CN115067945A

CN115067945A - 疲劳检测方法、装置、设备及存储介质

Info

Publication number: CN115067945A
Application number: CN202211002463.2A
Authority: CN
Inventors: 周波; 苗瑞; 邹小刚; 梁书玉; 陈永刚
Original assignee: Shenzhen HQVT Technology Co Ltd
Current assignee: Shenzhen HQVT Technology Co Ltd
Priority date: 2022-08-22
Filing date: 2022-08-22
Publication date: 2022-09-20

Abstract

本申请提供了一种疲劳检测方法、装置、设备及存储介质，该方法获取待检测用户的疲劳相关数据，其中，疲劳相关数据包括生理数据、面部数据和声音数据；将疲劳相关数据输入至预设检测模型，其中，预设检测模型通过疲劳相关数据样本和疲劳相关数据样本对应的疲劳指数训练得到；根据预设检测模型输出的疲劳指数检测结果，确定待检测用户对应的疲劳状态。

Description

疲劳检测方法、装置、设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种疲劳检测方法、装置、设备及存储介质。

背景技术

在驾驶和高空作业等场合，出于安全考虑，驾驶员及工作人员需要保证精神的高度集中。驾驶员及工作人员的疲劳状态直接影响了驾驶及作业安全，因此，疲劳检测对于安全预警有着重要的意义。

目前，现有技术中的疲劳检测方式专注于提取低层次的手工特征，仅通过识别用户的面部特征来进行疲劳检测，将面部特征通过浅融合方法识别疲劳状态。

然而，现有技术中的疲劳检测方法，疲劳检测精确性低。

发明内容

本申请提供一种疲劳检测方法、装置、设备及存储介质，从而解决现有技术中的疲劳检测方法，疲劳检测精确性低的技术问题。

第一方面，本申请提供了一种疲劳检测方法，包括：

获取待检测用户的疲劳相关数据，其中，所述疲劳相关数据包括生理数据、面部数据和声音数据；

将所述疲劳相关数据输入至预设检测模型，其中，所述预设检测模型通过疲劳相关数据样本和所述疲劳相关数据样本对应的疲劳指数训练得到；

根据所述预设检测模型输出的疲劳指数检测结果，确定所述待检测用户对应的疲劳状态。

这里，本申请实施例在进行疲劳检测时，可以结合用户的多种疲劳相关数据进行识别，包括生理数据、面部数据和声音数据，相较于现有技术中的仅根据用户的面部特征来进行疲劳检测，更能准确、全面地对用户的疲劳程度进行识别，提高了疲劳检测的准确性。

可选地，所述预设检测模型通过基于跃层注意力机制轻量化卷积神经网络模型、基于跃层注意力机制的轻量化卷积神经网络模型、残差密度网络模型、深度置信网络模型和支持向量机模型融合得到。

其中，本申请的预设检测模型融合了基于跃层注意力机制轻量化卷积神经网络模型、基于跃层注意力机制的轻量化卷积神经网络模型、残差密度网络模型、深度置信网络模型和支持向量机模型，通过多模态融合算法，提升了预设检测模型的精度与性能，实现了对特征的深度融合和提取方法，有效地模拟复杂的多模态非线性联合分布和相关性，进一步的提高了疲劳检测的准确性。

