条件保证概率密度函数的合规性；

34、步骤2：建立参数学习模型，其学习模型的lagrangian-logarithmic likelihood函数为：

35、

36、式中：ln为对数函数，约束条件保证概率密度函数的合规性；

37、步骤3：由于uk,δk,αk为未知参数需要迭代模型求解，利用旗鱼算法对未知参数进行迭代求解，旗鱼算法内的目标函数为需要求解的上述未知参数；

38、步骤4：初始化种群，采用的初始化公式如下：

39、x＝lb+rand(lb-ub)

40、其中：ub为下边界，lb为上边界，rand为[0,1]之间的随机数；

41、步骤5：捕获猎物，随时间推移，猎物体内存储的能量减少，导致逃生能力下降，沙丁鱼的位置更新方式如下：

42、

43、式中：表示第t次迭代时，旗鱼的最佳位置，表示第t次迭代时，第i条沙丁鱼的当前位置，r表示[0,1]范围内的随机数，ab为当前迭代次数下的旗鱼攻击能力：

44、

45、式中：t为最大迭代次数，a、控制攻击力度，a默认由初始值线性递减至0；

46、

47、式中：a1为最大加速度参数，a2为最大倾斜角度参数，a3为最大压力参数，σ为修正参数；

48、当最大加速度参数a1≥6时，采用下面公式更新所有沙丁鱼位置；

49、

50、当最大加速度参数a1<6时，仅更新部分沙丁鱼位置，利用α，β选择相应的个体数、维度数进行更新：

51、α＝ns×a1

52、β＝nd×a1

53、式中：ns为uk,δk,αk的随机适应度，nd为uk,δk,αk的参数维度；

54、当最大倾斜角度a2≥60°时，采用下面公式更新所有沙丁鱼位置；

55、

56、当最大倾斜角度a2<60°时，仅更新部分沙丁鱼位置，利用α，β选择相应的个体数、维度数进行更新：

57、α＝ns×a2

58、β＝d×a2

59、当最大压力参数a3≥2000时，采用下面公式更新所有沙丁鱼位置；

60、

61、当最大压力参数a3<2000时，仅更新部分沙丁鱼位置，利用α，β选择相应的个体数、维度数进行更新：

62、α＝ns×a3

63、β＝d×a3

64、步骤6：计算适应度，更新位置；

65、步骤7：判断是否满足最大迭代次数，若满足，则输出参数uk,δk,αk，否则，返回步骤4重新迭代计算。

66、进一步地，所述车祸诊断分类模型还对跌倒撞击指数f与生命体指数h进行评分，将多次迭代产生的评分制成数据集，并将数据集作为输入对其进行车祸等级分类；具体包括如下步骤：

67、步骤1：将诊断模型的输出参数uk,δk,αk作为分类模型的输入；

68、步骤2：将训练集中每个评分样本的权值定为

69、步骤3：构建m个训练器：构建一个分类器hj(x),输出结果为1或者-1，计算该分类器加权的错误率：

70、

71、式中：wj为当前评分样本的权值，i为模型输入量的总个数；

72、计算该分类器的权值：

73、

74、计算分歧度：

75、

76、

77、

78、式中：是第i个样本在前j个分类器中被分错的次数，是第i个样本在前j个分类器中被分对的次数，确保是与的标准差，是在前j个分类器下，第i个样本的分歧度；

79、步骤4：更新每个样本的权值：

80、

81、其中是规范化因子，使得到的权重和为1；

82、步骤5：根据新的权重，无放回抽样，得到新的样本，重复训练分类器过程，直到训练出m个分类器；

83、步骤6：输出最终的分类器：

84、

85、步骤7：通过将检测的数据输入到adaboost分类模型中，分类出当前外卖员身体健康状况，将其结果上传至监测平台。

86、有益效果：

87、1.本发明的头盔记录的数据用于分析骑行习惯、交通情况，采用了多种传感器采集数据，采集压力、生命体数据、加速度、倾斜角数据，能够监督外卖员配送时的交通行为，避免出现不佩戴头盔、疲劳配送、超速行驶的行为，保障了外卖员的人身安全，，维护了城市交通秩序，为城市交通管理和规划提供有用的信息，这有助于改善城市交通设计，提升骑行者的整体安全。

88、2.本发明基于车祸诊断分类模型，能够对发生的车祸进行准确分类，对发生的交通事故进行准确及时评估分类，保障在发生严重交通事故时，及时急救报警，保护外卖员生命安全。这有助于及时通知外卖监控平台和紧急救援机构，以便迅速处理事故并提供紧急救援。通过通信技术将车祸事件的信息传输给紧急救援部门，以便他们及时采取行动。这样可以大大缩短救援时间，减少伤害。头部是骑行事故中受伤最严重的部位之一。

89、3.车祸诊断分类模型，通过建立诊断模型，对跌倒撞击指数f与生命体指数h进行准确判断，利用高斯混合聚类算法和旗鱼算法多次迭代计算出准确的参数uk,δk,αk，减少了因轻微磕碰而导致的误差。将计算的参数uk,δk,αk输入给分类器，训练出车祸危险等级分类器，可以准确做出危险分类。