CN106725537A - 基于人体皮肤电的疲劳分析方法及系统 - Google Patents
基于人体皮肤电的疲劳分析方法及系统 Download PDFInfo
- Publication number
- CN106725537A CN106725537A CN201611106819.1A CN201611106819A CN106725537A CN 106725537 A CN106725537 A CN 106725537A CN 201611106819 A CN201611106819 A CN 201611106819A CN 106725537 A CN106725537 A CN 106725537A
- Authority
- CN
- China
- Prior art keywords
- data
- skin
- fatigue
- human body
- conductivity level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0531—Measuring skin impedance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/20—Workers
- A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Developmental Disabilities (AREA)
- Physiology (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Child & Adolescent Psychology (AREA)
- Dermatology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于人体皮肤电的疲劳分析方法及系统,所述方法包括:采集皮肤电数据并根据所述皮肤电数据获取皮肤电导水平的平均幅值和近似熵;对皮肤电导水平的所述平均幅值进行归一化处理获得第一数据,对皮肤电导水平的所述近似熵进行归一化处理获得第二数据;通过归一化处理后的所述第一数据和所述第二数据对人体疲劳进行分析。本发明从皮肤电整体态势分布和整体趋势变化两个角度准确地判断疲劳程度,从而有效地检测出驾驶员的疲劳状态,做到早预警早干预,从而减少由疲劳驾驶引起的交通安全事故。
Description
【技术领域】
本发明涉及疲劳分析技术领域,尤其涉及一种基于人体皮肤电的疲劳分析方法及系统。
【背景技术】
疲劳是由于过度的体力或脑力劳动引起的一种正常的生理活动规律。随着负荷的变化及积累效应,人体各种器官将产生一定的应激反应。这种反应会体现在人体行为、人体生理和生化信号上。根据疲劳发生的表现,可分为肌肉疲劳、精神疲劳和混合型疲劳。肌肉疲劳是指在高强度重体力活动后,肌肉受负荷能力降低;精神疲劳是指由于睡眠不足、工作时间过长、精神高度集中、工作过程动作单一、环境单调引起的注意力不集中、反应力下降、警觉性降低。交通运输当中的驾驶员长时间驾驶过程中的疲劳状态即为典型的精神疲劳。混合型疲劳是指以上两种疲劳类型的综合,肌肉疲劳和精神疲劳的表现均有所体现。
我国交通事故的致死率为30%,处于全球较高水平,给我国国家财产和人民生命财产安全带来了巨大损失。据统计,我国每年发生的交通事故中,由于人为因素而导致的事故占比呈现逐年上升的趋势,已超过90%。由于人为因素导致的交通运输事故中,疲劳驾驶与醉酒驾驶、超速行驶所占比例排列前三。其中,疲劳驾驶的危害性最大,并且由于疲劳状态具有很大的潜伏性,不易察觉,不受驾驶员的主观控制,具有发生的突然性。因此,如何有效地检测出驾驶员的疲劳状态,做到早预警早干预,成为减少交通安全事故的突出问题。
【发明内容】
本发明提供一种基于人体皮肤电的疲劳分析方法及系统,用以从皮肤电整体态势分布和整体趋势变化两个角度准确地判断疲劳程度,从而有效地检测出驾驶员的疲劳状态,做到早预警早干预,从而减少由疲劳驾驶引起的交通安全事故。
根据本发明实施例的第一方面,提供一种基于人体皮肤电的疲劳分析方法,包括:
采集皮肤电数据并根据所述皮肤电数据获取皮肤电导水平的平均幅值和近似熵;
对皮肤电导水平的所述平均幅值进行归一化处理获得第一数据,对皮肤电导水平的所述近似熵进行归一化处理获得第二数据;
通过归一化处理后的所述第一数据和所述第二数据对人体疲劳进行分析。
在一些实施例中,所述采集皮肤电数据并根据所述皮肤电数据获取皮肤电导水平的平均幅值和近似熵包括:
通过测量皮肤两部位之间的阻抗采集皮肤电数据;
通过选取时间t内的皮肤电导水平获取皮肤电导水平的平均幅值;
通过皮肤电导水平的时间序列获取皮肤电导水平的近似熵。
