公共体育场所健身危险事件AI识别和报警系统平台构建

刘晓然 刘玉 李健 亓雨晴 余长逍 唐子人

摘    要   “健康中国”和“体育强国”发展战略对全民健身事业的发展提出了明确的指导方向。在不断提高人们健身有效性的同时，健身的安全性更不容小觑。目前，全民健身安全保障体系已大大加强了健身活动中的安全防护措施，但在实际健身中仍会较为频繁地发生意外危险事件，发生突然、难以提前预测，而且致残、致死率较高，无疑增加了部分健身者的心理负担、降低了健身意愿。针对公共体育场所健身活动中意外危险事件识别难的问题，本研究采用大数据分析、人工智能等技术，研发了公共体育场所健身危险事件AI识别和报警系统平台，实现基于视觉、智能穿戴设备的健身过程中意外危险事件（跌倒、溺水、心血管事件）的识别和报警，有效解决公共体育场所意外危险事件识别、报警和应急的问题，提高全民健身的安全性。

关键词   人工智能识别；健身安全；健身危险报警平台；跌倒；溺水；心血管事件

中图分类号：804.5；TP3           学科代码：040302           文献标志码：B

DOI：10.14036/j.cnki.cn11-4513.2023.03.003

Abstract   The development strategy of “Healthy China” and “Leading Sports Nation” have put forward a clear guiding direction for the National Fitness Development. Scientific fitness is a significant mean for health promotion， and scientific fitness needs are individual. While fitness effectiveness is improved， the safety of fitness should not be underestimated. The current national fitness security system has greatly enhanced the protect measures in national fitness activities， but actually， dangerous events still are frequent. Occurring suddenly， difficult to predict， if the resuscitation is not timely， resulting in a high rate of mortality and disability， which undoubtedly adds to the psychological burden of some exercisers. In order to solve the occurrence of accidental and dangerous events in fitness activities， our study adopted to big data analysis， artificial intelligence and other technologies， developed a platform of AI identification and alarm system for fitness dangerous events in public sports places， to realize the identification and alarm of dangerous events（fall， drowning， cardiovascular events） during fitness， which based on vision and smart wearable device， effective solutions for identification， alarm and emergency when dangerous events occur in public stadiums， improving the safety of fitness.

Keywords   artificial intelligence identification; fitness safety; fitness risk alarm platform; falling; drowning cardiovascular events

《“健康中国2030”规划纲要》中提出了健康服务供给总体不足与需求不断增长之间的矛盾依然突出，要全方位、全周期维护和保障人民健康，大幅提高健康水平［1］。为此，相关部门统筹建设全民健身公共设施，加强健身步道、骑行道、全民健身中心、体育公园等场地及设施建设，加速全民健身运动的普及。同时，国家体育总局发布了《体育健身活动指南》，以此建立和完善针对不同人群、不同环境及不同身体状况的运动处方库，开展群众健身休闲活动，丰富和完善全民健身体系，推动全民科学健身。与此同时，全民健身运动的安全性问题也逐步凸显。

国家体育总局在2017年发布的《全民健身指南》中提出，在体育健身活动过程中，要确保体育活动者不出现或尽量避免发生运动伤害事故，是参加体育健身活动的首要原则［2］。《全民健身计划（2021—2025年）》对健身的安全性作了明确的指示，要求加强全民健身安全保障［3］。由此，一方面提倡个人健身前应全面评估个人身体状况和运动能力，制定适合自身特点的体育健身活动方案。个人在体育健身活动前要做充分的准备活动，在活动过程中要控制運动强度、保持适当的运动负荷，在活动后要做整理和放松活动、定期进行身体机能检查。另一方面，对各类健身设施安全运行加强监管，鼓励在公共体育场馆配置急救设备，确保各类公共体育设施开放服务达到防疫标准、应急标准、疏散标准、质量标准及消防安全标准。

