CN110458191B - 疲劳状态判断方法、装置、计算机设备及存储介质 - Google Patents
疲劳状态判断方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110458191B CN110458191B CN201910604768.2A CN201910604768A CN110458191B CN 110458191 B CN110458191 B CN 110458191B CN 201910604768 A CN201910604768 A CN 201910604768A CN 110458191 B CN110458191 B CN 110458191B
- Authority
- CN
- China
- Prior art keywords
- index
- model
- fatigue state
- scoring
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000006243 chemical reaction Methods 0.000 claims abstract description 134
- 238000012549 training Methods 0.000 claims abstract description 111
- 238000012360 testing method Methods 0.000 claims description 72
- 239000008280 blood Substances 0.000 claims description 35
- 210000004369 blood Anatomy 0.000 claims description 35
- 230000036772 blood pressure Effects 0.000 claims description 21
- 150000002632 lipids Chemical class 0.000 claims description 18
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 17
- 239000008103 glucose Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 230000003860 sleep quality Effects 0.000 claims description 12
- 230000004622 sleep time Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 206010016256 fatigue Diseases 0.000 description 232
- 238000010586 diagram Methods 0.000 description 11
- 230000004617 sleep duration Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 208000028327 extreme fatigue Diseases 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 206010042434 Sudden death Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Emergency Medicine (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Vascular Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了疲劳状态判断方法、装置、计算机设备及存储介质。方法包括:根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型;根据模型训练规则及预设数据库对疲劳状态评分模型进行训练以得到训练后的疲劳状态评分模型;若接收到用户所输入的生理指标信息,根据指标转换模型对生理指标信息进行转换以得到特征数组;根据训练后的疲劳状态评分模型对特征数组进行评分以得到用户的状态评分;根据预设的状态判断规则及状态评分获取用户的疲劳状态并对用户进行提示。本发明基于神经网络技术,实现了快捷方便地对用户的疲劳状态进行准确判断,能够提前对处于疲劳状态中的用户进行提醒,在实际应用过程中取得了良好的技术效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种疲劳状态判断方法、装置、计算机设备及存储介质。
背景技术
人们往往在身体处于疲劳状态时却无法及时发现,导致猝死等意外情况发生得越来越频繁,而疲劳状态在人体中可能存在生理上的前兆,当人体处于疲劳状态而得不到及时休息,这一疲劳状态则很可能会进一步发展导致意外情况发生。然而由于当前技术方法的限制,无法快捷方便地对人体是否处于疲劳状态进行判断,导致某些生理上的前兆不易被察觉,进而对身体造成伤害;频繁对身体进行仔细检查虽能准确判断人体是否处于疲劳状态,但却需耗费较多时间且增加了医疗支出。因而现有技术方法中存在无法方便、准确地对用户疲劳状态进行判断的问题。
发明内容
本发明实施例提供了一种疲劳状态判断方法、装置、计算机设备及存储介质,旨在解决现有技术方法中所存在的无法方便、准确地对用户疲劳状态进行判断的问题。
第一方面,本发明实施例提供了一种疲劳状态判断方法,其包括:
根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型;
根据模型训练规则及预设数据库对所述疲劳状态评分模型进行训练以得到训练后的所述疲劳状态评分模型;
若接收到用户所输入的生理指标信息,根据所述指标转换模型对所述生理指标信息进行转换以得到特征数组;
根据训练后的所述疲劳状态评分模型对所述特征数组进行评分以得到所述用户的状态评分;
根据预设的状态判断规则及所述状态评分获取所述用户的疲劳状态;
根据所述疲劳状态生成相应疲劳提示信息以对所述用户进行提示。
第二方面,本发明实施例提供了一种疲劳状态判断装置,其包括:
评分模型构建单元,用于根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型;
评分模型训练单元,用于根据模型训练规则及预设数据库对所述疲劳状态评分模型进行训练以得到训练后的所述疲劳状态评分模型;
生理指标信息转换单元,用于若接收到用户所输入的生理指标信息,根据所述指标转换模型对所述生理指标信息进行转换以得到特征数组;
疲劳状态评分单元,用于根据训练后的所述疲劳状态评分模型对所述特征数组进行评分以得到所述用户的状态评分;
疲劳状态获取单元,用于根据预设的状态判断规则及所述状态评分获取所述用户的疲劳状态;
状态提示单元,用于根据所述疲劳状态生成相应疲劳提示信息以对所述用户进行提示。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的疲劳状态判断方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的疲劳状态判断方法。