在一些实施例中,所述通过将皮肤电导水平的所述平均幅值进行归一化处理获取第一数据,通过将皮肤电导水平的所述近似熵进行归一化处理获取第二数据;包括:
通过将皮肤电导水平的所述平均幅值除以所述幅值的最大值获取第一数据;
通过将皮肤电导水平的所述近似熵除以所述近似熵的最大值获取第二数据。
在一些实施例中,通过归一化处理后的所述第一数据和所述第二数据对人体疲劳进行分析包括:
记录获取所述第一数据和所述第二数据时的人体疲劳程度;
建立所述第一数据和所述第二数据与所述疲劳程度之间的对应关系数据并构成训练集;
通过将所述训练集输入第一支持向量机,得到所述第一支持向量机关于人体皮肤电与疲劳程度之间的模型参数,通过所述模型参数分析判断人体疲劳程度。
在一些实施例中,通过归一化处理后的所述第一数据和所述第二数据对人体疲劳进行分析包括:
将归一化处理后的所述第一数据和所述第二数据输入已建立人体皮肤电与疲劳程度之间模型参数的第二支持向量机,所述模型参数通过第一支持向量机建立;
根据所述模型参数分析判断人体疲劳程度。
根据本发明实施例的第二方面,还提供一种基于人体皮肤电的疲劳分析系统,包括:
数据采集模块,用于采集皮肤电数据并根据所述皮肤电数据获取皮肤电导水平的平均幅值和近似熵;
数据处理模块,用于对皮肤电导水平的所述平均幅值进行归一化处理获得第一数据,对皮肤电导水平的所述近似熵进行归一化处理获得第二数据;
数据分析模块,用于通过归一化处理后的所述第一数据和所述第二数据对人体疲劳进行分析。
在一些实施例中,所述数据采集模块包括:
测量子模块,用于通过测量皮肤两部位之间的阻抗采集皮肤电数据;
第一获取子模块,用于通过选取时间t内的皮肤电导水平获取皮肤电导水平的平均幅值;
第二获取子模块,用于通过皮肤电导水平的时间序列获取皮肤电导水平的近似熵。
在一些实施例中,所述数据处理模块包括:
第一处理子模块,用于通过将皮肤电导水平的所述平均幅值除以所述幅值的最大值获取第一数据;
第二处理子模块,用于通过将皮肤电导水平的所述近似熵除以所述近似熵的最大值获取第二数据。
在一些实施例中,所述数据分析模块包括:
记录子模块,用于记录获取所述第一数据和所述第二数据时的人体疲劳程度;
第三处理子模块,用于建立所述第一数据和所述第二数据与所述疲劳程度之间的对应关系数据并构成训练集;
第一支持向量机子模块,用于通过将所述训练集输入第一支持向量机,得到所述第一支持向量机关于人体皮肤电与疲劳程度之间的模型参数,通过所述模型参数分析判断人体疲劳程度。
在一些实施例中,所述数据分析模块包括:
第二支持向量机子模块,用于接收归一化处理后的所述第一数据和所述第二数据,根据第一支持向量机已建立的人体皮肤电与疲劳程度之间模型参数,分析判断人体疲劳程度。
本发明实施例提供的技术方案可产生以下有益效果:本发明通过采集鲁棒性强、敏感性高,能够准确反映人体疲劳状态的皮肤电数据,通过从所述皮肤电数据中获取两个与疲劳状态相关程度较高的显著性指标:平均幅值和近似熵,通过对皮肤电导水平的所述平均幅值和所述近似熵进行归一化处理,从而通过归一化处理后的数据使用机器学习的方法从皮肤电整体态势分布和整体趋势变化两个角度准确地判断人体疲劳程度,有效地检测出驾驶员的疲劳状态,做到早预警早干预,从而减少由疲劳驾驶引起的交通安全事故。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获取。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
【附图说明】
图1为本发明根据一示例性实施例示出的一种基于人体皮肤电的疲劳分析方法的流程图;
图2为本发明根据一示例性实施例示出的一种基于人体皮肤电的疲劳分析方法中步骤S10的流程图;
图3为本发明根据一示例性实施例示出的一种基于人体皮肤电的疲劳分析方法中步骤S20的流程图;
图4为本发明根据一示例性实施例示出的一种基于人体皮肤电的疲劳分析方法中步骤S30的流程图;
图5为本发明根据一示例性实施例示出的另一种基于人体皮肤电的疲劳分析方法中步骤S30的流程图;
图6为本发明根据一示例性实施例示出的一种基于人体皮肤电的疲劳分析系统的框图;
图7为本发明根据一示例性实施例示出的一种基于人体皮肤电的疲劳分析系统的数据采集模块10的框图;
图8为本发明根据一示例性实施例示出的一种基于人体皮肤电的疲劳分析系统的数据处理模块20的框图;
图9为本发明根据一示例性实施例示出的一种基于人体皮肤电的疲劳分析系统的数据分析模块30的框图;
图10为本发明根据一示例性实施例示出的另一种基于人体皮肤电的疲劳分析系统的数据分析模块30的框图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本公开实施例提供了一种基于人体皮肤电的疲劳分析方法及系统,用以从皮肤电整体态势分布和整体趋势变化两个角度准确地判断疲劳程度,从而有效地检测出驾驶员的疲劳状态,做到早预警早干预,从而减少由疲劳驾驶引起的交通安全事故。