可选地，在所述将所述疲劳相关数据输入至预设检测模型之前，还包括：

对所述疲劳相关数据进行数据预处理，得到处理后的疲劳相关数据；

相应的，所述将所述疲劳相关数据输入至预设检测模型，包括：

将所述处理后的疲劳相关数据输入至预设检测模型。

这里，本申请实施例预先对疲劳相关数据进行数据预处理，可以消除噪声等因素对准确性带来的误差影响，数据的预处理便于预设检测模型进行疲劳检测，提高了疲劳检测的准确性。

可选地，所述生理数据包括心率数据和皮肤电信号数据；

相应的，所述对所述疲劳相关数据进行数据预处理，得到处理后的疲劳相关数据，包括：

根据预设心率带宽，对所述心率数据进行带通滤波数据预处理，得到处理后的心率数据；

根据预设皮肤电信号带宽，对所述皮肤电信号信号数据进行带通滤波数据预处理，得到处理后的皮肤电信号信号数据。

这里，本申请实施例为了保证疲劳检测的准确性，可以筛除无关数据或者误差较大的数据，提高了疲劳检测的准确性。

可选地，所述获取待检测用户的疲劳相关数据，包括：

获取在预设时间段内的待检测用户的疲劳相关数据；

对所述疲劳相关数据进行分段处理，得到多个疲劳相关数据片段；

将所述多个疲劳相关数据片段输入至预设检测模型。

这里，本申请实施例根据预设时间段对疲劳相关数据进行分段处理，由于疲劳相关数据可能有不同的持续时间，将每个疲劳相关数据分割成一定数量的重叠片段，然后从每个片段中学习相应的疲劳特征，进一步地提高了疲劳检测效率。

可选地，所述疲劳状态包括不疲劳、轻度疲劳、较疲劳和极度疲劳；

相应的，所述根据所述预设检测模型输出的疲劳指数检测结果，确定所述待检测用户对应的疲劳状态，包括：

若所述疲劳指数检测结果等于零，则确定所述待检测用户对应的疲劳状态为不疲劳；

若所述疲劳指数检测结果大于零且小于等于第一预设阈值，则确定所述待检测用户对应的疲劳状态为轻度疲劳；

若所述疲劳指数检测结果大于第一预设阈值且小于等于第二预设阈值，则确定所述待检测用户对应的疲劳状态为较疲劳；

若所述疲劳指数检测结果大于第二预设阈值且小于等于第三预设阈值，则确定所述待检测用户对应的疲劳状态为极度疲劳。

其中，本申请实施例将疲劳状态分为4种，根据模型输出的不同结果实现了对疲劳状态的准确识别和确定。

可选地，在所述根据所述预设检测模型输出的疲劳指数检测结果，确定所述待检测用户对应的疲劳状态之后，还包括：

若所述疲劳指数检测结果大于第四预设阈值，则向所述待检测用户的终端设备发送提示信息。

这里，本申请实施例还可以在识别到用户疲劳之后，根据用户的疲劳状况提示用户，提高了用户体验，提高了安全性。

第二方面，本申请实施例提供了一种疲劳检测装置，包括：

获取模块，用于获取待检测用户的疲劳相关数据，其中，所述疲劳相关数据包括生理数据、面部数据和声音数据；

输入模块，用于将所述疲劳相关数据输入至预设检测模型，其中，所述预设检测模型通过疲劳相关数据样本和所述疲劳相关数据样本对应的疲劳指数训练得到；

第一确定模块，用于根据所述预设检测模型输出的疲劳指数检测结果，确定所述待检测用户对应的疲劳状态。

可选地，在所述输入模块将所述疲劳相关数据输入至预设检测模型之前，上述装置还包括：

预处理模块，用于对所述疲劳相关数据进行数据预处理，得到处理后的疲劳相关数据；

相应的，所述输入模块具体用于：

将所述处理后的疲劳相关数据输入至预设检测模型。

可选地，所述生理数据包括心率数据和皮肤电信号数据；

相应的，所述预处理模块具体用于：

可选地，所述获取模块具体用于：

获取在预设时间段内的待检测用户的疲劳相关数据；

相应的，所述输入模块具体用于：

将所述多个疲劳相关数据片段输入至预设检测模型。

相应的，所述第一确定模块具体用于：

可选地，在所述第一确定模块根据所述预设检测模型输出的疲劳指数检测结果，确定所述待检测用户对应的疲劳状态之后，上述装置还包括：

发送模块，用于若所述疲劳指数检测结果大于第四预设阈值，则向所述待检测用户的终端设备发送提示信息。

第三方面，本申请提供一种疲劳检测设备，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的疲劳检测方法。

第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的疲劳检测方法。

第五方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上第一方面以及第一方面各种可能的设计所述的疲劳检测方法。

本申请提供的疲劳检测方法、装置、设备及存储介质，其中该方法在进行疲劳检测时，可以结合用户的多种疲劳相关数据进行识别，包括生理数据、面部数据和声音数据，相较于现有技术中的仅根据用户的面部特征来进行疲劳检测，更能准确、全面地对用户的疲劳程度进行识别，提高了疲劳检测的准确性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种疲劳检测系统架构示意图；

图2为本申请实施例提供的一种疲劳检测方法的流程示意图；

图3为本申请实施例提供的另一种疲劳检测方法的流程示意图；

图4为本申请实施例提供的一种疲劳检测装置的结构示意图；

图5为本申请实施例提供的一种疲劳检测设备的结构示意图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

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”、“第三”及“第四”等（如果存在）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能够以除了在这里图示或描述的那些以外的顺序实施。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。

驾驶疲劳是指驾驶员由于睡眠不足或长时间持续驾驶造成的反应能力下降，这种下降表现在驾驶员困倦、打瞌睡、驾驶操作失误或完全丧失驾驶能力。驾驶疲劳反映在生理与心理两个方面，生理反映包括神经系统的功能、血液和眼睛的变化；心理反映包括反应时延长、注意力分散、动作不协调。同理，疲劳作业也类似。为了保证驾驶员及工作人员的安全性，疲劳检测尤为重要。目前，现有技术中的疲劳检测方法专注于提取低层次的手工特征。然而，由于人类疲劳与低级手工提取特征功能之间的差异，这些手工提取特征无法充分区分人类疲劳。这里，疲劳差距被定义为可测量的信号属性，通常称为特征，与预期的疲劳状态之间缺乏一致性。因此，疲劳差距本质上代表了疲劳与提取的疲劳特征之间的差异。为了弥合疲劳差异，需要提取深层特征来有效区分疲劳。在单模态疲劳识别领域，单模态信息易受各种噪声的影响，难以完整地反映疲劳状态，疲劳识别的准确性有待提高。现有的融合方法大多属于浅融合方法，不能有效地模拟复杂的多模态非线性联合分布和相关性，如特征级联。因此，有必要开发利用深度模型进行特征融合的深度融合方法。为了缓解这一问题，需要设计一个深度融合模型，在该模型中可以进行多个有意义的融合操作，学习复杂的特征表示。

为了解决上述问题，本申请实施例提供一种疲劳检测方法、装置、设备及存储介质，其中该方法在进行疲劳检测时，可以结合用户的多种疲劳相关数据进行识别，包括生理数据、面部数据和声音数据，通过用于疲劳识别的多模态融合算法，实现对用户疲劳的准确识别。

本申请的技术方案中，所涉及的用户数据等信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

可选的，图1为本申请实施例提供的一种疲劳检测系统架构示意图。在图1中，上述架构包括数据采集设备101、处理设备102和显示设备103中至少一种。

可以理解的是，本申请实施例示意的结构并不构成对疲劳检测系统架构的具体限定。在本申请另一些可行的实施方式中，上述架构可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置，具体可根据实际应用场景确定，在此不做限制。图1所示的部件可以以硬件，软件，或软件与硬件的组合实现。

在具体实现过程中，数据采集设备101可以包括输入/输出接口，也可以包括通信接口，数据采集设备101可以通过输入/输出接口或者是通信接口与处理设备连接。

处理设备102可以通过数据采集设备101获取疲劳相关数据，在进行疲劳检测时，可以结合用户的多种疲劳相关数据进行识别，包括生理数据、面部数据和声音数据，通过用于疲劳识别的多模态融合算法，实现对用户疲劳的准确识别。

显示设备103还可以是触摸显示屏或者终端设备的屏幕，例如车载屏幕、手机屏幕等，用于在显示的上述内容的同时接收用户指令，以实现与用户的交互。

应理解，上述处理设备可以通过处理器读取存储器中的指令并执行指令的方式实现，也可以通过芯片电路实现。

另外，本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

下面结合具体的实施例对本申请的技术方案进行详细的说明：

可选地，图2为本申请实施例提供的一种疲劳检测方法的流程示意图。本申请实施例的执行主体可以为图1中的处理设备102，具体执行主体可以根据实际应用场景确定。如图2所示，该方法包括如下步骤：

S201：获取待检测用户的疲劳相关数据。

其中，疲劳相关数据包括生理数据、面部数据和声音数据。

可选地，生理数据包括：体温数据、心率数据、血压数据、血氧数据和皮肤电信号数据中的至少一种。

可选地，可以通过图像采集设备，例如摄像头获取面部数据。

可选地，可以通过声音采集设备，例如录音设备获取声音数据。

可选地，可以通过手环、手表等终端设备获取生理数据。

S202：将疲劳相关数据输入至预设检测模型。

其中，预设检测模型通过疲劳相关数据样本和疲劳相关数据样本对应的疲劳指数训练得到。

可选地，预设检测模型通过基于跃层注意力机制轻量化卷积神经网络模型、基于跃层注意力机制的轻量化卷积神经网络模型、残差密度网络模型、深度置信网络模型和支持向量机模型融合得到。

在一种可能的实现方式中，预设检测模型结构如下：

首先，采用改进的基于跃层注意力机制轻量化卷积神经网络模型（ImprovedLightweight Skip - layer Attention net，I-LiSANet）提取面部疲劳特征图，采用改进的基于跃层注意力机制的轻量化卷积神经网络模型的语音情绪识别模型（EnhancedLightweight Skip-layer Attention net ，E-LiSANet）提取语音疲劳特征图，采用残差密度网络（Residual Dense Block，RDN）提取其他生理数据的疲劳特征图；其次，采用深度置信网络（Deep Belief Network，DBN），将提取的各模态的特征进行特征融合；最后，采用支持向量机（Support Vector Machine，SVM），进行疲劳识别。

提取面部疲劳特征图的视频训练网络I-LiSANet主要包括1个P3D ResNet层，3个深度可分离卷积摸块（Depthwise Separable Block，DSBLock），3个SE-ResNet 模块和2个全连接层（FC）。

P3D ResNet 由 P3D-A、P3D-B 和 P3D-C 组成，学习深度网络中视频的时空表示。

DSBLock模块由2个卷积层单元和2个激活函数层组成。一个卷积层单元包括1个点卷积层（Pointwise Convolution，PW Conv）和1个深度卷枳层（Depthwise Convolution，DWConv）。通过深度可分离卷积，可减少模型的训练参数，提高训练速度。在DSBLock 中未包含池化层对特征图进行下采样，而是通过改变卷积步长对特征图进行大小变换，主要原因是最大池化层会丢失图像中的空间信息从而对模型的效果产生影响。为保存图中特征，采用卷积进行特征图大小变换。

首先介绍跃层注意力机制。采用 SE-ResNet 对 DSBLock 输出的特征图进行特征权重计算，并重新分配权重，使得对预测有正向影响的特征图，从而获得更大权重。其中，“跃层”表示跨越两个卷积单元，即一个 DSBLock。相较于仅在全连接层前进行一次特征权重再分配的注意力机制，跃层的注意力机制可以在浅层特征通道时对重要的、具有影响力的特征图进行关注，从而使得其在后续卷积层中发挥更重要的作用，提高网络的特征提取性能。同时与逐层添加 SE-ResNet 的方法相比，跃层注意力机制在保证准确率的情况下，减小了参数量和计算成本。

其次，用于语音疲劳特征图的视频训练网络E-LiSANet主要包括1个 NIN（Networkin Network）层，３个深度可分离卷积摸块（Depthwise Separable Block，DSBLock），3个SE-ResNet 模块和２个全连接层(FC)。

NIN由四个卷积模块组成，包括1*1、3*3和5*5等三个卷积分支和一个最大池化分支。采用不同大小的卷积核，是为了提取不同感受野下的图像信息，从而避免不同图像因卷积核大小而造成的特征提取不充分问题。为了在尽可能少的计算量情况下能够均匀提取特征值，在最大池化层前加入了1*1的卷积，使经过最大池化操作后的特征通道数与其他三个卷枳层一致，最后将所有特征通道进行合并。将 NIN 模块应用于网络浅层，使其充分提取图像初级特征，因此，采用先1*1卷积后池化的操作，在参数量较少的情况下充分提取图像信息。NIN 结构主要用于提取不同感受野下的特征，将其合并训练，使网络可以获得更加丰富的图像信息。采用1、3和5等三个大小的卷积核，为了保持特征大小一致，对大卷积核进行卷积时，需要将图像进行填充（Padding），因此会浪费一些计算资源。为避免此种情况，采用最大卷积核大小为5*5，在不过多增加无谓计算的情况下扩大感受野增加网络宽度，使网络能够获得不同感受野的特征。

再介绍用于提取其他生理数据的疲劳特征图的RDN。RDN充分利用了所有卷积层的层次特征。具体来说，残余密集块（RDB）通过密集连接卷积层提取丰富的局部特征，RDB进一步允许直接连接前一个 RDB 的状态到当前 RDB 的所有层，形成一个连续存储（CM）机制。然后利用 RDB 中的局部特征融合，从前一个RDB和当前RDB的局部特征中自适应地学习到更有效的特征，从而稳定更大网络的训练。在充分获得密集局部特征后，利用全局特征融合，以整体的方式联合自适应学习全局层次特征。RDN 充分提取了生理数据的疲劳特征。

然后介绍将提取的各模态的特征进行特征融合的DBN。该融合网络采用深度 DBN模型构建，旨在捕获跨模式的高度非线性关系，并形成用于疲劳分类的联合判别特征表示。它包含一个可见层，两个隐藏层和一个输出层(即 softmax层)，该 DBN 模型由两个受限玻尔兹曼机（RBM）叠加而成，每个 RBM都是一个二部图，其隐藏节点能够获得可见节点输入数据的高阶相关性。

最后介绍进行疲劳识别的 SVM。在完成融合网络的训练后，可以在每个数据片段上计算出联合特征表示。由于每个视频样本具有不同数量的片段，因此对每个视频样本的所有片段特征采用平均池化方法，形成固定长度的全局视频特征表示。使用平均池化来处理从片段中提取的特征。基于这种全局视频特征表示，线性SVM分类器可以方便地用于疲劳识别。

其中，本申请实施例提出了新的用于疲劳识别的深度学习框架，将生理数据、语言、视频模态融合处理，从而进行疲劳识别；将P3D ResNet 引入 I-LiSANet模型中，从而提取视频的疲劳特征；将SE-ResNet引入E-LiSANet 和 I-LiSANe 模型中，从而进行视听疲劳特征提取。

在一种可能的实现方式中，本申请实施例预先对预设训练模型进行训练。

可选地，获取多个疲劳相关数据样本和疲劳相关数据样本对应的疲劳指数，将多个疲劳相关数据样本和疲劳相关数据样本对应的疲劳指数输入预设检测模型。

可选地，在训练时，共采集预设训练时间段的数据集（包括疲劳相关数据样本和疲劳相关数据样本对应的疲劳指数），分割成n个片段输入模型。其中，n为正整数，预设训练时间段和n的取值可以根据实际情况确定，本申请实施例对此不作具体限制。例如共采集一分钟的数据集，分割成6个片段输入模型。

可选地，将数据集输入模型之前，对心率信号进行带通滤波数据预处理，例如频带范围为：1-2 Hz；对皮肤电信号进行低通滤波数据预处理，例如最高频率设置：1.2Hz，可以理解的是，频带范围和最高频率可以根据实际情况确定，本申请实施例对此不作具体限制。

S203：根据预设检测模型输出的疲劳指数检测结果，确定待检测用户对应的疲劳状态。

可选地，疲劳状态包括不疲劳、轻度疲劳、较疲劳和极度疲劳。相应的，根据预设检测模型输出的疲劳指数检测结果，确定待检测用户对应的疲劳状态，包括：

若疲劳指数检测结果等于零，则确定待检测用户对应的疲劳状态为不疲劳；若疲劳指数检测结果大于零且小于等于第一预设阈值，则确定待检测用户对应的疲劳状态为轻度疲劳；若疲劳指数检测结果大于第一预设阈值且小于等于第二预设阈值，则确定待检测用户对应的疲劳状态为较疲劳；若疲劳指数检测结果大于第二预设阈值且小于等于第三预设阈值，则确定待检测用户对应的疲劳状态为极度疲劳。

示范性的，对疲劳识别的判别，可将人的疲劳状态划分为四个状态：不疲劳、轻度疲劳、较疲劳、极度疲劳。

疲劳的四个状态的判定算法：通过简单反应时间、持续性操作、问卷调查三个方面客观判定疲劳状态，从而得出模型数据集的标签。用

表示疲劳状态：

式中为

疲劳状态时不同客观测验和主观问卷的反应时间或主观问卷自评程度的平均值，

为不疲劳时不同客观测验准确率的平均值，

为当前疲劳状态时不同客观测验和主观问卷的反应时间或主观问卷自评程度，

为疲劳状态时客观测验和主观问卷反应时间或主观问卷自评程度的最大值，

为当前疲劳状态时不同客观测验的准确率，

为当前疲劳状态时客观测验准确率的最小值，

为的客观测验和主观问卷的总数目，

为主观问卷的数目。

其中：当

时，标签判定为不疲劳；当

时，标签判定为轻度疲劳；当

时，标签判定为较疲劳；当

时，标签判定为极度疲劳；

可选地，在根据预设检测模型输出的疲劳指数检测结果，确定待检测用户对应的疲劳状态之后，还包括：若疲劳指数检测结果大于第四预设阈值，则向待检测用户的终端设备发送提示信息。

其中，还可以直接将提示信息发送至车载终端，或者是将提示信息发送至总服务器。

可选地，提示信息可以为语音信息或者是显示在界面上的文字或图标信息。

本申请实施例在进行疲劳检测时，可以结合用户的多种疲劳相关数据进行识别，包括生理数据、面部数据和声音数据，相较于现有技术中的仅根据用户的面部特征来进行疲劳检测，更能准确、全面地对用户的疲劳程度进行识别，提高了疲劳检测的准确性。

可选地，为了提高疲劳检测的准确性，本申请实施例预先对输入模型的数据进行预训练，相应的，图3为本申请实施例提供的另一种疲劳检测方法的流程示意图。如图3所示，该方法包括：

S301：获取待检测用户的疲劳相关数据。

其中，疲劳相关数据包括生理数据、面部数据和声音数据。

可选地，获取待检测用户的疲劳相关数据，包括：获取在预设时间段内的待检测用户的疲劳相关数据；对疲劳相关数据进行分段处理，得到多个疲劳相关数据片段。相应的，将疲劳相关数据输入至预设检测模型，包括：将多个疲劳相关数据片段输入至预设检测模型。

由于疲劳识别样本可能有不同的持续时间，将每个样本分割成一定数量的重叠片段，然后从每个片段中学习相应的疲劳特征。这也扩大了该深度模型的训练数据量。

本申请实施例根据预设时间段对疲劳相关数据进行分段处理，由于疲劳相关数据可能有不同的持续时间，将每个疲劳相关数据分割成一定数量的重叠片段，然后从每个片段中学习相应的疲劳特征，进一步地提高了疲劳检测效率。

S302：对疲劳相关数据进行数据预处理，得到处理后的疲劳相关数据。

可选地，生理数据包括心率数据和皮肤电信号数据。相应的，对疲劳相关数据进行数据预处理，得到处理后的疲劳相关数据，包括：根据预设心率带宽，对心率数据进行带通滤波数据预处理，得到处理后的心率数据；根据预设皮肤电信号带宽，对皮肤电信号信号数据进行带通滤波数据预处理，得到处理后的皮肤电信号信号数据。

可以理解的是，这里的预设心率带宽、预设皮肤电信号带宽可以根据实际情况确定，本申请实施例对此不做具体限制。

S303：将处理后的疲劳相关数据输入至预设检测模型。

S304：根据预设检测模型输出的疲劳指数检测结果，确定待检测用户对应的疲劳状态。

本申请实施例预先对疲劳相关数据进行数据预处理，可以消除噪声等因素对准确性带来的误差影响，数据的预处理便于预设检测模型进行疲劳检测，提高了疲劳检测的准确性。

图4为本申请实施例提供的一种疲劳检测装置的结构示意图，如图4所示，本申请实施例的装置包括：获取模块401、输入模块402和第一确定模块403。这里的疲劳检测装置可以是上述处理装置、处理器本身，或者是实现处理器的功能的芯片或者集成电路。这里需要说明的是，获取模块401、输入模块402和第一确定模块403的划分只是一种逻辑功能的划分，物理上两者可以是集成的，也可以是独立的。

其中，获取模块，用于获取待检测用户的疲劳相关数据，其中，疲劳相关数据包括生理数据、面部数据和声音数据；

输入模块，用于将疲劳相关数据输入至预设检测模型，其中，预设检测模型通过疲劳相关数据样本和疲劳相关数据样本对应的疲劳指数训练得到；

第一确定模块，用于根据预设检测模型输出的疲劳指数检测结果，确定待检测用户对应的疲劳状态。

可选地，在输入模块将疲劳相关数据输入至预设检测模型之前，上述装置还包括：

预处理模块，用于对疲劳相关数据进行数据预处理，得到处理后的疲劳相关数据；

相应的，输入模块具体用于：

将处理后的疲劳相关数据输入至预设检测模型。

可选地，生理数据包括心率数据和皮肤电信号数据；

相应的，预处理模块具体用于：

根据预设心率带宽，对心率数据进行带通滤波数据预处理，得到处理后的心率数据；

根据预设皮肤电信号带宽，对皮肤电信号信号数据进行带通滤波数据预处理，得到处理后的皮肤电信号信号数据。

可选地，获取模块具体用于：

获取在预设时间段内的待检测用户的疲劳相关数据；

对疲劳相关数据进行分段处理，得到多个疲劳相关数据片段；

相应的，输入模块具体用于：

将多个疲劳相关数据片段输入至预设检测模型。

可选地，疲劳状态包括不疲劳、轻度疲劳、较疲劳和极度疲劳；

相应的，第一确定模块具体用于：

若疲劳指数检测结果等于零，则确定待检测用户对应的疲劳状态为不疲劳；

若疲劳指数检测结果大于零且小于等于第一预设阈值，则确定待检测用户对应的疲劳状态为轻度疲劳；

若疲劳指数检测结果大于第一预设阈值且小于等于第二预设阈值，则确定待检测用户对应的疲劳状态为较疲劳；

若疲劳指数检测结果大于第二预设阈值且小于等于第三预设阈值，则确定待检测用户对应的疲劳状态为极度疲劳。

可选地，在第一确定模块根据预设检测模型输出的疲劳指数检测结果，确定待检测用户对应的疲劳状态之后，上述装置还包括：

发送模块，用于若疲劳指数检测结果大于第四预设阈值，则向待检测用户的终端设备发送提示信息。

为了实现上述实施例，本公开实施例还提供了一种疲劳检测设备。

参考图5，其示出了适于用来实现本公开实施例的疲劳检测设备500的结构示意图，该疲劳检测设备500可以为终端设备或服务器。其中，终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理（Personal Digital Assistant，简称PDA）、平板电脑（Portable Android Device，简称PAD）、便携式多媒体播放器（PortableMedia Player，简称PMP）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的疲劳检测设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，疲劳检测设备500可以包括处理装置（例如中央处理器、图形处理器等）501，其可以根据存储在只读存储器（Read Only Memory ，简称ROM）502中的程序或者从存储装置508加载到随机访问存储器（Random Access Memory ，简称RAM）503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有疲劳检测设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器（Liquid CrystalDisplay ，简称LCD）、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许疲劳检测设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的疲劳检测设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述疲劳检测设备中所包含的；也可以是单独存在，而未装配入该疲劳检测设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该疲劳检测设备执行时，使得该疲劳检测设备执行上述实施例所示的方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LocalArea Network ，简称LAN）或广域网（Wide Area Network ，简称WAN）—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

本申请实施例的疲劳检测设备，可以用于执行本申请上述各方法实施例中的技术方案，其实现原理和技术效果类似，此处不再赘述。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述任一项的疲劳检测方法。

本申请实施例还提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时，用于实现上述任一项的疲劳检测方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，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，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，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。另一点，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，可以是电性，机械或其它的形式。

另外，在本申请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。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。

Claims

1.一种疲劳检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述预设检测模型通过基于跃层注意力机制轻量化卷积神经网络模型、基于跃层注意力机制的轻量化卷积神经网络模型、残差密度网络模型、深度置信网络模型和支持向量机模型融合得到。

3.根据权利要求1所述的方法，其特征在于，在所述将所述疲劳相关数据输入至预设检测模型之前，还包括：

将所述处理后的疲劳相关数据输入至预设检测模型。

4.根据权利要求3所述的方法，其特征在于，所述生理数据包括心率数据和皮肤电信号数据；

5.根据权利要求1所述的方法，其特征在于，所述获取待检测用户的疲劳相关数据，包括：

获取在预设时间段内的待检测用户的疲劳相关数据；

将所述多个疲劳相关数据片段输入至预设检测模型。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述疲劳状态包括不疲劳、轻度疲劳、较疲劳和极度疲劳；

7.根据权利要求1至5任一项所述的方法，其特征在于，在所述根据所述预设检测模型输出的疲劳指数检测结果，确定所述待检测用户对应的疲劳状态之后，还包括：

8.一种疲劳检测装置，其特征在于，包括：

9.一种疲劳检测设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的疲劳检测方法。

10.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的疲劳检测方法。