本发明实施例提供了一种疲劳状态判断方法、装置、计算机设备及存储介质。在本发明实施例所提供的疲劳状态判断方法中,根据指标转换模型及状态评分模板构建疲劳状态评分模型,根据指标转换模型将用户所输入的生理指标信息转换为特征数组,根据训练后的疲劳状态评分模型对特征数组进行评分以得到用户的状态评分,根据状态判断规则及状态评分获取用户的疲劳状态并对用户进行提示。通过上述方法,实现了快捷方便地对用户的疲劳状态进行准确判断,能够提前对处于疲劳状态中的用户进行提醒,在实际应用过程中取得了良好的技术效果。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的疲劳状态判断方法的流程示意图;
图2为本发明实施例提供的疲劳状态判断方法的子流程示意图;
图3为本发明实施例提供的疲劳状态判断方法的另一子流程示意图;
图4为本发明实施例提供的疲劳状态判断方法的另一子流程示意图;
图5为本发明实施例提供的疲劳状态判断方法的另一子流程示意图;
图6为本发明实施例提供的疲劳状态判断装置的示意性框图;
图7为本发明实施例提供的疲劳状态判断装置的子单元示意性框图;
图8为本发明实施例提供的疲劳状态判断装置的另一子单元示意性框图;
图9为本发明实施例提供的疲劳状态判断装置的另一子单元示意性框图;
图10为本发明实施例提供的疲劳状态判断装置的另一子单元示意性框图;
图11为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1是本发明实施例提供的疲劳状态判断方法的流程示意图。该疲劳状态判断方法应用于用户终端中,该方法通过安装于用户终端中的应用软件进行执行,用户终端即是用于执行疲劳状态判断方法以对用户疲劳状态进行判断的终端设备,例如可穿戴设备、台式电脑、笔记本电脑、平板电脑或手机等。
如图1所示,该方法包括步骤S110~S160。
S110、根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型。
根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型。具体的,指标转换模型中包含多个指标项,可根据指标转换模型中所包含的指标项构建疲劳状态评分模型中的输入节点,状态评分模板即是包含全连接隐层及输出节点的模板,最终所得到的疲劳状态评分模型包含输入节点、全连接隐层及输出节点,通过输入节点即可对应输入用户所需进行状态评分的信息,通过输出节点即可获取该用户的状态评分。
其中,指标转换模型中每一个指标项对应疲劳状态评分模型中的一个输入节点,输出节点仅有一个,全连接隐层即是用于对输入节点与输出节点进行联系的中间层,状态评分模板中的全连接隐层可以为一层或多层。以状态评分模板中仅包含一层全连接隐层为例,全连接隐层中包含若干个特征单元,每一个特征单元均与所有输入节点和所有输出节点进行关联,特征单元即可用于反映指标转换模型中每一指标项与输出节点之间的关系,特征单元的数量可根据指标转换模型中指标项的数量进行设定。
例如,特征单元的数量设置为与指标项的数量相等,上述指标转换模型中包含四个指标项:血压(高压)、心率、血糖血脂指数、睡眠时长,则可将特征单元数量对应设置为四个。
在一实施例中,如图2所示,步骤S110包括子步骤S111、S112、S113和S114。
S111、将所述指标转换模型中的指标项作为所述疲劳状态评分模型的输入节点。
将所述指标转换模型中的指标项作为所述疲劳状态评分模型的输入节点。指标转换模型即是用于将用户所输入的生理指标信息进行转换的模型,为了便于进行后续评分及判断以获取用户的疲劳状态,需通过指标转换模型进行转换以获取与生理指标信息对应的特征数组,特征数组中包含多个特征数值,生理指标信息中所包含多项指标信息,通过指标转换模型即可将生理指标信息中与指标转换模型的指标项对应的指标信息转换为对应的多个特征数值,特征数组中所包含的每一个特征数值均对应一个指标项。具体的,指标转换模型中的每一个指标项对应一个输入节点,因此可通过指标项的数量对应生成相同数量的输入节点,由于所得到的特征数组中所包含的特征数值与指标转换模型中所包含的多个指标项一一对应,也即是多个特征数值均与所生成的多个输入节点一一对应,输入节点值也即是特征数组中对应的特征数值,因此通过所构建的输入节点即可将所得到的特征数组输入疲劳状态评分模型。
S112、根据所述状态评分模板中全连接隐层所包含的所有特征单元及所述输入节点,以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组。
根据预设的状态评分模板中全连接隐层所包含的多个特征单元及所构建的多个输入节点,以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组,其中,第一公式组包含所有输入节点至相应特征单元的公式,每一输入节点与所有特征单元之间公式的格式均相同,仅公式中的参数值存在差异。输入节点即是疲劳状态评分模型中用于对某用户的特征数组进行输入的节点,输入节点的具体数值即为输入节点值,特征单元值即是全连接隐层中的特征单元的计算值。
例如,某一输入节点的输入节点值为x1,某一特征单元的特征单元值为y1,则该输入节点至该特征单元的公式为y1=i×x1+j;其中,i和j为该公式中的参数,i和j可为正数或负数。
S113、根据所有所述特征单元及所述状态评分模板中的输出节点,以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组。
根据所有所述特征单元及所述状态评分模板中的输出节点,以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组,其中,第二公式组包含所有特征单元至输出节点的公式,每一特征单元与输出节点之间公式的格式均相同,仅公式中的参数值存在差异。输出节点即是疲劳状态评分模型中用于对用户的状态评分进行输出的节点,输出节点的具体数值即是输出节点值,也即是最终所得到的状态评分,特征单元值即是全连接隐层中的特征单元的计算值。
例如,某一特征单元的特征单元值为y1,输出节点的输出节点值为z,则该特征单元至该输出节点的公式为z=w×y1+t;其中,w和t为该公式中的参数,w和t可为正数或负数。
S114、根据所述指标转换模型中的参数配置信息对第一公式组和第二公式组中公式的参数进行配置以构建得到疲劳状态评分模型。
根据所述指标转换模型中的参数配置信息对第一公式组和第二公式组中公式的参数进行配置,参数配置信息中包含对所有公式中参数进行配置的信息,例如,参数配置信息可以是将所有公式中参数设置为同一数值、或生成随机数以对每一参数值进行随机设置。参数配置信息即为对疲劳状态评分模型进行初始构建,由于所构建的疲劳状态评分模型还需进行训练,对疲劳状态评分模型进行训练的过程也即是对公式中的参数值进行进一步调整,通过对第一公式组和第二公式组中公式的参数进行配置即完成了疲劳状态评分模型的构建过程。
S120、根据模型训练规则及预设数据库对所述疲劳状态评分模型进行训练以得到训练后的所述疲劳状态评分模型。
根据预设的模型训练规则及预设数据库对所述疲劳状态评分模型进行训练以得到训练后的疲劳状态评分模型。具体的,模型训练规则中包括数据拆分规则及参数调整规则,预设数据库中包含多条数据,每一条数据均包含一个客户的特征数组及该客户对应的预设状态评分,数据拆分规则即是用于将预设数据库中所包含的数据拆分为训练数据集及测试数据集的拆分规则,训练数据集中包含多条训练数据,测试数据集中包含多条测试数据。
在一实施例中,如图3所示,步骤S120包括子步骤S121、S122、S123和S124。
S121、根据所述模型训练规则中的数据拆分规则将所述预设数据库拆分为多个训练数据集及一个测试数据集。
根据所述模型训练规则中的数据拆分规则将所述预设数据库拆分为多个训练数据集及一个测试数据集。具体的,数据拆分规则中包含拆分比例,可根据拆分比例将预设数据库中所包含的所有数据随机拆分为训练数据集及测试数据集。
例如,预设数据库中包含2000条数据,拆分比例为9:1,则根据拆分比例将预设数据库中所有的数据随机拆分为10份,并将其中9份数据作为9个对应的训练数据集,剩余1份数据作为1个测试数据集。
S122、根据所述模型训练规则中的参数调整规则及多个训练数据集分别对所述疲劳状态评分模型进行训练以得到多个初始评分模型。
根据所述模型训练规则中的参数调整规则及多个训练数据集分别对所述疲劳状态评分模型进行训练以得到多个初始评分模型。具体的,参数调整规则中包括评分阈值、参数调整方向及参数调整幅度。对疲劳状态评分模型进行训练的具体步骤为,获取某一训练数据集中的一条训练数据,通过疲劳状态评分模型对该训练数据中的特征数组进行计算以获取该特征数组对应的训练状态评分,对训练状态评分与该训练数据中预设状态评分之间的差值是否小于评分阈值进行判断,若判断结果为小于,则不对疲劳状态评分模型中公式的参数值进行调整;若判断结果为大于,则根据参数调整方向及参数调整幅度对疲劳状态评分模型中公式的参数值进行调整。获取一个训练数据集中所包含的所有训练数据依次对疲劳状态评分模型进行迭代训练,最终即可得到与该训练数据集对应的一个初始评分模型,多个训练数据集即可训练得到多个初始评分模型。
S123、根据所述测试数据集分别对所有所述初始评分模型进行测试以获取每一初始评分模型的准确率。
根据所述测试数据集分别对所有所述初始评分模型进行测试以获取每一初始评分模型的准确率。获取到多个初始评分模型后,还需计算每一初始评分模型的准确率。具体的计算过程为,将测试数据集中所包含的所有测试数据依次输入某一初始评分模型,计算得到每一条测试数据对应的测试状态评分;测试数据集中还包括预设的判断阈值Y,获取每一条测试数据的测试状态评分与预设状态评分之间的评分差值Ci=|GCi-GYi|,其中GCi为测试数据集中第i条测试数据输入该初始评分模型所计算得到的测试状态评分,GYi为测试数据集中第i条测试数据的预设状态评分,Ci为测试数据集中第i条测试数据的评分差值;判断每一条测试数据的评分差值是否小于测试数据集中的判断阈值,通过统计小于判断阈值的评分差值在所有评分差值中的占比即可获取该初始评分模型的准确率。通过上述方法即可获取每一初始评分模型的准确率。
例如,测试数据集中预设的判断阈值为Y=5,通过某一初始评分模型对测试数据集中每一条测试数据进行计算后,根据公式|GCi-GYi|<5对每一条测试数据的评分差值进行判断,统计得到小于判断阈值的评分差值的数量为85,评分差值总数为100,则小于判断阈值的评分差值在所有评分差值中的占比Z=85/100=85%,即可得到该初始评分模型的准确率为85%。
S124、获取准确率最高的所述初始评分模型作为训练后的疲劳状态评分模型。
获取每一初始评分模型的准确率后,获取准确率最高的初始评分模型作为训练后的疲劳状态评分模型,在后续评分过程中即可使用该训练后的疲劳状态评分模型。
S130、若接收到用户所输入的生理指标信息,根据所述指标转换模型对所述生理指标信息进行转换以得到特征数组。
若接收到用户所输入的生理指标信息,根据所述指标转换模型对所述生理指标信息进行转换以得到特征数组。具体的,生理指标信息即是用户主动输入的指标信息或通过采集设备所采集的用户的指标信息,采集设备可以是智能手表、智能手环或其他可穿戴设备。其中,生理指标信息包括但不限于血压(低压)、血压(高压)、心率、血糖血脂指数、睡眠时长。
例如,某一用户所输入的生理指标信息如表1所示。
血压(低压) | 90mmHg |
血压(高压) | 140mmHg |
心率 | 70 |
血糖血脂指数 | 6.5 |
睡眠时长 | 7.2 |
表1
在一实施例中,如图4所示,步骤S130包括子步骤S131和S132。
S131、根据所述指标转换模型中的指标项获取生理指标信息中与每一指标项对应的指标值以得到指标特征值。
根据所述指标转换模型中的指标项获取生理指标信息中与每一指标项对应的指标值以得到指标特征值。生理指标信息中可能包含无需进行评分的部分信息,因此需通过指标转换模型获取生理指标信息中需进行评分的信息。具体的,指标转换模型中包含多个指标项,通过指标项即可获取生理指标信息中与每一指标项对应的指标值,获取所有指标项对应的指标值即可得到指标特征值。
例如,指标转换模型中所包含的指标项为血压(高压)、心率、血糖血脂指数及睡眠时长,则对应获取表1中与上述四个指标项对应的指标值以得到指标特征值。
S132、根据所述指标转换模型中的转换规则对所述指标特征值进行转换以得到特征数组。
根据所述指标转换模型中的转换规则对所述指标特征值进行转换以得到特征数组。为对所得到的指标特征值中每一指标项的指标值进行量化,需通过转换规则对指标特征值进行转换以得到特征数组,也即是对特征值进行归一化处理。具体的,转换规则中包括对每一指标项进行转换的规则,特征数组中所包含的每一个特征数值均对应一个指标项,每一特征数值的范围为[0,1]。
转换规则中包括一个激活函数及与血压(高压)、心率、血糖血脂指数三个指标项对应的中间值,对血压(高压)、心率、血糖血脂指数三个指标项进行转换的规则为,f(a)=10×(a-j)÷j,其中,a为某一指标项对应的指标值,j为该指标项预设的中间值,f(a)为转换值。将计算所得到的转换值输入激活函数即可计算得到对应的特征数值。转换规则中还包括一个睡眠质量评分规则,通过将睡眠时长这一指标项的指标值是否大于睡眠质量评分规则中的时间阈值进行评分,若睡眠时长的指标值大于时间阈值,则评分得到睡眠质量好,对应的特征数值为“1”;若睡眠时长的指标值小于时间阈值,则评分得到睡眠质量不好,对应的特征数值为“0”。
例如,心率这一指标项预设的中间值为80,激活函数为f(x)=(1+e-x)-1,某一用户指标特征值中的心率为70,则根据转换公式得到心率这一指标项的转换值为f(a)=10×(70-80)÷80=-1.43,将转换值-1.43输入上述激活函数,最终得到特征数组中该指标项的特征数值为0.193。通过转换规则对血压(高压)、心率、血糖血脂指数及睡眠时长这四个指标项的指标特征值进行转换最终得到的特征数组为{0.683,0.193,0.953,1}。
S140、根据训练后的所述疲劳状态评分模型对所述特征数组进行评分以得到所述用户的状态评分。
根据训练后的所述疲劳状态评分模型对所述特征数组进行评分以得到所述用户的状态评分。训练后的疲劳状态评分模型即可准确地获取用户的状态评分,具体的,将用户输入的生理指标信息对应的特征数组输入疲劳状态评分模型进行评分后,即可得到该用户的状态评分。所得到的状态评分可以用一个数值进行表示,数值的范围为[0,100]。
在一实施例中,如图5所示,步骤S140包括子步骤S141和S142。
S141、将所述特征数组作为所述疲劳状态评分模型的输入值进行输入。
将所述特征数组作为所述疲劳状态评分模型的输入值进行输入。疲劳状态评分模型中的输入值也即是输入节点对应的输入节点值,由于每一个指标项对应一个输入节点,则特征数组中每一特征数值均与一个输入节点对应,将特征数组中的特征数值作为输入节点的输入节点值,即可将特征数组输入疲劳状态评分模型。
例如,某一特征数组为{0.683,0.193,0.953,1},则疲劳状态评分模型中对应的第一个输入节点值为0.683,第二个输入节点值为0.193,第三个输入节点值为0.953,第四个输入节点值为1。
S142、获取所述疲劳状态评分模型的输出值作为所述用户的状态评分。
获取所述疲劳状态评分模型的输出值作为所述用户的状态评分。通过已训练的疲劳状态评分模型中第一公式组及第二公式组的计算后即可得到输出节点值,也即是疲劳状态评分模型的输出值,将所得到的输出值作为用户的状态评分。
S150、根据预设的状态判断规则及所述状态评分获取所述用户的疲劳状态。
根据预设的状态判断规则及所述状态评分获取所述用户的疲劳状态。具体的,状态判断规则中包含多个区间,每一个区间对应一种疲劳状态,通过将状态评分与状态判断规则的区间进行匹配即可获取与状态评分相匹配的目标区间,获取目标区间对应的疲劳状态即可最终得到用户的疲劳状态。具体的,疲劳状态可包含三种:极度疲劳、中度疲劳及不疲劳。
例如,状态判断规则中所包含的区间信息如表2所示。
监控状态 | 区间 |
极度疲劳 | [100,80) |
中度疲劳 | [80,50) |
不疲劳 | [50,0] |
表2
例如,某一用户的状态评分为75,则对应获取得到该用户的疲劳状态为中度疲劳。
S160、根据所述疲劳状态生成相应疲劳提示信息以对所述用户进行提示。
根据所述疲劳状态生成相应疲劳提示信息以对所述用户进行提示。获取用户的疲劳状态后可根据疲劳状态的具体种类推送对应类型的提示信息至用户,以对用户进行分类提示,用户接收到提示信息后即可清楚了解自身身体状况,避免因身体过度疲劳而未及时休息导致发生意外危险。不同种类的疲劳状态可在终端设备中采用不同颜色、不同图标或不同语音对用户进行提示。
例如,某一用户的疲劳状态为中度疲劳,则通过终端设备向该用户推送中度疲劳的语音提示信息。
在本发明实施例所提供的疲劳状态判断方法中,根据指标转换模型及状态评分模板构建疲劳状态评分模型,根据指标转换模型将用户所输入的生理指标信息转换为特征数组,根据训练后的疲劳状态评分模型对特征数组进行评分以得到用户的状态评分,根据状态判断规则及状态评分获取用户的疲劳状态并对用户进行提示。通过上述方法,实现了快捷方便地对用户的疲劳状态进行准确判断,能够提前对处于疲劳状态中的用户进行提醒,在实际应用过程中取得了良好的技术效果。
本发明实施例还提供一种疲劳状态判断装置,该疲劳状态判断装置用于执行前述疲劳状态判断方法的任一实施例。具体地,请参阅图6,图6是本发明实施例提供的疲劳状态判断装置的示意性框图。该疲劳状态判断装置可以配置于可穿戴设备、台式电脑、笔记本电脑、平板电脑或手机等用户终端中。
如图6所示,疲劳状态判断装置100包括评分模型构建单元110、评分模型训练单元120、生理指标信息转换单元130、疲劳状态评分单元140、疲劳状态获取单元150和状态提示单元160。
评分模型构建单元110,用于根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型。
根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型。具体的,指标转换模型中包含多个指标项,可根据指标转换模型中所包含的指标项构建疲劳状态评分模型中的输入节点,状态评分模板即是包含全连接隐层及输出节点的模板,最终所得到的疲劳状态评分模型包含输入节点、全连接隐层及输出节点,通过输入节点即可对应输入用户所需进行状态评分的信息,通过输出节点即可获取该用户的状态评分。
其中,指标转换模型中每一个指标项对应疲劳状态评分模型中的一个输入节点,输出节点仅有一个,全连接隐层即是用于对输入节点与输出节点进行联系的中间层,状态评分模板中的全连接隐层可以为一层或多层。以状态评分模板中仅包含一层全连接隐层为例,全连接隐层中包含若干个特征单元,每一个特征单元均与所有输入节点和所有输出节点进行关联,特征单元即可用于反映指标转换模型中每一指标项与输出节点之间的关系,特征单元的数量可根据指标转换模型中指标项的数量进行设定。
其他发明实施例中,如图7所示,所述评分模型构建单元110包括子单元:输入节点构建单元111、第一公式组构建单元112、第二公式组构建单元113和参数配置单元114。
输入节点构建单元111,用于将所述指标转换模型中的指标项作为所述疲劳状态评分模型的输入节点。
将所述指标转换模型中的指标项作为所述疲劳状态评分模型的输入节点。指标转换模型即是用于将用户所输入的生理指标信息进行转换的模型,为了便于进行后续评分及判断以获取用户的疲劳状态,需通过指标转换模型进行转换以获取与生理指标信息对应的特征数组,特征数组中包含多个特征数值,生理指标信息中所包含多项指标信息,通过指标转换模型即可将生理指标信息中与指标转换模型的指标项对应的指标信息转换为对应的多个特征数值,特征数组中所包含的每一个特征数值均对应一个指标项。具体的,指标转换模型中的每一个指标项对应一个输入节点,因此可通过指标项的数量对应生成相同数量的输入节点,由于所得到的特征数组中所包含的特征数值与指标转换模型中所包含的多个指标项一一对应,也即是多个特征数值均与所生成的多个输入节点一一对应,输入节点值也即是特征数组中对应的特征数值,因此通过所构建的输入节点即可将所得到的特征数组输入疲劳状态评分模型。
第一公式组构建单元112,用于根据所述状态评分模板中全连接隐层所包含的所有特征单元及所述输入节点,以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组。
根据预设的状态评分模板中全连接隐层所包含的多个特征单元及所构建的多个输入节点,以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组,其中,第一公式组包含所有输入节点至相应特征单元的公式,每一输入节点与所有特征单元之间公式的格式均相同,仅公式中的参数值存在差异。输入节点即是疲劳状态评分模型中用于对某用户的特征数组进行输入的节点,输入节点的具体数值即为输入节点值,特征单元值即是全连接隐层中的特征单元的计算值。
第二公式组构建单元113,用于根据所有所述特征单元及所述状态评分模板中的输出节点,以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组。
根据所有所述特征单元及所述状态评分模板中的输出节点,以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组,其中,第二公式组包含所有特征单元至输出节点的公式,每一特征单元与输出节点之间公式的格式均相同,仅公式中的参数值存在差异。输出节点即是疲劳状态评分模型中用于对用户的状态评分进行输出的节点,输出节点的具体数值即是输出节点值,也即是最终所得到的状态评分,特征单元值即是全连接隐层中的特征单元的计算值。
参数配置单元114,用于根据所述指标转换模型中的参数配置信息对第一公式组和第二公式组中公式的参数进行配置以构建得到疲劳状态评分模型。
根据所述指标转换模型中的参数配置信息对第一公式组和第二公式组中公式的参数进行配置,参数配置信息中包含对所有公式中参数进行配置的信息,例如,参数配置信息可以是将所有公式中参数设置为同一数值、或生成随机数以对每一参数值进行随机设置。参数配置信息即为对疲劳状态评分模型进行初始构建,由于所构建的疲劳状态评分模型还需进行训练,对疲劳状态评分模型进行训练的过程也即是对公式中的参数值进行进一步调整,通过对第一公式组和第二公式组中公式的参数进行配置即完成了疲劳状态评分模型的构建过程。
评分模型训练单元120,用于根据模型训练规则及预设数据库对所述疲劳状态评分模型进行训练以得到训练后的所述疲劳状态评分模型。
根据预设的模型训练规则及预设数据库对所述疲劳状态评分模型进行训练以得到训练后的疲劳状态评分模型。具体的,模型训练规则中包括数据拆分规则及参数调整规则,预设数据库中包含多条数据,每一条数据均包含一个客户的特征数组及该客户对应的预设状态评分,数据拆分规则即是用于将预设数据库中所包含的数据拆分为训练数据集及测试数据集的拆分规则,训练数据集中包含多条训练数据,测试数据集中包含多条测试数据。
其他发明实施例中,如图8所示,所述评分模型训练单元120包括子单元:预设数据库拆分单元121、初始评分模型获取单元122、初始评分模型测试单元123和评分模型获取单元124。
