本发明涉及计算机，具体而言，涉及一种体征监测模型训练方法、体征预测方法、系统及消防头盔。
背景技术：
1、消防员在执行应急救援任务时面临着诸多危险因素，造成消防员伤亡的原因包括建筑物及其构件倒塌、窒息、化学危险品腐蚀或中毒、爆炸、坠落、触电和溺亡等，这些危险因素给消防救援工作带来了巨大的挑战。
2、火灾现场环境十分复杂，为减少消防员受到的伤害，消防员需要佩戴消防头盔等护具，进行身体防护。但是消防护具只能对消防员进行有限的保护，消防员进入发生火灾的建筑物内部后，由于建筑物、火焰或者烟雾的遮挡，外部工作人员无法得知消防员在建筑物内的状况，消防员在救援过程中受到环境多因素影响，当消防员身体状况出现异常时，外部人员无法及时得知消防员的异常状态，等到消防员身体异常导致行动不便，被建筑物外的其他人员观察到，此时再进行施救，可能消防员的身体已经出现损害，因此可能存在救援不及时导致消防员身体损坏加重的问题。
技术实现思路
1、本发明所要解决的问题是如何对消防员的身体情况进行监测，以便于对身体异常的消防员进行及时施救，避免因救援不及时导致的消防员身体状况恶化。
2、为解决上述问题，第一方面，本发明提供了一种体征监测模型训练方法，包括：
3、获取救援现场的历史数据，其中，所述历史数据包括历史环境数据和历史体征数据，每个时刻的所述历史环境数据与该时刻的所述历史体征数据对应，所述历史环境数据包括多种历史环境子数据；
4、使用第一训练集中的每种所述历史环境子数据与所述历史体征数据分别对预设的神经网络模型进行训练，得到每种所述历史环境子数据对应的体征预测模型，其中，将所述历史数据分为所述第一训练集和第二训练集，所述体征监测模型包括所述体征预测模型和融合模型；
5、将所述第二训练集中每个所述历史环境数据的每种所述历史环境子数据输入至对应的所述体征预测模型中，得到多个预测结果；
6、使用多种所述历史环境子数据对应的所述预测结果与所述历史体征数据对预设的拟合模型进行训练，得到所述融合模型，其中，所述拟合模型用于对多种所述历史环境子数据对应的所述预测结果进行融合。
7、与现有技术相比，本发明具有如下有益效果：
8、本发明提供的一种体征监测模型训练方法，采用获取的多种历史环境子数据和历史体征数据对预设的神经网络模型进行训练，得到每种历史环境子数据对应的体征预测模型，从而使得根据每种历史环境子数据预测出的体征数据更加准确，基于训练后的体征预测模型，将第二训练集中每个历史环境数据的每种历史环境子数据输入至对应的体征预测模型中，同一时刻能够根据不同的历史环境子数据得到多个体征预测数据，使用多种历史环境子数据对应的预测结果与历史体征数据对预设的拟合模型进行训练，得到融合模型，使得多个预测结果与真实值之间的误差进一步减少，提高预测的准确性和可信度，依据该融合模型输出的融合结果能够提前预判消防员的体征数据，当体征数据即将处于危险状况时，提前对消防员进行施救，或者在消防员有自主意识或自主活动能力的情况下，指挥消防员及时撤离火灾现场，避免对消防员的身体造成损伤。
9、可选地，所述神经网络模型包括循环神经网络，所述循环神经网络包括输入层、输出层、多个隐含层和多个门控单元，所述输入层与第一个所述隐含层相连，多个所述隐含层和多个所述门控单元交替设置，依次相连，最后一个所述门控单元与所述输出层相连，其中，所述门控单元用于过滤所述隐含层的输出数据。
10、可选地，所述使用第一训练集中的每种所述历史环境子数据与所述历史体征数据分别对预设的神经网络模型进行训练，得到每种所述历史环境子数据对应的体征预测模型包括：
11、使用第一训练集中的每种所述历史环境子数据分别对预设的神经网络模型进行训练，直至训练误差小于或等于第一预设误差或第一训练次数达到第一预设迭代次数，将训练得到的所述神经网络模型作为该种所述历史环境子数据对应的所述体征预测模型，其中，所述训练误差为所述神经网络模型输出的训练结果与对应的所述历史体征数据之间的绝对差值。
12、可选地，所述使用多种所述历史环境子数据对应的所述预测结果与所述历史体征数据对预设的拟合模型进行训练，得到所述融合模型包括：
13、将每种所述历史环境子数据对应的预测结果输入至训练后的分类器中，得到每种所述历史环境子数据对应的预测结果真实率；
14、根据每种所述历史环境子数据对应的权重和每种所述历史环境子数据对应的预测结果真实率之间的乘积，得到融合后的预测结果真实率，其中，所述拟合模型的参数包括每种所述历史环境子数据对应的权重；
15、调整每种所述历史环境子数据对应的权重，直至融合后的所述预测结果真实率达到预设阈值，确定每种所述历史环境子数据对应的最优权重，得到所述融合模型，其中，所述融合模型表示参数为每种所述历史环境子数据对应的最优权重时的所述拟合模型。
16、可选地，所述将每种所述历史环境子数据对应的预测结果输入至训练后的分类器中之前，所述体征监测模型训练方法还包括：
17、使用每种所述历史环境子数据对应的所述预测结果和每种所述历史环境子数据对应的所述历史体征数据对所述分类器进行训练，得到训练后的所述分类器。
18、可选地，所述拟合模型用于：
19、根据每种所述历史环境子数据对应的权重、每种所述历史环境子数据对应的预测结果和每种所述历史环境子数据对应的预测结果准确率三者之间的乘积，得到每种所述历史环境子数据对应的修正结果；
20、将多种所述历史环境子数据的所述修正结果累加，得到融合结果。
21、可选地，所述使用多种所述历史环境子数据对应的所述预测结果与所述历史体征数据对预设的拟合模型进行训练，得到所述融合模型包括：
22、根据每种所述历史环境子数据对应的多个所述预测结果与对应的所述历史体征数据，确定每个所述预测结果的预测误差；
23、根据所述预测误差和误差阈值，确定每种所述历史环境子数据对应的所述预测结果准确率；
24、将所述预测结果准确率和所述预测结果代入所述拟合模型中，并对所述权重进行调整，直至所述融合结果与对应的所述历史体征数据的误差小于或等于第二预设误差或第二训练次数达到第二预设迭代次数，将训练后的所述权重和所述预测结果准确率代入所述拟合模型，得到所述融合模型。
25、第二方面，本发明提供了一种体征预测方法，基于如上所述的体征监测模型训练方法训练得到的体征监测模型，所述体征监测模型包括体征预测模型和融合模型，所述体征预测方法包括：
26、获取救援现场的当前环境数据，其中，所述当前环境数据包括多种当前环境子数据；
27、将多种所述当前环境子数据分别输入至对应的所述体征预测模型中，得到消防员的多个体征预测数据；
28、将多个所述体征预测数据输入至所述融合模型中，得到预测体征融合数据；
29、根据所述预测体征融合数据，判断所述消防员是否处于危险状态。
30、与现有技术相比，本发明具有如下有益效果：
31、本发明提供的一种体征预测方法，通过将获取的多种当前环境子数据分别输入至对应的体征预测模型中，得到消防员的多个体征预测数据，此时能够根据单个环境因素得到下一时刻消防员的体征预测数据，此时若是某一环境子数据对应的体征预测数据极度异常，此时可以立刻向该消防员派出支援，予以施救；还进一步将多个体征预测数据输入至融合模型中，得到预测体征融合数据，根据预测体征融合数据，判断消防员是否处于危险状态，将多种环境子数据的预测结果融合，进行综合判断，即避免单一环境因素判断的不准确性，又考虑了多种因素的交叉影响，形成不同数据源之间有效特征的优势互补，从而更全面地对消防员的体征数据进行预测，预测结果的准确性，有利于提前预知消防员的身体情况，可以提前对消防员下达安全撤离指令或提前安排有效的支援救助措施，避免消防员身体损伤加重。
32、第三方面，本发明提供了一种体征预测系统，基于如上所述的体征监测模型训练方法训练得到的体征监测模型，所述体征监测模型包括体征预测模型和融合模型，所述体征预测系统包括：
33、数据获取模块，用于获取救援现场的当前环境数据，其中，所述当前环境数据包括多种当前环境子数据；
34、体征预测模块，用于将多种所述当前环境子数据分别输入至对应的所述体征预测模型中，得到消防员的多个体征预测数据；
35、体征融合模块，用于将多个所述体征预测数据输入至所述融合模型中，得到预测体征融合数据；
36、状态判断模块，用于根据所述预测体征融合数据，判断所述消防员是否处于危险状态。
37、第四方面，本发明提供了一种消防头盔，包括存储器和处理器；
38、所述存储器，用于存储计算机程序；
39、所述处理器，用于当执行所述计算机程序时，实现如上所述的体征监测模型训练方法或实现如上所述的体征预测方法。
1.一种体征监测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的体征监测模型训练方法，其特征在于，所述神经网络模型包括循环神经网络，所述循环神经网络包括输入层、输出层、多个隐含层和多个门控单元，所述输入层与第一个所述隐含层相连，多个所述隐含层和多个所述门控单元交替设置，依次相连，最后一个所述门控单元与所述输出层相连，其中，所述门控单元用于过滤所述隐含层的输出数据。
3.根据权利要求2所述的体征监测模型训练方法，其特征在于，所述使用第一训练集中的每种所述历史环境子数据与所述历史体征数据分别对预设的神经网络模型进行训练，得到每种所述历史环境子数据对应的体征预测模型包括：
4.根据权利要求1所述的体征监测模型训练方法，其特征在于，所述使用多种所述历史环境子数据对应的所述预测结果与所述历史体征数据对预设的拟合模型进行训练，得到所述融合模型包括：
5.根据权利要求4所述的体征监测模型训练方法，其特征在于，所述将每种所述历史环境子数据对应的预测结果输入至训练后的分类器中之前，还包括：
6.根据权利要求1所述的体征监测模型训练方法，其特征在于，所述拟合模型用于：
7.根据权利要求4所述的体征监测模型训练方法，其特征在于，所述使用多种所述历史环境子数据对应的所述预测结果与所述历史体征数据对预设的拟合模型进行训练，得到所述融合模型包括：
8.一种体征预测方法，其特征在于，基于如权利要求1-7任一项所述的体征监测模型训练方法训练得到的体征监测模型，所述体征监测模型包括体征预测模型和融合模型，所述体征预测方法包括：
9.一种体征预测系统，其特征在于，基于如权利要求1-7任一项所述的体征监测模型训练方法训练得到的体征监测模型，所述体征监测模型包括体征预测模型和融合模型，所述体征预测系统包括：
10.一种消防头盔，其特征在于，包括存储器和处理器；
