CN111008541A - 一种vdt视觉疲劳监测预警系统 - Google Patents
一种vdt视觉疲劳监测预警系统 Download PDFInfo
- Publication number
- CN111008541A CN111008541A CN201811165882.1A CN201811165882A CN111008541A CN 111008541 A CN111008541 A CN 111008541A CN 201811165882 A CN201811165882 A CN 201811165882A CN 111008541 A CN111008541 A CN 111008541A
- Authority
- CN
- China
- Prior art keywords
- module
- early warning
- vdt
- monitoring
- fatigue
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 208000003464 asthenopia Diseases 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000001133 acceleration Effects 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000000747 cardiac effect Effects 0.000 claims description 4
- 230000035939 shock Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 2
- 206010016256 fatigue Diseases 0.000 description 17
- 238000000034 method Methods 0.000 description 16
- 238000000354 decomposition reaction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 238000000718 qrs complex Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000002087 whitening effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000003556 Dry Eye Syndromes Diseases 0.000 description 1
- 206010013774 Dry eye Diseases 0.000 description 1
- 206010013954 Dysphoria Diseases 0.000 description 1
- 206010023644 Lacrimation increased Diseases 0.000 description 1
- 208000019914 Mental Fatigue Diseases 0.000 description 1
- 208000000112 Myalgia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001112 cardioblast Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 210000003811 finger Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004317 lacrimation Effects 0.000 description 1
- 208000027905 limb weakness Diseases 0.000 description 1
- 231100000861 limb weakness Toxicity 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
- G06F2203/01—Indexing scheme relating to G06F3/01
- G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Dermatology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种VDT视觉疲劳监测预警系统，包括信号采集模块、信号处理模块、疲劳指标量提取模块、监测预警模块、以及终端执行模块；信号采集模块用于采集加速度信号；信号处理模块包括信号存储模块、信号预处理模块、FFT模块、带通滤波模块、IFFT模块；疲劳指标量提取模块包括HRV提取模块、LF提取模块；监测预警模块包括视觉疲劳分类模块、视觉疲劳指导模块；终端执行模块包括语音预警模块、文字预警模块、VDT执行强制预警模块。本发明对VDT使用者进行无约束式视觉疲劳监测，经过信号处理以及疲劳指标量提取，经疲劳分类，给使用者提示预警以及对VDT产品进行操作，减少长时间使用VDT产品带给使用者的伤害。