如图1所示,该方法包括步骤S10-S30:
在步骤S10中,采集皮肤电数据并根据所述皮肤电数据获取皮肤电导水平的平均幅值和近似熵。本实施例中所采集的皮肤电信号包括但不限于静态水平(即皮肤导电水平)和阶段性响应,所述皮肤电信号能够准确反映人体疲劳状态,鲁棒性强,敏感性高。所述皮肤电信号中的皮肤电导水平(Skin Conductance Level,简称SCL)能够准确反映人体疲劳状态,通过计算两个与疲劳状态的相关程度较高的显著性指标:平均幅值和近似熵,能够从皮肤电整体态势分布和整体趋势变化两个角度准确地判断疲劳程度。
在步骤S20中,对皮肤电导水平的所述平均幅值进行归一化处理获得第一数据,对皮肤电导水平的所述近似熵进行归一化处理获得第二数据。在本实施例中,优选采用对数Logistic标准化的方法分别对皮肤电导水平的所述平均幅值和所述近似熵进行归一化处理,以便于将所述第一数据和所述第二数据统一到一个参考系下,从而更便于进行机器学习。
在步骤S30中,通过归一化处理后的所述第一数据和所述第二数据对人体疲劳进行分析。在本实施例中,所述第一数据为SCL线性指标,所述第二数据为SCL非线性指标。通过同时使用SCL的线性指标和非线性指标能够相辅相成的提取SCL时间序列变化过程当中的整体态势和整体变化,从而能够准确地分析并判断出疲劳程度。
在一些实施例中,如图2所示,所述步骤S10包括步骤S11-S13:
在步骤S11中,通过测量皮肤两部位之间的阻抗采集皮肤电数据。在本实施例中,通过使用电极从外部引入电流,从而测量两电极所在部位之间的阻抗,来采集SCL数据。测量的典型部位包括但不限于手指、手掌、脚趾、和脚掌。
在步骤S12中,通过选取时间t内的皮肤电导水平获取皮肤电导水平的平均幅值。在本实施例中,选取一段时间内的SCL平均幅值,作为第一指标。一般来说,当所述平均幅值持续处于较低水平时,人体疲劳程度较高;当所述平均幅值持续处于较高水平时,人体疲劳程度较低。优选地,所述时间t为10分钟。
在步骤S13中,通过皮肤电导水平的时间序列获取皮肤电导水平的近似熵。在本实施例中,步骤S12中的所述平均幅值是线性指标,能够刻画SCL在一段时间内的整体态势,但是不能反映内在变化规律,因此需要一种非线性指标进行补充表示。近似熵能够对信号无序性进行定量分析,混沌信号的近似熵是一个非负数,混沌性越强,近似熵的值越大,因此可以通过计算生理信号的近似熵这个混沌特征参量,从而说明生理信号的非线性特性。一般来说,近似熵越大,疲劳程度越高。
本实施例中SCL时间序列的近似熵提取过程为:
假设SCL时间序列为x1,x2,...,xn进行相空间重构,选择维数为m,得到由N=n-m+1个向量构成的相空间,对于相空间中的每个点Yi,计算满足条件d(Yi,Yj)£r的向量数目,并将统计得出的数据表示为Nm(i),对每一个i=1,2,...,N,N=n-m+1,均统计出Nm(i)的数值,然后计算Nm(i)与向量距离总数目N的比值,记为对所有的取自然对数,然后计算其和对于所有i的个数的平均值将维数m变为m+1,重复以上计算过程,得到φm+1(r)。那么,该SCL时间序列的近似熵为
本实施例中获取的所述近似熵,对于信号中的极大值、极小值不敏感,所以鲁棒性较强;对阈值进行调整就可以实现噪声滤波,受噪声影响较小。所述近似熵刻画的是混沌信号在相空间维数变化时,呈现的整体变化,即整体变化规律。
在一些实施例中,如图3所示,所述步骤S20包括步骤S21-S22:
在步骤S21中,通过将皮肤电导水平的所述平均幅值除以所述幅值的最大值获取第一数据。
在步骤S22中,通过将皮肤电导水平的所述近似熵除以所述近似熵的最大值获取第二数据。
在一些实施例中,如图4所示,所述步骤S30包括步骤S31-S33:
在步骤S31中,记录获取所述第一数据和所述第二数据时的人体疲劳程度。在本实施例中,优选采用实验的方式来记录获取所述第一数据和所述第二数据时的人体疲劳程度。在实验数据的采集过程中,记录当前被试者的疲劳程度,所述疲劳程度包括但不限于:很疲劳,有些疲劳,不疲劳,并将结果表示为标签0、1、2,这样就建立了实验数据与标签之间的对应关系。
在步骤S32中,建立所述第一数据和所述第二数据与所述疲劳程度之间的对应关系数据并构成训练集。在本实施例中,通过进行多人多次重复实验,将实验数据连同标签一起构成所述训练集。
在步骤S33中,通过将所述训练集输入第一支持向量机(Support VectorMachine,简称SVM),得到所述第一支持向量机关于人体皮肤电与疲劳程度之间的模型参数,通过所述模型参数分析判断人体疲劳程度。
