CN110151166A - 一种基于双模态生物电信号与生理数据的疲劳度评估系统及评估方法 - Google Patents

一种基于双模态生物电信号与生理数据的疲劳度评估系统及评估方法 Download PDF

Info

Publication number
CN110151166A
CN110151166A CN201910375153.7A CN201910375153A CN110151166A CN 110151166 A CN110151166 A CN 110151166A CN 201910375153 A CN201910375153 A CN 201910375153A CN 110151166 A CN110151166 A CN 110151166A
Authority
CN
China
Prior art keywords
fatigue
degree
subsystem
duty
days
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.)
Granted
Application number
CN201910375153.7A
Other languages
English (en)
Other versions
CN110151166B (zh
Inventor
谢科
李婷婷
易侃
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.)
CETC 28 Research Institute
Original Assignee
CETC 28 Research Institute
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 CETC 28 Research Institute filed Critical CETC 28 Research Institute
Priority to CN201910375153.7A priority Critical patent/CN110151166B/zh
Publication of CN110151166A publication Critical patent/CN110151166A/zh
Application granted granted Critical
Publication of CN110151166B publication Critical patent/CN110151166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1103—Detecting eye twinkling
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1114—Tracking parts 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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Ophthalmology & Optometry (AREA)
  • Cardiology (AREA)
  • Psychology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于双模态生物电信号与生理数据的疲劳度评估系统及评估方法，该系统包括生物电信号分系统、生理数据分系统和综合分析与管理分系统，其中生物信号分系统用于测量脑电和心电双模态的生物电信号，生理数据分系统用于测量睡眠情况、眨眼频率、闭眼百分比、哈欠频率、点头频率、睡眠时长、睡眠质量和体重压力分布生理表现数据信息，综合分析与管理分系统通过双模态的生物电信号与生理表现数据对不同原因引起的疲劳程度进行综合评估。本发明有利于精确、动态地评估值班人员的疲劳程度，从而科学地指导其轮岗排班时间表的制定，优化值班效率。