目前的全民健身安全保障体系已大大加强了全民健身活动中的安全防护措施，但在实际健身中仍会较为频繁地发生意外危险事件，例如：跌倒、溺水、心血管危险事件等。这些意外危险事件发生突然且难以提前预测，如果抢救不及时，致死率和致残率较高，这无疑增加了部分健身者的心理负担。为了更好地降低健身活动中意外危险事件的发生率，本研究应用大数据、人工智能等技术，研究建立公共体育场所健身危险事件AI识别和报警系统平台。该平台可实现基于视觉与智能可穿戴设备的健身意外危险事件（例如：跌倒、溺水、心血管危险事件）的识别和报警，有效解决了复杂环境中运动意外危险事件识别难度大、报警不及时及决策时程长的问题，能满足实时交互的预测需求及提高全民健身的安全性。

1   公共体育场所健身意外危险事件

参加有规律的健身活动可获得更多生理和心理上的健康益处，但是健身活动也存在很多已证实的危险因素。例如在健身运动时出现冠状动脉痉挛会产生心绞痛；没有休息好或感冒后在健身运动时容易出现头痛；在健身运动中还可能出现腹胀痛、腹绞痛、肝区痛、晕厥等不良反应。这些不良反应有些可以在运动停止后休息一段时间自行消失，但是有些如果没有及时发现或抢救不及时，则可能危及生命。目前，最为常见且严重的意外危险事件大致包括跌倒、溺水、心血管危险事件等，这也正是公共体育场所健身危险事件AI识别和报警系统平台要识别的主要危险事件。

1.1  公共体育场所跌倒危险事件

跌倒是指突发的、不自主及非故意的体位改变而倒在地上［4］。据估算，世界上每年发生684 000例致命性跌伤，即使未致命，每年仍大约有37 300 000例跌伤严重到需要进行治疗［5］。随着马拉松等户外运动在健身领域风靡，运动中的安全问题也接踵而至。据相关数据统计，超过63%的运动损伤者是由于在运动过程中发生跌倒无法得到及时救治而导致了伤病［6］。

在公共体育场所，跌倒的发生主要由内在（生理）和外在（环境或情境）风险因素导致。内在风险因素包括心血管功能障碍（例如：直立性低血压和晕厥）、使用精神疾病类药物、认知障碍、下肢无力、平衡能力差、视力受损等，主要表现为因晕倒、休克等导致的突然性跌倒、突然抽筋、扭伤等肢体损伤［7］。外在风险因素主要指地面上有障碍物、地板湿滑、光线不足等，主要表现为因人体失去平衡而产生的突然跌倒［8］。

1.2  公共游泳池溺水危险事件

游泳是很多健身者选择的运动项目，能锻炼人的心肺耐力、提高心血管功能、促进骨骼与肌肉的协调性、改善平衡能力，并且水的压力和浮力可以使人体在运动过程中减少关节的损耗。但是游泳却存在着潜在的危险性，即便是十分熟悉水性的人也可能会因为各种意外情况而导致溺水，溺亡事故也时有发生。一旦溺水，人体会迅速发生一系列病理反应，产生脑水肿、急性的呼吸窘迫综合征、肺水肿、电解质紊乱、心力衰竭、酸碱失衡、急性肾功能衰竭、血管内凝血等并发症［9］59，此时如果没有被游泳救生员及时发现，溺水时间越长越容易造成人体不可逆的损伤或死亡。

当游泳者出现溺水危险时，一般会挣扎求救，有些动作毫无规律，救生员会根据游泳者溺水的实际情况，凭借经验采取相应的救生措施。溺水者在求救状态下呼吸道内会进入大量的水，并会很快失去求救意识，导致身体不断下沉，这种情况下很难被救生员发现。在传统的救生员管理模式下，救生员在游泳馆的游泳者较多、光照强度低、长时间注视水面时很容易视觉疲劳，较难对突发溺水事件作出及时反应。

1.3  公共体育场所心血管危险事件

适量的健身运动能提高人体的心肺耐力并降低心血管疾病的发生率，但如果健身者年龄偏大、患有慢性病、选择了不适合自己的运动项目及在不合适的时间点运动或进行了较高强度和较长时间的运动时，有可能发生心血管危险事件，甚至可能发生心源性猝死［10］。关于运动猝死的新闻每隔一段时间就会出现，这主要是由于心源性猝死的发病特点是：男性心源性猝死的风险高于女性［11］；可以发生在运动过程中，也可以发生在运动后和休息时［12］；猝死者年龄主要集中在15～20岁的青少年和老年人。而且相关调查显示，强度过大的运动，尤其是突然的、非常规的与涉及大强度无氧代谢的运动，对于未接受过专业训练者和有潜在心血管疾病者来说，存在一定的心血管疾病风险［10］。

运动前心血管疾病筛查和运动危险分层是降低心血管疾病风险的主要手段。在2017年，来自世界各地的学者共同发布了运动前心血管疾病筛查专家共识和心电图解读专家共识，得到了国际奥委会和国际足球联合会等国际体育组织的充分认可和采纳［13］。但仍有很多体育领域的学者对运动前心血管疾病筛查的有效性提出了质疑，认为运动前筛查会遗漏80%以上的病例［14］，而且心血管疾病的检查需要消耗大量医疗资源。

2   公共体育场所健身危险事件AI识别

2.1  基于视觉的跌倒AI识别

2.1.1  跌倒识别场景设计

《2022国民健身趋势报告》中提到国民热衷的健身项目主要以健步走、跑步、球类和健身舞蹈为主［15］。随着大众参与健身跑的人数与日俱增，跑步引发的意外危險事件频繁发生。有研究者通过因子分析构建并验证了跑步者跑步风险认知评价模型，提出个人身心状况和跑步环境因素是影响跑步者在户外发生跌倒的主要因素［16］。虽然在公共健身步道附近设立了一些救助点，但是仍无法做到有效地预防运动危险事件发生和对跑步损伤者进行及时救助，更无法实时监测跑步者的身体状况。

本研究研制的系统是一种基于视觉的户外健身跑场景中跌倒行为识别方法，通过户外健身步道安装的摄像头获取跑步者的视频流，从视频流提取出每一帧图片，从图片中提取评估人体姿态的骨骼关键点，形成运动姿态编码，与建立的倒地特征库和非倒地特征库进行对比，从而实现对跑步意外跌倒或倒地状态的识别。同时，建立跌倒行为特征数据库，一是可以解决因摄像头角度而使获取到的人体姿态变形问题；二是可以识别跑步者前倒、侧倒、坐地、系鞋带等姿态；三是可以解决多人视觉图像交叠在一起的识别问题，从而大大提高户外健身跑场景下跌倒事件的识别率。

2.1.2  人体姿态识别

跌倒识别需要对摄像头中的人体姿态进行精确的识别，围绕图像中的人体姿态估计问题进行研究。人体姿态估计从输出的维度上可分为二维和三维，二维是输出基于图像坐标的人体关键点（x和y），三维是输出在空间坐标中的人体关键点（x、y及z）。

2.1.2.1    二维人体姿态估计

本系统主要用于监控运动场景中的人体姿态，由于在该场景中人体尺寸相对较小、人数不多，对姿态的识别精度要求较高，因此，选择了自顶向下的流程。如图1所示，先检测图像中的人体，然后对每个人体单独进行姿态估计，该流程由于对每个人体单独做姿态估计，所以能忽略人体尺寸的影响，可达到较高的精度。

本方法使用HRNet（high-resolution net）作为人体姿态估计的主干网络。该网络在构建第一阶段维持了一个高分辨率，然后形成了从高到低逐渐增加分辨率的子网络，同时将不同分辨率的网络融合在一起［17］。由此，通过保持一个高分辨率，同时融合低分辨率的信息能有效地提取人体关键点的局部特征，并提高关键点的精度，其结构如图2所示。