在本实施例中,将所述训练集送入所述第一支持向量机分类器进行参数训练用以训练得到分类器模型参数。优选地,本实施例使用LIBSVM进行训练,所以得到的模型参数被自动存储为train.scale.model文件,该文件包含利用LIBSVM进行未知数据标签判断所需要的参数:nr_class代表训练样本集包含的类别个数,rho是判决函数的常数项b,nr_sv是各个类中落在边界上的向量个数,obj是对SVM问题的优化目标函数的值,nSV是支持向量的个数,nBSV是边界支持向量的个数。得到支持向量机关于人体皮肤电与疲劳程度之间的所述模型参数后,通过所述模型参数即可对新采集的数据进行分析,从而判断人体疲劳程度。
进一步地,所述通过所述模型参数分析判断人体疲劳程度包括:采集皮肤电数据并根据所述皮肤电数据获取皮肤电导水平的平均幅值和近似熵;对皮肤电导水平的所述平均幅值进行归一化处理获得第三数据,对皮肤电导水平的所述近似熵进行归一化处理获得第四数据;将归一化处理之后的所述第三数据和所述第四数据送入LIBSVM,所述LIBSVM即可根据之前训练集训练得到的模型参数,进行疲劳程度标签的判断。
本实施例通过使用包含疲劳程度标签的数据进行机器学习,在进行SVM分类器训练过程中,使用十折交叉验证技术,确保SVM分类器参数稳定准确,从而能够产生稳定准确判断人体疲劳程度的模型参数。
在另外一些实施例中,如图5所示,所述步骤S30包括步骤S301-S302:
在步骤S301中,将归一化处理后的所述第一数据和所述第二数据输入已建立人体皮肤电与疲劳程度之间模型参数的第二支持向量机。在本领域技术人员可以理解的情况下,本实施例中的所述第二支持向量机的模型参数包括但不限于通过第一支持向量机建立的模型参数。
在步骤S302中,根据所述模型参数分析判断人体疲劳程度。
在本实施例中,所述第一数据和所述第二数据不包含人体疲劳程度数据,通过使用已包含人体皮肤电与疲劳程度之间模型参数的第二支持向量机,从而能够稳定准确的判断人体的疲劳程度。
本发明实施例提供的上述方法,通过采集能够准确反映人体疲劳状态的皮肤电数据,通过从所述皮肤电数据中获取两个与疲劳状态相关程度较高的显著性指标:平均幅值和近似熵,通过对皮肤电导水平的所述平均幅值和所述近似熵进行归一化处理,从而通过归一化处理后的数据使用机器学习的方法从皮肤电整体态势分布和整体趋势变化两个角度准确地判断人体疲劳程度。
对应本发明实施例提供的基于人体皮肤电的疲劳分析方法,本发明还提供一种基于人体皮肤电的疲劳分析系统,如图6所示,该系统可包括:
数据采集模块10,用于采集皮肤电数据并根据所述皮肤电数据获取皮肤电导水平的平均幅值和近似熵。本实施例中所采集的皮肤电信号包括但不限于静态水平(即皮肤导电水平)和阶段性响应,所述皮肤电信号能够准确反映人体疲劳状态,鲁棒性强,敏感性高。所述皮肤电信号中的皮肤电导水平能够准确反映人体疲劳状态,通过计算两个与疲劳状态的相关程度较高的显著性指标:平均幅值和近似熵,能够从皮肤电整体态势分布和整体趋势变化两个角度准确地判断疲劳程度。
数据处理模块20,用于对皮肤电导水平的所述平均幅值进行归一化处理获得第一数据,对皮肤电导水平的所述近似熵进行归一化处理获得第二数据。在本实施例中,优选采用对数Logistic标准化的方法分别对皮肤电导水平的所述平均幅值和所述近似熵进行归一化处理,以便于将所述第一数据和所述第二数据统一到一个参考系下,从而更便于进行机器学习。
数据分析模块30,用于通过归一化处理后的所述第一数据和所述第二数据对人体疲劳进行分析。在本实施例中,所述第一数据为SCL线性指标,所述第二数据为SCL非线性指标。通过同时使用SCL的线性指标和非线性指标能够相辅相成的提取SCL时间序列变化过程当中的整体态势和整体变化,从而能够准确地分析并判断出疲劳程度。
在一些实施例中,如图7所示,所述数据采集模块10包括:
测量子模块11,用于通过测量皮肤两部位之间的阻抗采集皮肤电数据。在本实施例中,通过使用电极从外部引入电流,从而测量两电极所在部位之间的阻抗,来采集SCL数据。测量的典型部位包括但不限于手指、手掌、脚趾、和脚掌。
第一获取子模块12,用于通过选取时间t内的皮肤电导水平获取皮肤电导水平的平均幅值。在本实施例中,选取一段时间内的SCL平均幅值,作为第一指标。一般来说,当所述平均幅值持续处于较低水平时,人体疲劳程度较高;当所述平均幅值持续处于较高水平时,人体疲劳程度较低。优选地,所述时间t为10分钟。
第二获取子模块13,用于通过皮肤电导水平的时间序列获取皮肤电导水平的近似熵。在本实施例中,所述第一获取子模块12中获取的所述平均幅值是线性指标,能够刻画SCL在一段时间内的整体态势,但是不能反映内在变化规律,因此需要一种非线性指标进行补充表示。近似熵能够对信号无序性进行定量分析,混沌信号的近似熵是一个非负数,混沌性越强,近似熵的值越大,因此可以通过计算生理信号的近似熵这个混沌特征参量,从而说明生理信号的非线性特性。一般来说,近似熵越大,疲劳程度越高。
在一些实施例中,如图8所示,所述数据处理模块20包括:
第一处理子模块21,用于通过将皮肤电导水平的所述平均幅值除以所述幅值的最大值获取第一数据;
第二处理子模块22,用于通过将皮肤电导水平的所述近似熵除以所述近似熵的最大值获取第二数据。
在一些实施例中,如图9所示,所述数据分析模块30包括:
记录子模块31,用于记录获取所述第一数据和所述第二数据时的人体疲劳程度。在本实施例中,优选采用实验的方式来记录获取所述第一数据和所述第二数据时的人体疲劳程度。在实验数据的采集过程中,记录当前被试者的疲劳程度,所述疲劳程度包括但不限于:很疲劳,有些疲劳,不疲劳,并将结果表示为标签0、1、2,这样就建立了实验数据与标签之间的对应关系。
第三处理子模块32,用于建立所述第一数据和所述第二数据与所述疲劳程度之间的对应关系数据并构成训练集。在本实施例中,通过进行多人多次重复实验,将实验数据连同标签一起构成所述训练集。
第一支持向量机子模块33,用于通过将所述训练集输入第一支持向量机,得到所述第一支持向量机关于人体皮肤电与疲劳程度之间的模型参数,通过所述模型参数分析判断人体疲劳程度。在本实施例中,将所述训练集送入所述第一支持向量机分类器进行参数训练用以训练得到分类器模型参数。优选地,本实施例使用LIBSVM进行训练,所以得到的模型参数被自动存储为train.scale.model文件,该文件包含利用LIBSVM进行未知数据标签判断所需要的参数:nr_class代表训练样本集包含的类别个数,rho是判决函数的常数项b,nr_sv是各个类中落在边界上的向量个数,obj是对SVM问题的优化目标函数的值,nSV是支持向量的个数,nBSV是边界支持向量的个数。得到所述第一支持向量机关于人体皮肤电与疲劳程度之间的所述模型参数后,通过所述模型参数即可对新采集的数据进行分析,从而判断人体疲劳程度。
进一步地,所述通过所述模型参数分析判断人体疲劳程度包括:采集皮肤电数据并根据所述皮肤电数据获取皮肤电导水平的平均幅值和近似熵;对皮肤电导水平的所述平均幅值进行归一化处理获得第三数据,对皮肤电导水平的所述近似熵进行归一化处理获得第四数据;将归一化处理之后的所述第三数据和所述第四数据送入所述LIBSVM,所述LIBSVM即可根据之前训练集训练得到的模型参数,进行疲劳程度标签的判断。
在另外一些实施例中,如图10所示,所述数据分析模块30包括:第二支持向量机子模块301,用于接收归一化处理后的所述第一数据和所述第二数据,根据第一支持向量机已建立的人体皮肤电与疲劳程度之间模型参数,分析判断人体疲劳程度。在本领域技术人员可以理解的情况下,本实施例中的所述第二支持向量机的模型参数包括但不限于根据第一支持向量机建立的人体皮肤电与疲劳程度之间的模型参数。在本实施例中,所述第一数据和所述第二数据不包含人体疲劳程度数据,通过使用已包含人体皮肤电与疲劳程度之间模型参数的所述第二支持向量机子模块301,从而能够稳定准确的判断人体的疲劳程度。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人体皮肤电的疲劳分析方法,其特征在于,包括:
采集皮肤电数据并根据所述皮肤电数据获取皮肤电导水平的平均幅值和近似熵;
对皮肤电导水平的所述平均幅值进行归一化处理获得第一数据,对皮肤电导水平的所述近似熵进行归一化处理获得第二数据;
通过归一化处理后的所述第一数据和所述第二数据对人体疲劳进行分析。
2.如权利要求1所述的基于人体皮肤电的疲劳分析方法,其特征在于,所述采集皮肤电数据并根据所述皮肤电数据获取皮肤电导水平的平均幅值和近似熵包括:
通过测量皮肤两部位之间的阻抗采集皮肤电数据;
通过选取时间t内的皮肤电导水平获取皮肤电导水平的平均幅值;
通过皮肤电导水平的时间序列获取皮肤电导水平的近似熵。
3.如权利要求1所述的基于人体皮肤电的疲劳分析方法,其特征在于,所述通过将皮肤电导水平的所述平均幅值进行归一化处理获取第一数据,通过将皮肤电导水平的所述近似熵进行归一化处理获取第二数据;包括:
通过将皮肤电导水平的所述平均幅值除以所述幅值的最大值获取第一数据;
通过将皮肤电导水平的所述近似熵除以所述近似熵的最大值获取第二数据。
4.如权利要求1所述的基于人体皮肤电的疲劳分析方法,其特征在于,通过归一化处理后的所述第一数据和所述第二数据对人体疲劳进行分析包括:
记录获取所述第一数据和所述第二数据时的人体疲劳程度;
建立所述第一数据和所述第二数据与所述疲劳程度之间的对应关系数据并构成训练集;
通过将所述训练集输入第一支持向量机,得到所述第一支持向量机关于人体皮肤电与疲劳程度之间的模型参数,通过所述模型参数分析判断人体疲劳程度。
5.如权利要求1所述的基于人体皮肤电的疲劳分析方法,其特征在于,通过归一化处理后的所述第一数据和所述第二数据对人体疲劳进行分析包括:
将归一化处理后的所述第一数据和所述第二数据输入已建立人体皮肤电与疲劳程度之间模型参数的第二支持向量机,所述模型参数通过第一支持向量机建立;