Description
技术领域
本发明属于疲劳监测技术领域，尤其是涉及一种VDT视觉疲劳监测预警系统。
背景技术
目前，由于Visual Display Teminal (VDT)产品使用时间过长导致的眼科疾病日益增多，也给人们的身体健康带来了极大的威胁，如人体生理机能低下、心理发生变化后的心理疲劳、烦躁郁闷、肌肉酸痛、四肢无力、无精打采、头昏脑涨、眼睛干涩、流泪等问题。可见，对VDT视觉疲劳进行监测预警迫在眉睫。
目前，对VDT视觉疲劳的研究主要分为三类：基于生理信号的客观测量法，该方法通常需固定电极等设备于手指、腕部、头部或胸部位置，此种束缚式监测对舒适性影响较大，受环境影响较大，给被测试者带来了精神压力；基于VDT使用者所描述主观感受的主观评分法，该方法无具体的物理指标衡量，其准确性仅依赖于受试者的主观感受，仅可作为客观VDT视觉疲劳监测的辅助验证方法；基于任务完成程度的主任务评分法，该类方法受如睡眠质量、精神状态等未知因素影响，仅可作为辅助验证方法。
综上所述，现有技术存在的问题是：VDT视觉疲劳监测受环境（光线强度、温度）影响较大；对使用者有束缚，严重影响使用者；无法智能完成由信号采集到预警完整过程。
发明内容
有鉴于此，本发明旨在提出一种VDT视觉疲劳监测预警系统，以解决上述背景技术中提到的问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种VDT视觉疲劳监测预警系统，包括依次连接的信号采集模块、信号处理模块、疲劳指标量提取模块、监测预警模块、以及终端执行模块；
所述信号采集模块用于采集加速度信号，并将采集的结果发送到信号处理模块；
所述信号处理模块包括信号存储模块、信号预处理模块、FFT模块、带通滤波模块、IFFT模块，用于对接收的数据进行处理，并将处理的结果发送到疲劳指标量提取模块；
所述疲劳指标量提取模块包括HRV提取模块、LF提取模块，用于提取视觉疲劳指标量，并将提取结果发送到监测预警模块；
所述监测预警模块包括视觉疲劳分类模块、以及视觉疲劳指导模块，用于疲劳分类监测预警，并将结果发送到终端执行模块；
所述终端执行模块包括语音预警模块、文字预警模块、以及VDT执行强制预警模块。
进一步的，所述信号采集模块包括三向加速度传感器、可调节智能座椅和信号采集卡Nextkit S-，所述智能座椅放于实验台前方，所述三向加速度传感器安装于智能座椅靠背位置，所述信号采集卡与三向加速度传感器相连接。
进一步的，所述信号处理模块基于Labview实现，其中，信号预处理模块基于自适应阈值小波算法，对信号进行去噪，FFT模块用于将加速度信号由时域转变为频域，带通滤波模块用于在心电频率范围内实现滤波，IFFT模块用于将信号由频域转变为时域，实现心冲击信号的提取。
进一步的，所述疲劳指标量提取模块将成功提取后的心冲击信号经过基于小波算法确定J波位置，计算JJ间期，完成LF指标量提取，将提取后的指标量输入监测预警模块。
进一步的，所述视觉疲劳分类模块基于支持向量机，经过大量数据训练建立数据库，获取疲劳等级，所述视觉疲劳指导模块用于针对不同等级视觉疲劳提出不同治疗方案。
进一步的，所述终端执行模块基于软件与app对VDT产品进行强制性操作。
相对于现有技术，本发明所述的一种VDT视觉疲劳监测预警系统具有以下优势：
本发明可以对VDT使用者进行无约束式监测预警，降低使用者心理压力，提高使用者舒适度与监测精度；智能完成由信号采集，信号处理，指标量提取、视觉疲劳分类到预警的完整过程，提高监测效率，在最短时间内完成VDT使用者的视觉状态判断，最大程度降低长时间使用VDT产品对使用者的伤害。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的一种VDT视觉疲劳监测预警系统示意图；
图2为本发明实施例所述的自适应阈值小波去噪前后对比示意图；
图3为本发明实施例所述的FFT变换后图像；
图4为本发明实施例所述的IFFT后心冲击信号；
图5为本发明实施例所述的HRV频谱图及LF值；
图6为本发明实施例所述的测试人员的RR、JJ间期平均值示意图；
图7为本发明实施例所述的测试人员心电信号的LF平均值以及心冲击信号的LF值的平均值示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示，本发明包括信号采集模块、信号处理模块、疲劳指标量提取模块、监测预警模块和终端执行模块，其中信号采集模块包括加速度传感器、信号采集卡和信号存储器，用于加速度信号的采集；信号处理模块包括基于小波去噪的信号预处理模块、FFT（傅里叶变换）模块、带通滤波模块和IFFT模块，用于信号的去噪处理、时频变换，疲劳指标量提取模块用于J波定位以及JJ间期获取，提取视觉疲劳指标量LF，监测预警模块基于支持向量机的视觉疲劳分类模块、视觉疲劳指导模块，用于疲劳分类以及相应语音、文字预警，提出指导性建议，终端执行模块用于对VDT视觉设备执行操作，包括VDT设备强制休眠、重新启动。
本发明的工作过程如下：
设备的安装：
装有加速度传感器的座椅，座椅采用无轮式以减少因移动引起的噪声对信号采集的影响；信号采集系统选择LMS公司的振动分析采集系统，其加速度传感器型号为：PCB-333B30。
当VDT使用者进行VDT使用时，背部紧靠装有三向加速度传感器的智能座椅，Nextkit S-信号采集卡开始信号采集，将信号传递给Labview系统，进行信号预处理，以减小工频干扰、基线漂移等噪声，然后进行FFT，将加速度信号由时域转变为频域，然后在心电频率范围内进行带通滤波，再进行IFFT，频域信号转变为时域信号，完成心冲击信号的提取，再将成功提取后的心冲击信号经过基于小波算法确定J波位置，计算JJ间期，完成LF指标量提取，将提取后的指标量输入监测预警模块，使用支持向量机算法将视觉疲劳进行分类，分为不疲劳、轻微疲劳、疲劳、严重疲劳四类，监测预警模块根据不同疲劳类别给予使用者进行不同文字、语音预警，若为严重疲劳，预警3次过后，使用者还在继续，则终端执行模块强制对VDT产品进行休眠，达到设置时间后，VDT产品方可继续工作。
其中，信号预处理模块利用自适应阈值小波算法以进行心冲击信号的降噪和提取，自适应阈值小波去噪步骤主要围绕影响小波去噪效果四个因素（阈值函数、阈值、小波基和分解尺度）进行。具体步骤如下：
（1）阈值函数的确定
阈值函数为：
其中，th为阈值，x为无噪信号，m为参数，用来调整阈值函数根据经验选择，
为可变阈值函数。
其中，
，m j 取最大值11，随着j变大m j 变小，E nj 为分解j层后第j层的噪声能量，其表达式为：
Edj为信号分解j层后高频部分的总能量，为其表达式为：
d j,k 为信号分解j层后高频的系数。
当分解j层后m根据式（2）确定后带入（1）式，得到分解j层后的阈值函数为：
（2）阈值的确定
设无噪原始信号为x，含噪实测信号为y，噪声信号为n，数学模型为：
设y，x，n经过小波变换后的系数分别为
，u和v。对应数学模型为：
定义函数：
其中，
为阈值函数，
是N维向量y的映射函数。可以建立等式：
当
取最小值的时候，
也对应最小值。所以g(y)可微，根据SURE无偏估计可得：
其中，
SURE是式（10）的一个无偏估计，定义为：
通过式（9），可以得出，MSE最小值对应着SURE的无偏估计的最小值，因此，计算式（11）取最小值时对应的阈值就是最小MSE意义下的最佳阈值。RS(t)的梯度函数为：
根据式(8), 
,代入式（1）计算偏导数：
通过极小化不同分解尺度上的
，获得对应尺度上的最优阈值th j 。使用最优化算法的最速下降法即可找到最优阈值。
（3）小波基的确定
小波基的选择根据支集长度、对称性、自相似原则、消失矩阶数对称性、正则性综合进行选择。在加速度信号去噪中，经过Matlab仿真，以信噪比为依据，sym8的信噪比较高，选该小波为小波基。
（4）分解尺度的确定
由小波变换理论可知：白噪声经过正交小波变换后仍然是白噪声；有用的信号经过小波变换后，其能量则被压缩到少数大尺度小波空间上数值较大的小波系数中，有用信号的小波系数占主导地位，从而使这些小波系数表现出非白噪声特性。因此通过判断各层小波空间系数判断是否具有白噪声特性，可以自适应地确定合理的分解层次，当小波高频系数表现出非白噪声特性时，分解层数已经足够不需继续分下去。通过小波系数去相关白化检验判断小波高频系数序列是否具有白噪声特性，可以自适应确定合理的层数，从而达到去除噪声并尽可能多的保留有用信号的目的。
小波系数去相关白化检验：
原假设：H 0 {x(n)}为独立白噪声；否定假设：H 1 {x(n)}为相关序列。
设原序列自相关系数估计值为
,小波去相关后的自相关系数估计只为：
。估计方法使用
中的定义，当N充分放大后
和
都近似服从
分布，那么令：
其中，
为原序列的自相关系数，
为小波分解去相关后的自相关系数。
其中，
则依据数理统计的理论，其近似服从
分布，在原假设条件下有：
所以，当检验统计量F(m,m)-1的数值较大时应拒绝原假设。这样，给定显著水平α，查自由度为F(m,m)分布表，得到临界值F α ，当F(m,m)-1＞Fα时，应当否定原假设。
分解尺度的步骤如下：
令分解层数j=1，进行小波分解，提取高频系数d kj 组成H 1{x(n)}为相关序列，然后对d kj 进行小波去相关白化检验，若d kj 表现白噪声则：
若d kj 无法表现白噪声，则得到最优的分解层数：
（5）在j层上进行小波分解；
（6）如果j≤N，则j=j+1；若j＞N，则进行小波逆变换得到去噪后的信号。
使用自适应阈值小波法对用LMS采集的测试者1在实验的第4个5min内25s的数据（图像如图2（a）所示）用Matlab进行时域滤波去噪然后再重构得到图2（b）所示图像。对比（a）、（b）两图可知，信号曲线趋于光滑，噪声得到了明显的抑制。
带通滤波模块用于在心电频率范围内实现滤波，带通滤波模块使用带通滤波器，允许一定频段的信号通过，抑制低于或高于该频段的信号、干扰和噪声通过。在二级降噪过程中选用该滤波器将一级降噪后的信号经过FFT得到数据以及如图3（a）（b）所示幅度-频率与相位-频率曲线图像，然后在心电范围内进行滤波后再进行IFFT变换得到心冲击信号，如图4所示。
疲劳指标量提取模块用于将成功提取后的心冲击信号经过基于小波算法确定J波位置，计算JJ间期，完成LF指标量提取，具体使用基于小波变换的检测方法，其主要步骤为：
1.QRS波群检测
心电信号经过滤波后，使用Mallat算法进行不同尺度的小波变换，利用差分阈值的方法将心电信号中QRS波在不同的频率段分离出来以实现QRS波群的检测。应用Mallat算法进行不同尺度的小波变换，其数字滤波器的公式表示如下：
其中，
为待处理的心电信号, 
为信号的二进制小波变换。Mallat 算法主要是通过找到信号小波变换后模极大值的位置和相应的幅度信息来判断信号的奇异点的位置。
（1）R波检测
将心电信号进行小波变换后，在Mallat算法下，其检测方法如下：
1) 选择分解尺度：信号经小波变换分解后，信号不同的特征信息分布在不同的尺度上。因QRS波群的能量主要集中在尺度23和尺度24上，并且能量在23尺度上最大。所以本算法采取从尺度21到尺度23来检测R波;
2) 阈值的确定：在尺度23上的前20s中，分别找出每一秒钟的最大值，然后计算这20s最大值的均值，并且将均值的5/9作为检测QRS波群中的R波的幅度阈值。当发现幅度阈值大于该阈值时，则认为找到了一个R波并进行标记。当在一个窗口内找到了尺度变化下信号的模极值的位置，那么极值的位置就是R波波峰的位置。
3)确定 R 波的模极大值列：R波在每个特征尺度上都能产生一对模极大值点，将这些模极大值点构成R波的模极大值列并且需要剔除不属于R波序列的极大值列。
4) 去除孤立的模极大值点：
令：
其中，
，a为正则指数。
令：
则在特征尺度21到24上，可以求出奇异点a1，a2和a3。R波峰总是对应于a1>0的情况，而且在大部分情况下，其也对应于a2>0的情况。由于大部分R 波在尺度23的能量大于24，并且
从尺度23到尺度24衰减非常快，这就使得a3<0,并且a1+a2+a3≤0。因此，通过a1+a2+a3的值不能有效的分辨出R波。所以这里在检测的时候只选择a1和a2，并且另
。当发生心律失常等现象，R波往往会造成a增大。所以当a突然较少，甚至是成负数时，其相应的奇异点一般是干扰或者噪声。因此，相应检测出来的模极大值可以从中去除。
（2）QRS波的起点Q和终点S的检测
QRS波的起点是指Q波(当Q波不存在时为R波)的起点，QRS波的终点是指S波的终点，当S波不存在时为R波的终点。由于Q波和S波通常是高频低幅波，能量主要集中在小波变换的小尺度上，因此，我们在尺度21上检测QRS波的起点Q波和终点S波。首先在确定了QRS波群中R波的位置后在R波的前100ms内查找相应的极值点，对应也就找到了Q波波峰的位置，然后再从Q波波峰出发，往回50ms内搜索连续两个点之差，如果连续两点之差小于固定的阈值，那么就找到了Q波的起点。对于S波的检测，首先在R波的后100ms内找到对于的极值点，为S波的波峰的位置，然后S波峰的100ms找到零电位点，零电位点被认为是Q波起点的中间一点，当找到了零电位点，也就找到了S波的终点。
2. RR间期的计算
RR间期是指QRS波群中相邻两个R波波峰的间隔时间。RR间期的计算方法主要是采取R波产生的序列号为横坐标的方法，将其转化为等间隔的数据序列，然后每个数据的值等于前后两个RR波之间的间期。
3. 将RR间期进行FFT得到不同的频率成分的频谱，获取0.04Hz-0.15Hz间的低频段功率值LF。
将第一位测试者的第一次测量的心电信号经过上述步骤获取了0.04Hz-0.15Hz间的低频段功率值LF，其中，LF值为0.11。心冲击信号LF的获取步骤同心电信号。如图5所示。
将10位测试者在实验的6次采集到的ECG和BCG信号经过一级和二级去噪处理后计算ECG的R波的RR间期和J波JJ间期，并求10位测试人员在每次实验的RR、JJ间期平均值，得到如图6所示的结果。可见RR间期和JJ间期基本一致，差异很小。
计算10位测试者在每次实验的心电信号的LF平均值以及心冲击信号的LF值的平均值，得到如图7所示结果。可见心冲击信号的LF与心电信号的LF值相差很小，并且随着VDT使用时间的增加，它们的值都是逐渐增大的。
分析ECG与BCG的LF值在120min的实验过程中逐渐上升。ECG的LF值在作业开始的15～20min出现一个峰值，可能是由于情绪波动造成的。实验结束时，其值达到最高；BCG的LF值随着VDT的使用时间，一直处于上升的状态。
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、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种VDT视觉疲劳监测预警系统，其特征在于：包括依次连接的信号采集模块、信号处理模块、疲劳指标量提取模块、监测预警模块、以及终端执行模块；
所述信号采集模块用于采集加速度信号，并将采集的结果发送到信号处理模块；
所述信号处理模块包括信号存储模块、信号预处理模块、FFT模块、带通滤波模块、IFFT模块，用于对接收的数据进行处理，并将处理的结果发送到疲劳指标量提取模块；
所述疲劳指标量提取模块包括HRV提取模块、LF提取模块，用于提取视觉疲劳指标量，并将提取结果发送到监测预警模块；
所述监测预警模块包括视觉疲劳分类模块、以及视觉疲劳指导模块，用于疲劳分类监测预警，并将结果发送到终端执行模块；
所述终端执行模块包括语音预警模块、文字预警模块、以及VDT执行强制预警模块。
2.根据权利要求1所述的一种VDT视觉疲劳监测预警系统，其特征在于：所述信号采集模块包括三向加速度传感器、可调节智能座椅和信号采集卡Nextkit S-，所述智能座椅放于实验台前方，所述三向加速度传感器安装于智能座椅靠背位置，所述信号采集卡与三向加速度传感器相连接。
3.根据权利要求1所述的一种VDT视觉疲劳监测预警系统，其特征在于：所述信号处理模块基于Labview实现，其中，信号预处理模块基于自适应阈值小波算法，对信号进行去噪，FFT模块用于将加速度信号由时域转变为频域，带通滤波模块用于在心电频率范围内实现滤波，IFFT模块用于将信号由频域转变为时域，实现心冲击信号的提取。
4.根据权利要求3所述的一种VDT视觉疲劳监测预警系统，其特征在于：所述疲劳指标量提取模块将成功提取后的心冲击信号经过基于小波算法确定J波位置，计算JJ间期，完成LF指标量提取，将提取后的指标量输入监测预警模块。
5.根据权利要求1所述的一种VDT视觉疲劳监测预警系统，其特征在于：所述视觉疲劳分类模块基于支持向量机，经过大量数据训练建立数据库，获取疲劳等级，所述视觉疲劳指导模块用于针对不同等级视觉疲劳提出不同治疗方案。
6.根据权利要求1所述的一种VDT视觉疲劳监测预警系统，其特征在于：所述终端执行模块基于软件与app对VDT产品进行强制性操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811165882.1A CN111008541A (zh) | 2018-10-08 | 2018-10-08 | 一种vdt视觉疲劳监测预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811165882.1A CN111008541A (zh) | 2018-10-08 | 2018-10-08 | 一种vdt视觉疲劳监测预警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111008541A true CN111008541A (zh) | 2020-04-14 |
Family
ID=70110572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811165882.1A Pending CN111008541A (zh) | 2018-10-08 | 2018-10-08 | 一种vdt视觉疲劳监测预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111008541A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015054134A1 (en) * | 2013-10-09 | 2015-04-16 | Resmed Sensor Technologies Limited | Fatigue monitoring and management system |
| CN105943015A (zh) * | 2016-06-04 | 2016-09-21 | 浙江大学 | 一种主动降噪的穿戴式心率变异性监测设备 |
| US20160367157A1 (en) * | 2015-06-19 | 2016-12-22 | Michael Blake | Wearable physiological monitoring and notification system based on real-time heart rate variability analysis |
-
2018
- 2018-10-08 CN CN201811165882.1A patent/CN111008541A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015054134A1 (en) * | 2013-10-09 | 2015-04-16 | Resmed Sensor Technologies Limited | Fatigue monitoring and management system |
| US20160367157A1 (en) * | 2015-06-19 | 2016-12-22 | Michael Blake | Wearable physiological monitoring and notification system based on real-time heart rate variability analysis |
| CN105943015A (zh) * | 2016-06-04 | 2016-09-21 | 浙江大学 | 一种主动降噪的穿戴式心率变异性监测设备 |
Non-Patent Citations (2)
| Title |
|---|
| 张爱华: "基于心电脉搏特征的视觉疲劳状态识别" * |
| 张爱华: "基于生理信息的视频显示终端精神疲劳状态研究" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
| CN108577834B (zh) | 一种用于癫痫间期棘波自动检测的方法 | |
| KR101868888B1 (ko) | 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법 | |
| US20080262367A1 (en) | General diagnostic and real-time applications of discrete hermite functions to digital data | |
| CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
| WO2003005879A2 (en) | Method and apparatus for monitoring cardiac patients for t-wave alternans | |
| Lin et al. | Heartbeat classification using normalized RR intervals and wavelet features | |
| CN106236027B (zh) | 一种脑电与温度相结合的抑郁人群判定系统 | |
| CN108814579B (zh) | 一种基于emd分解的心电、呼吸联合计算心率变异性的方法 | |
| CN110123304B (zh) | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 | |
| CN108992053B (zh) | 一种实时的无束缚检测心率和心跳间隔的方法 | |
| Bonde et al. | VVRRM: Vehicular vibration-based heart RR-interval monitoring system | |
| CN105147252A (zh) | 心脏疾病识别及评估方法 | |
| CN112057087B (zh) | 精神分裂症高风险人群自主神经功能数据处理方法及装置 | |
| Bianchi et al. | Time-frequency analysis of biomedical signals | |
| CN109938719A (zh) | 一种基于生理参数的驾驶员疲劳检测方法 | |
| JP2017042562A (ja) | 楽曲聴取経験有無推定方法、楽曲聴取経験有無推定装置、及び楽曲聴取経験有無推定プログラム | |
| KR101048763B1 (ko) | 신호 검출 장치 및 방법 | |
| CN102197998A (zh) | 示波测量法中伪影的频谱的使用 | |
| CN106618486B (zh) | 智能辅助睡眠中的睡眠状态识别方法和系统 | |
| Naranjo-Hernández et al. | Smart device for the determination of heart rate variability in real time | |
| Vuksanovic et al. | Analysis of human electrocardiogram for biometric recognition using analytic and ar modeling extracted parameters | |
| CN113116328A (zh) | 一种基于心冲击图的心率检测方法 | |
| CN111008541A (zh) | 一种vdt视觉疲劳监测预警系统 | |
| Sanamdikar et al. | Extraction of different features of ECG signal for detection of cardiac arrhythmias by using wavelet transformation Db 6 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200414 |