Description

一种基于双模态生物电信号与生理数据的疲劳度评估系统及 评估方法
技术领域
本发明涉及一种人体的疲劳程度评估系统及评估方法，特别是一种基于生物电信号和生理表现数据的疲劳程度综合评估系统及评估方法。
背景技术
当今各行各业需要持续值班的重要岗位增多，如空管、电力等行业均需要相当数量的人员进行轮岗值班，一旦人员过度疲劳，精神状态不足以履行值班任务时，可能会发生误操作，因此需要对人员的疲劳程度进行及时的评估并告警。诱发疲劳的原因很多，通常认为有睡眠缺乏、时差、生物钟紊乱、高强度体力活动、精神压力等因素的单独及综合作用，由于成因复杂，疲劳程度往往难以直接定量测量，通常需要通过各项生理指标及生理表现进行间接的预测或评判。
现有的疲劳程度评估设备及系统通常以疲劳驾驶为典型应用场景，存在应用场景单一、评估手段单一、考虑疲劳诱发因素单一的问题，还不能适应不同的使用场景。随着行业的进步和需求，不同岗位的工作人员会需要疲劳程度评估系统，以科学地指导其轮岗排班时间表的制定，优化值班效率。
发明内容
发明目的：本发明所要解决的技术问题是针对现有疲劳评估系统的不足，提供一种基于双模态生物电信号与生理数据的疲劳度评估系统及评估方法。
技术方案：为实现上述发明目的，本发明采用以下技术方案：
一种基于双模态生物电信号与生理数据的疲劳度评估系统，该系统包括生物电信号分系统、生理数据分系统和综合分析与管理分系统，其中生物信号分系统用于测量脑电和心电双模态的生物电信号，生理数据分系统用于测量睡眠情况、眨眼频率、闭眼百分比、哈欠频率、点头频率、睡眠时长、睡眠质量和体重压力分布生理表现数据信息，综合分析与管理分系统通过双模态的生物电信号与生理表现数据对不同原因引起的疲劳程度进行综合评估。
可选的，所述生物电信号分系统包括用于测量脑电信号的脑电子系统和测量心电信号的心电子系统。
可选的，所述生理数据分系统包括测量眨眼频率和闭眼百分比的眼部动作子系统，测量哈欠频率和点头频率的头部动作子系统，测量睡眠时长和睡眠质量的睡眠子系统和测量体重压力分布的坐姿子系统。
可选的，所述综合分析与管理分系统包括数据分析处理平台、管理终端和反馈干预子系统，其中，数据分析处理平台进行疲劳度评估并根据疲劳度的计算结果对人员的生理周期节律进行数据库管理，管理终端为进行评估结果的可视化显示并提供人机交互的渠道；反馈干预子系统进行振动、闪光形式的干预，或由系统建议人工干预。
本发明还提供了一种基于双模态生物电信号与生理数据的疲劳度评估方法，包括以下步骤：
(1)通过管理终端登录系统，将开始值班时间、D-d日的睡前疲劳程度EFLD-d输入至数据分析处理平台；
(2)通过数据分析处理平台的疲劳度评估模型，计算出休息后的D日初始疲劳程度SFLD，并对D日初始疲劳程度SFLD数据进行处理；
(3)以一定的周期T定时测量D日t时刻的生物电信号和生理表现数据，作为疲劳程度评估的依据输入至数据分析处理平台，在每个周期内计算出D日t时刻的疲劳程度FLD|t，并对疲劳程度FLD|t进行处理；
(4)通过比较疲劳程度FLD|t与阈值Th的高低判断是否需要干预，若是，则由反馈干预子系统对值班人员进行干预，提醒其保持注意力，防止疲劳程度进一步提高；若否，则进行是否注销结束当日值班的判断。
进一步的，所述步骤(1)包括：
(11)D日开始值班后，通过管理终端进行系统登录，并将开始值班时间记录，传至数据分析处理平台；
(12)更新当天日期，取前一个工作日，即D-d日的数据进行疲劳度评估；
(13)将D-d日最后得到的疲劳程度，即睡前疲劳程度EFLD-d传入数据分析处理平台，作为初始疲劳程度评估的考虑依据。
进一步的，所述步骤(2)包括：
(21)通过睡眠子系统测量D-d日的睡眠时长及睡眠质量SQD-d，并输入数据分析处理平台，作为初始疲劳程度评估的考虑依据；
(22)通过数据分析处理平台的疲劳度评估模型，计算出D-d日的睡前疲劳程度为EFLD-d；
疲劳度评估模型如下：
其中，tss和tse分别是睡眠开始时间和结束时间，K1(t)为t时刻对应的生理节律下，睡眠质量对疲劳程度的恢复模型，暂无解析式，由实验数据配合模型训练反复迭代获得；SQD-d为D-d日的睡眠时间和质量；
D-d日的睡前疲劳程度EFLD-d为：
EFLD-d＝FLD|t·Time(t时刻干预无效或t时刻主动注销)；
然后根据D日夜晚睡眠时长与质量SQD-d，计算出休息后的D日初始疲劳程度SFLD；
(23)将D日的初始疲劳程度SFLD作为继续判断疲劳程度的依据输入至数据分析处理平台的疲劳度评估模型；并将SFLD作为D日疲劳度历史数据存入数据分析处理平台中的生理周期节律数据库。
进一步的，所述步骤(3)包括：
(31)以一定的周期T定时测量D日t时刻的各种生物电信号，通过脑电子系统测量实时的脑电信号EEGt、通过心电子系统测量实时的心电信号ECGt，作为疲劳程度评估的依据；
(32)以一定的周期T定时测量D日t时刻的各种生理表现数据，通过眼部动作子系统测量实时的眨眼频率BlinkFreqt和闭眼百分比PERCLOSt、通过头部动作子系统测量实时的哈欠频率YawnFreqt和点头频率NodeFreqt、通过坐姿子系统测量实时的体重压力分布Wdist，作为疲劳程度评估的依据；
(33)在每个周期内计算出D日t时刻的疲劳程度FLD|t，方法如下：
FLD|t＝Vote(FLD|t·EEG,FLD|t·ECG,FLD|t·BlinkFreq,FLD|t·PERCLOS,FLD|t·YawnFreq,FLD|t·NodeFreq,FLD|t·Wdis,FLD|t·Time)；
其中，FLD|t·EEG、FLD|t·ECG、FLD|t·BlinkFreq、FLD|t·PERCLOS、FLD|t·YawnFreq、FLD|t·NodeFreq、FLD|t·Wdis、FLD|t·Time分别指基于脑电、心电、眨眼频率、闭眼百分比、哈欠频率、点头频率、体重压力分布和疲劳积累模型的实时疲劳值分量；K2(t)为为t时刻对应的生理节律下的疲劳积累模型；TB、TY、TN、TW分别为眨眼频率、哈欠频率、点头频率、体重压力分布用于判断是否疲劳的阈值；Tδ1、Tδ2、Tδ3、TSMR1、TSMR2、TSMR3为脑电信号用于判断是否为严重疲劳、疲劳、轻度疲劳及注意力的阈值；TS1、TS2、TL1、TL2为心电信号用于判断是否为疲劳、轻度疲劳的阈值；TP1、TP2为闭眼百分比用于判断是否为疲劳、轻度疲劳的阈值；TT1、TT2、TT3为疲劳积累模型用于判断是否为严重疲劳、疲劳、轻度疲劳的阈值；