预设数据库拆分单元121,用于根据所述模型训练规则中的数据拆分规则将所述预设数据库拆分为多个训练数据集及一个测试数据集。
根据所述模型训练规则中的数据拆分规则将所述预设数据库拆分为多个训练数据集及一个测试数据集。具体的,数据拆分规则中包含拆分比例,可根据拆分比例将预设数据库中所包含的所有数据随机拆分为训练数据集及测试数据集。
初始评分模型获取单元122,用于根据所述模型训练规则中的参数调整规则及多个训练数据集分别对所述疲劳状态评分模型进行训练以得到多个初始评分模型。
根据所述模型训练规则中的参数调整规则及多个训练数据集分别对所述疲劳状态评分模型进行训练以得到多个初始评分模型。具体的,参数调整规则中包括评分阈值、参数调整方向及参数调整幅度。对疲劳状态评分模型进行训练的具体步骤为,获取某一训练数据集中的一条训练数据,通过疲劳状态评分模型对该训练数据中的特征数组进行计算以获取该特征数组对应的训练状态评分,对训练状态评分与该训练数据中预设状态评分之间的差值是否小于评分阈值进行判断,若判断结果为小于,则不对疲劳状态评分模型中公式的参数值进行调整;若判断结果为大于,则根据参数调整方向及参数调整幅度对疲劳状态评分模型中公式的参数值进行调整。获取一个训练数据集中所包含的所有训练数据依次对疲劳状态评分模型进行迭代训练,最终即可得到与该训练数据集对应的一个初始评分模型,多个训练数据集即可训练得到多个初始评分模型。
初始评分模型测试单元123,用于根据所述测试数据集分别对所有所述初始评分模型进行测试以获取每一初始评分模型的准确率。
根据所述测试数据集分别对所有所述初始评分模型进行测试以获取每一初始评分模型的准确率。获取到多个初始评分模型后,还需计算每一初始评分模型的准确率。具体的计算过程为,将测试数据集中所包含的所有测试数据依次输入某一初始评分模型,计算得到每一条测试数据对应的测试状态评分;测试数据集中还包括预设的判断阈值Y,获取每一条测试数据的测试状态评分与预设状态评分之间的评分差值Ci=|GCi-GYi|,其中GCi为测试数据集中第i条测试数据输入该初始评分模型所计算得到的测试状态评分,GYi为测试数据集中第i条测试数据的预设状态评分,Ci为测试数据集中第i条测试数据的评分差值;判断每一条测试数据的评分差值是否小于测试数据集中的判断阈值,通过统计小于判断阈值的评分差值在所有评分差值中的占比即可获取该初始评分模型的准确率。通过上述方法即可获取每一初始评分模型的准确率。
评分模型获取单元124,用于获取准确率最高的所述初始评分模型作为训练后的疲劳状态评分模型。
获取每一初始评分模型的准确率后,获取准确率最高的初始评分模型作为训练后的疲劳状态评分模型,在后续评分过程中即可使用该训练后的疲劳状态评分模型。
生理指标信息转换单元130,用于若接收到用户所输入的生理指标信息,根据所述指标转换模型对所述生理指标信息进行转换以得到特征数组。
若接收到用户所输入的生理指标信息,根据所述指标转换模型对所述生理指标信息进行转换以得到特征数组。具体的,生理指标信息即是用户主动输入的指标信息或通过采集设备所采集的用户的指标信息,采集设备可以是智能手表、智能手环或其他可穿戴设备。其中,生理指标信息包括但不限于血压(低压)、血压(高压)、心率、血糖血脂指数、睡眠时长。
其他发明实施例中,如图9所示,所述生理指标信息转换单元130包括子单元:指标特征值获取单元131和特征数组获取单元132。
指标特征值获取单元131,用于根据所述指标转换模型中的指标项获取生理指标信息中与每一指标项对应的指标值以得到指标特征值。
根据所述指标转换模型中的指标项获取生理指标信息中与每一指标项对应的指标值以得到指标特征值。生理指标信息中可能包含无需进行评分的部分信息,因此需通过指标转换模型获取生理指标信息中需进行评分的信息。具体的,指标转换模型中包含多个指标项,通过指标项即可获取生理指标信息中与每一指标项对应的指标值,获取所有指标项对应的指标值即可得到指标特征值。
特征数组获取单元132,用于根据所述指标转换模型中的转换规则对所述指标特征值进行转换以得到特征数组。
根据所述指标转换模型中的转换规则对所述指标特征值进行转换以得到特征数组。为对所得到的指标特征值中每一指标项的指标值进行量化,需通过转换规则对指标特征值进行转换以得到特征数组,也即是对特征值进行归一化处理。具体的,转换规则中包括对每一指标项进行转换的规则,特征数组中所包含的每一个特征数值均对应一个指标项,每一特征数值的范围为[0,1]。
转换规则中包括一个激活函数及与血压(高压)、心率、血糖血脂指数三个指标项对应的中间值,对血压(高压)、心率、血糖血脂指数三个指标项进行转换的规则为,f(a)=10×(a-j)÷j,其中,a为某一指标项对应的指标值,j为该指标项对应的中间值,f(a)为转换值。将计算所得到的转换值输入激活函数即可计算得到对应的特征数值。转换规则中还包括一个睡眠质量评分规则,通过将睡眠时长这一指标项的指标值是否大于睡眠质量评分规则中的时间阈值进行评分,若睡眠时长的指标值大于时间阈值,则评分得到睡眠质量好,对应的特征数值为“1”;若睡眠时长的指标值小于时间阈值,则评分得到睡眠质量不好,对应的特征数值为“0”。
疲劳状态评分单元140,用于根据训练后的所述疲劳状态评分模型对所述特征数组进行评分以得到所述用户的状态评分。
根据训练后的所述疲劳状态评分模型对所述特征数组进行评分以得到所述用户的状态评分。训练后的疲劳状态评分模型即可准确地获取用户的状态评分,具体的,将用户输入的生理指标信息对应的特征数组输入疲劳状态评分模型进行评分后,即可得到该用户的状态评分。所得到的状态评分可以用一个数值进行表示,数值的范围为[0,100]。
其他发明实施例中,如图10所示,所述疲劳状态评分单元140包括子单元:特征数组输入单元141和状态评分获取单元142。
特征数组输入单元141,用于将所述特征数组作为所述疲劳状态评分模型的输入值进行输入。
将所述特征数组作为所述疲劳状态评分模型的输入值进行输入。疲劳状态评分模型中的输入值也即是输入节点对应的输入节点值,由于每一个指标项对应一个输入节点,则特征数组中每一特征数值均与一个输入节点对应,将特征数组中的特征数值作为输入节点的输入节点值,即可将特征数组输入疲劳状态评分模型。
状态评分获取单元142,用于获取所述疲劳状态评分模型的输出值作为所述用户的状态评分。
获取所述疲劳状态评分模型的输出值作为所述用户的状态评分。通过已训练的疲劳状态评分模型中第一公式组及第二公式组的计算后即可得到输出节点值,也即是疲劳状态评分模型的输出值,将所得到的输出值作为用户的状态评分。
疲劳状态获取单元150,用于根据预设的状态判断规则及所述状态评分获取所述用户的疲劳状态。
根据预设的状态判断规则及所述状态评分获取所述用户的疲劳状态。具体的,状态判断规则中包含多个区间,每一个区间对应一种疲劳状态,通过将状态评分与状态判断规则的区间进行匹配即可获取与状态评分相匹配的目标区间,获取目标区间对应的疲劳状态即可最终得到用户的疲劳状态。具体的,疲劳状态可包含三种:极度疲劳、中度疲劳及不疲劳。
状态提示单元160,用于根据所述疲劳状态生成相应疲劳提示信息以对所述用户进行提示。
根据所述疲劳状态生成相应疲劳提示信息以对所述用户进行提示。获取用户的疲劳状态后可根据疲劳状态的具体种类推送对应类型的提示信息至用户,以对用户进行分类提示,用户接收到提示信息后即可清楚了解自身身体状况,避免因身体过度疲劳而未及时休息导致发生意外危险。不同种类的疲劳状态可在终端设备中采用不同颜色、不同图标或不同语音对用户进行提示。
在本发明实施例所提供的疲劳状态判断装置应用上述疲劳状态判断方法,根据指标转换模型及状态评分模板构建疲劳状态评分模型,根据指标转换模型将用户所输入的生理指标信息转换为特征数组,根据训练后的疲劳状态评分模型对特征数组进行评分以得到用户的状态评分,根据状态判断规则及状态评分获取用户的疲劳状态并对用户进行提示。通过上述方法,实现了快捷方便地对用户的疲劳状态进行准确判断,能够提前对处于疲劳状态中的用户进行提醒,在实际应用过程中取得了良好的技术效果。
上述疲劳状态判断装置可以实现为计算机程序的形式,该计算机程序可以在如图11所示的计算机设备上运行。
请参阅图11,图11是本发明实施例提供的计算机设备的示意性框图。
参阅图11,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行疲劳状态判断方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行疲劳状态判断方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图11中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下功能:根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型;根据模型训练规则及预设数据库对所述疲劳状态评分模型进行训练以得到训练后的所述疲劳状态评分模型;若接收到用户所输入的生理指标信息,根据所述指标转换模型对所述生理指标信息进行转换以得到特征数组;根据训练后的所述疲劳状态评分模型对所述特征数组进行评分以得到所述用户的状态评分;根据预设的状态判断规则及所述状态评分获取所述用户的疲劳状态;根据所述疲劳状态生成相应疲劳提示信息以对所述用户进行提示。
在一实施例中,处理器502在执行根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型的步骤时,执行如下操作:将所述指标转换模型中的指标项作为所述疲劳状态评分模型的输入节点;根据所述状态评分模板中全连接隐层所包含的所有特征单元及所述输入节点,以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组;根据所有所述特征单元及所述状态评分模板中的输出节点,以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组;根据所述指标转换模型中的参数配置信息对第一公式组和第二公式组中公式的参数进行配置以构建得到疲劳状态评分模型。
在一实施例中,处理器502在执行根据模型训练规则及预设数据库对所述疲劳状态评分模型进行训练以得到训练后的所述疲劳状态评分模型的步骤时,执行如下操作:根据所述模型训练规则中的数据拆分规则将所述预设数据库拆分为多个训练数据集及一个测试数据集;根据所述模型训练规则中的参数调整规则及多个训练数据集分别对所述疲劳状态评分模型进行训练以得到多个初始评分模型;根据所述测试数据集分别对所有所述初始评分模型进行测试以获取每一初始评分模型的准确率;获取准确率最高的所述初始评分模型作为训练后的疲劳状态评分模型。
在一实施例中,处理器502在执行根据所述指标转换模型对所述生理指标信息进行转换以得到特征数组的步骤时,执行如下操作:根据所述指标转换模型中的指标项获取生理指标信息中与每一指标项对应的指标值以得到指标特征值;根据所述指标转换模型中的转换规则对所述指标特征值进行转换以得到特征数组。
在一实施例中,处理器502在执行根据训练后的所述疲劳状态评分模型对所述特征数组进行评分以得到所述用户的状态评分的步骤时,执行如下操作:将所述特征数组作为所述疲劳状态评分模型的输入值进行输入;获取所述疲劳状态评分模型的输出值作为所述用户的状态评分。
本领域技术人员可以理解,图11中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图11所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现以下步骤:根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型;根据模型训练规则及预设数据库对所述疲劳状态评分模型进行训练以得到训练后的所述疲劳状态评分模型;若接收到用户所输入的生理指标信息,根据所述指标转换模型对所述生理指标信息进行转换以得到特征数组;根据训练后的所述疲劳状态评分模型对所述特征数组进行评分以得到所述用户的状态评分;根据预设的状态判断规则及所述状态评分获取所述用户的疲劳状态;根据所述疲劳状态生成相应疲劳提示信息以对所述用户进行提示。
在一实施例中,所述根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型的步骤,包括:将所述指标转换模型中的指标项作为所述疲劳状态评分模型的输入节点;根据所述状态评分模板中全连接隐层所包含的所有特征单元及所述输入节点,以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组;根据所有所述特征单元及所述状态评分模板中的输出节点,以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组;根据所述指标转换模型中的参数配置信息对第一公式组和第二公式组中公式的参数进行配置以构建得到疲劳状态评分模型。
在一实施例中,所述根据模型训练规则及预设数据库对所述疲劳状态评分模型进行训练以得到训练后的所述疲劳状态评分模型的步骤,包括:根据所述模型训练规则中的数据拆分规则将所述预设数据库拆分为多个训练数据集及一个测试数据集;根据所述模型训练规则中的参数调整规则及多个训练数据集分别对所述疲劳状态评分模型进行训练以得到多个初始评分模型;根据所述测试数据集分别对所有所述初始评分模型进行测试以获取每一初始评分模型的准确率;获取准确率最高的所述初始评分模型作为训练后的疲劳状态评分模型。
在一实施例中,所述根据所述指标转换模型对所述生理指标信息进行转换以得到特征数组的步骤,包括:根据所述指标转换模型中的指标项获取生理指标信息中与每一指标项对应的指标值以得到指标特征值;根据所述指标转换模型中的转换规则对所述指标特征值进行转换以得到特征数组。
在一实施例中,所述根据训练后的所述疲劳状态评分模型对所述特征数组进行评分以得到所述用户的状态评分的步骤,包括:将所述特征数组作为所述疲劳状态评分模型的输入值进行输入;获取所述疲劳状态评分模型的输出值作为所述用户的状态评分。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个计算机可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种疲劳状态判断方法,其特征在于,包括:
根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型;
根据模型训练规则及预设数据库对所述疲劳状态评分模型进行训练以得到训练后的所述疲劳状态评分模型;
若接收到用户所输入的生理指标信息,根据所述指标转换模型对所述生理指标信息进行转换以得到特征数组;
根据训练后的所述疲劳状态评分模型对所述特征数组进行评分以得到所述用户的状态评分;
根据预设的状态判断规则及所述状态评分获取所述用户的疲劳状态;
根据所述疲劳状态生成相应疲劳提示信息以对所述用户进行提示;
所述根据所述指标转换模型对所述生理指标信息进行转换以得到特征数组,包括:
根据所述指标转换模型中的指标项获取生理指标信息中与每一指标项对应的指标值以得到指标特征值;所述指标转换模型中的指标项包括血压、心率、血糖血脂指数及睡眠时长;
根据所述指标转换模型中的转换规则对所述指标特征值进行转换以得到特征数组;所述特征数组中所包含的每一个特征数值均对应一个指标项;所述转换规则包括一个激活函数及与血压、心率、血糖血脂指数三个指标项对应的中间值,对血压、心率、血糖血脂指数三个指标项进行转换的规则为,f(a)=10×(a-j)÷j;其中,a为某一指标项对应的指标值,j为该指标项预设的中间值,f(a)为转换值;通过激活函数f(x)=(1+e-x)-1对血压、心率、血糖血脂指数三个指标项对应的转换值进行计算得到对应的特征数值,x为转换值,f(x)为特征数值;所述转换规则中还包括一个睡眠质量评分规则,将睡眠时长这一指标项的指标值是否大于睡眠质量评分规则中的时间阈值进行评分,得到对应的特征数值。
2.根据权利要求1所述的疲劳状态判断方法,其特征在于,所述根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型,包括:
将所述指标转换模型中的指标项作为所述疲劳状态评分模型的输入节点;
根据所述状态评分模板中全连接隐层所包含的所有特征单元及所述输入节点,以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组;
根据所有所述特征单元及所述状态评分模板中的输出节点,以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组;
根据所述指标转换模型中的参数配置信息对第一公式组和第二公式组中公式的参数进行配置以构建得到疲劳状态评分模型。
3.根据权利要求1所述的疲劳状态判断方法,其特征在于,所述根据模型训练规则及预设数据库对所述疲劳状态评分模型进行训练以得到训练后的所述疲劳状态评分模型,包括:
根据所述模型训练规则中的数据拆分规则将所述预设数据库拆分为多个训练数据集及一个测试数据集;
根据所述模型训练规则中的参数调整规则及多个训练数据集分别对所述疲劳状态评分模型进行训练以得到多个初始评分模型;
根据所述测试数据集分别对所有所述初始评分模型进行测试以获取每一初始评分模型的准确率;
获取准确率最高的所述初始评分模型作为训练后的疲劳状态评分模型。
4.根据权利要求1所述的疲劳状态判断方法,其特征在于,所述根据训练后的所述疲劳状态评分模型对所述特征数组进行评分以得到所述用户的状态评分,包括:
将所述特征数组作为所述疲劳状态评分模型的输入值进行输入;
获取所述疲劳状态评分模型的输出值作为所述用户的状态评分。
5.一种疲劳状态判断装置,其特征在于,包括:
评分模型构建单元,用于根据预设的指标转换模型及状态评分模板构建疲劳状态评分模型;
评分模型训练单元,用于根据模型训练规则及预设数据库对所述疲劳状态评分模型进行训练以得到训练后的所述疲劳状态评分模型;
生理指标信息转换单元,用于若接收到用户所输入的生理指标信息,根据所述指标转换模型对所述生理指标信息进行转换以得到特征数组;
疲劳状态评分单元,用于根据训练后的所述疲劳状态评分模型对所述特征数组进行评分以得到所述用户的状态评分;
疲劳状态获取单元,用于根据预设的状态判断规则及所述状态评分获取所述用户的疲劳状态;
状态提示单元,用于根据所述疲劳状态生成相应疲劳提示信息以对所述用户进行提示;
所述生理指标信息转换单元包括子单元:指标特征值获取单元,用于根据所述指标转换模型中的指标项获取生理指标信息中与每一指标项对应的指标值以得到指标特征值;所述指标转换模型中的指标项包括血压、心率、血糖血脂指数及睡眠时长;
特征数组获取单元,用于根据所述指标转换模型中的转换规则对所述指标特征值进行转换以得到特征数组;所述特征数组中所包含的每一个特征数值均对应一个指标项;所述转换规则包括一个激活函数及与血压、心率、血糖血脂指数三个指标项对应的中间值,对血压、心率、血糖血脂指数三个指标项进行转换的规则为,f(a)=10×(a-j)÷j;其中,a为某一指标项对应的指标值,j为该指标项预设的中间值,f(a)为转换值;通过激活函数f(x)=(1+e-x)-1对血压、心率、血糖血脂指数三个指标项对应的转换值进行计算得到对应的特征数值,x为转换值,f(x)为特征数值;所述转换规则中还包括一个睡眠质量评分规则,将睡眠时长这一指标项的指标值是否大于睡眠质量评分规则中的时间阈值进行评分,得到对应的特征数值。
6.根据权利要求5所述的疲劳状态判断装置,其特征在于,所述评分模型构建单元,包括:
输入节点构建单元,用于将所述指标转换模型中的指标项作为所述疲劳状态评分模型的输入节点;
第一公式组构建单元,用于根据所述状态评分模板中全连接隐层所包含的所有特征单元及所述输入节点,以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组;
第二公式组构建单元,用于根据所有所述特征单元及所述状态评分模板中的输出节点,以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组;
参数配置单元,用于根据所述指标转换模型中的参数配置信息对第一公式组和第二公式组中公式的参数进行配置以构建得到疲劳状态评分模型。
7.根据权利要求5所述的疲劳状态判断装置,其特征在于,所述评分模型训练单元,包括:
预设数据库拆分单元,用于根据所述模型训练规则中的数据拆分规则将所述预设数据库拆分为多个训练数据集及一个测试数据集;
初始评分模型获取单元,用于根据所述模型训练规则中的参数调整规则及多个训练数据集分别对所述疲劳状态评分模型进行训练以得到多个初始评分模型;
初始评分模型测试单元,用于根据所述测试数据集分别对所有所述初始评分模型进行测试以获取每一初始评分模型的准确率;
评分模型获取单元,用于获取准确率最高的所述初始评分模型作为训练后的疲劳状态评分模型。
8.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的疲劳状态判断方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至4任一项所述的疲劳状态判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910604768.2A CN110458191B (zh) | 2019-07-05 | 2019-07-05 | 疲劳状态判断方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910604768.2A CN110458191B (zh) | 2019-07-05 | 2019-07-05 | 疲劳状态判断方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458191A CN110458191A (zh) | 2019-11-15 |
CN110458191B true CN110458191B (zh) | 2024-04-12 |
Family
ID=68482184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910604768.2A Active CN110458191B (zh) | 2019-07-05 | 2019-07-05 | 疲劳状态判断方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458191B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102271584A (zh) * | 2009-10-29 | 2011-12-07 | 松下电器产业株式会社 | 生物疲劳评价装置以及生物疲劳评价方法 |
CN103824420A (zh) * | 2013-12-26 | 2014-05-28 | 苏州清研微视电子科技有限公司 | 基于心率变异性非接触式测量的疲劳驾驶识别系统 |
CN107742399A (zh) * | 2017-11-16 | 2018-02-27 | 百度在线网络技术(北京)有限公司 | 用于发出告警信号的方法及装置 |
CN108464839A (zh) * | 2018-03-22 | 2018-08-31 | 东华大学 | 一种基于机器学习的车载疲劳驾驶监测预警系统 |
CN109146193A (zh) * | 2018-09-05 | 2019-01-04 | 平安科技(深圳)有限公司 | 产品智能推荐方法、装置、计算机设备及存储介质 |
CN109849660A (zh) * | 2019-01-29 | 2019-06-07 | 合肥革绿信息科技有限公司 | 一种车辆安全控制系统 |
-
2019
- 2019-07-05 CN CN201910604768.2A patent/CN110458191B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102271584A (zh) * | 2009-10-29 | 2011-12-07 | 松下电器产业株式会社 | 生物疲劳评价装置以及生物疲劳评价方法 |
CN103824420A (zh) * | 2013-12-26 | 2014-05-28 | 苏州清研微视电子科技有限公司 | 基于心率变异性非接触式测量的疲劳驾驶识别系统 |
CN107742399A (zh) * | 2017-11-16 | 2018-02-27 | 百度在线网络技术(北京)有限公司 | 用于发出告警信号的方法及装置 |
CN108464839A (zh) * | 2018-03-22 | 2018-08-31 | 东华大学 | 一种基于机器学习的车载疲劳驾驶监测预警系统 |
CN109146193A (zh) * | 2018-09-05 | 2019-01-04 | 平安科技(深圳)有限公司 | 产品智能推荐方法、装置、计算机设备及存储介质 |
CN109849660A (zh) * | 2019-01-29 | 2019-06-07 | 合肥革绿信息科技有限公司 | 一种车辆安全控制系统 |
Non-Patent Citations (1)
Title |
---|
"基于方向盘信号的高速公路驾驶状态检测方法";李洪涛 等;山西建筑;20181001;第44卷(第28期);第110-112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110458191A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barbeau et al. | Path analysis in Mplus: A tutorial using a conceptual model of psychological and behavioral antecedents of bulimic symptoms in young adults | |
Williams et al. | Psychometric evaluation of the short sensory profile in youth with autism spectrum disorder | |
AU2012315836B2 (en) | Methods and systems for hearing tests | |
EP2238899B1 (en) | Efficient evaluation of hearing ability | |
US20180078156A1 (en) | Blood Pressure Measurement Data Processing Method and Apparatus | |
Lian et al. | Generalized additive partial linear models for clustered data with diverging number of covariates using GEE | |
Alanazi et al. | Behavioral Intention to Use IoT Technology in Healthcare Settings. | |
CN111387936B (zh) | 一种睡眠阶段识别方法、装置及设备 | |
US20230065255A1 (en) | Apparatus and method for calibration of bio-information estimation model, and bio-information estimating apparatus | |
Xiao et al. | Bootstrap‐based methods for estimating standard errors in Cox's regression analyses of clustered event times | |
Bang et al. | Bias correction methods for misclassified covariates in the Cox model: comparison of five correction methods by simulation and data analysis | |
Livingston et al. | Multivariate analyses of the profile stability of intelligence tests: High for IQs, low to very low for subtest analyses | |
CN110458191B (zh) | 疲劳状态判断方法、装置、计算机设备及存储介质 | |
CN111667029B (zh) | 一种聚类方法、装置、设备及存储介质 | |
Koutny | Crosswalk–a time-ordered metric | |
KR20170143298A (ko) | 그룹 기반의 당뇨 정보 공유 지원 장치 및 방법 | |
US8751416B2 (en) | Method and apparatus for deriving probabilistic models from deterministic ones | |
RU2586030C2 (ru) | Способ и система тестирования | |
Segal et al. | Dependence estimation for marginal models of multivariate survival data | |
Kim et al. | P-value and Reduction to Absurdity | |
CN110674838B (zh) | 基于组合特征筛选的模型构建方法、装置、计算机设备 | |
JP2020179143A (ja) | 血圧の急低下を見積もる方法及び電子デバイス | |
McCreery et al. | Predicting children’s real-ear-to-coupler differences based on tympanometric data | |
Roberts | Generalized graded unfolding model | |
EP4109467A1 (en) | Patient context detection |
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 |