2.1.2.2    三维人体姿态估计

三维人体姿态估计需要获取空间坐标中的人体关键点（x、y及z），但是因为相机成像时会使深度信息丢失，一般采用多帧二维人体姿态推断出三维人体姿态，而三维人体姿态估计是基于髋骨中心点的相对位置。在三维人体姿态估计时，将每个关键点的位置估计转化为骨骼长度和方向的估计，该骨骼长度在视频中就不会发生变化。在模型训练时，对骨骼长度和方向的约束会使三维人体姿态估计的结果更加准确与稳定，并且在对姿态识别进行训练时，增强了对骨骼长度和方向的识别能力及模型的泛化能力。

2.1.3  基于视觉的跌倒姿态AI识别算法

针对跑步场景中的倒地情况的多样性及单摄像头的多义性，设置多相机帧同步后的多视角视频采集位置，以确保在多人拥挤和多视角情况下人体姿态还原的准确性。基于此设计了一套基于二维姿态特征比对的流程，主要步骤如下。

步骤1：对图片进行人体检测，获取图片检测框中每个人的空间坐标（x、y、w、h），其中：（x，y）表示检测框左上角点坐标，w表示检测框的宽，h表示检测框的高。

步骤2：对每个检测框中的人进行人体姿态估计，获取每个人的24个骨骼关键点的坐标{x1，y1，…，x24，y24 }。

步骤3：将每个人的24个骨骼关键点通过运动姿态编码模型进行姿态编码，形成128维浮点归一化特征向量。

步骤4：选取各種倒地的姿态（N），将这些姿态通过步骤1～3提取特征，并制作出倒地特征库Ff=（ff1，…，ffN ）。选取各种躺、蹲、坐等与倒地比较相似的姿态（M），将这些姿态通过步骤1～3提取特征，并制作为非倒地特征库Fn=（fn1，…， fnM ），如图3所示。

步骤5：从监控摄像头获取视频流，从视频流提取出每一帧图片。对每帧图片通过步骤1～3提取特征f，将该特征分别与倒地特征库和非倒地特征库中的特征进行比对。如果特征f与倒地特征库中的特征比对分数最大值超过阈值τf，同时特征f与非倒地特征库中特征比对分数最大值低于阈值τn，则认为是倒地状态。

步骤6：如果倒地状态维持了一段时间（t），可设置t为5 s，则可判断有人倒地，报警系统即可发出报警信号。

2.1.4  跌倒识别数据的实时分析

基于视觉的跌倒姿态AI识别的数据采集端采集的人体姿态估计数据，可通过网络传输模块发送至云服务器端，经过算法处理获取用户的实时运动状态数据，保存至云端服务器。如果用户出现跌倒时，运动危险事件报警系统APP的用户端界面和场馆工作人员端界面均出现跌倒危险报警提示、跌倒瞬时图像及跌倒定位信息，以便场馆工作人员根据现场具体情况实施救援，如图4所示。

2.2  基于视觉的溺水AI识别

2.2.1  溺水识别场景

游泳已经成为一些健身者运动休闲的主要方式之一，但也有较大的安全风险。救生员在日常工作中主要是依靠视力观察泳池中游泳者的活动情况，通过肉眼鉴定游泳池中静止不动的游泳者是否溺水。分析实际数据后发现，人工看护方式的救生措施存有明显的漏洞。除了主动潜泳之外，游泳者溺于水中将会缺氧或肺部积水，缺氧达到或超过30 s，其生命将受到威胁；溺水时间超过180 s以上，游泳者可能受到严重的人身伤害，甚至死亡［9］59。因此，游泳救生员急需一种辅助技术手段协助救生工作，准确地监控整个游泳池的安全情况。本研究研制的系统是一种基于可视化游泳馆场景下溺水识别方法，在游泳池侧壁中位安装摄像机拍摄游泳池内部，每2个摄像机为一组，2台摄像机视场角均大于90°，成一定角度放置可覆盖窗内将近180°的范围。通过摄像机获取游泳者的视频流，从视频流提取出每一帧图片，研究基于人体骨骼检测和人体运动轨迹跟踪为基础的游泳动作识别技术与溺水监测算法，对溺水危险事件进行识别。