将当前的疲劳程度FLD|t通过管理终端进行实时的更新显示；并将FLD|t作为D日实时疲劳程度的历史数据存入数据分析处理平台中的生理周期节律数据库。
进一步的，所述步骤(4)中对值班人员进行干预包括：
(41)进行振动干预，通过手环震动，给予值班人员提醒，并在5min内通过(33)中测量的FLD|t是否发生明显变化判断振动干预是否有效，若否，则执行步骤(42)；若是，则进行是否注销结束当日值班的判断；
(42)进行闪光干预，通过预置光源对值班人员进行眼部刺激，并在5min内通过(33)中测量的FLD|t是否发生明显变化判断振动干预是否有效，若否，则执行步骤(43)；若是，则进行是否注销结束当日值班的判断；
(43)提请人工干预，由管理人员亲自对值班人员进行提醒，并由管理人员判断系统是否接收人工干预结果，若是，则进行是否注销结束当日值班的判断；若否，则直接结束该人员当天的值班工作，将当时的积累模型疲劳程度FLD|t·Time作为D日的睡前疲劳程度EFLD存入数据分析处理平台中的生理周期节律数据库。
进一步的，所述步骤(4)中是否注销结束当日值班的判断为：
根据值班人员是否注销系统的操作，判断值班是否结束，若是，则将上一个t时刻的积累模型疲劳程度FLD|t·Time作为D日的睡前疲劳程度EFLD存入数据分析处理平台中的生理周期节律数据库，供下一个工作日的疲劳程度分析使用，并结束D日的整个值班流程；若否，结束t时刻的处理，更新时段t＝t+T，进入下一处理周期T，返回步骤(3)循环执行，直至注销结束当日值班为止。
有益效果：与现有技术相比，本发明的显著优点为：(1)考虑因素全面，可以评估的疲劳诱因不止一种，推广了适用的场景、行业和岗位；(2)不仅考虑值班工作时的疲劳度累积，还考虑睡眠休息时的疲劳度恢复，评估结果更为灵活准确；(3)近实时监测评估，能及时发现疲劳问题征兆，避免事故发生。另外，本发明的研究成果有利于精确、动态地评估值班人员的疲劳程度，从而科学地指导其轮岗排班时间表的制定，优化值班效率。
附图说明
图1是本发明评估系统架构图；
图2是本发明评估方法流程图；
图3是张三6月27日晚的睡眠质量图；
图4是张三的睡眠生理节律曲线；
图5是张三的疲劳积累模型曲线。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
本发明提供了一种基于双模态生物电信号与生理数据的疲劳度评估系统及评估方法，通过对值班人员的睡眠情况进行分析，结合前一天睡前的疲劳程度，计算出当天的初始疲劳程度，再根据当天值班过程中实际测量的脑电、心电、肌电、皮电等生物电信号和眨眼频率、闭眼百分比、点头频率、哈欠频率、坐姿等生理表现数据，对不同原因引起的疲劳程度进行综合评估，并在值班人员的疲劳程度不足以支撑值班工作任务时进行及时干预，最后将当天睡前的疲劳程度作为下一天疲劳分析的输入，考虑因素全面，评估结果更为灵活准确，能及时发现疲劳问题征兆，从而避免事故发生。
在重要岗位的值班人员值班时，通过脑电(EEG)、心电(ECG)、肌电(EMG)、皮电(EDA)等双模态的生物电信号及前一天睡眠情况、眨眼频率(BlinkFreq)、闭眼百分比(PERCLOS)、哈欠频率(YawnFreq)、点头频率(NodeFreq)、坐姿等生理表现数据特征处理综合评估人员的疲劳程度。
如图1所示，一种基于双模态生物电信号与生理数据的疲劳度评估系统，包括生物电信号分系统、生理数据分系统、综合分析与管理分系统，其中生物电信号分系统主要分为脑电子系统，用于测量脑电信号；心电子系统，用于测量心电信号；生理数据分系统主要分为眼部动作子系统，用于测量眨眼频率和闭眼百分比；头部动作子系统，用于测量哈欠频率和点头频率；睡眠子系统，用于测量睡眠时长和睡眠质量；以及坐姿子系统，用于测量体重压力分布；综合分析与管理分系统主要分为数据分析处理平台，用于进行疲劳度评估并根据疲劳度的计算结果对人员的生理周期节律进行数据库管理；管理终端为进行评估结果的可视化显示并提供人机交互的渠道；以及反馈干预子系统，用于进行振动、闪光等形式的干预，也可由系统建议人工干预。
评估系统能够通过双模态的生物电信号与生理表现数据对不同原因引起的疲劳程度进行综合评估：睡眠剥夺引起的疲劳、体力劳动引起的疲劳、脑力消耗引起的疲劳、长期单调作业引起的疲劳等，适用于不同的行业及岗位，其评估方法流程如图2所示，包括以下步骤：
(1)通过管理终端登录系统，将开始值班时间、D-1日的睡前疲劳程度输入至数据分析处理平台；
(11)D日开始值班后，通过管理终端进行系统登录，并将开始值班时间记录，传至数据分析处理平台；
(12)更新当天日期，取前一个工作日，即D-d日的数据进行疲劳度评估；
(13)将D-d日最后得到的疲劳程度，即睡前疲劳程度EFLD-d传入数据分析处理平台，作为初始疲劳程度评估的考虑依据。
(2)通过数据分析处理平台的疲劳度评估模型，计算出休息后的D日初始疲劳程度SFLD，并对D日初始疲劳程度SFLD数据进行处理；具体为：
(21)通过睡眠子系统测量D-d日的睡眠时长及质量SQD-d，并输入数据分析处理平台，作为初始疲劳程度评估的考虑依据；
(22)通过数据分析处理平台的疲劳度评估模型，计算出D-d日的睡前疲劳程度为EFLD-d；
疲劳度评估模型为：
其中，tss和tse分别是睡眠开始时间和结束时间，K1(t)为t时刻对应的生理节律下，睡眠质量对疲劳程度的恢复模型，暂无解析式，由实验数据配合模型训练反复迭代获得；SQD-d为D-d日的睡眠时间和质量。
D-d日的睡前疲劳程度EFLD-d为：
EFLD-d＝FLD|t·Time(t时刻干预无效或t时刻主动注销)；
然后根据D日夜晚睡眠时长与质量SQD-d，计算出休息后的D日初始疲劳程度SFLD；休息后的D日初始疲劳程度SFLD；
