CN109199409B - 人体疲劳值的获取方法及装置 - Google Patents

人体疲劳值的获取方法及装置 Download PDF

Info

Publication number
CN109199409B
CN109199409B CN201710547535.4A CN201710547535A CN109199409B CN 109199409 B CN109199409 B CN 109199409B CN 201710547535 A CN201710547535 A CN 201710547535A CN 109199409 B CN109199409 B CN 109199409B
Authority
CN
China
Prior art keywords
skin resistance
tester
resistance signal
fatigue
fatigue value
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.)
Active
Application number
CN201710547535.4A
Other languages
English (en)
Other versions
CN109199409A (zh
Inventor
朱昕彤
王勇
王曦光
王晨
王真峥
鞠靖
杨育松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinhua Net Co ltd
Original Assignee
Xinhua Net Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinhua Net Co ltd filed Critical Xinhua Net Co ltd
Priority to CN201710547535.4A priority Critical patent/CN109199409B/zh
Priority to JP2020522776A priority patent/JP6915161B2/ja
Priority to PCT/CN2018/094508 priority patent/WO2019007369A1/zh
Publication of CN109199409A publication Critical patent/CN109199409A/zh
Application granted granted Critical
Publication of CN109199409B publication Critical patent/CN109199409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • A61B5/72—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

Abstract

本申请公开了一种人体疲劳值的获取方法及装置。该方法包括：采集测试者的皮肤电阻信号；对采集到的皮肤电阻信号进行低通滤波，得到滤波后的皮肤电阻信号；对滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号；从求导处理后的皮肤电阻信号中截取符合预设条件的信号，得到目标皮肤电阻信号；对目标皮肤电阻信号进行滑动平均处理，得到滑动平均处理后的目标皮肤电阻信号；根据滑动平均处理后的目标皮肤电阻信号获取测试者的疲劳值，其中，测试者的疲劳值用于反映测试者的疲劳程度。通过本申请，解决了相关技术中难以根据测试者的皮肤电阻获取测试者的疲劳值的问题。