根据所述模型参数分析判断人体疲劳程度。
6.一种基于人体皮肤电的疲劳分析系统,其特征在于,包括:
数据采集模块,用于采集皮肤电数据并根据所述皮肤电数据获取皮肤电导水平的平均幅值和近似熵;
数据处理模块,用于对皮肤电导水平的所述平均幅值进行归一化处理获得第一数据,对皮肤电导水平的所述近似熵进行归一化处理获得第二数据;
数据分析模块,用于通过归一化处理后的所述第一数据和所述第二数据对人体疲劳进行分析。
7.如权利要求6所述的基于人体皮肤电的疲劳分析系统,其特征在于,所述数据采集模块包括:
测量子模块,用于通过测量皮肤两部位之间的阻抗采集皮肤电数据;
第一获取子模块,用于通过选取时间t内的皮肤电导水平获取皮肤电导水平的平均幅值;
第二获取子模块,用于通过皮肤电导水平的时间序列获取皮肤电导水平的近似熵。
8.如权利要求6所述的基于人体皮肤电的疲劳分析系统,其特征在于,所述数据处理模块包括:
第一处理子模块,用于通过将皮肤电导水平的所述平均幅值除以所述幅值的最大值获取第一数据;
第二处理子模块,用于通过将皮肤电导水平的所述近似熵除以所述近似熵的最大值获取第二数据。
9.如权利要求6所述的基于人体皮肤电的疲劳分析系统,其特征在于,所述数据分析模块包括:
记录子模块,用于记录获取所述第一数据和所述第二数据时的人体疲劳程度;
第三处理子模块,用于建立所述第一数据和所述第二数据与所述疲劳程度之间的对应关系数据并构成训练集;
第一支持向量机子模块,用于通过将所述训练集输入第一支持向量机,得到所述第一支持向量机关于人体皮肤电与疲劳程度之间的模型参数,通过所述模型参数分析判断人体疲劳程度。
10.如权利要求6所述的基于人体皮肤电的疲劳分析系统,其特征在于,所述数据分析模块包括:
第二支持向量机子模块,用于接收归一化处理后的所述第一数据和所述第二数据,根据第一支持向量机已建立的人体皮肤电与疲劳程度之间模型参数,分析判断人体疲劳程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611106819.1A CN106725537A (zh) | 2016-12-06 | 2016-12-06 | 基于人体皮肤电的疲劳分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611106819.1A CN106725537A (zh) | 2016-12-06 | 2016-12-06 | 基于人体皮肤电的疲劳分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106725537A true CN106725537A (zh) | 2017-05-31 |
Family
ID=58874236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611106819.1A Pending CN106725537A (zh) | 2016-12-06 | 2016-12-06 | 基于人体皮肤电的疲劳分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106725537A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019007369A1 (zh) * | 2017-07-06 | 2019-01-10 | 新华网股份有限公司 | 人体疲劳值的获取方法及装置 |
CN109805896A (zh) * | 2019-03-11 | 2019-05-28 | 陕西师范大学 | 一种基于介电常数的肌肉疲劳便携检测装置 |
CN109985301A (zh) * | 2017-12-29 | 2019-07-09 | 新华网股份有限公司 | 降低疲劳的处理方法和装置 |
CN109984761A (zh) * | 2017-12-29 | 2019-07-09 | 新华网股份有限公司 | 疲劳信息的显示方法及装置 |
CN110833411A (zh) * | 2019-11-14 | 2020-02-25 | 南京医科大学 | 一种基于电阻抗的疲劳程度评估系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1985000785A1 (en) * | 1983-08-18 | 1985-02-28 | Swyer Gerald Isaac M | Monitoring attention |
CN2817729Y (zh) * | 2005-06-03 | 2006-09-20 | 北京九之源科技发展有限公司 | 疲劳预警器 |
CN103006212A (zh) * | 2013-01-15 | 2013-04-03 | 中国医学科学院生物医学工程研究所 | 近似熵分析诱发肌电m波评价电刺激致肌疲劳的方法 |
CN106073806A (zh) * | 2016-06-01 | 2016-11-09 | 深圳市宏电技术股份有限公司 | 一种用于穿戴式设备的疲劳检测方法、装置及穿戴式设备 |
-
2016
- 2016-12-06 CN CN201611106819.1A patent/CN106725537A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1985000785A1 (en) * | 1983-08-18 | 1985-02-28 | Swyer Gerald Isaac M | Monitoring attention |
CN2817729Y (zh) * | 2005-06-03 | 2006-09-20 | 北京九之源科技发展有限公司 | 疲劳预警器 |
CN103006212A (zh) * | 2013-01-15 | 2013-04-03 | 中国医学科学院生物医学工程研究所 | 近似熵分析诱发肌电m波评价电刺激致肌疲劳的方法 |
CN106073806A (zh) * | 2016-06-01 | 2016-11-09 | 深圳市宏电技术股份有限公司 | 一种用于穿戴式设备的疲劳检测方法、装置及穿戴式设备 |
Non-Patent Citations (3)
Title |
---|
MAHESH M.BUNDELE ET AL: "An SVM Classifier for Fatigue-Detection using Skin Conductance for Use in the BITS-Lifeguard Wearable Computing System", 《2009 SECOND INTERNATIONAL CONFERENCE ON EMERGING TRENDS IN ENGINEERING AND TECHNOLOGY》 * |
MANISH KUMAR SHARMA ET AL: "Design & Analysis of Performance of K-Means Algorithm for Cognitive Fatigue Detection in Vehicular Drivers using Skin Conductance Signal", 《2015 2ND INTERNATIONAL CONFERENCE ON COMPUTING FOR SUSTAINABLE GLOBAL DEVELOPMENT(INDIACOM)》 * |
程静 等: "基于皮肤电导的非线性情感特征提取研究", 《西南大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019007369A1 (zh) * | 2017-07-06 | 2019-01-10 | 新华网股份有限公司 | 人体疲劳值的获取方法及装置 |
CN109199409A (zh) * | 2017-07-06 | 2019-01-15 | 新华网股份有限公司 | 人体疲劳值的获取方法及装置 |
JP2020527433A (ja) * | 2017-07-06 | 2020-09-10 | シンホワネット カンパニー リミテッド | 人体疲労値の取得方法及び装置 |
CN109199409B (zh) * | 2017-07-06 | 2021-06-29 | 新华网股份有限公司 | 人体疲劳值的获取方法及装置 |
CN109985301A (zh) * | 2017-12-29 | 2019-07-09 | 新华网股份有限公司 | 降低疲劳的处理方法和装置 |
CN109984761A (zh) * | 2017-12-29 | 2019-07-09 | 新华网股份有限公司 | 疲劳信息的显示方法及装置 |
CN109805896A (zh) * | 2019-03-11 | 2019-05-28 | 陕西师范大学 | 一种基于介电常数的肌肉疲劳便携检测装置 |
CN109805896B (zh) * | 2019-03-11 | 2021-05-07 | 陕西师范大学 | 一种基于介电常数的肌肉疲劳便携检测装置 |
CN110833411A (zh) * | 2019-11-14 | 2020-02-25 | 南京医科大学 | 一种基于电阻抗的疲劳程度评估系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106725537A (zh) | 基于人体皮肤电的疲劳分析方法及系统 | |
CN106919956A (zh) | 基于随机森林的脑电波年龄预测系统 | |
CN107536617A (zh) | 基于驾驶员的生物识别信号检测驾驶员状态的装置和方法 | |
Hasanbasic et al. | Recognition of stress levels among students with wearable sensors | |
Dinning et al. | Real-time classification of multiunit neural signals using reduced feature sets | |
CN110522463B (zh) | 一种基于脑功能连接分析的抑郁症辅助诊断系统 | |
CN102508545A (zh) | 一种视觉P300-Speller脑-机接口方法 | |
CN114246589A (zh) | 记忆认知能力测评方法及系统 | |
CN105700687B (zh) | 基于folding HDCA算法的单试次脑电P300成分检测方法 | |
RU2016117598A (ru) | Устройство и способ оценки многоканальных электрокардиографических сигналов | |
CN109091142B (zh) | 一种检测肌肉内源性疲劳度的方法、装置及存储介质 | |
Hussain et al. | Classification of normal and pathological heart signal variability using machine learning techniques | |
Müller et al. | Incremental SSVEP analysis for BCI implementation | |
Akhonda et al. | Stress detection of computer user in office like working environment using neural network | |
CN106598223A (zh) | 一种基于情绪识别的虚拟环境渲染方法和装置 | |
CN102521206A (zh) | 基于集成学习思想的svm-rfe导联优化方法 | |
KR101768106B1 (ko) | 뇌-컴퓨터 인터페이스 기반 문자 입력 장치 및 방법 | |
Hossain et al. | Cognitive load measurement using galvanic skin response for listening tasks | |
CN109044276A (zh) | 一种检测肌肉内源性疲劳度的方法、装置及存储介质 | |
CN112741623B (zh) | 一种基于心电的糖化血红蛋白检测系统和方法 | |
CN115691801A (zh) | 一种用于可穿戴设备的健康评估方法及系统 | |
CN112438741B (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及系统 | |
US11950919B2 (en) | System for real-time measurement of the activity of a cognitive function and method for calibrating such a system | |
CN107194162A (zh) | 一种生命特征数据的运动负荷风险评估系统及评估方法 | |
CN112515688A (zh) | 专注力自动侦测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190116 Address after: 518052 Pearl Road Innovation Technology Park, Pearl Community, Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province, 1 building, 3 rooms 301/303 Applicant after: Shenzhen Ou Demeng Science and Technology Ltd. Address before: CB108-059, ground floor, No. 8 Courtyard, No. 1 Zhongguancun East Road, Haidian District, Beijing, 100000 Applicant before: Beijing houdremont Technology Co. Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |