1.简介
根据[1]2015年，美国记录了68085起消防员受伤案例，其中29130起发生在地面消防行动中，同年共有64名消防员因公死亡[2]。2015年美国消防员受伤情况（按职责类型）详见图1在越南，每年发生数千起不同规模的火灾；例如，2014年和2015年分别报告了2357起和2792起火灾[三,4]。这对美国、越南和世界其他国家的消防员来说是一个令人担忧的信号，因为他们经常工作，面临危险，但却没有足够的合适的支持系统来保护他们的生命。有几个支持系统，如坠落检测系统、PASS（个人警报安全系统）。然而，大多数坠落检测系统仅适用于老年人和行动迟缓的患者，这当然不适用于消防员在其工作环境中的活动。PASS系统是由国土安全部开发的，用于在检测到地面消防员伤残时通过声音警报发出援助信号[5]。此外，它还可以检测到运动或身体性能损失，如果身体性能损失超过特定时间段，则会激活95分贝警报。然而，在实际火灾情况下，会出现各种噪音，如声音、爆裂声、火灾的咝咝声、消防系统的运行、结构倒塌等。因此，声音警报在很大程度上是没有用处的。例如，马萨诸塞州伍斯特市富兰克林街266号的伍斯特冷藏仓库公司和南卡罗来纳州查尔斯顿的查尔斯顿沙发超级商店的火灾分别造成6名和9名消防员丧生[6,7]。本文中提出的算法将与室内定位系统集成[8]检测值班消防员摔倒事件和身体表现损失，以保护他们的健康和生命。 尽管许多出版物提出了检测秋季事件的方法[9]通过使用照相机[10,11,12,13,14]、加速计和其他支持传感器[15,16,17,18,19]。然而，这些出版物主要集中于检测老年人或行走缓慢且执行低动力活动的患者的跌倒事件。此外，在火灾条件下使用摄像头进行坠落检测并不适用，因为这是一个不可见的环境。因此，这一趋势不足以保护在具有体力要求和复杂活动的建筑物内火场工作的消防员。 出版物[17]提出了一种腰部安装系统，该系统将三轴加速度计、三轴陀螺仪、三轴磁强计和气压计结合在一起，具有四个功能：碰撞、后果、姿势和高度变化，以检测坠落事件。此外，本研究还主要关注老年人的跌倒事件。使用气压计进行跌落检测是本出版物的一个新贡献，但它仍然显示出巨大的局限性。由于环境噪声、穿着位置、志愿者身高、气压计类型等因素，算法的准确性可能会降低。此外，测试结果中的实验数据主要针对老年人。因此，将此方法应用于其他学科时，尤其是消防员，将有很大的局限性。 出版物[20]（Proetex项目）提出了一个集成多传感器的系统，包括外部温度传感器、热流传感器、加速计、运动传感器、CO传感器CO2传感器、SPO2传感器、心脏和呼吸频率传感器。这些传感器将记录数据并通过Wi-Fi模块将数据传输到工作站。多传感器将有效监测环境参数。然而，这将增加系统的成本和复杂的计算。此外，Proetex项目中的坠落检测算法仍然很简单[21]。因此，在一些情况下，系统的性能可能会下降，例如爬行，然后如本文所建议的下降。 出版物[22]提出了一种可穿戴系统，用于监测消防员的健康状况，使用传感器测量呼吸周期和心跳。这种方法主要侧重于监测使用者的生理状态，但无法跟踪消防员的活动或检测火灾现场的坠落事件。因此，它不能用于检测值班消防员的受伤情况。它适用于在正常情况下或训练期间跟踪消防员的健康状态。 为了克服上述不足，本研究建议使用三自由度加速度计、三自由度陀螺仪、三自由度数磁强计、气压计和MQ7传感器，结合算法和相应仿真过程的开发，开发一个实时、低成本、高精度的系统，以支持值班消防人员。
该论文有三个新颖的贡献：
首先，提出了三轴加速度计、三轴陀螺仪和三轴磁强计的数据融合，用于消防员坠落检测。一些出版物已将这些传感器集成到跌倒检测中，但这些方法主要侧重于检测不进行任何复杂和剧烈活动的老年人的跌倒事件，而检测消防员跌倒事件的阈值也与老年人不同。此外，以前出版物中的大多数数据集都是从学生、老人或消防员以外的其他志愿者那里记录的。因此，对于在火灾环境中进行复杂和剧烈活动的消防员来说，他们并不能真正有效地检测到坠落事件。
其次，将提出的三个特征（上阈值、跌倒后和姿势识别）结合起来进行跌倒检测。θ（T）角、俯仰（P）角和横滚（R）角的组合被证明是有效的。此外，在姿态识别特征中以0.5秒的间隔进行两次检查，提高了我们提出的跌倒检测算法的准确性。
第三，由于使用三自由度加速度计、三自由度陀螺仪和三自由度磁强计检测物理性能损失的能力不够，因此该系统具有一个集成的气压计来检测物理性能的损失。在电梯使用过程中，它会导致错误警告。此外，长期验证可能会导致消防员死亡或永久性健康损害。
最后，CO气体或所谓的“无声杀手”气体是燃烧过程中排放的最危险气体之一。这种气体会严重危害消防员的健康。因此，MQ7传感器已集成到我们提议的支持系统中，以优化自给式呼吸器（SCBA）的使用。
我们提出的系统结合跌落检测算法和物理性能损失检测来确认用户是否遭受跌落、物理性能损失。此外，它还能够使用CO检测模块监测火灾地面上的CO水平。如果浓度很高，它会提醒消防员使用SCBA。否则，它将在低浓度时显示安全信号，以节省更多紧急情况下的新鲜空气。
2.材料和方法
本节详细描述了系统架构和硬件组件。
2.1. 系统体系结构
本文使用的三自由度加速度计沿Ax、Ay和Az轴采集数据。建议的系统使用I2C（集成电路）接口，与采样率为100 Hz的微控制器单元相连，因为消防员的活动非常迅速。
气压计用于收集压力数据；然后根据测得的压力数据计算高度。高度参数将使我们能够区分身体性能的丧失和其他活动，例如上下电梯。这是一个新的贡献，也是一个重要的输入参数，可以提高我们提出的支持系统的性能和准确性。
CO传感器集成在我们提出的系统中，用于检测结构火灾中环境中的CO水平。一氧化碳通常被称为“无声杀手”，是建筑火灾中最常见、最危险的有毒气体之一，而SCBA中的压缩空气使用量有限，大约需要30、45或60分钟[23]。CO传感器用于指导SCBA中压缩空气的正确使用。 2.2. 三自由度加速度计
加速计是我们提议的系统的核心，用于检测值班消防员的坠落事件。该传感器为ADXL345，可沿Ax、Ay和Az轴感应加速度。可通过I访问输出数据2C（集成电路）数字接口。加速计位于地球框架上的前裤兜中，以便方位角轴必须与地球重力平行，以产生加速计的预期读数结果，大约为[0,0,1]g（m/s2)以每秒100个样本的速率，在将数据输入属性提取模块之前，我们应用了一个预处理阶段，以计算平均值、方向和标准偏差。以下是用于计算测得加速度的方程式：其中，t=0:1/Fs:end，Fs是采样频率（Fs=100 Hz），是沿Ax、Ay和Az轴加速度的均方根（RMS）。测量的三自由度加速度数据的归一化，单位为g（g=9.81 m/s2)由以下等式定义： 我们在以前的出版物中提出了消除测量数据中异常部分的预处理步骤和校准方法[18]。因此，我们在本文中不再重新介绍它们。 2.3. 晴雨表
气压计和加速度计的融合提高了我们提出的算法的准确性和性能。此外，当消防员向上/向下移动电梯时，它还用于消除身体性能损失的“警报消息”。这一点非常重要，以前的出版物和市场产品中都没有提出。
气压计被广泛用于测量环境的压力变化。根据测量的环境压力，高度可以通过以下方程式确定[24]:其中，k=0:1/Fs公司：结束；是以米为单位的计算高度，是测量压力，P0是海平面的压力（P0=1013.25百帕）。 当消防员在建筑物内部执行任务时，气压计将测量气压数据。压力的变化可以用来预测消防员的状态。然而，气压计受到系统和环境噪声的影响很大，为了获得高精度的性能，我们使用简单的卡尔曼滤波来消除记录气压数据中的异常部分。简单卡尔曼滤波器的详细信息如下：哪里，是卡尔曼增益；是先前估计的不确定性；是测量的不确定度。状态更新如下所示：哪里，是当前状态，是之前状态下信号的估计值，是测量值(). 估算不确定性的更新通过以下公式计算：哪里，是当前估计的不确定度值。 图3表明了简单卡尔曼滤波在我们的实验测试中消除气压数据中异常部分的有效性。简单卡尔曼滤波器的应用在保持信号特征的同时，使记录的信号更加平滑。 2.4. CO检测
燃烧过程会产生大量有毒气体[25]例如：CO、CO2、NxO、NOx，其成分取决于燃烧材料的类型。然而，一氧化碳是最危险的有毒气体之一[26]如上所述影响消防员。我们选择了一个名为MQ7的传感器，以集成在我们建议的系统中，因为它的普及性、低成本、高精度、低功耗以及与我们的系统的兼容性。MQ7传感器安装在面罩上，如所示图4由于值班消防员的工作时间因火灾规模以及其他各种因素的不同而不同，因此新鲜空气被视为必须保护的重要资源之一。MQ7的详细参数如所示表1. 3.方法
图5是消防员坠落检测和检测的流程图。从流程图可以看出，跌倒检测模块由三个功能组成：阈值上限、跌倒后和姿势识别。物理性能损失检测包括两个主要特征：海拔阈值和物理性能损失阈值。坠落检测的关键条件是当加速度RMS超过阈值。相反，当. 3.1. 消防员坠落检测算法
图6显示了我们提出的坠落检测算法。该算法结合了三种传感器的使用：三自由度加速度计、三自由度陀螺仪和三自由度磁强计。通过我们提出的算法，这些传感器的数据融合已经被证明是有效的。本文中的跌倒检测算法与我们以前的跌倒检测方法以及其他出版物的不同之处就是主题。以前的大多数出版物都侧重于检测老年人、儿童或患者的跌倒事件，这些患者的活动明显不如消防员复杂且缺乏活力。在本文中，我们重点检测在建筑物内火灾条件下工作的消防员的坠落情况。 在我们之前的出版物中，我们建议使用加速度数据和三个模块（包括跌倒检测模块、姿势识别模块和跌倒后识别模块）来检测老年人的跌倒事件，并取得显著效果。然而，这一提议的方法被用于检测老年人跌倒的情况，与消防员相比，老年人的活动不太复杂，也不太需要体力。有几个场景需要剧烈运动，比如跑步、步行、慢跑，而其他场景只需要适度的运动，比如乱涂乱画、站在电梯里。我们之前的出版物和其他出版物都没有涵盖消防员的任何新活动和情况，例如爬行、爬行然后摔倒。因此，我们的系统中集成了气压计，以提高我们建议的系统的精度和性能。四个传感器将同时以相同频率采集数据。为了检测消防员的跌倒事件，我们提出了以下三个特征：
-条件1：角度Az和重力估算之间：
如图10a所示，加速计位于前裤袋中。因此静止状态下的角度约为0°，并且在设备载体静止时会发生变化。使用方程式（9）检测消防员的姿势，以确定角度和重力加速度。 这个角度用于检查消防员的姿势，以确认坠落事件，并在我们建议的系统中删除坠落积极事件。
- 条件2：方位估计：
在这种情况下，我们将应用Madgwick方向滤波器来消除惯性测量单元（IMU）的噪声。欧拉角表示参考框架和传感器框架之间的差异，由以下等式定义[28]:哪里，,、和R分别是围绕参考帧的Az、Ay和Ax轴旋转的Euler角的偏航、俯仰和横滚。 条件1和条件2的组合：
在我们提出的坠落检测算法中，将θ角、俯仰角和滚动角结合起来，以提高我们提出的算法的灵敏度和准确性。此外，为了提高我们提出的系统的准确性，本文还提出了间隔0.5秒的双重检查。此组合的详细信息如所示表2. 我们的支持系统与室内定位系统集成，用于跟踪和定位消防员，以便在受伤的情况下实时发出警报，并将此消息发送给大楼外部的指挥官。然后，根据真实情况，指挥官可以决定将受伤的消防员营救到安全地带的方法。
从中可以看出图6，当Acc信号超过上限阈值时()3s后，使用跌倒后和姿势识别特征来验证跌倒事件。 在满足所有这些特征的情况下，将确认坠落事件，然后通过室内定位系统向指挥官发送“警报信息”。当其中一个条件不满足时，坠落事件将被消除。
3.2. 消防员物理性能损失检测算法
有几种摔倒事件，例如爬行然后摔倒或在狭窄的路径和空间中卡住。应用先前的算法来检测超过阈值的加速度不适用于这些情况。使用阈值检测加速度过大可能无法检测到消防员的受伤情况，而选择较低的阈值可以提高所提算法的灵敏度，但准确性会显著降低，反之亦然。因此，以前的出版物中提出的坠落检测算法在这些情况下不是很有效。
为了解决这些局限性，我们提出了物理性能损失算法。物理性能损失算法是我们提出的用于检测消防员事故事件的算法的重要组成部分。气压加速度和3-DoF加速度之间的数据融合将有助于解决现有的局限性。
• 物理性能损失阈值。该阈值适用于消防员在无形环境中工作，需要通过狭窄的路径和空间的情况，如所示图7: 仅用于检测涉及消防员的事故的坠落检测算法是不够的。因此，在这些情况下，如果卡住或发生事故，则有必要失去物理性能特性（参见图8). 根据等式（18），当消防员在爬行时没有移动或摔倒时；“警报信息”将发送给大楼外面的指挥官，以挽救他的生命。在本研究中，我们建议物理性能阈值的损失等于4s。 • 高度阈值。气压计集成在我们提议的系统中，并安装在志愿者的前裤袋中。使用简单的卡尔曼滤波器消除气压计记录数据中的异常部分和振动后，信号非常干净和稳定。当RMS加速度满足方程式（13）时，高度信息将用于预测志愿者的状态。 基于气压计和三自由度加速度计数据融合的预测结果，当满足方程（18）时，将确认物理性能事件的损失。 此外，方程式（16）和方程式（17）的结果用于估算我们建议的室内定位系统中的地板。
3.3、。消防员一氧化碳检测算法
原始数据记录后将进行预处理，以消除信号中的异常部分。在我们提出的CO检测算法中，还使用简单卡尔曼滤波器检测CO水平，如所示图9. 如所示图9，MQ7传感器将用于记录标定后的CO数据。与一氧化碳对健康的不良影响相对应的血羧血红蛋白（COHb）水平[26]。将对CO数据进行预处理，然后将其与通过统计分析得出的建议阈值以及COHb水平的症状和体征进行比较，如所示表3发表于[26]. 4.结果和讨论
4.1、。实验结果
对于实验装置，我们测试了以下内容：
志愿者是从越南消防大学的许多消防员中随机挑选出来的。志愿者将实验记录了三次数据。有关志愿者信息的详细信息，请参见表4。他们携带的设备将CO传感器安装在口罩外部（参见图4). 值班消防员的活动不同于其他人（如老人、患者等）执行的活动。在本文中，我们重点区分跌倒事件、体能丧失以及其他活动，包括跑步、步行、跳跃、慢跑、爬行和站立。
图10演示了一名消防员在裤袋中使用我们建议的设备进行爬行活动。 4.1.1. 跌倒检测结果
图11是沿Ax、Ay和Az轴的加速度数据的均方根（RMS）。可以看出，当坠落事件发生时，信号的大小突然改变，直到尸体落地。当身体接触地面时，它会轻微波动，然后再切换到静止状态。因此，我们提出的跌落检测算法使用上阈值检测三自由度加速度信号的突变，并使用跌落后阈值检测静止状态。此外，在我们提出的坠落检测算法中集成了姿态特征，以提高系统的性能。 检测到上限阈值后3秒后，坠落后阈值条件将验证坠落后状态下的坠落事件。确定第一种情况后选择延迟时间3秒的原因，以确保志愿者接触地面或物体后变得稳定。
4.1.2. 物理性能检测损失
在建筑物/塔楼的消防和救援过程中，消防员可能需要使用电梯在楼层之间移动。应用PASS设备可能会导致错误警报。因此，我们提出的值班消防员支持系统考虑了消防员在执行任务时身体表现的损失，因为他们受伤或死亡的风险很高。物理性能损失算法将通过加速度计数据和气压计数据融合来区分电梯的使用和事故。
图12下面举例说明了因被卡住或面临事故而丧失身体机能与在电梯中上楼之间的区别。如所示图12，当消防员经过一条狭窄的道路时，加速计和气压计记录的数据集都是恒定的，或者几乎没有变化，他们会被卡住或者发生事故。同样，图13显示了由于在电梯中向上移动而导致的身体性能损失。 在电梯内移动的情况下，加速度计数据集几乎没有变化，而气压计数据集根据环境压力的变化而增减。根据方程式（15），我们可以预测志愿者（消防员）在这种情况下的状态。
4.1.3. 高CO水平警报算法
在图14实验测试表明，烟雾房间中CO的实时测量值以ppm（百万分之一）为单位。在清洁的空气中（无火焰燃烧），该值仅在7 ppm左右变化，但当我们将MQ7传感器移近火焰时，该值迅速上升，并且在33至45 ppm之间变化（请参阅图14b） 当传感器位于房间内时。 根据越南消防大学的经验测试，并与[26]，我们可以确认，当一氧化碳浓度在35ppm左右时，头痛和眩晕发生在持续暴露的6至8小时内。此外，美国OSHA CFR（美国职业安全与健康管理局联邦法规）在[27]也是35 ppm。因此，作者建议使用th5=33ppm进行警报。如果火灾中的一氧化碳含量低于阈值，消防员可以取下呼吸器，以节省SCBA中的压缩空气，以防未来出现更严重的情况。 除CO气体外，其他气体如醛、细颗粒、H2S、 HCN、CO2，否2，N个2火灾产生的O也会影响消防员的健康。例如，醛类与许多疾病有关，如癌症、呼吸道过敏、心血管病、脑缺血、神经变性疾病和中风[29]。微粒是导致呼吸道疾病、心血管疾病和癌症的原因[30]。本文中提出的系统是我们开发实时系统以检测和跟踪值班受伤消防员项目的部分成果。因此，我们提议的下一版本系统将集成传感器来检测醛、微粒、CO2，HCN。 4.2. 比较
- -
我们之前的出版物主要关注老年人跌倒检测。因此，在本研究中没有考虑到许多值班消防员的活动。
- -
我们目前在值班消防员实时支持系统中提出的方法是结合使用五个传感器：三轴加速度计、三轴陀螺仪、三轴磁强计、气压计和MQ7传感器。已经提出了有效的数据融合算法，用于坠落检测和身体性能损失检测，与其他公共研究和市场上的设备相比，该算法具有显著的性能。
- -
Paola Piereoni等人[17]提出了一种由三轴加速度计、三轴陀螺仪、三轴磁强计和气压计组成的四种传感器组合而成的高效坠落检测算法。这种方法检测到了消防员的大多数摔倒事件。然而，本研究没有考虑爬行然后摔倒和身体性能丧失的情况，因为它主要侧重于检测老年人的摔倒事件，而我们提出的方法是为执行不同于老年人的活动的值班消防员开发的。
在比较中，我们考虑的算法包括：
4.2.1. 我们实验数据的比较
图15,图16和图17清楚地显示了我们之前的出版物18和Paola Piereoni等人[17]由于加速度的突然变化足以超过建议的阈值（UFT阈值[18]和冲击阈值[17]). 对于爬行特性，这些出版物仍然显示出一些限制，因为爬行的下降信号如图16和图17低于腿部运动信号。这些算法在消防员坠落检测中的直接应用可能无法检测到受伤情况。因此，在建筑火灾情况下，值班消防员可能会面临死亡或受伤。 为了评估我们目前提出的算法的准确性、特异性和敏感性，我们使用了以下等式（等式（19）–（21））：其中，真阳性（TP）系数用于确定是否发生跌落且设备可以检测到跌落，假阳性（FP）系数用于决定是否可以将正常活动识别为跌落；True Negative（TN）因数用于确定是否将类似坠落事件验证为正常活动，False Negatible（FN）因数用于判断是否发生坠落，但设备无法检测到[18]. 如所示表7我们当前提出的算法（坠落检测和物理性能损失检测）检测坠落事件和物理性能丧失事件。当志愿者在爬行时摔倒或被卡住，加速度不超过建议的阈值时，物理性能损失检测算法是有效的。此外，我们提议的系统中集成了气压计，以支持IMU区分真实的物理性能损失（事故导致物理性能损失，卡住导致受伤）和虚假的物理性能丧失（电梯使用导致物理性能丧失）。 4.2.2. 公共数据集的比较
我们继续比较两个公共数据集[31,32]具有中所示的功能表8.在公共数据集上[31]，我们不考虑女性的数据，也不考虑传感器的一些位置，例如头部、右手腕、右大腿和胸部，因为大多数消防员是男性，这些传感器的位置不适合消防员移动。两个受试者在摔倒和非摔倒动作上有很大不同。因此，仅使用腰部传感器数据来比较我们当前提出的算法（跌倒检测和身体性能损失检测）、我们提出的算法的简化版本、我们以前的跌倒检测算法和Paola Piereoni等人的算法。此外，男性的一些摔倒和非摔倒事件也未在本次比较中考虑，包括： 防坠落措施：
+811从垂直坐姿到以一定加速度坐在椅子上（硬表面）
+812从垂直坐沙发，到以一定加速度坐在沙发上（柔软表面）
+814从垂直坐姿到以一定加速度坐在床上（软表面）
+815卧床，垂直躺在床上
+816起居床，从躺着到坐着
坠落动作：
+903个前膝，从膝盖垂直下落
+909次仰卧，垂直落在地板上，以坐姿结束
+917摇床，从躺着、下床和在地板上行走
此外，在我们提出的算法中，以下从公共数据集中坠落事件的恢复将被确认为非坠落事件，以减少消防员坠落后可以站起来时对外界的不必要警报：
+正面905快速恢复，从垂直跌落到地面并快速恢复
+914右恢复，从垂直跌落到地板上，随后恢复
+916左侧恢复，从地板上垂直坠落开始，随后恢复
Paola Piereoni等人提出的坠落检测算法[17]显示了使用公共数据集进行测试的一些限制[31]因为压力数据集包含很多噪音（请参见图18a） ●●●●。坠落事件前后的压力信号不存在太多差异。 由于气压计受到温度和湿度等环境噪声的强烈影响，使用气压数据的跌落检测算法的性能不够稳定。公共数据集的压力数据[31]在向前坠落的情况下，不要清楚地显示坠落事件发生前后的坠落事件结果（参见图18a、 b）。 应用上述方程式（3），我们可以计算出海拔变化图12如下： 根据公共数据集，可以看出，根据Paola Piereoni等人的建议，记录了当前高度与撞击阶段后估计高度之间的最大差值[17]。公共数据集中计算的高度变化远低于Paola Piereoni等人提出的高度阈值（坠落警报的高度阈值为0.52 m）。这证明了气压计在坠落检测中的局限性。它似乎适用于作者在论文中提出的特定系统和主题。此外，坠落检测系统中的集成气压计也在很大程度上取决于佩戴位置和最终用户的身高，如所示图19. 根据测试性能表9可以看出，我们提出的算法（算法1）在公共数据集上的特异性和准确性方面取得了更好的性能。它可以检测762/762个非坠落动作和724/755个坠落动作，分别相当于100%和97.96%表9分别是。然而，一些种类的秋天，例如920个同步球，从站着慢慢地摔倒在墙上在文件夹107、109和110中，被宣布为正常活动。 5.结论
本文提出了完整的坠落检测和物理性能损失检测算法。这些算法融合了3-DoF加速度计、3-DoF陀螺仪、3-DoF磁强计和气压计的数据。我们提出了一个新主题的支持系统，该主题是值班消防员，在以前的出版物中没有得到关注。这是首次引入物理性能损失算法，以显著提高我们支持系统的准确性。此外，本文还建议使用合适的火灾CO阈值来保护消防员的生命。五个传感器和数据融合算法的结合使我们能够在作为消防员的新课题上取得显著的结果，在我们的实验数据集中具有高灵敏度、100%的特异性和100%的准确性，在公共数据集中的准确性为97.96%。研究还显示了消防员在火灾场景中的主要活动类型，并通过使用五个传感器和记录这些传感器的数据融合，提出了合适的算法和阈值。为了进一步研究，我们将集成更多有毒气体传感器来检测醛、微粒、CO2和HCN就是否使用SCBA作出更准确的决定；并在火灾现场的实际环境中优化我们的算法和阈值，以挽救消防员的生命。