(23)将D日的初始疲劳程度SFLD作为继续判断疲劳程度的依据输入至数据分析处理平台的疲劳度评估模型；并将SFLD作为D日疲劳度历史数据存入数据分析处理平台中的生理周期节律数据库。
(3)以一定的周期T定时测量D日t时刻的生物电信号和生理表现数据，作为疲劳程度评估的依据输入至数据分析处理平台，在每个周期内计算出D日t时刻的疲劳程度FLD|t，并对疲劳程度FLD|t进行处理；
(31)以一定的周期T定时测量D日t时刻的各种生物电信号，通过脑电子系统测量实时的脑电信号EEGt、通过心电子系统测量实时的心电信号ECGt，作为疲劳程度评估的依据；
(32)以一定的周期T定时测量D日t时刻的各种生理表现数据，通过眼部动作子系统测量实时的眨眼频率BlinkFreqt和闭眼百分比PERCLOSt、通过头部动作子系统测量实时的哈欠频率YawnFreqt和点头频率NodeFreqt、通过坐姿子系统测量实时的体重压力分布Wdist，作为疲劳程度评估的依据；
(33)通过以下方法：
FLD|t＝Vote(FLD|t·EEG,FLD|t·ECG,FLD|t·BlinkFreq,FLD|t·PERCLOS,FLD|t·YawnFreq,FLD|t·NodeFreq,FLD|t·Wdis,FLD|t·Time)；
其中，FLD|t·EEG、FLD|t·ECG、FLD|t·BlinkFreq、FLD|t·PERCLOS、FLD|t·YawnFreq、FLD|t·NodeFreq、FLD|t·Wdis、FLD|t·Time分别指基于脑电、心电、眨眼频率、闭眼百分比、哈欠频率、点头频率、体重压力分布和疲劳积累模型的实时疲劳值分量；K2(t)为为t时刻对应的生理节律下的疲劳积累模型；TB、TY、TN、TW分别为眨眼频率、哈欠频率、点头频率、体重压力分布用于判断是否疲劳的阈值；Tδ1、Tδ2、Tδ3、TSMR1、TSMR2、TSMR3为脑电信号用于判断是否为严重疲劳、疲劳、轻度疲劳及注意力的阈值；TS1、TS2、TL1、TL2为心电信号用于判断是否为疲劳、轻度疲劳的阈值；TP1、TP2为闭眼百分比用于判断是否为疲劳、轻度疲劳的阈值；TT1、TT2、TT3为疲劳积累模型用于判断是否为严重疲劳、疲劳、轻度疲劳的阈值。
Vote为最终判断是否疲劳的投票模型，其中基于疲劳积累模型的结果投票权值为1，其余为2，由于疲劳判断的指标上限不同，因此在评判各级疲劳状态时，不能表征该级疲劳度的指标不参加。投票过程如下：
①按权重对不疲劳(0)进行投票，若投票结果为0，结束；若不为0，进入②；
②按权重对轻度疲劳(0.5)进行投票，该轮过程仅FLD|t·EEG、FLD|t·ECG、FLD|t·PERCLOS及FLD|t·Time参加，若投票结果为0.5，结束；若不为0.5，进入③；
③按权重对严重疲劳(2)进行投票，该轮过程仅FLD|t·EEG及FLD|t·Time参加，若投票结果为2，结束；若不为2则认定投票结果为1，结束。
将当前的疲劳程度FLD|t通过管理终端进行实时的更新显示；并将FLD|t作为D日实时疲劳程度的历史数据存入数据分析处理平台中的生理周期节律数据库。
在每个周期内计算出D日t时刻的疲劳程度FLD|t，并做如下处理：
得到疲劳程度FLD|t后，分三个子步骤：a)判断该等级的疲劳程度是否能够满足值班状态的要求；b)将当前的疲劳程度FLD|t通过管理终端进行实时的更新显示，供管理人员查看；c)将FLD|t作为D日实时疲劳程度的历史数据存入数据分析处理平台中的生理周期节律数据库。
(4)通过由各生物电信号和生理表现数据的阈值及历史疲劳数据组成的投票系统判断t时刻的疲劳程度FLD|t是否能够满足值班状态的要求，即判断疲劳程度FLD|t是否需要干预，若是，则对值班人员进行干预，提醒其保持注意力，防止疲劳程度进一步提高；若否，则进行是否注销结束当日值班的判断。
其中，对值班人员进行干预包括：
(41)进行振动干预，通过手环震动，给予值班人员提醒，并在5min内通过(33)中测量的FLD|t是否发生明显变化判断振动干预是否有效，若否，则执行步骤(42)；若是，则进行是否注销结束当日值班的判断；
(42)进行闪光干预，通过预置光源对值班人员进行眼部刺激，并在5min内通过(33)中测量的FLD|t是否发生明显变化判断振动干预是否有效，若否，则执行步骤(43)；若是，则进行是否注销结束当日值班的判断；
(43)提请人工干预，通过管理终端建议进行人工干预，建议管理人员亲自查看该人员的疲劳程度，判断是否让其继续值班；即判断是否接收人工干预结果，若人工干预有效，则进行是否注销结束当日值班的判断；若人工干预无效，则直接结束该人员当天的值班工作，将当时的积累模型疲劳程度FLD|t·Time作为D日的睡前疲劳程度EFLD存入数据分析处理平台中的生理周期节律数据库。
其中，是否注销结束当日值班的判断为：
根据值班人员是否注销系统的操作，判断值班是否结束，若是，则将上一个t时刻的积累模型疲劳程度FLD|t·Time作为D日的睡前疲劳程度EFLD存入数据分析处理平台中的生理周期节律数据库，供下一个工作日的疲劳程度分析使用，并结束D日的整个值班流程；若否，结束t时刻的处理，更新时段t＝t+T，进入下一处理周期T，返回步骤(3)循环执行，直至注销结束当日值班为止。
下面通过1个实例来说明本发明的基于双模态生物电信号与生理数据的疲劳度评估系统的工作过程。
在详述值班过程和疲劳度评估系统的工作过程前，先介绍疲劳度评定的个指标因素的阈值。脑电、心电、眼部动作、头部动作、坐姿等生理指标与疲劳程度的映射关系大致如表1-表8所示，其中，表1、表2、表4数据来源于公开资料，其他表格数据源于实验积累。
表1脑电与疲劳、注意力等级对应关系表
表2心电与疲劳等级对应关系表
表3眨眼频率与疲劳等级对应关系表
BlinkFreq指标 疲劳评价
BlinkFreq<25次/min 正常
BlinkFreq≥25次/min 疲劳
表4 PERCLOS与疲劳等级对应关系表
PERCLOS指标 疲劳评价
<10％ 正常
10％-40％ 轻度迟钝、嗜睡
>40％ 迟钝、嗜睡
表5哈欠频率与疲劳等级对应关系表
YawnFreq指标 疲劳评价
YawnFreq<2次/min 正常
YawnFreq≥2次/min 疲劳
表6点头频率与疲劳等级对应关系表
NodeFreq指标 疲劳评价
NodeFreq<5次/min 正常
NodeFreq≥5次/min 疲劳、嗜睡
表7坐姿与疲劳等级对应关系表
表8疲劳积累模型值与疲劳等级对应关系表
指标 疲劳评价
模型值<30 正常
30≤模型值<50 轻度疲劳
50≤模型值<70 疲劳
模型值≥70 严重疲劳
假设值班人员张三于2018年6月28日6点整开始值班，至2018年6月28日22时结束值班，且张三的上一个工作日为2018年6月27日，结束时间为19时，其步骤如图2所示。
步骤1：假设张三于28日6点整开始值班后，通过管理终端进行系统登录，并将6点整记录为开始值班时间，传至数据分析处理平台；
步骤2：系统自动更新当天日期，并取前一个工作日，即27日的数据进行疲劳度评估；
步骤3：将27日的睡前疲劳程度，假设EFL27为88(指数，无量纲)，导入数据分析处理平台，作为28日初始疲劳程度SFL28评估的考虑依据；
步骤4：将通过睡眠子系统测量的27日晚的睡眠数据导入，假设睡眠时长7小时(22:00-5:00)，深睡2.41小时，睡眠质量、睡眠生理节律曲线和疲劳积累曲线分别如图3、图4和图5所示，其中图3中0代表醒着、1代表浅度睡眠、2代表深度睡眠；图4、图5为无量纲参数。
步骤5：通过数据分析处理平台的疲劳度评估模型，计算出休息后的28日初始疲劳程度为：
步骤6：分两个子步骤：a)将28日的初始疲劳程度3.3作为继续判断疲劳程度的依据传至疲劳度评估模型；b)将初始疲劳程度3.3作为28日疲劳度历史数据存入数据分析处理平台中的生理周期节律数据库；
步骤7-13：以5分钟为周期，定时测量28日各种信号，通过脑电子系统测量实时的脑电信号EEGt、通过心电子系统测量实时的心电信号ECGt、通过眼部动作子系统测量实时的眨眼频率BlinkFreqt和闭眼百分比PERCLOSt、通过头部动作子系统测量实时的哈欠频率YawnFreqt和点头频率NodeFreqt、通过坐姿子系统测量实时的体重压力分布Wdist，作为疲劳程度评估的依据；
由于流程中存在分支，接下来的实例按时段分为9:00与21:30两部分：
以9:00的测量结果为例，假设28日8:55-9:00测得的各信号如表9所示：
表9
步骤14：在28日8:55-9:00期间，疲劳程度的计算逻辑大致如下：
FLD|t＝Vote(0,0,0,0,0,0,0,0)＝0；
综上情况考虑，将张三的疲劳程度评估为不疲劳，供下一步判断；
步骤15：得到疲劳程度后，分三个子步骤：a)判断该等级的疲劳程度是否能够满足值班状态的要求；b)将当前的疲劳程度0通过管理终端进行实时的更新显示，供管理人员查看；c)将疲劳程度0作为28日实时疲劳程度的历史数据存入数据分析处理平台中的生理周期节律数据库；
步骤16：判断9:00的疲劳程度是否能够满足值班状态的要求，由于疲劳程度评估为不疲劳，因此判断不需要干预；
此时跳过步骤17-22，进入步骤23：
步骤23：由于张三的值班时间尚未结束，且不存在人为干预终端值班的情况，因此进入下一处理周期；
步骤24：结束9:00的处理，回到步骤7，循环执行，进行9:05的处理，直至执行至步骤23a或22b为止。
以21:30分的测量结果为例，假设28日21:25-21:30测得的各信号如表10所示：
表10
步骤14：在28日21:25～21:30期间，疲劳程度的计算逻辑大致如下：
FLD|t＝Vote(2,1,1,0.5,1,0,1,2)＝2；
其中，在投票系统中，综上情况考虑，将张三的疲劳程度评估为严重疲劳，供下一步判断；
步骤15：得到疲劳程度后，分三个子步骤：a)判断该等级的疲劳程度是否能够满足值班状态的要求；b)将当前的疲劳程度2通过管理终端进行实时的更新显示，供管理人员查看；c)将疲劳程度2作为28日实时疲劳程度的历史数据存入数据分析处理平台中的生理周期节律数据库；
步骤16：判断21:30的疲劳程度是否能够满足值班状态的要求，由于疲劳程度大于满足值班要求的门限，因此判断为需要干预；
步骤17：通过振动方式干预后，进一步评估值班人员的疲劳程度是否改善；
步骤18：判断振动方式的干预后，于21:35通过步骤14得到疲劳程度为2，因此振动干预无效，实时闪光刺激；
步骤19：通过闪光方式干预后，进一步评估值班人员的疲劳程度是否改善；
步骤20：判断闪光刺激后，于21:40通过步骤14得到的疲劳程度为2，其中积累模型疲劳程度为161.85，因此闪光干预也无效，通过管理终端建议管理人员人工干预；
步骤21：经过管理人员干预后，认为张三已经无法继续履行值班职责，通过管理终端输入人工干预的结果；
步骤22：接收人工干预结果，直接结束张三当天的值班工作，将当时的积累模型疲劳程度(161.85)作为28日的睡前疲劳程度存入数据分析处理平台中的生理周期节律数据库，用于对疲劳积累模型做出训练调整，此时跳过步骤23及24。
现有的疲劳程度评估设备及系统通常以疲劳驾驶为典型应用场景，存在应用场景单一、评估手段单一、考虑疲劳诱发因素单一的问题，还不能适应不同的使用场景。随着行业的进步和需求，仅依靠经验设置轮岗排班时间的做法已不能满足快节奏模式的要求，不同岗位的工作人员会需要疲劳程度评估系统，以科学地指导其轮岗排班时间表的制定，优化值班效率。
总的来说，本发明提供的一种基于双模态生物电信号与生理数据的疲劳度评估系统及评估方法，通过对值班人员的睡眠情况进行分析，结合前一天睡前的疲劳程度，计算出当天的初始疲劳程度，再根据当天值班过程中实际测量的脑电、心电、肌电、皮电等生物电信号和眨眼频率、闭眼百分比、点头频率、哈欠频率、坐姿等生理表现数据，对不同原因引起的疲劳程度进行综合评估，并在值班人员的疲劳程度不足以支撑值班工作任务时进行及时干预，最后将当天睡前的疲劳程度作为下一天疲劳分析的输入。本发明的优点在于：(1)考虑因素全面，可以评估的疲劳诱因不止一种，推广了适用的场景、行业和岗位；(2)不仅考虑值班工作时的疲劳度累积，还考虑睡眠休息时的疲劳度恢复，评估结果更为灵活准确；(3)近实时监测评估，能及时发现疲劳问题征兆，避免事故发生。

Claims (10)

1.一种基于双模态生物电信号与生理数据的疲劳度评估系统，其特征在于：该系统包括生物电信号分系统、生理数据分系统和综合分析与管理分系统，其中生物信号分系统用于测量脑电和心电双模态的生物电信号，生理数据分系统用于测量睡眠情况、眨眼频率、闭眼百分比、哈欠频率、点头频率、睡眠时长、睡眠质量和体重压力分布生理表现数据信息，综合分析与管理分系统通过双模态的生物电信号与生理表现数据对不同原因引起的疲劳程度进行综合评估。
2.根据权利要求1所述的一种基于双模态生物电信号与生理数据的疲劳度评估系统，其特征在于：所述生物电信号分系统包括用于测量脑电信号的脑电子系统和测量心电信号的心电子系统。
3.根据权利要求1所述的一种基于双模态生物电信号与生理数据的疲劳度评估系统，其特征在于：所述生理数据分系统包括测量眨眼频率和闭眼百分比的眼部动作子系统，测量哈欠频率和点头频率的头部动作子系统，测量睡眠时长和睡眠质量的睡眠子系统和测量体重压力分布的坐姿子系统。
4.根据权利要求1所述的一种基于双模态生物电信号与生理数据的疲劳度评估系统，其特征在于：所述综合分析与管理分系统包括数据分析处理平台、管理终端和反馈干预子系统，其中，数据分析处理平台进行疲劳度评估并根据疲劳度的计算结果对人员的生理周期节律进行数据库管理，管理终端为进行评估结果的可视化显示并提供人机交互的渠道；反馈干预子系统进行振动、闪光形式的干预，或由系统建议人工干预。
5.一种基于双模态生物电信号与生理数据的疲劳度评估方法，其特征在于：包括以下步骤：
(1)通过管理终端登录系统，将开始值班时间、D-d日的睡前疲劳程度EFLD-d输入至数据分析处理平台；
(2)通过数据分析处理平台的疲劳度评估模型，计算出休息后的D日初始疲劳程度SFLD，并对D日初始疲劳程度SFLD数据进行处理；
(3)以一定的周期T定时测量D日t时刻的生物电信号和生理表现数据，作为疲劳程度评估的依据输入至数据分析处理平台，在每个周期内计算出D日t时刻的疲劳程度FLD|t，并对疲劳程度FLD|t进行处理；
(4)通过比较疲劳程度FLD|t与阈值Th的高低判断是否需要干预，若是，则由反馈干预子系统对值班人员进行干预，提醒其保持注意力，防止疲劳程度进一步提高；若否，则进行是否注销结束当日值班的判断。
6.根据权利要求5所述的一种基于双模态生物电信号与生理数据的疲劳度评估方法，其特征在于，所述步骤(1)包括：
(11)D日开始值班后，通过管理终端进行系统登录，并将开始值班时间记录，传至数据分析处理平台；
(12)更新当天日期，取前一个工作日，即D-d日的数据进行疲劳度评估；
(13)将D-d日最后得到的疲劳程度，即睡前疲劳程度EFLD-d传入数据分析处理平台，作为初始疲劳程度评估的考虑依据。
7.根据权利要求5所述的一种基于双模态生物电信号与生理数据的疲劳度评估方法，其特征在于，所述步骤(2)包括：
(21)通过睡眠子系统测量D-d日的睡眠时长及睡眠质量SQD-d，并输入数据分析处理平台，作为初始疲劳程度评估的考虑依据；
(22)通过数据分析处理平台的疲劳度评估模型，计算出D-d日的睡前疲劳程度为EFLD-d；
疲劳度评估模型如下：
其中，tss和tse分别是睡眠开始时间和结束时间，K1(t)为t时刻对应的生理节律下，睡眠质量对疲劳程度的恢复模型，暂无解析式，由实验数据配合模型训练反复迭代获得；SQD-d为D-d日的睡眠时间和质量；
D-d日的睡前疲劳程度EFLD-d为：
EFLD-d＝FLD|t·Time(t时刻干预无效或t时刻主动注销)；
然后根据D日夜晚睡眠时长与质量SQD-d，计算出休息后的D日初始疲劳程度SFLD；
(23)将D日的初始疲劳程度SFLD作为继续判断疲劳程度的依据输入至数据分析处理平台的疲劳度评估模型；并将SFLD作为D日疲劳度历史数据存入数据分析处理平台中的生理周期节律数据库。
8.根据权利要求5所述的一种基于双模态生物电信号与生理数据的疲劳度评估方法，其特征在于，所述步骤(3)包括：
(31)以一定的周期T定时测量D日t时刻的各种生物电信号，通过脑电子系统测量实时的脑电信号EEGt、通过心电子系统测量实时的心电信号ECGt，作为疲劳程度评估的依据；
(32)以一定的周期T定时测量D日t时刻的各种生理表现数据，通过眼部动作子系统测量实时的眨眼频率BlinkFreqt和闭眼百分比PERCLOSt、通过头部动作子系统测量实时的哈欠频率YawnFreqt和点头频率NodeFreqt、通过坐姿子系统测量实时的体重压力分布Wdist，作为疲劳程度评估的依据；
(33)在每个周期内计算出D日t时刻的疲劳程度FLD|t，方法如下：
FLD|t＝Vote(FLD|t·EEG,FLD|t·ECG,FLD|t·BlinkFreq,FLD|t·PE
FLD|t·NodeFreq,FLD|t·Wdis,FLD|t·Time)；
其中，FLD|t·EEG、FLD|t·ECG、FLD|t·BlinkFreq、FLD|t·PERCLOS、FLD|t·YawnFreq、FLD|t·NodeFreq、FLD|t·Wdis、FLD|t·Time分别指基于脑电、心电、眨眼频率、闭眼百分比、哈欠频率、点头频率、体重压力分布和疲劳积累模型的实时疲劳值分量；K2(t)为为t时刻对应的生理节律下的疲劳积累模型；TB、TY、TN、TW分别为眨眼频率、哈欠频率、点头频率、体重压力分布用于判断是否疲劳的阈值；Tδ1、Tδ2、Tδ3、TSMR1、TSMR2、TSMR3为脑电信号用于判断是否为严重疲劳、疲劳、轻度疲劳及注意力的阈值；TS1、TS2、TL1、TL2为心电信号用于判断是否为疲劳、轻度疲劳的阈值；TP1、TP2为闭眼百分比用于判断是否为疲劳、轻度疲劳的阈值；TT1、TT2、TT3为疲劳积累模型用于判断是否为严重疲劳、疲劳、轻度疲劳的阈值；
将当前的疲劳程度FLD|t通过管理终端进行实时的更新显示；并将FLD|t作为D日实时疲劳程度的历史数据存入数据分析处理平台中的生理周期节律数据库。
9.根据权利要求5所述的一种基于双模态生物电信号与生理数据的疲劳度评估方法，其特征在于，所述步骤(4)中对值班人员进行干预包括：
(41)进行振动干预，通过手环震动，给予值班人员提醒，并在5min内通过(33)中测量的FLD|t是否发生明显变化判断振动干预是否有效，若否，则执行步骤(42)；若是，则进行是否注销结束当日值班的判断；
(42)进行闪光干预，通过预置光源对值班人员进行眼部刺激，并在5min内通过(33)中测量的FLD|t是否发生明显变化判断振动干预是否有效，若否，则执行步骤(43)；若是，则进行是否注销结束当日值班的判断；
(43)提请人工干预，由管理人员亲自对值班人员进行提醒，并由管理人员判断系统是否接收人工干预结果，若是，则进行是否注销结束当日值班的判断；若否，则直接结束该人员当天的值班工作，将当时的积累模型疲劳程度FLD|t·Time作为D日的睡前疲劳程度EFLD存入数据分析处理平台中的生理周期节律数据库。
10.根据权利要求5所述的一种基于双模态生物电信号与生理数据的疲劳度评估方法，其特征在于，所述步骤(4)中是否注销结束当日值班的判断为：
根据值班人员是否注销系统的操作，判断值班是否结束，若是，则将上一个t时刻的积累模型疲劳程度FLD|t·Time作为D日的睡前疲劳程度EFLD存入数据分析处理平台中的生理周期节律数据库，供下一个工作日的疲劳程度分析使用，并结束D日的整个值班流程；若否，结束t时刻的处理，更新时段t＝t+T，进入下一处理周期T，返回步骤(3)循环执行，直至注销结束当日值班为止。
CN201910375153.7A 2019-05-07 2019-05-07 一种基于双模态生物电信号与生理数据的疲劳度评估系统及评估方法 Active CN110151166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910375153.7A CN110151166B (zh) 2019-05-07 2019-05-07 一种基于双模态生物电信号与生理数据的疲劳度评估系统及评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910375153.7A CN110151166B (zh) 2019-05-07 2019-05-07 一种基于双模态生物电信号与生理数据的疲劳度评估系统及评估方法