2.2.2  基于视觉的溺水AI识别算法

针对游泳馆场景中的溺水情况的多样性，设计多摄像机帧同步后的多视角视频采集监控并识别游泳池中的每个人的运动状态，以此判断是否发生溺水事件。整个算法流程包括人体检测、人体姿态估计和人体运动状态估计。由此设计了一套基于二维姿态特征比对的流程，其主要步骤如下。

步骤1：对图片进行人体检测，获取图片中每个人的空间坐标（x、y、w、h）的检测框，其中（x，y）表示检测框左上角点坐标，w表示检测框的宽，h表示检测框的高。

步骤2：对每个检测框进行人体姿态估计，获取每个人的24个骨骼关键点的坐标。

步骤3：对应一个视频中的多帧图片，重复步骤1和2，获得多帧人体姿态图片。

步骤4：计算每个人体关键点的运动速度，组成人体关键点运动特征。

步骤5：建立水中人体运动主题分类器，将水中人体运动状态分为3种：正常水中运动姿态、人体缓慢下沉姿态、人体静止平躺姿态，把这3种人体骨骼关键点和关键点的运动特征纳入人体运动主题分类器，并通过数据训练分类器，如图5所示。

步骤6：将人体关键点和运动特征输入人体运动主题分类器，分类器可以输出运动状态预测结果，当发现运动状态为人体缓慢下沉直至静止平躺时，可判断为溺水事件发生并报警。

2.2.3  溺水识别数据的实时分析

基于视觉的溺水AI识别的数据采集端采集的人体姿态估计数据，可通过网络传输到云服务器端，进行算法处理，获取用户的实时运动状态数据，保存至云端服务器。如果用户出现溺水状态，运动危险事件报警系统APP的场馆工作人员端界面出现溺水危险报警提示、溺水瞬时图像及溺水定位信息，以便救生员实施救援，如图6所示。

2.3  基于可穿戴设备的心血管危险事件AI识别

2.3.1  心血管危险事件监测手段与指标

从2010年开始，运动与健康监测技术迅速发展，涌现出了许多形式的生物信号采集方式，从距离定位功能发展到如今具有心脏监测、睡眠监测、呼吸状态监测、全面的运动监测等功能［17-18］。可穿戴智能手表、智能手环等可穿戴智能设备对运动健身的影响也越来越深入人心。有研究显示，可穿戴设备采集的静息心率（与健康呈负相关）和心率变异性（与心脏健康呈正相关）数据的准确性和一致性水平较高［19］。还有些可穿戴智能设备配有心电模块，目前以显示单导联心电图为主，通过建立深度神经网络和应用人工智能技术可以经验性地找出输入数据（即心电图）与输出数据（即诊断）之间的关系，可高敏感性、高准确性地作出诊断［20］，还可以在运动中进行心电监测，能更好地识别心律失常，相较腕率表采集的心率更为准确［10］。

本研究针对心血管疾病不同风险等级人群研发了智能运动手表和单导联心电衣。智能运动手表主要满足心血管疾病低风险人群的需求，具有监测心率、血氧、睡眠等功能，可以实现日常运动时靶心率的控制及对短时间脉率明显下降的识别和报警，因为该现象是恶性心率失常的常见表现。单导联心电衣则是满足心血管疾病高风险人群的需求，具有监测房颤、房室传导阻滞、室性心动过速、心房早搏复合征、心房停搏等常见心律失常的功能。心搏骤停是前述常见心律失常的主要表现，单导联心电衣一旦识别到上述指标异常就会发送救援信息。

2.3.2  基于心电衣的心血管危险事件识别算法

心电信号是表征人体生命体征和健康程度的关键指标。每年有大量的人死于心血管疾病［21］，其中心律失常是最为常见、最具代表性的心率异常疾病。本文针对5种常见的心律失常（房颤、房室传导阻滞、室性心动过速、心房早搏复合征、心房停搏）设计识别算法，通过采集北京市首都医科大学附属朝阳医院的多位心律失常患者的心电数据，结合单导联心电公开数据集“Physio Net”中的多个正常心电数据样本，构建用于训练算法的样本库。样本库中包括6种类型的单导联心电數据，共有515例。其中：正常心电有200例，房颤有156例、房室传导阻滞有37例、室性心动过速有20例、心房早搏复合征有173例、心房停搏有29例。

考虑到不同类别的心电信号在时序变化上具有显著差异，本文构建基于CNN-LSTM模型的单导联心电异常识别算法。卷积神经网络（缩写为“CNN”）是一种包含卷积计算且具有深度结构的前馈神经网络，通过对输入的单导联心电图数据进行卷积运算可以提取心电时序特征。考虑到CNN无法分析心电信号时序变化特征之间的关联性，将CNN的输出心电信号进一步传输到长短时记忆网络（缩写为“LSTM”），以确定心电信号序列的时间依赖性。LSTM模型可以分析心电信号时序关联特性，并解决传统循环神经网络存在的梯度消失的问题，适用于分析心电信号的时序特性。

将心电数据样本库按照4∶1的比例拆分成训练集和测试集。将训练集输入到模型进行训练，测试集用于检测模型的性能。本文所提出的基于CNN-LSTM模型的单导联心电异常识别算法的主要步骤如下。

步骤1：数据预处理。对原始心电信号进行降噪处理，并以30 s（9 000采样点）为周期进行心电信号序列分割，如图7所示。

步骤2：CNN-LSTM模型训练。本研究构建CNN-

LSTM模型对单导联心电数据进行分类预测，CNN-LSTM模型包括输入层、CNN层、最大池化层、LSTM层、随机失活（Dropout）层、全连接层及归一化指数函数（Softmax）层组成，如图8所示。

步骤3：使用已经训练好的CNN-LSTM模型，对新输入的单导联心电图信号数据进行判断，将其归为相应的类别。

2.3.3  心血管危险事件识别数据的实时分析

基于智能运动手表的数据采集端可实时采集和呈现人体运动相关数据。如果用户出现心率骤降状态，例如心率在连续30 s中下降30%，运动危险事件报警系统APP的场馆工作人员端界面和用户运动手表界面均会出现心血管危险事件报警提示，并将运动状态和位置定位数据上传至运动危险事件报警平台，以便场馆工作人员根据现场具体情况实施救援。同时，基于心电衣的数据采集端采集人体心电数据并进行算法处理。如果用户出现心血管危险事件风险，运动危险事件报警APP的用户端界面和场馆工作人员端界面均会出现心血管危险事件报警提示，并将运动状态和位置定位数据上传至运动危险事件报警平台，以便场馆工作人员根据现场具体情况实施救援，如图9所示。

3   公共体育场所健身危险事件报警系统平台的构建

3.1  健身危险事件报警系统平台总体设计

公共体育场所运动危险事件识别、报警及应急系统结合了人工智能识别技术和智能危险事件识别设备，根据公共体育场所实际情况编写预案，基于人工智能算法的最优匹配，制定医疗资源的分配方案，最终构建一套完整的公共体育场所运动危险事件识别、报警及应急系统。该系统是由健身危险事件识别智能运动手表、健身危险事件识别专用摄像装置和健身危险事件报警与救援APP组成，如图10所示。

3.2  健身危险事件报警系统的用户端设计

3.2.1  用户端基础信息录入

1）APP用户登录。进入登录界面后有2种登录方式，一种为用户密码登录，另一种为短信验证码登录。2）APP界面显示。主界面以体育场馆地形为背景，显示包含个人健康信息、健康状况、健身危险事件报警按钮。3）增添紧急联系人。在APP界面可通过输入联系人的电话号码添加紧急联系人。4）确认进入场馆功能。通过APP扫描体育场馆二维码，确认用户已进入场馆。

3.2.2  健身危险事件报警功能设计

1）跌倒报警功能。当用户在公共体育场所AI运动摄像机监控范围内发生跌倒后，APP用户端会出现跌倒危险事件提示。用户可根据自身情况判断是否需要救援，如果不需要救援，可点击关闭；如果需要救援或无法作出应答，待20 s后，跌倒危险事件会直接推送至APP的场馆工作人员端。2）心血管危险事件报警功能。用户通过扫码进入公共体育场馆健身，当用戶在该场馆内发生心血管危险事件后，APP用户端会出现跌倒危险事件提示。用户可根据自身情况判断是否需要救援，如果不需要救援，可点击关闭；如果需要救援或无法作出应答，待20 s后，心血管危险事件会推送至APP的场馆工作人员端，如图11所示。

3.3  健身危险事件报警系统APP的场馆工作人员端设计

3.3.1  场馆工作人员端基础信息

公共体育场馆APP管理端可添加工作人员信息。场馆工作人员点击APP安全界面的人物卡片上的场馆名称后，如果变为绿色表示上岗、变为灰色表示离岗。

3.3.2  健身危险事件报警信息推送功能设计

当识别到用户出现健身危险事件，包括跌倒、溺水和心血管危险事件后，健身危险事件报警系统APP用户界面出现跌倒危险报警提示，且APP工作人员界面能收到跌倒报警推送信息，并显示用户精准的位置定位信息，如图12所示。

3.3.3  健身危险事件报警系统APP救援功能设计

工作人员在健身危险事件报警系统安全界面收到救援推送信息后，可点击“健康状况”下的“救援”按钮查看场馆地形图上是否规划了到事发地点的最佳路线。同时，被救人员也能收到救援人员的路线图。工作人员在实施救援后点击“关闭”，被救用户界面会提示“危险事件已被工作人员关闭”，救援流程即为结束，如图13所示。

3.4  健身危险事件报警系统APP的监控中心界面设计

健身危险事件报警系统APP包括危险事件记录、场馆工作人员在岗情况、入场健身人员年龄分布、健身人流量分布、场馆地形图等基本信息。登录科学健身管理系统 （isports.org.cn）后，点击监控中心（如图14所示），当发生健身危险事件时，可在监控中心同步显示发生健身危险事件的人员和地点，点击救援后，则可以显示救援人员和救援路线。

此外，监控中心支持对所监控场馆的基本信息进行编辑（包括场地类别、器材、营业时间、责任人信息、场馆地形图上传、场馆二维码上传等），并且可以查看健身危险事件的历史信息、添加或删除场馆工作人员、添加或删除摄像头设备等。

4   结束语

通过采集大量的跌倒、非跌倒、模拟溺水及游泳的正常心率和心电、异常心率和心电的相关数据，对本研究设计的公共体育场所健身危险事件AI识别和报警系统平台进行了测试，基于视觉的跌倒AI识别技术对跌倒的识别率、基于视觉的溺水AI识别技术对溺水的识别率、基于可穿戴设备的心血管危险事件AI识别技术对心血管突发事件的识别率均达到90%以上，公共体育场所健身危险事件报警系统的报警准确度达到了95%以上。

综上所述，本研究设计的公共体育场所健身危险事件AI识别和报警系统平台基本实现了基于视觉、智能可穿戴设备对健身过程中的意外危险事件（跌倒、溺水、心血管事件）的识别和报警，有效解决了复杂环境下运动的意外危险事件识别难度大、急救不及时及救援决策时程长的问题，有助于推动“体医融合”服务过程中的信息共享及更有力地推动全民健身与全民健康的融合。

参考文献：

［1］  中共中央 国务院.“健康中国 2030”规划纲要［EB/OL］.（2016-10-25）［2023-04-25］. http：//www.gov.cn/zhengce/2016-10/25/content_5124174.htm.

