基于数据驱动的人体静电电位非接触测量反演方法

《Journal of Sensor and Actuator Networks》：Data-Driven Inversion Method for Human Body Electrostatic Potential from Noncontact Measurements

　　

人体静电是静电敏感工业环境中的主要危害之一。现有的非接触测量方法往往依赖于显式物理建模，通常需要传感器布局、目标运动状态和场景几何的准确先验知识，这限制了其在复杂动态场景中的适用性。为解决这一问题，本文提出了一种基于神经网络的数据驱动方法，用于从非接触静电测量中估计人体静电电位。该方法以四通道非接触静电传感器信号作为输入，以同步测量的参考人体电位作为目标输出。系统评估了十六种神经网络架构，包括循环神经网络（RNN）、卷积神经网络（CNN）、基于注意力的网络和混合模型。进一步采用灰狼优化器（GWO）对每种模型的关键超参数进行优化。建立了5 m × 5 m的实验场景，并在两种运动状态下从三名受试者收集了36组同步时间序列信号。采用滑动时间窗方法构建训练和验证数据集，并分析了模型架构、窗口长度和受试者-运动条件对反演性能的影响。结果表明，所提方法能够有效地从非接触测量中估计人体静电电位。在评估的模型中，Trans-LSTM取得了最佳性能。在窗口长度为1 s时，其验证归一化均方根误差（NRMSE）约为0.139，决定系数（R²）约为0.72。与相同覆盖面积和传感器布局下具有代表性的现有方法相比，所提方法将NRMSE从0.22降至0.139。这些结果表明，所提方法为复杂环境中人体静电电位的远程、实时和非接触监测提供了一种可行途径。

人体静电是电子制造、能源化工和航空航天等静电敏感工业环境中的主要危害之一。人体与地面、设备或材料反复接触-分离会产生并积累静电荷，甚至导致静电放电（ESD），进而引发颗粒吸附、薄膜介电击穿、集成电路损伤以及易燃气体或粉尘环境中的火灾爆炸风险。现有防护措施如接地腕带、防静电服、导电地板和离子风机等，在固定工位和准静态条件下有效，但难以应对跨区域和高动态活动。同时，现有静电监测多为接触式或固定点测量，无法实现远程、实时、连续和非接触的人员静电电位监测。传统非接触方法基于静电感应原理，但需要显式物理建模和准确的传感器布局、目标运动状态及场景几何先验知识，在复杂动态场景中建模困难和泛化不足。因此，发展数据驱动方法直接从多通道传感器信号学习非线性映射，具有重要研究意义。

针对上述问题，研究人员提出了一种基于神经网络的数据驱动反演方法。该方法以四通道非接触静电传感器信号为输入，以同步接触测量的参考人体电位为目标输出。在5 m × 5 m实验场景中，三名受试者以慢走和快跑两种运动状态完成实验，共采集36组同步时间序列信号。研究人员系统比较了循环神经网络（RNN）、卷积神经网络（CNN）、注意力网络及混合模型共16种架构，并使用灰狼优化器（GWO）优化关键超参数。结果表明，所提方法能有效从非接触测量中估计人体静电电位，其中Trans-LSTM性能最佳，在1 s窗口下验证归一化均方根误差（NRMSE）约0.139，决定系数（R²）约0.72。与相同覆盖面积和传感器布局下代表性方法相比，NRMSE从0.22降至0.139。该研究发表在《Journal of Sensor and Actuator Networks》，为复杂环境下人体静电电位的远程、实时、大范围非接触监测提供了新途径。

研究人员使用的主要关键技术方法包括：采用四通道非接触静电传感器阵列在5 m × 5 m区域四角同步测量，以高阻静电计和球形电容构成接触式参考系统获取同步人体电位；原始信号经1 Hz低通滤波、降采样至100 Hz并去除直流偏置；采用滑动时间窗构造历史多通道序列样本，窗口长度涵盖0.1～2.0 s；构建16种时间序列神经网络模型，涵盖RNN类、CNN类、注意力类和混合类；利用灰狼优化器（GWO）对模型特异性超参数进行优化。数据来源为3名受试者（P1–P3）在慢走和快跑两种运动状态下的36组同步信号，其中18组用于模型开发，18组用于独立验证。

### 3.1 代表性反演结果

以CNN-LSTM模型为例，对模型开发数据和独立验证数据中各两组代表性信号进行反演。结果显示，预测曲线能够跟踪参考人体静电电位的总体变化趋势，独立验证样本的NRMSE均低于0.09。这表明神经网络能够学习四通道非接触静电传感器信号到人体静电电位的有效非线性映射。

### 3.2 不同神经网络架构性能比较

在1 s窗口长度下，所有模型在模型开发数据上均表现良好，NRMSE约0.011～0.024，R²高于0.97；但在独立验证数据上性能差异显著。CNN-GRU、CNN-LSTM等混合模型开发误差最低，然而Trans-LSTM取得最佳验证性能，NRMSE约0.139，R²约0.72；CNN-LSTM验证误差增大至约0.210，过拟合明显。结果表明，架构选择对泛化能力有显著影响，具备长程依赖建模与局部时序建模能力的混合结构更稳健。

### 3.3 滑动窗口长度对模型性能的影响

通过比较k=10、30、50、100、200五种窗口长度，发现窗口长度对性能影响显著。最短窗口0.1 s下多数模型误差最高，0.5～1.0 s窗口普遍提供更好结果，进一步增至2.0 s不再一致提升。这说明人体静电电位估计需要足够的时间上下文，且窗口长度需与网络架构联合选择。

### 3.4 不同受试者和运动模式下的性能

选取BiLSTM、Transformer变体、TCN-GRU、Trans-LSTM和CNN-iTrans-LSTM五种模型，分析在不同受试者和运动模式组合下的表现。结果显示，受试者差异对性能的影响大于运动模式；P2整体表现最优，P3在走状态下最困难。Trans-LSTM在六个受试者-运动组合中四个取得最低NRMSE，跨条件稳定性最佳。需要指出，实验仅包含三名穿类似橡胶/EVA复合鞋底运动鞋的受试者，因此结果代表实验域内对留出信号组的泛化，而非人群级泛化。

### 3.5 与代表性非接触方法的比较

与已有非接触人体静电电位测量方法相比，研究人员的前期方法在5 m × 5 m区域使用四个传感器获得NRMSE 0.22；本文方法在同一覆盖面积和传感器布局下将NRMSE降至0.139，表明在大面积、低传感器密度条件下，所提数据驱动方法具有更优的反演性能。

讨论与结论部分指出，模型性能受受试者差异和运动模式影响，Trans-LSTM在准确性与跨条件稳定性之间取得最佳平衡。研究局限性包括样本量小、鞋底材料单一；多通道时间输入不能从理论上唯一区分电位变化与位置相关电容耦合，且仅在固定传感器几何下验证；接触式参考系统会引入附加电容负载。研究结论概括为：本文提出了一种从非接触测量估计人体静电电位的数据驱动反演方法，通过学习四通道静电传感器信号与同步参考电位之间的非线性映射实现时间序列估计，且不依赖显式场景物理建模。16种时间神经网络架构均能执行反演任务，但未见数据上的性能差异显著；Trans-LSTM取得最佳验证性能，NRMSE约0.139，R²约0.72。窗口分析表明约0.5～1.0 s的历史信息对精确反演很重要，受试者差异影响大于运动模式。与相同传感配置的代表性方法相比，NRMSE从0.22降至0.139。这些结果说明，将多通道非接触静电传感与时序深度学习相结合，是远程、实时、大面积监测人体静电电位的可行路径。