Publications (2)

Publication Number Publication Date
CN110151166A true CN110151166A (zh) 2019-08-23
CN110151166B CN110151166B (zh) 2022-04-26

Family

ID=67633570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910375153.7A Active CN110151166B (zh) 2019-05-07 2019-05-07 一种基于双模态生物电信号与生理数据的疲劳度评估系统及评估方法

Country Status (1)

Country Link
CN (1) CN110151166B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110696834A (zh) * 2019-11-20 2020-01-17 东风小康汽车有限公司重庆分公司 驾驶员状态监测方法、装置、系统和控制器
CN111986443A (zh) * 2020-08-31 2020-11-24 上海博泰悦臻网络技术服务有限公司 一种疲劳驾驶的监测装置及方法
CN115137941A (zh) * 2022-06-21 2022-10-04 北京中科心研科技有限公司 一种基于疲劳识别模型和电刺激的应急唤醒方法及系统
CN118121190A (zh) * 2024-04-30 2024-06-04 深圳市奋达智能技术有限公司 日常活动等级计算方法及相关装置
CN118236067A (zh) * 2024-05-27 2024-06-25 浙江强脑科技有限公司 疲倦状态检测方法、装置和存储介质
CN118428746A (zh) * 2024-07-05 2024-08-02 山东全员本安教育咨询有限公司 一种基于双重预防机制的隐患排查系统、方法、设备及存储介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101375796A (zh) * 2008-09-18 2009-03-04 浙江工业大学 疲劳驾驶实时检测系统
US20110288424A1 (en) * 2009-10-29 2011-11-24 Etsuko Kanai Human fatigue assessment device and human fatigue assessment method
CN203653085U (zh) * 2013-11-11 2014-06-18 华东交通大学 一种可识别驾驶人员身份的塔机监控系统
CN105105773A (zh) * 2015-08-11 2015-12-02 西安科技大学 一种基于多阈值比较的疲劳驾驶脑电监测方法
CN105261152A (zh) * 2015-09-30 2016-01-20 中国民用航空总局第二研究所 基于聚类分析的空中交通管制员疲劳检测方法、装置和系统
CN105678959A (zh) * 2016-02-25 2016-06-15 重庆邮电大学 一种疲劳驾驶监控预警方法及系统
CN105933017A (zh) * 2016-06-30 2016-09-07 维沃移动通信有限公司 一种控制移动终端的方法及智能设备和移动终端
CN106580349A (zh) * 2016-12-07 2017-04-26 中国民用航空总局第二研究所 管制员疲劳检测方法及装置、管制员疲劳响应方法及装置
CN106691474A (zh) * 2016-11-25 2017-05-24 中原电子技术研究所（中国电子科技集团公司第二十七研究所） 融合脑电信号与生理信号的疲劳检测系统
CN106725326A (zh) * 2016-12-28 2017-05-31 天津众阳科技有限公司 基于人体hrv测量的睡眠质量评估系统及方法
CN107358785A (zh) * 2017-08-25 2017-11-17 成都大学 一种公交车驾驶员疲劳检测装置
CN206757846U (zh) * 2017-04-21 2017-12-15 深圳六合六医疗器械有限公司 一种疲劳驾驶四维监测系统
CN107822623A (zh) * 2017-10-11 2018-03-23 燕山大学 一种基于多源生理信息的驾驶员疲劳及情绪评价方法
US20180110958A1 (en) * 2016-10-21 2018-04-26 Industrial Technology Research Institute Sleeping environment control system and method
CN108354591A (zh) * 2018-02-08 2018-08-03 国网四川省电力公司电力科学研究院 一种作业人员安全度判别方法及设备
CN108407813A (zh) * 2018-01-25 2018-08-17 惠州市德赛西威汽车电子股份有限公司 一种基于大数据的车辆抗疲劳安全驾驶方法
CN109009173A (zh) * 2018-08-30 2018-12-18 北京机械设备研究所 一种基于脑电-眼动双模态信号的疲劳检测与调控方法
CN109410524A (zh) * 2018-12-06 2019-03-01 四川大学锦城学院 一种驾驶员疲劳监测系统及其监测方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101375796A (zh) * 2008-09-18 2009-03-04 浙江工业大学 疲劳驾驶实时检测系统
US20110288424A1 (en) * 2009-10-29 2011-11-24 Etsuko Kanai Human fatigue assessment device and human fatigue assessment method
CN203653085U (zh) * 2013-11-11 2014-06-18 华东交通大学 一种可识别驾驶人员身份的塔机监控系统
CN105105773A (zh) * 2015-08-11 2015-12-02 西安科技大学 一种基于多阈值比较的疲劳驾驶脑电监测方法
CN105261152A (zh) * 2015-09-30 2016-01-20 中国民用航空总局第二研究所 基于聚类分析的空中交通管制员疲劳检测方法、装置和系统
CN105678959A (zh) * 2016-02-25 2016-06-15 重庆邮电大学 一种疲劳驾驶监控预警方法及系统
CN105933017A (zh) * 2016-06-30 2016-09-07 维沃移动通信有限公司 一种控制移动终端的方法及智能设备和移动终端
US20180110958A1 (en) * 2016-10-21 2018-04-26 Industrial Technology Research Institute Sleeping environment control system and method
CN106691474A (zh) * 2016-11-25 2017-05-24 中原电子技术研究所（中国电子科技集团公司第二十七研究所） 融合脑电信号与生理信号的疲劳检测系统
CN106580349A (zh) * 2016-12-07 2017-04-26 中国民用航空总局第二研究所 管制员疲劳检测方法及装置、管制员疲劳响应方法及装置
CN106725326A (zh) * 2016-12-28 2017-05-31 天津众阳科技有限公司 基于人体hrv测量的睡眠质量评估系统及方法
CN206757846U (zh) * 2017-04-21 2017-12-15 深圳六合六医疗器械有限公司 一种疲劳驾驶四维监测系统
CN107358785A (zh) * 2017-08-25 2017-11-17 成都大学 一种公交车驾驶员疲劳检测装置
CN107822623A (zh) * 2017-10-11 2018-03-23 燕山大学 一种基于多源生理信息的驾驶员疲劳及情绪评价方法
CN108407813A (zh) * 2018-01-25 2018-08-17 惠州市德赛西威汽车电子股份有限公司 一种基于大数据的车辆抗疲劳安全驾驶方法
CN108354591A (zh) * 2018-02-08 2018-08-03 国网四川省电力公司电力科学研究院 一种作业人员安全度判别方法及设备
CN109009173A (zh) * 2018-08-30 2018-12-18 北京机械设备研究所 一种基于脑电-眼动双模态信号的疲劳检测与调控方法
CN109410524A (zh) * 2018-12-06 2019-03-01 四川大学锦城学院 一种驾驶员疲劳监测系统及其监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李志学: "基于多模生理信号的精神疲劳检测系统的设计与研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *
黄诗童，张威强，张明柱: "基于HRV分析的可穿戴心电仪精神疲劳检测", 《计算机应用研究》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110696834A (zh) * 2019-11-20 2020-01-17 东风小康汽车有限公司重庆分公司 驾驶员状态监测方法、装置、系统和控制器
CN110696834B (zh) * 2019-11-20 2022-01-14 东风小康汽车有限公司重庆分公司 驾驶员状态监测方法、装置、系统和控制器
CN111986443A (zh) * 2020-08-31 2020-11-24 上海博泰悦臻网络技术服务有限公司 一种疲劳驾驶的监测装置及方法
CN115137941A (zh) * 2022-06-21 2022-10-04 北京中科心研科技有限公司 一种基于疲劳识别模型和电刺激的应急唤醒方法及系统
CN115137941B (zh) * 2022-06-21 2024-05-03 北京中科心研科技有限公司 一种基于疲劳识别模型和电刺激的应急唤醒方法及系统
CN118121190A (zh) * 2024-04-30 2024-06-04 深圳市奋达智能技术有限公司 日常活动等级计算方法及相关装置
CN118121190B (zh) * 2024-04-30 2024-08-02 深圳市奋达智能技术有限公司 日常活动等级计算方法及相关装置
CN118236067A (zh) * 2024-05-27 2024-06-25 浙江强脑科技有限公司 疲倦状态检测方法、装置和存储介质
CN118236067B (zh) * 2024-05-27 2024-08-09 浙江强脑科技有限公司 疲倦状态检测方法、装置和存储介质
CN118428746A (zh) * 2024-07-05 2024-08-02 山东全员本安教育咨询有限公司 一种基于双重预防机制的隐患排查系统、方法、设备及存储介质