［2］  中国体育报. 《全民健身指南》解读［N/OL］.（2017-08-14）［2023-03-20］. https：//www.sport.gov.cn/n315/n331/n405/c819327/content.html.

［3］  国务院. 全民健身计划（2021—2025年） ［EB/OL］.（2021-07-18）［2023-04-25］. http：//www.gov.cn/zhengce/content/2021-08/03/content_5629218.htm.

［4］  WHO. Global report on falls prevention in older age［M］. Geneva： WHO， 2008： 1-9.

［5］  皮红英，高远，侯慧如，等. 老年人跌倒风险综合管理专家共识［J］. 中华保健医学杂志，2022，24（6）：439-441.

［6］  王宇红. 对北京马拉松赛事医疗安全保障体系的研究［D］.北京：北京体育大学，2016.

［7］  李晓亮. “运动风险”概念的剖析与界定［J］. 哈尔滨体育学院学报，2011，29（6）：20-24.

［8］  杨怿健，李丽萍. 从运动科学及公共卫生角度开展老年人跌倒预防的研究［J］. 伤害医学，2022，11（4）：1-6.

［9］  沈浩然. 游泳救生员［M］. 北京：高等教育出版社，2015.

［10］  中国医药卫生文化协会心血管健康与科学运动分会. 运动相关心血管事件风险的评估与监测中国专家共识［J］.中国循环杂志，2022，37（7）：659-668.

［11］  ECKART R E， SHRY E A， BURKE A P， et al. Sudden death in young adults： An autopsy-based series of a population undergoing active surveillance［J］. Journal of the American College of Cardiology， 2011， 58（12）： 1254-1261.

［12］  FINOCCHIARO G， PAPADAKIS M， ROBERTUS J L， et al. Etiology of sudden death in sports： Insights from a united kingdom regional registry［J］. Journal of the American College of Cardiology， 2016， 67（18）： 2108-2115.

［13］  DREZNER J A， SHARMA S， BAGGISH A， et al. International criteria for lectrocardiographic interpretation in athletes：Consensus statement［J］. British Journal of Sports Medicine，2017， 51（9）： 704-731.

［14］  LANDRY C H， ALLAN K S， CONNELLY K A， et al. Sudden cardiac arrest during participation in competitive sports［J］. New England Journal of Medicine， 2017， 377（20）： 1943-1953.

［15］  一圖读懂《2022国民健身趋势报告》［EB/OL］. （2022-08-02）［2023-04-25］. http：//health.people.com.cn/n1/2022/0802/c14739-32492003.html.

［16］  胡德刚，梁金辉，张吾龙. 健身跑者跑步风险认知评价模型的构建及实证分析［J］. 首都体育学院学报，2021，33（2）：162-171.

［17］  倪礼，刘褚燚. 智能手环中国专利技术综述［J］. 中国科技信息，2022（7）：18-19.

［18］  李文祺，高佳锋，尚玲珑，等.穿戴式心率监测报警器设计与制作［J］. 电子世界，2021（8）：190-191.

［19］  SUN J J， ZHAO J P， CHEN L C， et al. View-invariant probabilistic embedding for human pose［G］// Proceedings of european conference on computer vision 2020. Edinburgh： ECCV， 2020： 1-26.

［20］  MURAKAMI H， KAWAKAMI R， NAKAE S， et al. Accuracy of wearable devices forestimating total energy expenditure： comparison with metabolic chamber and doubly labeledwater method［J］. JAMA Internal Medicine， 2016， 176（5）： 702-703. ［21］  胡盛寿，高润霖，刘力生，等. 《中国心血管病报告2018》概要［J］. 中国循环杂志，2019，34（3）：209-220.