CN116458882B - 施工工人的注意力水平计算方法及装置 - Google Patents
施工工人的注意力水平计算方法及装置 Download PDFInfo
- Publication number
- CN116458882B CN116458882B CN202310133266.2A CN202310133266A CN116458882B CN 116458882 B CN116458882 B CN 116458882B CN 202310133266 A CN202310133266 A CN 202310133266A CN 116458882 B CN116458882 B CN 116458882B
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- attention level
- time sequence
- attention
- signal
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims description 63
- 238000004364 calculation method Methods 0.000 claims description 33
- 210000004556 brain Anatomy 0.000 claims description 17
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 230000002490 cerebral effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- A—HUMAN NECESSITIES
- A42—HEADWEAR
- A42B—HATS; HEAD COVERINGS
- A42B3/00—Helmets; Helmet covers ; Other protective head coverings
- A42B3/04—Parts, details or accessories of helmets
- A42B3/0406—Accessories for helmets
- A42B3/0433—Detecting, signalling or lighting devices
- A42B3/046—Means for detecting hazards or accidents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Developmental Disabilities (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Educational Technology (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及安全监测技术领域，是关于一种施工工人的注意力水平计算方法及装置，方法包括：通过脑机接口智能安全帽获取施工工人的预设位点的脑电信号，其中，所述预设位点包括第一位点、第二位点、第三位点和第四位点；对所述预设位点的脑电信号进行预处理，得到处理后的脑电信号；按照预设时间间隔从所述处理后的脑电信号中提取目标时序特征和目标频域特征；根据所述目标时序特征、目标频域特征和预训练的注意力水平识别模型，确定并输出所述施工工人的注意力水平。通过该方案，如果施工工人注意力水平处于不集中状态，安全帽会产生信号提醒，从而保证施工人员的安全。
Description
技术领域
本公开涉及施工现场的安全监测技术领域，尤其涉及一种施工工人的注意力水平计算方法及装置。
背景技术
随着目前施工人员数量的不断增加，生产安全问题越发引起了人们的重视，而在工程事故中，注意力不集中成为了诱发的主因。针对这一情况，LEN等人提出了一种可穿戴注意监测装置，该发明在枕骨附近放置多个EEG监测电极，通过对采集到的多通道脑电信号进行特征提取。在此基础上，便携式脑机接口智能安全帽是可穿戴注意监测装置的其中一种表现形态，并已经被应用到施工场景中。传统的脑机接口安全帽只是提供了一种EEG脑电的监测方法，并没有对工人的注意力水平进行量化计算，无法有效的识别生产活动场景中工人的注意力情况。
发明内容
为克服相关技术中存在的问题，本公开提供一种施工工人的注意力水平计算方法及装置。
根据本公开实施例的第一方面，提供一种施工工人的注意力水平计算方法，包括：
通过脑机接口智能安全帽获取施工工人的预设位点的脑电信号，其中，所述预设位点包括第一位点、第二位点、第三位点和第四位点；
对所述预设位点的脑电信号进行预处理，得到处理后的脑电信号；
按照预设时间间隔从所述处理后的脑电信号中提取目标时序特征和目标频域特征；
根据所述目标时序特征、目标频域特征和预训练的注意力水平识别模型，确定并输出所述施工工人的注意力水平，其中，所述注意力水平包括：优秀、正常、及格、预警和报警。
在一个实施例中，优选地，对所述预设位点的脑电信号进行预处理，得到处理后的脑电信号，包括：
使用所述第三位点和第四位点对应的脑电信号对所述第一位点和第二位点对应的脑电信号进行数据降噪处理，以得到所述第一位点对应的第一降噪信号和所述第二位点对应的第二降噪信号；
其中，采用以下第一计算公式计算所述第一降噪信号：
VFp1，降噪信号＝VFp1，原始信号-(VT5+VT6)/2；
其中，VFp1，降噪信号表示所述第一降噪信号，VFp1，原始信号表示第一位点对应的脑电信号，VT5和VT6分别表示第三位点和第四位点对应的脑电信号；
采用以下第二计算公式计算所述第二降噪信号：
VFp2，降噪信号＝VFp2，原始信号-(VT5+VT6)/2；
其中，VFp2，降噪信号表示所述第二降噪信号，VFp2，原始信号表示第二位点对应的脑电信号，VT5和VT6分别表示第三位点和第四位点对应的脑电信号。
在一个实施例中，优选地，按照预设时间间隔从所述处理后的脑电信号中提取目标时序特征和目标频域特征，包括：
从所述处理后的脑电信号中提取目标时序特征，其中，所述目标时序特征包括脑电信号的峰值时间间距、方差和均值；
对所述处理后的脑电信号进行频域划分，其中，频域波段信号包括：theta波、alpha波和beta波；
分别计算每个频域波段信号的功率谱能量，以得到所述目标频域特征。
在一个实施例中，优选地，采用以下第三计算公式计算计算每个频域波段信号的功率谱能量：
其中，E(a，b)表示频率为(a,b)范围内频域波段信号的功率谱能量，P(f)表示频域波段信号的功率谱密度，f表示频率，ST(f)表示原始时间序列的脑电信号经傅里叶转换后的频率展开信号，T表示频域波段信号的时长。
在一个实施例中，优选地，根据所述目标时序特征、目标频域特征和预训练的注意力水平识别模型，确定并输出所述施工工人的注意力水平，包括：
将所述目标时序特征和目标频域特征分别采用以下第四计算公式进行极差均值归一化，以构成特征集合xi；
X归，i表示目标时序特征或目标频域特征归一化后的标准特征，Xmean，i表示所述目标时序特征或目标频域特征中第i个特征的均值，Xi表示，Si表示对应方差。
在一个实施例中，优选地，所述确定并输出所述施工工人的注意力水平包括：
当通过预训练的注意力水平识别模型计算出注意力值大于或等于第一预设值时，确定对应的注意力水平为优秀；
当所述注意力值小于所述第一预设值且大于或等于第二预设值时，确定对应的注意力水平为正常；
当所述注意力值小于所述第二预设值且大于或等于第三预设值时，确定对应的注意力水平为及格；
当所述注意力值小于所述第三预设值且大于或等于第四预设值时，确定对应的注意力水平为预警；
当所述注意力值小于所述第四预设值且大于或等于第五预设值时，确定对应的注意力水平为报警。
在一个实施例中，优选地，所述方法还包括：
当施工工人的注意力水平为报警或预警时，向所述脑机接口智能安全帽发送提醒信息，以使所述脑机接口智能安全帽根据所述提醒信息进行提示。
根据本公开实施例的第二方面，提供一种施工工人的注意力水平计算装置，包括：
获取模块，用于通过脑机接口智能安全帽获取施工工人的预设位点的脑电信号，其中，所述预设位点包括第一位点、第二位点、第三位点和第四位点；
预处理模块，用于对所述预设位点的脑电信号进行预处理，得到处理后的脑电信号；
提取模块，用于按照预设时间间隔从所述处理后的脑电信号中提取目标时序特征和目标频域特征；
确定模块，用于根据所述目标时序特征、目标频域特征和预训练的注意力水平识别模型，确定并输出所述施工工人的注意力水平，其中，所述注意力水平包括：优秀、正常、及格、预警和报警。
在一个实施例中，优选地，预处理模块用于：
使用所述第三位点和第四位点对应的脑电信号对所述第一位点和第二位点对应的脑电信号进行数据降噪处理，以得到所述第一位点对应的第一降噪信号和所述第二位点对应的第二降噪信号；
其中，采用以下第一计算公式计算所述第一降噪信号：
VFp1，降噪信号＝VFp1，原始信号-(VT5+VT6)/2；
其中，VFp1，降噪信号表示所述第一降噪信号，VFp1，原始信号表示第一位点对应的脑电信号，VT5和VT6分别表示第三位点和第四位点对应的脑电信号；
采用以下第二计算公式计算所述第二降噪信号：
VFp2，降噪信号＝VFp2，原始信号-(VT5+VT6)/2；
其中，VFp2，降噪信号表示所述第二降噪信号，VFp2，原始信号表示第二位点对应的脑电信号，VT5和VT6分别表示第三位点和第四位点对应的脑电信号。
在一个实施例中，优选地，所述提取模块包括：
提取单元，用于从所述处理后的脑电信号中提取目标时序特征，其中，所述目标时序特征包括脑电信号的峰值时间间距、方差和均值；
划分单元，用于对所述处理后的脑电信号进行频域划分，其中，频域波段信号包括：theta波、alpha波和beta波；
计算单元，用于分别计算每个频域波段信号的功率谱能量，以得到所述目标频域特征。
在一个实施例中，优选地，采用以下第三计算公式计算计算每个频域波段信号的功率谱能量：
其中，E(a，b)表示频率为(a,b)范围内频域波段信号的功率谱能量，P(f)表示频域波段信号的功率谱密度，f表示频率，ST(f)表示原始时间序列的脑电信号经傅里叶转换后的频率展开信号，T表示频域波段信号的时长。
在一个实施例中，优选地，所述确定模块用于：
将所述目标时序特征和目标频域特征分别采用以下第四计算公式进行极差均值归一化，以构成特征集合xi；
X归，i表示目标时序特征或目标频域特征归一化后的标准特征，Xmean，i表示所述目标时序特征或目标频域特征中第i个特征的均值，Xi表示，Si表示对应方差。
在一个实施例中，优选地，所述确定并输出所述施工工人的注意力水平包括：
当通过预训练的注意力水平识别模型计算出注意力值大于或等于第一预设值时，确定对应的注意力水平为优秀；
当所述注意力值小于所述第一预设值且大于或等于第二预设值时，确定对应的注意力水平为正常；
当所述注意力值小于所述第二预设值且大于或等于第三预设值时，确定对应的注意力水平为及格；
当所述注意力值小于所述第三预设值且大于或等于第四预设值时，确定对应的注意力水平为预警；
当所述注意力值小于所述第四预设值且大于或等于第五预设值时，确定对应的注意力水平为报警。
在一个实施例中，优选地，所述装置还包括：
提示模块，用于当施工工人的注意力水平为报警或预警时，向所述脑机接口智能安全帽发送提醒信息，以使所述脑机接口智能安全帽根据所述提醒信息进行提示。
根据本公开实施例的第三方面，提供一种施工工人的注意力水平计算装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
通过脑机接口智能安全帽获取施工工人的预设位点的脑电信号，其中，所述预设位点包括第一位点、第二位点、第三位点和第四位点；
对所述预设位点的脑电信号进行预处理，得到处理后的脑电信号；
按照预设时间间隔从所述处理后的脑电信号中提取目标时序特征和目标频域特征；
根据所述目标时序特征、目标频域特征和预训练的注意力水平识别模型，确定并输出所述施工工人的注意力水平，其中，所述注意力水平包括：优秀、正常、及格、预警和报警。
根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面实施例中任一项所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
本发明实施例中，通过脑机接口安全帽实现脑电信号实时采集并通过网络传输后台，在后台通过算法对信号实现特征提取、注意力水平分类、数据传输反馈、安全帽信息提醒。如果施工工人注意力水平一直处于集中状态，安全帽装置并不会产生提醒；如果施工工人注意力水平处于不集中状态，安全帽会产生信号提醒，从而保证施工人员的安全。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种施工工人的注意力水平计算方法的流程图。
图2是根据一示例性实施例示出的一种脑电信号采集位点的示意图。
图3是根据一示例性实施例示出的一种施工工人的注意力水平计算方法中步骤S103的结构示意图。
图4是根据一示例性实施例示出的一种施工工人的注意力水平计算装置的框图。
图5是根据一示例性实施例示出的一种施工工人的注意力水平计算装置中提取模块的框图。
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。
图1是根据一示例性实施例示出的一种施工工人的注意力水平计算方法的流程图。
如图1所示，施工工人的注意力水平计算方法，包括：
步骤S101，通过脑机接口智能安全帽获取施工工人的预设位点的脑电信号，其中，所述预设位点包括第一位点、第二位点、第三位点和第四位点；如图2所示，本发明主要采集第一位点Fp1、第二位点Fp2、第三位点T5、第四位点T6四个位点的脑电信号，采集频率为250Hz。由于用户精神状态(是否疲劳)主要激活前额叶，因此本发明中主要信号采集电极对称分布于大脑前额叶，电极点位左右对称分布(Fp1、Fp2)。其中，T5、T6作为参考位点，这两个位点采集到的脑电信号用于数据降噪处理。
使用所述第三位点和第四位点对应的脑电信号对所述第一位点和第二位点对应的脑电信号进行数据降噪处理，以得到所述第一位点对应的第一降噪信号和所述第二位点对应的第二降噪信号；
其中，采用以下第一计算公式计算所述第一降噪信号：
VFp1，降噪信号＝VFp1，原始信号-(VT5+VT6)/2；
其中，VFp1，降噪信号表示所述第一降噪信号，VFp1，原始信号表示第一位点对应的脑电信号，VT5和VT6分别表示第三位点和第四位点对应的脑电信号；
采用以下第二计算公式计算所述第二降噪信号：
VFp2,降噪信号＝VFp2，原始信号-(VT5+VT6)/2；
其中，VFp2，降噪信号表示所述第二降噪信号，VFp2，原始信号表示第二位点对应的脑电信号，VT5和VT6分别表示第三位点和第四位点对应的脑电信号；
数据样本长度一般设置为10秒。每10秒将采集的脑电信号通过网络连接模块传输至人机交互装置。网络连接模块不限于蓝牙、数据流量、WiFi等。人机交互装置有比较远的数据传输能力，通过数据流量(4G或5G)的方式将数据传输至后台。由于数据流量方式可以实现远距离数据传输，主要是用数据流量实现数据传输至后台。
步骤S102，对所述预设位点的脑电信号进行预处理，得到处理后的脑电信号；
由于有效脑电信号频率范围为0.4hz到45hz，幅值为0.5uV到100uV，因此每次分析的数据数据样本长度设置为T秒(T>2.5秒)，即至少包含脑电信号的一个周期。T可以根据监控粒度的需求自动调节。每T秒将采集的脑电信号通过网络连接模块传输至云端。脑电信号预处理主要包括滤除无效脑电信号频率范围和幅值，实现噪声的消除，主要包含编码、放大、滤波等操作。实现上述一系列操作的信号处理装置包含但不限于微处理器MPU、中央处理单元CPU、图形处理单元GPU等。
步骤S103，按照预设时间间隔从所述处理后的脑电信号中提取目标时序特征和目标频域特征。
如图3所示，在一个实施例中，优选地，步骤S103包括：
步骤S301，从所述处理后的脑电信号中提取目标时序特征，其中，所述目标时序特征包括脑电信号的峰值时间间距、方差和均值；
步骤S302，对所述处理后的脑电信号进行频域划分，其中，频域波段信号包括：theta波、alpha波和beta波；
步骤S303，分别计算每个频域波段信号的功率谱能量，以得到所述目标频域特征。
在一个实施例中，优选地，采用以下第三计算公式计算计算每个频域波段信号的功率谱能量：
其中，E(a，b)表示频率为(a,b)范围内频域波段信号的功率谱能量，P(f)表示频域波段信号的功率谱密度，f表示频率，ST(f)表示原始时间序列的脑电信号经傅里叶转换后的频率展开信号，T表示频域波段信号的时长。
步骤S104，根据所述目标时序特征、目标频域特征和预训练的注意力水平识别模型，确定并输出所述施工工人的注意力水平，其中，所述注意力水平包括：优秀、正常、及格、预警和报警。
其中，预训练的注意力水平识别模型的训练过程包括：
持续收集20名受试者在5工作日中的EEG脑电信号，每个工作日中每2小时收集受试者的注意力水平量表，用以确定真实注意力水平。共收集到400份量表数据，注意力水平划分为优秀、正常、及格、预警和报警共五个水平，记为yi。将得到的注意力特征送入算法模型中进行模型识别分类，量化用户此时的注意力状态。具体地，可以使用SVM算法构建注意力水平与特征组合之间的关系，得到定制化的注意力水平识别模型，在本例中，使用高斯核函数，具体计算方法如下：
对于样本输入(xi,yi)，构造目标优化函数
yj代表与输入样本xi yi不同的其余n-1个点，该式含义为求样本点与其余所有点的距离，并对全部数据的该距离做优化。
约束条件为：
0≤αi≤c i＝1，2，...，n；
其中，αi，αj为yi和yj对应的拉格朗日乘数，K(xi，yi)为高斯核函数，c为惩罚因数；γ为核函数的超参数。
进而得到分类决策函数：
其中，b为偏移量，sgn为符号函数，f(x)为计算得到的分类决策函数。
代入全部训练数据xi，yi，求得满足优化目标的最优α,b,γ，即得到定制化的注意力水平识别模型。
本发明实施例中，通过脑机接口安全帽实现脑电信号实时采集并通过网络传输后台，在后台通过算法对信号实现特征提取、注意力水平分类、数据传输反馈、安全帽信息提醒。如果施工工人注意力水平一直处于集中状态，安全帽装置并不会产生提醒；如果施工工人注意力水平处于不集中状态，安全帽会产生信号提醒，从而保证施工人员的安全。
在一个实施例中，优选地，所述确定模块用于：
将所述目标时序特征和目标频域特征分别采用以下第四计算公式进行极差均值归一化，以构成特征集合xi；
X归，i表示目标时序特征或目标频域特征归一化后的标准特征，Xmean，i表示所述目标时序特征或目标频域特征中第i个特征的均值，Xi表示，Si表示对应方差。
在一个实施例中，优选地，所述确定并输出所述施工工人的注意力水平包括：
当通过预训练的注意力水平识别模型计算出注意力值大于或等于第一预设值时，确定对应的注意力水平为优秀；
当所述注意力值小于所述第一预设值且大于或等于第二预设值时，确定对应的注意力水平为正常；
当所述注意力值小于所述第二预设值且大于或等于第三预设值时，确定对应的注意力水平为及格；
当所述注意力值小于所述第三预设值且大于或等于第四预设值时，确定对应的注意力水平为预警；
当所述注意力值小于所述第四预设值且大于或等于第五预设值时，确定对应的注意力水平为报警。
在该实施例中，具体的，可以根据注意力值进行注意力水平的划分，例如，在90分-100之间的，确定为优秀，在80-90之间的，确定为正常，在60-80之间的确定为及格，在40-60之间的，确定为预警，在0-40之间的，确定为报警。
在一个实施例中，优选地，所述方法还包括：
当施工工人的注意力水平为报警或预警时，向所述脑机接口智能安全帽发送提醒信息，以使所述脑机接口智能安全帽根据所述提醒信息进行提示。
在该实施例中，云端同时将分类结果和评分通过网络连接模块反馈给安全帽。与脑电信号数据传输类似，网络连接模块不限于蓝牙、4G、5G、WiFi等。由于蓝牙和WiFi的传输距离相对受限，本发明在蓝牙可连接范围内使用蓝牙传输，如果超出蓝牙连接范围自动切换到4G、5G等数据流量的形式。脑机接口智能安全帽收到用户当前的注意力属于及格线以下，脑机接口智能安全帽的信号提醒模块将会向用户施加震动刺激，提醒用户集中当前注意力或进行适当的休息调整。
图4是根据一示例性实施例示出的一种施工工人的注意力水平计算装置的框图。
如图4所示，根据本公开实施例的第二方面，提供一种施工工人的注意力水平计算装置，包括：
获取模块41，用于通过脑机接口智能安全帽获取施工工人的预设位点的脑电信号，其中，所述预设位点包括第一位点、第二位点、第三位点和第四位点；
预处理模块42，用于对所述预设位点的脑电信号进行预处理，得到处理后的脑电信号；
提取模块43，用于按照预设时间间隔从所述处理后的脑电信号中提取目标时序特征和目标频域特征；
确定模块44，用于根据所述目标时序特征、目标频域特征和预训练的注意力水平识别模型，确定并输出所述施工工人的注意力水平，其中，所述注意力水平包括：优秀、正常、及格、预警和报警。
在一个实施例中，优选地，所述预处理模块42用于：
使用所述第三位点和第四位点对应的脑电信号对所述第一位点和第二位点对应的脑电信号进行数据降噪处理，以得到所述第一位点对应的第一降噪信号和所述第二位点对应的第二降噪信号；
其中，采用以下第一计算公式计算所述第一降噪信号：
VFp1，降噪信号＝VFp1，原始信号-(VT5+VT6)/2；
其中，VFp1，降噪信号表示所述第一降噪信号，VFp1，原始信号表示第一位点对应的脑电信号，VT5和VT6分别表示第三位点和第四位点对应的脑电信号；
采用以下第二计算公式计算所述第二降噪信号：
VFp2，降噪信号＝VFp2，原始信号-(VT5+VT6)/2；
其中，VFp2，降噪信号表示所述第二降噪信号，VFp2，原始信号表示第二位点对应的脑电信号，VT5和VT6分别表示第三位点和第四位点对应的脑电信号。
图5是根据一示例性实施例示出的一种施工工人的注意力水平计算装置中提取模块的框图。
如图5所示，在一个实施例中，优选地，所述提取模块43包括：
提取单元51，用于从所述处理后的脑电信号中提取目标时序特征，其中，所述目标时序特征包括脑电信号的峰值时间间距、方差和均值；
划分单元52，用于对所述处理后的脑电信号进行频域划分，其中，频域波段信号包括：theta波、alpha波和beta波；
计算单元53，用于分别计算每个频域波段信号的功率谱能量，以得到所述目标频域特征。
在一个实施例中，优选地，采用以下第三计算公式计算计算每个频域波段信号的功率谱能量：
其中，E(a，b)表示频率为(a,b)范围内频域波段信号的功率谱能量，P(f)表示频域波段信号的功率谱密度，f表示频率，ST(f)表示原始时间序列的脑电信号经傅里叶转换后的频率展开信号，T表示频域波段信号的时长。
在一个实施例中，优选地，所述确定模块44用于：
将所述目标时序特征和目标频域特征分别采用以下第四计算公式进行极差均值归一化，以构成特征集合xi；
X归，i表示目标时序特征或目标频域特征归一化后的标准特征，Xmean，i表示所述目标时序特征或目标频域特征中第i个特征的均值，Xi表示，Si表示对应方差。
在一个实施例中，优选地，所述确定并输出所述施工工人的注意力水平包括：
当通过预训练的注意力水平识别模型计算出注意力值大于或等于第一预设值时，确定对应的注意力水平为优秀；
当所述注意力值小于所述第一预设值且大于或等于第二预设值时，确定对应的注意力水平为正常；
当所述注意力值小于所述第二预设值且大于或等于第三预设值时，确定对应的注意力水平为及格；
当所述注意力值小于所述第三预设值且大于或等于第四预设值时，确定对应的注意力水平为预警；
当所述注意力值小于所述第四预设值且大于或等于第五预设值时，确定对应的注意力水平为报警。
在一个实施例中，优选地，所述装置还包括：
提示模块，用于当施工工人的注意力水平为报警或预警时，向所述脑机接口智能安全帽发送提醒信息，以使所述脑机接口智能安全帽根据所述提醒信息进行提示。
根据本公开实施例的第三方面，提供一种施工现场的安全监测预警装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
通过脑机接口智能安全帽获取施工工人的预设位点的脑电信号，其中，所述预设位点包括第一位点、第二位点、第三位点和第四位点；
对所述预设位点的脑电信号进行预处理，得到处理后的脑电信号；
按照预设时间间隔从所述处理后的脑电信号中提取目标时序特征和目标频域特征；
根据所述目标时序特征、目标频域特征和预训练的注意力水平识别模型，确定并输出所述施工工人的注意力水平，其中，所述注意力水平包括：优秀、正常、及格、预警和报警。
根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面实施例中任一项所述方法的步骤。
进一步可以理解的是，本公开中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
进一步可以理解的是，本公开实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
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来限制。
Claims (5)
1.一种施工工人的注意力水平计算方法，其特征在于，包括：
通过脑机接口智能安全帽获取施工工人的预设位点的脑电信号，其中，所述预设位点包括第一位点、第二位点、第三位点和第四位点；
对所述预设位点的脑电信号进行预处理，得到处理后的脑电信号；
按照预设时间间隔从所述处理后的脑电信号中提取目标时序特征和目标频域特征；
根据所述目标时序特征、目标频域特征和预训练的注意力水平识别模型，确定并输出所述施工工人的注意力水平，其中，所述注意力水平包括：优秀、正常、及格、预警和报警,
对所述预设位点的脑电信号进行预处理，得到处理后的脑电信号，包括：使用所述第三位点和第四位点对应的脑电信号对所述第一位点和第二位点对应的脑电信号进行数据降噪处理，以得到所述第一位点对应的第一降噪信号和所述第二位点对应的第二降噪信号，该两信号即为处理后的脑电信号；
其中，采用以下第一计算公式计算所述第一降噪信号：
；
其中，表示所述第一降噪信号，/>表示第一位点对应的脑电信号，分别表示第三位点和第四位点对应的脑电信号；
采用以下第二计算公式计算所述第二降噪信号：
；
其中，表示所述第二降噪信号，/>表示第二位点对应的脑电信号，/>分别表示第三位点和第四位点对应的脑电信号;按照预设时间间隔从所述处理后的脑电信号中提取目标时序特征和目标频域特征，包括：
从所述处理后的脑电信号中提取目标时序特征，其中，所述目标时序特征包括脑电信号的峰值时间间距、方差和均值；
对所述处理后的脑电信号进行频域划分，其中，频域波段信号包括：theta波、alpha波和beta波；
分别计算每个频域波段信号的功率谱能量，以得到所述目标频域特征;采用以下第三计算公式计算每个频域波段信号的功率谱能量：
；
；
其中，表示频率为（a,b）范围内频域波段信号的功率谱能量，/>表示频域波段信号的功率谱密度，f表示频率，/>表示经处理后的脑电信号再经傅里叶转换后的频率展开信号，T表示频域波段信号的时长;根据所述目标时序特征、目标频域特征和预训练的注意力水平识别模型，确定并输出所述施工工人的注意力水平，包括：
将所述目标时序特征和目标频域特征分别采用以下第四计算公式进行极差均值归一化，以构成特征集合；
；
表示目标时序特征或目标频域特征归一化后的标准特征，/>表示所述目标时序特征或目标频域特征中第i个特征的均值，/>表示所述目标时序特征或目标频域特征中第i个特征，/>表示对应方差;所述确定并输出所述施工工人的注意力水平包括：
当通过预训练的注意力水平识别模型计算出注意力值大于或等于第一预设值时，确定对应的注意力水平为优秀；
当所述注意力值小于所述第一预设值且大于或等于第二预设值时，确定对应的注意力水平为正常；
当所述注意力值小于所述第二预设值且大于或等于第三预设值时，确定对应的注意力水平为及格；
当所述注意力值小于所述第三预设值且大于或等于第四预设值时，确定对应的注意力水平为预警；
当所述注意力值小于所述第四预设值且大于或等于第五预设值时，确定对应的注意力水平为报警。
2.根据权利要求1所述的施工工人的注意力水平计算方法，其特征在于，所述方法还包括：
当施工工人的注意力水平为报警或预警时，向所述脑机接口智能安全帽发送提醒信息，以使所述脑机接口智能安全帽根据所述提醒信息进行提示。
3.一种施工工人的注意力水平计算装置，其特征在于，包括：
获取模块，用于通过脑机接口智能安全帽获取施工工人的预设位点的脑电信号，其中，所述预设位点包括第一位点、第二位点、第三位点和第四位点；
预处理模块，用于对所述预设位点的脑电信号进行预处理，得到处理后的脑电信号；
提取模块，用于按照预设时间间隔从所述处理后的脑电信号中提取目标时序特征和目标频域特征；
确定模块，用于根据所述目标时序特征、目标频域特征和预训练的注意力水平识别模型，确定并输出所述施工工人的注意力水平，其中，所述注意力水平包括：优秀、正常、及格、预警和报警；使用所述第三位点和第四位点对应的脑电信号对所述第一位点和第二位点对应的脑电信号进行数据降噪处理，以得到所述第一位点对应的第一降噪信号和所述第二位点对应的第二降噪信号，该两信号即为处理后的脑电信号；
其中，采用以下第一计算公式计算所述第一降噪信号：
；
其中，表示所述第一降噪信号，/>表示第一位点对应的脑电信号，/>分别表示第三位点和第四位点对应的脑电信号；
采用以下第二计算公式计算所述第二降噪信号：
；
其中，表示所述第二降噪信号，/>表示第二位点对应的脑电信号，/>分别表示第三位点和第四位点对应的脑电信号;按照预设时间间隔从所述处理后的脑电信号中提取目标时序特征和目标频域特征，包括：
从所述处理后的脑电信号中提取目标时序特征，其中，所述目标时序特征包括脑电信号的峰值时间间距、方差和均值；
对所述处理后的脑电信号进行频域划分，其中，频域波段信号包括：theta波、alpha波和beta波；
分别计算每个频域波段信号的功率谱能量，以得到所述目标频域特征;采用以下第三计算公式计算每个频域波段信号的功率谱能量：
；
；
其中，表示频率为（a,b）范围内频域波段信号的功率谱能量，/>表示频域波段信号的功率谱密度，f表示频率，/>表示经处理后的脑电信号再经傅里叶转换后的频率展开信号，T表示频域波段信号的时长;根据所述目标时序特征、目标频域特征和预训练的注意力水平识别模型，确定并输出所述施工工人的注意力水平，包括：
将所述目标时序特征和目标频域特征分别采用以下第四计算公式进行极差均值归一化，以构成特征集合；
；
表示目标时序特征或目标频域特征归一化后的标准特征，/>表示所述目标时序特征或目标频域特征中第i个特征的均值，/>表示所述目标时序特征或目标频域特征中第i个特征，/>表示对应方差;所述确定并输出所述施工工人的注意力水平包括：
当通过预训练的注意力水平识别模型计算出注意力值大于或等于第一预设值时，确定对应的注意力水平为优秀；
当所述注意力值小于所述第一预设值且大于或等于第二预设值时，确定对应的注意力水平为正常；
当所述注意力值小于所述第二预设值且大于或等于第三预设值时，确定对应的注意力水平为及格；
当所述注意力值小于所述第三预设值且大于或等于第四预设值时，确定对应的注意力水平为预警；
当所述注意力值小于所述第四预设值且大于或等于第五预设值时，确定对应的注意力水平为报警。
4.一种施工工人的注意力水平计算装置，其特征在于，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
该指令被处理器执行时实现权利要求1-2中任一项所述方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1-2中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310133266.2A CN116458882B (zh) | 2023-02-09 | 2023-02-09 | 施工工人的注意力水平计算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310133266.2A CN116458882B (zh) | 2023-02-09 | 2023-02-09 | 施工工人的注意力水平计算方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116458882A CN116458882A (zh) | 2023-07-21 |
| CN116458882B true CN116458882B (zh) | 2024-03-12 |
Family
ID=87183079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310133266.2A Active CN116458882B (zh) | 2023-02-09 | 2023-02-09 | 施工工人的注意力水平计算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116458882B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103815900A (zh) * | 2013-11-22 | 2014-05-28 | 刘志勇 | 基于脑电频域特征指标化算法测量警觉性的帽子及方法 |
| CN113208634A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于eeg脑波的注意力检测方法、系统 |
| CN113679386A (zh) * | 2021-08-13 | 2021-11-23 | 北京脑陆科技有限公司 | 对注意力进行识别的方法、装置、终端及介质 |
| CN115429273A (zh) * | 2022-09-19 | 2022-12-06 | 华南师范大学 | 一种脑电注意力分类方法、装置、电子设备及存储介质 |
| CN115481650A (zh) * | 2022-08-03 | 2022-12-16 | 中铁建电气化局集团第一工程有限公司 | 基于注意力检测的安全生产监控方法、装置及电子设备 |
| CN115486843A (zh) * | 2022-08-03 | 2022-12-20 | 中铁建电气化局集团第一工程有限公司 | 安全生产监控平台 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220015685A1 (en) * | 2020-07-14 | 2022-01-20 | Dhiraj JEYANANDARAJAN | Systems and methods for brain state capture and referencing |
-
2023
- 2023-02-09 CN CN202310133266.2A patent/CN116458882B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103815900A (zh) * | 2013-11-22 | 2014-05-28 | 刘志勇 | 基于脑电频域特征指标化算法测量警觉性的帽子及方法 |
| CN113208634A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于eeg脑波的注意力检测方法、系统 |
| CN113679386A (zh) * | 2021-08-13 | 2021-11-23 | 北京脑陆科技有限公司 | 对注意力进行识别的方法、装置、终端及介质 |
| CN115481650A (zh) * | 2022-08-03 | 2022-12-16 | 中铁建电气化局集团第一工程有限公司 | 基于注意力检测的安全生产监控方法、装置及电子设备 |
| CN115486843A (zh) * | 2022-08-03 | 2022-12-20 | 中铁建电气化局集团第一工程有限公司 | 安全生产监控平台 |
| CN115429273A (zh) * | 2022-09-19 | 2022-12-06 | 华南师范大学 | 一种脑电注意力分类方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116458882A (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220280096A1 (en) | Ssvep-based attention evaluation method, training method, and brain-computer interface | |
| US20070179396A1 (en) | Method and System for Detecting and Classifying Facial Muscle Movements | |
| Lee et al. | Smartwatch-based driver vigilance indicator with kernel-fuzzy-C-means-wavelet method | |
| CN107361765B (zh) | 脑波分析方法及其装置 | |
| Sriraam et al. | Automated epileptic seizures detection using multi-features and multilayer perceptron neural network | |
| Anilkumar et al. | Design of drowsiness, heart beat detection system and alertness indicator for driver safety | |
| CN110123314A (zh) | 基于脑电信号判断大脑专注放松状态的方法 | |
| CN110013249A (zh) | 一种便携式可调式的头戴癫痫监测仪 | |
| Sahayadhas et al. | A physiological measures-based method for detecting inattention in drivers using machine learning approach | |
| Ke et al. | Drowsiness detection system using heartbeat rate in android-based handheld devices | |
| JP2015112423A (ja) | てんかん性発作兆候検知装置、てんかん性発作兆候検知モデル生成装置、てんかん性発作兆候検知方法、てんかん性発作兆候検知モデル生成方法、てんかん性発作兆候検知プログラムおよびてんかん性発作兆候検知モデル生成プログラム | |
| Singh et al. | Physical and physiological drowsiness detection methods | |
| CN116458882B (zh) | 施工工人的注意力水平计算方法及装置 | |
| KR102342106B1 (ko) | 인체상태 판단을 위한 비접촉식 생체신호 분석 시스템 | |
| CN116304563B (zh) | 施工工人的疲劳程度计算方法及系统 | |
| JP2015047452A (ja) | 脳波信号を解析評価する方法、脳波信号解析評価装置及び脳波信号を解析評価するためのプログラム | |
| Wei et al. | Automatic recognition of epileptic discharges based on shape similarity in time-domain | |
| Murthy et al. | Design and implementation of hybrid techniques and DA-based reconfigurable FIR filter design for noise removal in EEG signals on FPGA | |
| KR100327117B1 (ko) | 뇌파를 이용한 긍정/부정 의사 분별 장치 및 그 방법 | |
| Wang et al. | Towards real-time detection of auditory steady-state responses: A comparative study | |
| Bagh et al. | Classification of motor imagery tasks using phase space reconstruction and empirical mode decomposition | |
| CN113974647B (zh) | 重构心源性猝死风险因子的系统及方法 | |
| Li et al. | Ocular Artifact Removal Algorithm of Single Channel EEG Based on CEEMDAN-ICA-WTD | |
| Zeljković et al. | Automated pre-ictal phase detection algorithm from eeg signals | |
| Sharanreddy et al. | An improved approximate entropy based epilepsy seizure detection using multi-wavelet and artificial neural networks |
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 |