Description

人体疲劳值的获取方法及装置
技术领域
本申请涉及测试技术领域，具体而言，涉及一种人体疲劳值的获取方法及装置。
背景技术
生物电，是生物的器官、组织和细胞在生命活动过程中发生的电位和极性变化。它是生命活动过程中的一类物理、物理-化学变化，是正常生理活动的表现，也是生物活组织的一个基本特征。生物在感受到外界刺激以及情绪激动时，其皮肤电阻由于两点之间的电位差增大，导致其皮肤两点之间的电阻变小，这种现象称之为生理电反射。现有技术中对情绪和皮肤电阻之间关系的分析，通常是以电阻大小的变化来区分测试者的情绪是处在平静还是兴奋状态。然而难以根据测试者的皮肤电阻获取测试者的疲劳度。
针对相关技术中难以根据测试者的皮肤电阻获取测试者的疲劳值的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种人体疲劳值的获取方法及装置，以解决相关技术中难以根据测试者的皮肤电阻获取测试者的疲劳值的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种人体疲劳值的获取方法。该方法包括：采集测试者的皮肤电阻信号；对采集到的皮肤电阻信号进行低通滤波，得到滤波后的皮肤电阻信号；对所述滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号；从所述求导处理后的皮肤电阻信号中截取符合预设条件的信号，得到目标皮肤电阻信号；对所述目标皮肤电阻信号进行滑动平均处理，得到滑动平均处理后的目标皮肤电阻信号；根据滑动平均处理后的目标皮肤电阻信号获取所述测试者的疲劳值，其中，所述测试者的疲劳值用于反映所述测试者的疲劳程度。
进一步地，根据滑动平均处理后的目标皮肤电阻信号获取所述测试者的疲劳值包括：对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号；根据归一化后的目标皮肤电阻信号获取所述测试者的疲劳值。
进一步地，根据归一化后的目标皮肤电阻信号获取所述测试者的疲劳值之后，所述方法还包括：对所述测试者的疲劳值进行分析；基于对所述测试者的疲劳值的分析结果，生成所述测试者的分析结果生成所述测试者的疲劳值报告。
进一步地，对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号还包括：采用支持向量机分类器对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号。
进一步地，对所述滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号包括：对所述滤波后的皮肤电阻信号进行模数转换，得到皮肤电阻的数字信号；对所述皮肤电阻的数字信号进行求导处理，得到求导处理后的皮肤电阻信号。
进一步地，根据归一化后的目标皮肤电阻信号获取所述测试者的疲劳值包括：通过所述测试者疲劳分析模型获取所述归一化后的目标皮肤电阻信号对应测试者的疲劳值，其中，所述测试者疲劳分析模型为预先对多个测试者的疲劳值进行学习训练后建立的模型。
进一步地，根据归一化后的目标皮肤电阻信号获取所述测试者的疲劳值之后，所述方法还包括：判断所述测试者的疲劳值是否大于预设数值；若判断所述测试者的疲劳值大于预设数值，确定所述测试者处于疲劳期；确定所述测试者的疲劳值所属的疲劳等级，其中，所述疲劳等级包括：轻度疲劳和重度疲劳。
为了实现上述目的，根据本申请的另一方面，提供了一种人体疲劳值的获取装置。该装置包括：采集单元，用于采集测试者的皮肤电阻信号；滤波单元，用于对采集到的皮肤电阻信号进行低通滤波，得到滤波后的皮肤电阻信号；第一处理单元，用于对所述滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号；第二处理单元，用于从所述求导处理后的皮肤电阻信号中截取符合预设条件的信号，得到目标皮肤电阻信号；第三处理单元，用于对所述目标皮肤电阻信号进行滑动平均处理，得到滑动平均处理后的目标皮肤电阻信号；获取单元，用于根据滑动平均处理后的目标皮肤电阻信号获取所述测试者的疲劳值，其中，所述测试者的疲劳值用于反映所述测试者的疲劳程度。
进一步地，所述获取单元包括：处理模块，用于对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号；获取模块，用于根据归一化后的目标皮肤电阻信号获取所述测试者的疲劳值。
为了实现上述目的，根据本申请的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任意一项所述的人体疲劳值的获取方法。
为了实现上述目的，根据本申请的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的人体疲劳值的获取方法。
通过本申请，采用以下步骤：采集测试者的皮肤电阻信号；对采集到的皮肤电阻信号进行低通滤波，得到滤波后的皮肤电阻信号；对滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号；从求导处理后的皮肤电阻信号中截取符合预设条件的信号，得到目标皮肤电阻信号；对目标皮肤电阻信号进行滑动平均处理，得到滑动平均处理后的目标皮肤电阻信号；根据滑动平均处理后的目标皮肤电阻信号获取测试者的疲劳值，其中，测试者的疲劳值用于反映测试者的疲劳程度。通过本申请，解决了相关技术中难以根据测试者的皮肤电阻获取测试者的疲劳值的问题。通过采集测试者的皮肤电阻信号、然后经过滤波、求导、截取、滑动平均处理后获取到测试者的疲劳值，进而达到了能够根据测试者的皮肤电阻获取到测试者的疲劳度的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的人体疲劳值的获取方法的流程图；
图2是根据本申请实施例提供的人体疲劳值的获取方法中支持向量机分类器的示意图；以及
图3是根据本申请实施例提供的人体疲劳值的获取装置的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请的实施例，提供了一种人体疲劳值的获取方法。
图1是根据本申请实施例的人体疲劳值的获取方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，采集测试者的皮肤电阻信号。
步骤S102，对采集到的皮肤电阻信号进行低通滤波，得到滤波后的皮肤电阻信号。
步骤S103，对滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号。
步骤S104，从求导处理后的皮肤电阻信号中截取符合预设条件的信号，得到目标皮肤电阻信号。
步骤S105，对目标皮肤电阻信号进行滑动平均处理，得到滑动平均处理后的目标皮肤电阻信号。
步骤S106，根据滑动平均处理后的目标皮肤电阻信号获取测试者的疲劳值，其中，测试者的疲劳值用于反映测试者的疲劳程度。
本申请实施例提供的人体疲劳值的获取方法，通过采集测试者的皮肤电阻信号；对采集到的皮肤电阻信号进行低通滤波，得到滤波后的皮肤电阻信号；对滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号；从求导处理后的皮肤电阻信号中截取符合预设条件的信号，得到目标皮肤电阻信号；对目标皮肤电阻信号进行滑动平均处理，得到滑动平均处理后的目标皮肤电阻信号；根据滑动平均处理后的目标皮肤电阻信号获取测试者的疲劳值，其中，测试者的疲劳值用于反映测试者的疲劳程度。通过本申请，解决了相关技术中难以根据测试者的皮肤电阻获取测试者的疲劳值的问题。通过采集测试者的皮肤电阻信号、然后经过滤波、求导、截取、滑动平均处理后获取到测试者的疲劳值，进而达到了能够根据测试者的皮肤电阻获取到测试者的疲劳度的效果。
可选地，在本申请实施例提供的人体疲劳值的获取方法中，根据滑动平均处理后的目标皮肤电阻信号获取测试者的疲劳值包括：对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号；根据归一化后的目标皮肤电阻信号获取测试者的疲劳值。
为了提升获取测试者的疲劳值的准确性，在本方案中，对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号；根据归一化后的目标皮肤电阻信号获取测试者的疲劳值。需要说明的是，本申请中的归一化处理是把目标皮肤电阻信号经过处理后限制在一定范围内，以便后续根据目标皮肤电阻信号获取测试者的疲劳值数据的方便。
可选地，在本申请实施例提供的人体疲劳值的获取方法中，根据归一化后的目标皮肤电阻信号获取测试者的疲劳值之后，该方法还包括：对测试者的疲劳值进行分析；基于对测试者的疲劳值的分析结果，生成测试者的分析结果生成测试者的疲劳值报告。
通过对测试者的疲劳值进行分析，基于分析结果生成测试者的疲劳值报告，通过疲劳值报告可以直观的反映测试者的疲劳情况、身体情况等等。
可选地，在本申请实施例提供的人体疲劳值的获取方法中，对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号还包括：采用支持向量机分类器对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号。
本申请实施例中的支持向量机分类器其原理的示意图如图2所示。其中○和□分别代表正负样本，如图2中的optimal hyperplane(最优超平面)所示。图2中实心的样本点，分别是正负样本中距离超平面最近的点，图2中两条虚线之间的距离就表征了正负样本之间的距离(gap)。支持向量机就是在保证将样本正确分开的情况下，使得正负样本之间的距离(gap)最大，用数学公式可以描述为：minimize 1/2||w||2subject to yi(wtxi+b)≥1i＝1，2……m。采用上述的支持向量机分类器对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号。
可选地，在本申请实施例提供的人体疲劳值的获取方法中，根据归一化后的目标皮肤电阻信号获取测试者的疲劳值包括：通过测试者疲劳分析模型获取归一化后的目标皮肤电阻信号对应测试者的疲劳值，其中，测试者疲劳分析模型为预先对多个测试者的疲劳值进行学习训练后建立的模型。
通过预先对多个测试者的疲劳值进行学习训练建立疲劳分析模型，基于测试者疲劳分析模型获取皮肤电阻的数字信号对应的测试者的疲劳值，提升了获取测试者的疲劳值的效率，也提升了获取测试者的疲劳值的准确性。
可选地，在本申请实施例提供的人体疲劳值的获取方法中，对滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号包括：对滤波后的皮肤电阻信号进行模数转换，得到皮肤电阻的数字信号；对皮肤电阻的数字信号进行求导处理，得到求导处理后的皮肤电阻信号。
通过上述方案，通过对滤波后的皮肤电阻信号进行模数转换，得到皮肤电阻的数字信号；然后对皮肤电阻的数字信号进行求导处理，从而得到求导处理后的皮肤电阻信号。
可选地，在本申请实施例提供的人体疲劳值的获取方法中，根据归一化后的目标皮肤电阻信号获取测试者的疲劳值之后，该方法还包括：判断测试者的疲劳值是否大于预设数值；若判断测试者的疲劳值大于预设数值，确定测试者处于疲劳期；确定测试者的疲劳值所属的疲劳等级，其中，疲劳等级包括：轻度疲劳和重度疲劳。
例如，疲劳值在60-80范围内疲劳等级为轻度疲劳，疲劳值＞80疲劳等级为重度疲劳。在根据测试者的疲劳值判断出确定测试者处于疲劳期；确定测试者的疲劳值所属的疲劳等级，以便更加准确的反映测试者的疲劳情况、身体情况等等。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种人体疲劳值的获取装置，需要说明的是，本申请实施例的人体疲劳值的获取装置可以用于执行本申请实施例所提供的用于人体疲劳值的获取方法。以下对本申请实施例提供的人体疲劳值的获取装置进行介绍。
图3是根据本申请实施例的人体疲劳值的获取装置的示意图。如图3所示，该装置包括：采集单元10，滤波单元20，第一处理单元30，第二处理单元40、第三处理单元50和获取单元60。
具体地，采集单元10，用于采集测试者的皮肤电阻信号；
滤波单元20，用于对采集到的皮肤电阻信号进行低通滤波，得到滤波后的皮肤电阻信号；
第一处理单元30，用于对滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号；
第二处理单元40，用于从求导处理后的皮肤电阻信号中截取符合预设条件的信号，得到目标皮肤电阻信号；
第三处理单元50，用于对目标皮肤电阻信号进行滑动平均处理，得到滑动平均处理后的目标皮肤电阻信号；
获取单元60，用于根据滑动平均处理后的目标皮肤电阻信号获取测试者的疲劳值，其中，测试者的疲劳值用于反映测试者的疲劳程度。
本申请实施例提供的人体疲劳值的获取装置，通过采集单元10采集测试者的皮肤电阻信号；滤波单元20对采集到的皮肤电阻信号进行低通滤波，得到滤波后的皮肤电阻信号；第一处理单元30对滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号；第二处理单元40从求导处理后的皮肤电阻信号中截取符合预设条件的信号，得到目标皮肤电阻信号；第三处理单元50对目标皮肤电阻信号进行滑动平均处理，得到滑动平均处理后的目标皮肤电阻信号；获取单元根据滑动平均处理后的目标皮肤电阻信号获取测试者的疲劳值，其中，测试者的疲劳值用于反映测试者的疲劳程度，解决了相关技术中难以根据测试者的皮肤电阻获取测试者的疲劳值的问题，通过采集测试者的皮肤电阻信号、然后经过滤波、求导、截取、滑动平均处理后获取到测试者的疲劳值，进而达到了能够根据测试者的皮肤电阻获取到测试者的疲劳度的效果。
可选地，在本申请实施例提供的人体疲劳值的获取装置中，获取单元60还包括：处理模块，用于对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号；获取模块，用于根据归一化后的目标皮肤电阻信号获取测试者的疲劳值。
所述人体疲劳值的获取装置包括处理器和存储器，上述采集单元10，滤波单元20，第一处理单元30，第二处理单元40和第三处理单元50等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来获取人体的疲劳度。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述人体疲劳值的获取方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述人体疲劳值的获取方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：采集测试者的皮肤电阻信号；对采集到的皮肤电阻信号进行低通滤波，得到滤波后的皮肤电阻信号；对滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号；从求导处理后的皮肤电阻信号中截取符合预设条件的信号，得到目标皮肤电阻信号；对目标皮肤电阻信号进行滑动平均处理，得到滑动平均处理后的目标皮肤电阻信号；根据滑动平均处理后的目标皮肤电阻信号获取测试者的疲劳值，其中，测试者的疲劳值用于反映测试者的疲劳程度。
根据滑动平均处理后的目标皮肤电阻信号获取测试者的疲劳值包括：对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号；根据归一化后的目标皮肤电阻信号获取测试者的疲劳值。
根据归一化后的目标皮肤电阻信号获取测试者的疲劳值之后，该方法还包括：对测试者的疲劳值进行分析；基于对测试者的疲劳值的分析结果，生成测试者的分析结果生成测试者的疲劳值报告。
对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号还包括：采用支持向量机分类器对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号。
对滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号包括：对滤波后的皮肤电阻信号进行模数转换，得到皮肤电阻的数字信号；对皮肤电阻的数字信号进行求导处理，得到求导处理后的皮肤电阻信号。
根据归一化后的目标皮肤电阻信号获取测试者的疲劳值包括：通过测试者疲劳分析模型获取归一化后的目标皮肤电阻信号对应测试者的疲劳值，其中，测试者疲劳分析模型为预先对多个测试者的疲劳值进行学习训练后建立的模型。
根据归一化后的目标皮肤电阻信号获取测试者的疲劳值之后，该方法还包括：判断测试者的疲劳值是否大于预设数值；若判断测试者的疲劳值大于预设数值，确定测试者处于疲劳期；确定测试者的疲劳值所属的疲劳等级，其中，疲劳等级包括：轻度疲劳和重度疲劳。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：采集测试者的皮肤电阻信号；对采集到的皮肤电阻信号进行低通滤波，得到滤波后的皮肤电阻信号；对滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号；从求导处理后的皮肤电阻信号中截取符合预设条件的信号，得到目标皮肤电阻信号；对目标皮肤电阻信号进行滑动平均处理，得到滑动平均处理后的目标皮肤电阻信号；根据滑动平均处理后的目标皮肤电阻信号获取测试者的疲劳值，其中，测试者的疲劳值用于反映测试者的疲劳程度。
根据滑动平均处理后的目标皮肤电阻信号获取测试者的疲劳值包括：对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号；根据归一化后的目标皮肤电阻信号获取测试者的疲劳值。
根据归一化后的目标皮肤电阻信号获取测试者的疲劳值之后，该方法还包括：对测试者的疲劳值进行分析；基于对测试者的疲劳值的分析结果，生成测试者的分析结果生成测试者的疲劳值报告。
对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号还包括：采用支持向量机分类器对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号。
对滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号包括：对滤波后的皮肤电阻信号进行模数转换，得到皮肤电阻的数字信号；对皮肤电阻的数字信号进行求导处理，得到求导处理后的皮肤电阻信号。
根据归一化后的目标皮肤电阻信号获取测试者的疲劳值包括：通过测试者疲劳分析模型获取归一化后的目标皮肤电阻信号对应测试者的疲劳值，其中，测试者疲劳分析模型为预先对多个测试者的疲劳值进行学习训练后建立的模型。
根据归一化后的目标皮肤电阻信号获取测试者的疲劳值之后，该方法还包括：判断测试者的疲劳值是否大于预设数值；若判断测试者的疲劳值大于预设数值，确定测试者处于疲劳期；确定测试者的疲劳值所属的疲劳等级，其中，疲劳等级包括：轻度疲劳和重度疲劳。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (6)

1.一种人体疲劳值的获取方法，其特征在于，包括：
采集测试者的皮肤电阻信号；
对采集到的皮肤电阻信号进行低通滤波，得到滤波后的皮肤电阻信号；
对所述滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号；
从所述求导处理后的皮肤电阻信号中截取符合预设条件的信号，得到目标皮肤电阻信号；
对所述目标皮肤电阻信号进行滑动平均处理，得到滑动平均处理后的目标皮肤电阻信号；
根据滑动平均处理后的目标皮肤电阻信号获取所述测试者的疲劳值，其中，所述测试者的疲劳值用于反映所述测试者的疲劳程度；
其中，根据滑动平均处理后的目标皮肤电阻信号获取所述测试者的疲劳值包括：
对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号；
根据归一化后的目标皮肤电阻信号获取所述测试者的疲劳值；
根据归一化后的目标皮肤电阻信号获取所述测试者的疲劳值之后，所述方法还包括：
对所述测试者的疲劳值进行分析；
基于对所述测试者的疲劳值的分析结果，生成所述测试者的疲劳值报告，其中，所述疲劳值报告用于直观反映测试者的疲劳情况、身体情况；
其中，对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号还包括：
采用支持向量机分类器对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号；
其中，根据归一化后的目标皮肤电阻信号获取所述测试者的疲劳值包括：
通过所述测试者疲劳分析模型获取所述归一化后的目标皮肤电阻信号对应测试者的疲劳值，其中，所述测试者疲劳分析模型为预先对多个测试者的疲劳值进行学习训练后建立的模型。
2.根据权利要求1所述的方法，其特征在于，对所述滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号包括：
对所述滤波后的皮肤电阻信号进行模数转换，得到皮肤电阻的数字信号；
对所述皮肤电阻的数字信号进行求导处理，得到求导处理后的皮肤电阻信号。
3.根据权利要求1所述的方法，其特征在于，根据归一化后的目标皮肤电阻信号获取所述测试者的疲劳值之后，所述方法还包括：
判断所述测试者的疲劳值是否大于预设数值；
若判断所述测试者的疲劳值大于预设数值，确定所述测试者处于疲劳期；
确定所述测试者的疲劳值所属的疲劳等级，其中，所述疲劳等级包括：轻度疲劳和重度疲劳。
4.一种人体疲劳值的获取装置，其特征在于，包括：
采集单元，用于采集测试者的皮肤电阻信号；
滤波单元，用于对采集到的皮肤电阻信号进行低通滤波，得到滤波后的皮肤电阻信号；
第一处理单元，用于对所述滤波后的皮肤电阻信号进行求导处理，得到求导处理后的皮肤电阻信号；
第二处理单元，用于从所述求导处理后的皮肤电阻信号中截取符合预设条件的信号，得到目标皮肤电阻信号；
第三处理单元，用于对所述目标皮肤电阻信号进行滑动平均处理，得到滑动平均处理后的目标皮肤电阻信号；
获取单元，用于根据滑动平均处理后的目标皮肤电阻信号获取所述测试者的疲劳值，其中，所述测试者的疲劳值用于反映所述测试者的疲劳程度；
其中，所述获取单元还包括：处理模块，用于对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号；获取模块，用于根据归一化后的目标皮肤电阻信号获取测试者的疲劳值；
所述装置还用于：根据归一化后的目标皮肤电阻信号获取所述测试者的疲劳值之后，对所述测试者的疲劳值进行分析；基于对所述测试者的疲劳值的分析结果，生成所述测试者的疲劳值报告，其中，所述疲劳值报告用于直观反映测试者的疲劳情况、身体情况；
其中，处理模块还包括：处理子模块，用于采用支持向量机分类器对滑动平均处理后的目标皮肤电阻信号进行归一化处理，得到归一化后的目标皮肤电阻信号；
其中，所述获取模块还包括：通过所述测试者疲劳分析模型获取所述归一化后的目标皮肤电阻信号对应测试者的疲劳值，其中，所述测试者疲劳分析模型为预先对多个测试者的疲劳值进行学习训练后建立的模型。
5.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至3中任意一项所述的人体疲劳值的获取方法。
6.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至3中任意一项所述的人体疲劳值的获取方法。
CN201710547535.4A 2017-07-06 2017-07-06 人体疲劳值的获取方法及装置 Active CN109199409B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710547535.4A CN109199409B (zh) 2017-07-06 2017-07-06 人体疲劳值的获取方法及装置
JP2020522776A JP6915161B2 (ja) 2017-07-06 2018-07-04 人体疲労値の取得方法及び装置
PCT/CN2018/094508 WO2019007369A1 (zh) 2017-07-06 2018-07-04 人体疲劳值的获取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710547535.4A CN109199409B (zh) 2017-07-06 2017-07-06 人体疲劳值的获取方法及装置

Publications (2)

Publication Number Publication Date
CN109199409A CN109199409A (zh) 2019-01-15
CN109199409B true CN109199409B (zh) 2021-06-29

Family

ID=64949741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710547535.4A Active CN109199409B (zh) 2017-07-06 2017-07-06 人体疲劳值的获取方法及装置

Country Status (3)

Country Link
JP (1) JP6915161B2 (zh)
CN (1) CN109199409B (zh)
WO (1) WO2019007369A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110085335B (zh) * 2019-05-14 2022-03-08 广西防城港核电有限公司 安全壳泄漏率在线监测信号处理方法
CN113855505A (zh) * 2021-10-13 2021-12-31 青岛海尔空调器有限总公司 用于缓解用户疲劳的方法及装置、按摩设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204207728U (zh) * 2014-08-14 2015-03-18 绍兴县中国轻纺城纽妃诗服装服饰有限公司 一种可监测人体健康状况的服装
CN105212949A (zh) * 2015-08-25 2016-01-06 西南大学 一种使用皮肤电信号进行文化体验情感识别的方法
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
CN106725537A (zh) * 2016-12-06 2017-05-31 北京欧德蒙科技有限公司 基于人体皮肤电的疲劳分析方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040032451A (ko) * 2002-10-09 2004-04-17 삼성전자주식회사 생체신호 기반의 건강 관리 기능을 갖는 모바일 기기 및이를 이용한 건강 관리 방법
ES2562933T3 (es) * 2002-10-09 2016-03-09 Bodymedia, Inc. Aparato para detectar, recibir, obtener y presentar información fisiológica y contextual humana
CN100476894C (zh) * 2007-09-26 2009-04-08 曹明礼 汽车疲劳驾驶报警方法
JP5665241B2 (ja) * 2012-03-21 2015-02-04 パナソニックＩｐマネジメント株式会社 眼球疲労判定装置およびその作動方法
CN104044460A (zh) * 2014-03-20 2014-09-17 徐健 一种机动车防疲劳驾驶的报警方法及装置
US10524727B2 (en) * 2014-06-12 2020-01-07 Koninklijke Philips N.V. Circadian phase detection system
CN104720787A (zh) * 2015-04-01 2015-06-24 深圳柔微传感科技有限公司 一种实现疲劳实时监测的方法和智能服装

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204207728U (zh) * 2014-08-14 2015-03-18 绍兴县中国轻纺城纽妃诗服装服饰有限公司 一种可监测人体健康状况的服装
CN105212949A (zh) * 2015-08-25 2016-01-06 西南大学 一种使用皮肤电信号进行文化体验情感识别的方法
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
CN106725537A (zh) * 2016-12-06 2017-05-31 北京欧德蒙科技有限公司 基于人体皮肤电的疲劳分析方法及系统

Also Published As

Publication number Publication date
JP2020527433A (ja) 2020-09-10
WO2019007369A1 (zh) 2019-01-10
JP6915161B2 (ja) 2021-08-04
CN109199409A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
Yasoda et al. Automatic detection and classification of EEG artifacts using fuzzy kernel SVM and wavelet ICA (WICA)
Laitala et al. Robust ECG R-peak detection using LSTM
Ringach et al. Suppression of neural responses to nonoptimal stimuli correlates with tuning selectivity in macaque V1
Serences et al. Computational advances towards linking BOLD and behavior
Boashash et al. Time-frequency processing of nonstationary signals: Advanced TFD design to aid diagnosis with highlights from medical applications
US20210267541A1 (en) Pain measurement device and pain measurement system
US20170065229A1 (en) Neural oscillation monitoring system
CN109199409B (zh) 人体疲劳值的获取方法及装置
Ullo et al. Functional connectivity estimation over large networks at cellular resolution based on electrophysiological recordings and structural prior
Hesse et al. Consistency of border-ownership cells across artificial stimuli, natural stimuli, and stimuli with ambiguous contours
Becker et al. How to predict mood? delving into features of smartphone-based data
Karpov et al. Extreme value theory inspires explainable machine learning approach for seizure detection
US11596344B2 (en) Deep neural network on ECG Poincare plot for atrial fibrillation classification
Pander et al. An automatic saccadic eye movement detection in an optokinetic nystagmus signal
Garg et al. EEG spike detection technique using output correlation method: A Kalman filtering approach
Ahmadi et al. Inferring entire spiking activity from local field potentials
Yedukondalu et al. Cognitive load detection using Binary salp swarm algorithm for feature selection
US10799139B2 (en) Method and system for EEG signal processing
Uchaipichat et al. Development of QRS detection using short-time fourier transform based technique
Waqar et al. Towards classifying epileptic seizures using entropy variants
Parshionikar et al. Skin cancer detection and severity prediction using computer vision and deep learning
Wang et al. Revealing the temporal dynamics in non-invasive electrophysiological recordings with topography-based analyses
Somasundaram et al. Diagnosing and ranking retinopathy disease level using diabetic fundus image recuperation approach
Heller et al. Selective effects of arousal on population coding of natural sounds in auditory cortex
Kuronen et al. Point process models for sweat gland activation observed with noise

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
GR01 Patent grant
GR01 Patent grant