Also Published As

Publication number Publication date
CN110151166B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN110151166A (zh) 一种基于双模态生物电信号与生理数据的疲劳度评估系统及评估方法
WO2022017990A1 (en) Sleep reactivity monitoring based sleep disorder prediction system and method
EP3783619A1 (en) Human body health assessment method and system based on sleep big data
CN106214121B (zh) 一种睡眠提醒方法和装置以及一种可穿戴设备
US10354539B2 (en) Situational awareness analysis and fatigue management system
CN103226665B (zh) 基于saas平台的人脑健康锻炼系统
US20190114939A1 (en) Situational Awareness Analysis and Fatigue Management System
DE112011104986T5 (de) Aktivitätsmesser
CN106037764B (zh) 一种压力管理方法及系统
CN113133752B (zh) 基于心率变异分析的心理评估方法、系统、设备和介质
JPWO2013161072A1 (ja) 保有活動量算出装置、保有活動量算出方法及び保有活動量算出システム
CN113380427A (zh) 一种基于佩戴式智能终端的健康管理平台及管理方法
CN114098658A (zh) 一种健康状态的监测方法及装置
CN116936036A (zh) 一种失眠正念治疗任务训练方案生成方法及系统
JP2018171124A (ja) 睡眠状態推定装置、睡眠状態推定方法および睡眠状態推定プログラム
CN117936094A (zh) 基于多模态情感的抑郁症早期智能预测方法和系统
JP2008183048A (ja) 作業疲労度測定システム
CN111696011B (zh) 一种监测与调控学生自主学习系统及其方法
JP2015505481A (ja) 眼内圧の連続的測定を行うための方法および装置
Song et al. Mental fatigue prediction model based on multimodal fusion
CN112294263A (zh) 一种基于脑波频率的非稳定睡眠状态评估模型
CN111710385A (zh) 一种多维度个人健康画像系统及方法
KR20210012340A (ko) 생체 정보에 기초한 스케줄 생성 장치 및 방법
Cheng et al. A personalized sleep quality assessment mechanism based on sleep pattern analysis
CN109620153A (zh) 巡检行为真实性的判断和预警方法、穿戴设备及存储介质

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
CB02 Change of applicant information

Address after: 210046 No.1, Lingshan South Road, Qixia District, Nanjing City, Jiangsu Province

Applicant after: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp.

Address before: 210014 No.1, alfalfa Garden East Street, Qinhuai District, Nanjing City, Jiangsu Province

Applicant before: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant