CN117084683B - 一种技术人员心理状态监测评估方法及系统 - Google Patents
一种技术人员心理状态监测评估方法及系统 Download PDFInfo
- Publication number
- CN117084683B CN117084683B CN202310984949.9A CN202310984949A CN117084683B CN 117084683 B CN117084683 B CN 117084683B CN 202310984949 A CN202310984949 A CN 202310984949A CN 117084683 B CN117084683 B CN 117084683B
- Authority
- CN
- China
- Prior art keywords
- index
- psychological
- calibration
- characteristic value
- association
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 230000002159 abnormal effect Effects 0.000 claims description 59
- 230000007704 transition Effects 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 4
- 230000006996 mental state Effects 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000011161 development Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012098 association analyses Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003340 mental effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 231100000167 toxic agent Toxicity 0.000 description 2
- 239000003440 toxic substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 102000011923 Thyrotropin Human genes 0.000 description 1
- 108010061174 Thyrotropin Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 231100000086 high toxicity Toxicity 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 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
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Social Psychology (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种技术人员心理状态监测评估方法及系统，涉及数据处理技术领域，包括：获取预设工作场景和预设心理指标；根据所述预设心理指标，遍历所述预设工作场景进行样本信息采集，获取心理指标样本记录数据；根据所述心理指标样本记录数据进行关联性分析，获取关联指标集合；基于所述关联指标集合，构建危险预警模型；当技术人员进行所述预设工作场景时，获取关联指标实时特征值；将所述关联指标实时特征值输入所述危险预警模型，获取危险预警信息；将所述危险预警信息发送至管理人员对所述技术人员进行安全管理。解决了现有技术中存在缺乏对作业人员心理状态研究的具体可行方案的技术问题。
Description
技术领域
本发明涉及数据处理相关技术领域，具体涉及一种技术人员心理状态监测评估方法及系统。
背景技术
特种工作人员，比如弹药技术作业，包括通用弹药实弹检测、试投试射、理化性能试验、分解销毁、未爆弹处理、不明化学品检测、毒剂销毁等内容，对作业安全有着极为特殊的要求。作业人员长期处于高危、高毒、高爆和隔离封闭的工作环境中，直面生死考验，工作机械重复、神经高度紧张，持续时间长、体能消耗大，精神压力大，加之工作点位封闭孤立，人员极易因各种因素诱发而导致心理状态失衡影响作业安全。
通过统计，弹药作业相关事故中，95％以上都与作业人员心理状态相关联，85％以上与人员心理状态直接关联，因此通过研究作业人员作业心理状态是保证作业人员安全，保证作业稳定进行的重要环节。但是目前却没有对作业人员心理状态研究的具体可行方案。
综上所述，现有技术中存在缺乏对作业人员心理状态研究的具体可行方案的技术问题。
发明内容
本申请通过提供了一种技术人员心理状态监测评估方法及系统，旨在解决现有技术中存在缺乏对作业人员心理状态研究的具体可行方案的技术问题。
鉴于上述问题，本申请实施例提供了一种技术人员心理状态监测评估方法及系统。
本申请公开的第一个方面，提供了一种技术人员心理状态监测评估方法，其中，包括：获取预设工作场景和预设心理指标；根据所述预设心理指标，遍历所述预设工作场景进行样本信息采集，获取心理指标样本记录数据；根据所述心理指标样本记录数据进行关联性分析，获取关联指标集合；基于所述关联指标集合，构建危险预警模型；当技术人员进行所述预设工作场景时，获取关联指标实时特征值；将所述关联指标实时特征值输入所述危险预警模型，获取危险预警信息；将所述危险预警信息发送至管理人员对所述技术人员进行安全管理。
本申请公开的另一个方面，提供了一种技术人员心理状态监测评估系统，其中，包括：初始参数采集模块，用于获取预设工作场景和预设心理指标；样本数据采集模块，用于根据所述预设心理指标，遍历所述预设工作场景进行样本信息采集，获取心理指标样本记录数据；关联性分析模块，用于根据所述心理指标样本记录数据进行关联性分析，获取关联指标集合；危险预警模型构建模块，用于基于所述关联指标集合，构建危险预警模型；关联指标监测模块，用于当技术人员进行所述预设工作场景时，获取关联指标实时特征值；特征值分析模块，用于将所述关联指标实时特征值输入所述危险预警模型，获取危险预警信息；危险预警模块，用于将所述危险预警信息发送至管理人员对所述技术人员进行安全管理。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了对设定工作场景下，设定初始的心理指标；依据初始的心理指标，对在设定工作场景下的作业人员进行心理指标状态的记录，得到心理指标样本记录数据；根据样本记录数据进行关联性分析，得到与设定工作场景关联的关联指标集合；依据关联指标集合，构建危险预警模型；采集在预设工作场景下工作的技术人员实时的关联指标特征值输入危险预警模型，输入危险预警信息；根据危险预警信息对技术人员进行安全管理的技术方案，通过关联性分析算法确定与工作场景关联度较高的心理指标；再依据关联的指标构建智能化危险预警模型实现实时工作时的危险管理，从而达到了提高特种作业安全性和稳定性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种技术人员心理状态监测评估方法可能的流程示意图；
图2为本申请实施例提供了一种技术人员心理状态监测评估方法中关联指标集合确定的可能的流程示意图；
图3为本申请实施例提供了一种技术人员心理状态监测评估方法中危险预警模型构建的可能的流程示意图；
图4为本申请实施例提供了一种技术人员心理状态监测评估系统可能的结构示意图。
附图标记说明：初始参数采集模块100，样本数据采集模块200，关联性分析模块300，危险预警模型构建模块400，关联指标监测模块500，特征值分析模块600，危险预警模块700。
具体实施方式
本申请提供的技术方案总体思路如下：
本申请实施例提供了一种技术人员心理状态监测评估方法及系统。由于采用了对设定工作场景下，设定初始的心理指标；依据初始的心理指标，对在设定工作场景下的作业人员进行心理指标状态的记录，得到心理指标样本记录数据；根据样本记录数据进行关联性分析，得到与设定工作场景关联的关联指标集合；依据关联指标集合，构建危险预警模型；采集在预设工作场景下工作的技术人员实时的关联指标特征值输入危险预警模型，输入危险预警信息；根据危险预警信息对技术人员进行安全管理的技术方案，通过关联性分析算法确定与工作场景关联度较高的心理指标；再依据关联的指标构建智能化危险预警模型实现实时工作时的危险管理，从而达到了提高特种作业安全性和稳定性的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种技术人员心理状态监测评估方法，其中，包括步骤：
S10：获取预设工作场景和预设心理指标；
具体而言，预设工作场景指的是根据特种工作人员的作业环境而设计的多组场景特征，任意一组场景特征与一个工作场景一一对应，示例性地如：特种工作人员为弹药技术作业人员，则预设工作场景优选的为通用弹药实弹检测场景、试投试射场景、理化性能试验场景、分解销毁场景、未爆弹处理场景、不明化学品检测场景、毒剂销毁场景等预设工作场景，预设工作场景为依据不同的技术人员工种而自定义设定的参数。
预设心理指标指的是自定义设定的会影响工作人员工作状态的心理健康状态的生理指标，示例性地如：体重指数、收缩压、舒张压、甘油三酯、低密度胆固醇、促甲状腺激素、心率、体温、出汗量、呼吸节奏、身体抖动状态等生理指标，预设心理指标优选的由专家人员自定义设定，预设心理指标设定的原则为尽可能多，尽可能范围囊括性强，保证后步数据分析的准确性。
S20：根据所述预设心理指标，遍历所述预设工作场景进行样本信息采集，获取心理指标样本记录数据；
具体而言，心理指标样本记录数据指的是根据所述预设心理指标，对人一个预设工作场景都进行作业人员的心理指标状态变化信息采集，记录存储得到的多组心理指标样本记录数据。优选的，任意一组的心理指标样本记录数据与一个类型的预设工作场景相对应，任意一组的心理指标样本记录数据至少包括10000个样本以上，进一步的，样本采集的作业人员应在工作年龄段均匀分布，以此保障数据分析的准确性，以及分析结果的客观性。
S30：根据所述心理指标样本记录数据进行关联性分析，获取关联指标集合；
进一步的，根据所述心理指标样本记录数据进行关联性分析，获取关联指标集合，步骤S30包括步骤：
S31：根据所述预设工作场景，获取第i类型工作场景；
S32：根据所述预设心理指标，获取基准波动区间；
S33：根据所述第i类型工作场景和所述基准波动区间，遍历所述心理指标样本记录数据进行数据筛选，获取异常波动心理指标样本记录数据；
S33：获取关联系数评估公式：
其中，G(i,j)表征任意一个样本第i类型工作场景与第j个异常波动心理指标的关联系数，djn1表征第n时序样本中异常波动心理指标大于基准波动区间的偏差绝对值，wj1表征第j个异常波动心理指标的上偏差权重参数，djn2表征第n时序样本中异常波动心理指标小于基准波动区间的偏差绝对值，wj2表征第j个异常波动心理指标的下偏差权重参数，N表征任意一个样本的第j个异常波动心理指标统计时序总数；
S34：根据所述关联系数评估公式，遍历所述异常波动心理指标样本记录数据，获取所述关联指标集合。
进一步的，如图2所示，根据所述关联系数评估公式，遍历所述异常波动心理指标样本记录数据，获取所述关联指标集合，步骤S34包括步骤：
S341：根据所述关联系数评估公式，遍历所述异常波动心理指标样本记录数据，获取多组异常波动心理指标关联系数；
S342：遍历所述多组异常波动心理指标关联系数进行均值分析，获取多个异常波动心理指标关联度；
S343：将所述多个异常波动心理指标关联度大于或等于关联度阈值的异常波动心理指标，添加进所述关联指标集合。
具体而言，关联指标集合指的是对任意一个预设工作场景的对应组的心理指标样本记录数据进行关联性分析，所得到的与预设工作场景相关性较高的心理指标。
关联性分析算法，优选的描述实施例如下：
从预设工作场景，提取任意一个工作场景，记为第i类型工作场景，避免后步重复分析；通过专家人员对预设心理指标设定一个健康的波动区间，存储为基准波动区间；根据第i类型工作场景筛选与第i类型工作场景相对应的心理指标样本记录数据；再根据基准波动区间，筛选心理指标样本记录数据，将波动幅度超出基准波动区间预设情况的样本记录数据提取，存储为异常波动心理指标样本记录数据，等待后步关联性分析。
优选的，将波动幅度超出基准波动区间预设情况的样本记录数据提取的过程详细为：对于任意一个样本记录数据，统计波动幅度超出基准波动区间的时长，以及样本记录数据的总时长，计算波动幅度超出基准波动区间的时间长与样本记录数据的总时长的比值，当比值大于或等于预设比值，则将对应的样本数据提取，预设比值由管理人员自定义设定，默认为0.3。
进一步，获取关联系数评估公式，
其中，G(i,j)表征任意一个样本第i类型工作场景与第j个异常波动心理指标的关联系数，djn1表征第n时序样本中异常波动心理指标大于基准波动区间的偏差绝对值，wj1表征第j个异常波动心理指标的上偏差权重参数，djn2表征第n时序样本中异常波动心理指标小于基准波动区间的偏差绝对值，wj2表征第j个异常波动心理指标的下偏差权重参数，N表征任意一个样本的第j个异常波动心理指标统计时序总数，上偏差指的是异常波动心理指标大于基准波动区间的偏差，下偏差指的是异常波动心理指标小于基准波动区间的偏差绝对值；
任意一组样本记录数据的任意一个心理指标对应于多个样本，基于关联系数评估公式进行处理，得到多个关联系数，记为异常波动心理指标关联系数；多个预设工作场景对应于多组异常波动心理指标关联系数；最后对任意一组的异常波动心理指标关联系数求平均值，则得到对应心理指标与对应工作场景的关联度，存储为异常波动心理指标关联度。
进一步，将多个异常波动心理指标关联度大于或等于关联度阈值的异常波动心理指标，添加进关联指标集合，其中，关联度阈值指的管理人员自定义设定的筛选关联指标的最低阈值。通过基于任意一个预设工作场景，对预设心理指标进行关联性分析，从而得到与预设工作场景相关联的指标集，为后步的预设工作场景指标监测提供了参考数据，相比传统手段中的主观设定，自动化程度高，客观性较强。
S40：基于所述关联指标集合，构建危险预警模型；
进一步的，如图3所示，基于所述关联指标集合，构建危险预警模型，步骤S40包括步骤：
S41：根据所述关联指标集合，构建指标特征值转移概率矩阵；
S42：根据所述指标特征值转移概率矩阵，基于马尔科夫链，训练指标特征值预测模型；
S43：构建事故发生概率预测模型；
S44：将所述指标特征值预测模型的输出层和所述事故发生概率预测模型输入层合并，生成所述危险预警模型。
进一步的，所述构建事故发生概率预测模型，步骤S43包括步骤：
S431：获取多组标定数据，其中，所述多组标定数据包括指标特征值标定结果和事故发生概率标定结果；
S432：根据所述指标特征值标定结果和所述事故发生概率标定结果，基于BP神经网络，训练所述事故发生概率预测模型。
进一步的，根据所述关联指标集合，构建指标特征值转移概率矩阵，步骤S41包括步骤：
S411：获取第一标定组、第二标定组直到第M标定组，其中，任意两个标定组之间为信息隔离状态；
S412：根据所述关联指标集合，基于所述心理指标样本记录数据，获取任意一个关联指标的第一特征值序列和第二特征值序列；
S413：将所述第一特征值序列和所述第二特征值序列输入所述第一标定组、所述第二标定组直到所述第M标定组，获取第一标定转移概率、第二标定转移概率直到第M标定转移概率；
S414：对所述第一标定转移概率、所述第二标定转移概率直到所述第M标定转移概率进行均值分析，获取均值分析结果，添加进所述指标特征值转移概率矩阵。
进一步的，对所述第一标定转移概率、所述第二标定转移概率直到所述第M标定转移概率进行均值分析，获取均值分析结果，添加进所述指标特征值转移概率矩阵，步骤S413包括步骤：
S4131：将所述均值分析结果反馈至所述第一标定组、所述第二标定组直到所述第M标定组，获取同意投票结果；
S4132：当所述同意投票结果大于或等于预设投票数量，将所述均值分析结果添加进所述指标特征值转移概率矩阵。
具体而言，危险预警模型指的是根据关联指标集合，构建任意一个工作场景的危险预警模型，多个预设工作场景对应多个危险预警模型，通过危险预警模型可以实现关联指标集合异常状态的识别预警，从而保障技术人员的安全性，以及作业的稳定性。
危险预警模型的构建流程，优选实施例如下：
在技术人员进行作业时，关联指标集合的变化时呈时序性的，因此指标监测所得数据为按照时序排列的序列数据，为了实现对未来时间指标序列的发展进行预测，采用基于马尔科夫链训练的预测模块进行预测，由于马尔科夫模型所考虑的仅仅是前一个时间节点的数据发展状态，进而用于对未来时间节点的数据发展状态预测，针对此种预测问题具有较强的收敛性能，因此通过马尔科夫模型处理上一个设定长度的时区内的指标序列数据，从而预测未来设定长度时区内的指标序列数据，可保证预测结果的准确性。
进一步的，由于马尔可夫模型的构建需要基于不同心理指标状态序列之间的转移概率，所以根据关联指标集合，标定不同指标状态之间的转移概率，存储为指标特征值转移概率矩阵，便于后步训练指标特征值预测模型。
其中，标定不同指标状态之间的转移概率的优选实施例如下：
根据德菲尔法，基于大数据，得到第一标定组、第二标定组直到第M标定组，其中，任意两个标定组之间为信息隔离状态，第一标定组、第二标定组直到第M标定组都是用于对不同指标状态之间的转移概率进行标定的专家组。
从心理指标样本记录数据筛选任意一个关联指标的第一特征值序列和第二特征值序列，第一特征值序列指的是任意一个关联指标的某个状态值，第二特征值序列指的是任意一个关联指标的某个状态值，第一特征值序列和第二特征值序列可以相同或不同。将第一特征值序列和第二特征值序列输入第一标定组、第二标定组直到所述第M标定组，由各个标定组的专家依据作业人员所处的工作场景，分析由第一特征值序列转换为第二特征值序列的概率值，从而得到第一标定转移概率、第二标定转移概率直到第M标定转移概率；更进一步，对第一标定转移概率、第二标定转移概率直到第M标定转移概率加和求均值，计算得到均值分析结果；更进一步，将均值分析结果反馈至第一标定组、第二标定组直到第M标定组进行是否同意投票，得到表征同意投票数量的同意投票结果；当同意投票结果大于或等于预设投票数量，将均值分析结果添加进所述指标特征值转移概率矩阵，此处的预设投票数量优选为百分之50。当同意投票结果小于预设投票数量，则获取第一标定组、第二标定组直到第M标定组的二次反馈转移概率，再计算均值，直接添加进指标特征值转移概率矩阵。
针对任意一个预设工作场景，对应的多个指标具有多个指标特征值转移概率矩阵。基于多个指标特征值转移概率矩阵，构建多条马尔科夫链，马尔科夫链的节点存储不同的指标特征值，节点之间存储转移概率。基于此，马尔科夫模型可以根据多条马尔科夫链对输入的指标特征值进行分析，从而输出最大概率的指标特征值发展预测值作为预测结果。
优选的，采集多组相同工作场景的对应的关联指标集合的监测数据，将关联指标集合的监测数据从某个时刻分为两部分，时序靠前的一部分作为输入训练数据，时序靠后的一部分作为输出监测数据，基于输入训练数据，以马尔科夫链作为决策标准进行无监督训练，用输出监测数据评估模型预测准确性，若是预测准确性符合需求，即误差在允许范围之内，则视为指标特征值预测模型构建完成。
其次，构建事故发生概率预测模型，事故发生概率预测模型用于根据指标实时特征值分析发生事故的概率值，优选的，采集多组标定数据，即用于训练事故发生概率预测模型的数据集，多组标定数据包括指标特征值标定结果和事故发生概率标定结果，其中，指标特征值标定结果为依据预设工作场景所采集的历史记录数据。事故发生概率标定结果为根据历史记录数据所确定的对应的预设工作场景下对应的指标特征值标定结果可能发生事故的概率值。
优选的，事故发生概率标定结果确定过程如下，对于任意一个指标特征值标定结果，采集多条事件记录数据，统计发生事故的记录条数，与多条事件记录数据的总条数求比，记为事故发生概率标定结果。进一步，将指标特征值标定结果作为输入数据，将事故发生概率标定结果作为输出数据，基于BP神经网络进行有监督训练，得到事故发生概率预测模型。
最后，将指标特征值预测模型和事故发生概率预测模型合并，将指标特征值预测模型的输出层和事故发生概率预测模型输入层合并，生成危险预警模型。模型工作时，当指标特征值预测模型完成指标特征值在未来时间的发展预测，输入进事故发生概率预测模型得到事故发生概率，从而可以为事故的提前预防提供预先性的保障。
S50：当技术人员进行所述预设工作场景时，获取关联指标实时特征值；
S60：将所述关联指标实时特征值输入所述危险预警模型，获取危险预警信息；
S70：将所述危险预警信息发送至管理人员对所述技术人员进行安全管理。
具体而言，关联指标实时特征值指的是技术人员进行预设工作场景工作时，相对应的关联指标集合的实时特征值；将关联指标实时特征值输入危险预警模型，当指标特征值预测模型完成指标特征值在未来时间的发展预测，输入进事故发生概率预测模型得到事故发生概率。当事故发生概率大于或等于发生概率预警阈值时，获取表征危险可能发生的危险预警信息，优选的发生概率预警阈值为自定义的进行危险预警的最低概率值，默认为百分之10。将危险预警信息发送至管理人员对所述技术人员进行安全管理，以实现特种作业的技术人员的安全管理，以及特种作业的稳定进行。
综上所述，本申请实施例所提供的一种技术人员心理状态监测评估方法及系统具有如下技术效果：
由于采用了对设定工作场景下，设定初始的心理指标；依据初始的心理指标，对在设定工作场景下的作业人员进行心理指标状态的记录，得到心理指标样本记录数据；根据样本记录数据进行关联性分析，得到与设定工作场景关联的关联指标集合；依据关联指标集合，构建危险预警模型；采集在预设工作场景下工作的技术人员实时的关联指标特征值输入危险预警模型，输入危险预警信息；根据危险预警信息对技术人员进行安全管理的技术方案，通过关联性分析算法确定与工作场景关联度较高的心理指标；再依据关联的指标构建智能化危险预警模型实现实时工作时的危险管理，从而达到了提高特种作业安全性和稳定性的技术效果。
实施例二
基于与前述实施例中一种技术人员心理状态监测评估方法相同的发明构思，如图4所示，本申请实施例提供了一种技术人员心理状态监测评估系统，其中，包括：
初始参数采集模块100，用于获取预设工作场景和预设心理指标；
样本数据采集模块200，用于根据所述预设心理指标，遍历所述预设工作场景进行样本信息采集，获取心理指标样本记录数据；
关联性分析模块300，用于根据所述心理指标样本记录数据进行关联性分析，获取关联指标集合；
危险预警模型构建模块400，用于基于所述关联指标集合，构建危险预警模型；
关联指标监测模块500，用于当技术人员进行所述预设工作场景时，获取关联指标实时特征值；
特征值分析模块600，用于将所述关联指标实时特征值输入所述危险预警模型，获取危险预警信息；
危险预警模块700，用于将所述危险预警信息发送至管理人员对所述技术人员进行安全管理。
进一步的，所述关联性分析模块300执行步骤包括：
根据所述预设工作场景，获取第i类型工作场景；
根据所述预设心理指标，获取基准波动区间；
根据所述第i类型工作场景和所述基准波动区间，遍历所述心理指标样本记录数据进行数据筛选，获取异常波动心理指标样本记录数据；
获取关联系数评估公式：
其中，G(i,j)表征任意一个样本第i类型工作场景与第j个异常波动心理指标的关联系数，djn1表征第n时序样本中异常波动心理指标大于基准波动区间的偏差绝对值，wj1表征第j个异常波动心理指标的上偏差权重参数，djn2表征第n时序样本中异常波动心理指标小于基准波动区间的偏差绝对值，wj2表征第j个异常波动心理指标的下偏差权重参数，N表征任意一个样本的第j个异常波动心理指标统计时序总数；
根据所述关联系数评估公式，遍历所述异常波动心理指标样本记录数据，获取所述关联指标集合。
进一步的，所述关联性分析模块300执行步骤包括：
根据所述关联系数评估公式，遍历所述异常波动心理指标样本记录数据，获取多组异常波动心理指标关联系数；
遍历所述多组异常波动心理指标关联系数进行均值分析，获取多个异常波动心理指标关联度；
将所述多个异常波动心理指标关联度大于或等于关联度阈值的异常波动心理指标，添加进所述关联指标集合。
进一步的，所述危险预警模型构建模块400执行步骤包括：
根据所述关联指标集合，构建指标特征值转移概率矩阵；
根据所述指标特征值转移概率矩阵，基于马尔科夫链，训练指标特征值预测模型；
构建事故发生概率预测模型；
将所述指标特征值预测模型的输出层和所述事故发生概率预测模型输入层合并，生成所述危险预警模型。
进一步的，所述危险预警模型构建模块400执行步骤包括：
获取多组标定数据，其中，所述多组标定数据包括指标特征值标定结果和事故发生概率标定结果；
根据所述指标特征值标定结果和所述事故发生概率标定结果，基于BP神经网络，训练所述事故发生概率预测模型。
进一步的，所述危险预警模型构建模块400执行步骤包括：
获取第一标定组、第二标定组直到第M标定组，其中，任意两个标定组之间为信息隔离状态；
根据所述关联指标集合，基于所述心理指标样本记录数据，获取任意一个关联指标的第一特征值序列和第二特征值序列；
将所述第一特征值序列和所述第二特征值序列输入所述第一标定组、所述第二标定组直到所述第M标定组，获取第一标定转移概率、第二标定转移概率直到第M标定转移概率；
对所述第一标定转移概率、所述第二标定转移概率直到所述第M标定转移概率进行均值分析，获取均值分析结果，添加进所述指标特征值转移概率矩阵。
进一步的，所述危险预警模型构建模块400执行步骤包括：
将所述均值分析结果反馈至所述第一标定组、所述第二标定组直到所述第M标定组，获取同意投票结果；
当所述同意投票结果大于或等于预设投票数量，将所述均值分析结果添加进所述指标特征值转移概率矩阵。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (6)
1.一种技术人员心理状态监测评估方法，其特征在于，包括：
获取预设工作场景和预设心理指标；
根据所述预设心理指标，遍历所述预设工作场景进行样本信息采集，获取心理指标样本记录数据；
根据所述心理指标样本记录数据进行关联性分析，获取关联指标集合；
基于所述关联指标集合，构建危险预警模型；
当技术人员进行所述预设工作场景时，获取关联指标实时特征值；
将所述关联指标实时特征值输入所述危险预警模型，获取危险预警信息；
将所述危险预警信息发送至管理人员对所述技术人员进行安全管理；
根据所述心理指标样本记录数据进行关联性分析，获取关联指标集合，包括：
根据所述预设工作场景，获取第i类型工作场景；
根据所述预设心理指标，获取基准波动区间；
根据所述第i类型工作场景和所述基准波动区间，遍历所述心理指标样本记录数据进行数据筛选，获取异常波动心理指标样本记录数据；
获取关联系数评估公式：
其中，G(i,j)表征任意一个样本第i类型工作场景与第j个异常波动心理指标的关联系数，djn1表征第n时序样本中异常波动心理指标大于基准波动区间的偏差绝对值，wj1表征第j个异常波动心理指标的上偏差权重参数，djn2表征第n时序样本中异常波动心理指标小于基准波动区间的偏差绝对值，wj2表征第j个异常波动心理指标的下偏差权重参数，N表征任意一个样本的第j个异常波动心理指标统计时序总数；
根据所述关联系数评估公式，遍历所述异常波动心理指标样本记录数据，获取所述关联指标集合；
根据所述关联系数评估公式，遍历所述异常波动心理指标样本记录数据，获取所述关联指标集合，包括：
根据所述关联系数评估公式，遍历所述异常波动心理指标样本记录数据，获取多组异常波动心理指标关联系数；
遍历所述多组异常波动心理指标关联系数进行均值分析，获取多个异常波动心理指标关联度；
将所述多个异常波动心理指标关联度大于或等于关联度阈值的异常波动心理指标，添加进所述关联指标集合。
2.如权利要求1所述的一种技术人员心理状态监测评估方法，其特征在于，基于所述关联指标集合，构建危险预警模型，包括：
根据所述关联指标集合，构建指标特征值转移概率矩阵；
根据所述指标特征值转移概率矩阵，基于马尔科夫链，训练指标特征值预测模型；
构建事故发生概率预测模型；
将所述指标特征值预测模型的输出层和所述事故发生概率预测模型输入层合并，生成所述危险预警模型。
3.如权利要求2所述的一种技术人员心理状态监测评估方法，其特征在于，所述构建事故发生概率预测模型，包括：
获取多组标定数据，其中，所述多组标定数据包括指标特征值标定结果和事故发生概率标定结果；
根据所述指标特征值标定结果和所述事故发生概率标定结果，基于BP神经网络，训练所述事故发生概率预测模型。
4.如权利要求2所述的一种技术人员心理状态监测评估方法，其特征在于，根据所述关联指标集合，构建指标特征值转移概率矩阵，包括：
获取第一标定组、第二标定组直到第M标定组，其中，任意两个标定组之间为信息隔离状态；
根据所述关联指标集合，基于所述心理指标样本记录数据，获取任意一个关联指标的第一特征值序列和第二特征值序列；
将所述第一特征值序列和所述第二特征值序列输入所述第一标定组、所述第二标定组直到所述第M标定组，获取第一标定转移概率、第二标定转移概率直到第M标定转移概率；
对所述第一标定转移概率、所述第二标定转移概率直到所述第M标定转移概率进行均值分析，获取均值分析结果，添加进所述指标特征值转移概率矩阵。
5.如权利要求4所述的一种技术人员心理状态监测评估方法，其特征在于，对所述第一标定转移概率、所述第二标定转移概率直到所述第M标定转移概率进行均值分析，获取均值分析结果，添加进所述指标特征值转移概率矩阵，包括：
将所述均值分析结果反馈至所述第一标定组、所述第二标定组直到所述第M标定组，获取同意投票结果；
当所述同意投票结果大于或等于预设投票数量，将所述均值分析结果添加进所述指标特征值转移概率矩阵。
6.一种技术人员心理状态监测评估系统，其特征在于，用于实施权利要求1-5任一项所述的一种技术人员心理状态监测评估方法，包括：
初始参数采集模块，用于获取预设工作场景和预设心理指标；
样本数据采集模块，用于根据所述预设心理指标，遍历所述预设工作场景进行样本信息采集，获取心理指标样本记录数据；
关联性分析模块，用于根据所述心理指标样本记录数据进行关联性分析，获取关联指标集合；
危险预警模型构建模块，用于基于所述关联指标集合，构建危险预警模型；
关联指标监测模块，用于当技术人员进行所述预设工作场景时，获取关联指标实时特征值；
特征值分析模块，用于将所述关联指标实时特征值输入所述危险预警模型，获取危险预警信息；
危险预警模块，用于将所述危险预警信息发送至管理人员对所述技术人员进行安全管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310984949.9A CN117084683B (zh) | 2023-08-07 | 2023-08-07 | 一种技术人员心理状态监测评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310984949.9A CN117084683B (zh) | 2023-08-07 | 2023-08-07 | 一种技术人员心理状态监测评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117084683A CN117084683A (zh) | 2023-11-21 |
| CN117084683B true CN117084683B (zh) | 2024-04-19 |
Family
ID=88772837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310984949.9A Active CN117084683B (zh) | 2023-08-07 | 2023-08-07 | 一种技术人员心理状态监测评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117084683B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2016118652A (ru) * | 2016-05-13 | 2017-11-16 | Акционерное общество "Ассоциация разработчиков и производителей систем мониторинга" | Способ оценки и прогнозирования функционального состояния человека в экстремальных условиях деятельности |
| CN110428121A (zh) * | 2019-04-23 | 2019-11-08 | 贵州大学 | 基于灰色关联分析的隐马尔可夫模型食品质量评估方法 |
| CN114162131A (zh) * | 2020-09-10 | 2022-03-11 | 华为技术有限公司 | 一种驾驶行为监测方法及装置 |
| CN114792044A (zh) * | 2022-03-23 | 2022-07-26 | 东北财经大学 | 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统 |
| CN115206528A (zh) * | 2022-07-11 | 2022-10-18 | 江苏智慧智能软件科技有限公司 | 一种基于软件数据分析的心理健康测评系统及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102111566B1 (ko) * | 2019-07-16 | 2020-05-18 | 주식회사 지에스아이엘 | 다차원 리스크 매트릭스 및 그 생성방법 |
| CN112193252A (zh) * | 2020-10-15 | 2021-01-08 | 腾讯科技（深圳）有限公司 | 驾驶风险的预警方法、装置、计算设备及存储介质 |
-
2023
- 2023-08-07 CN CN202310984949.9A patent/CN117084683B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2016118652A (ru) * | 2016-05-13 | 2017-11-16 | Акционерное общество "Ассоциация разработчиков и производителей систем мониторинга" | Способ оценки и прогнозирования функционального состояния человека в экстремальных условиях деятельности |
| CN110428121A (zh) * | 2019-04-23 | 2019-11-08 | 贵州大学 | 基于灰色关联分析的隐马尔可夫模型食品质量评估方法 |
| CN114162131A (zh) * | 2020-09-10 | 2022-03-11 | 华为技术有限公司 | 一种驾驶行为监测方法及装置 |
| CN114792044A (zh) * | 2022-03-23 | 2022-07-26 | 东北财经大学 | 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统 |
| CN115206528A (zh) * | 2022-07-11 | 2022-10-18 | 江苏智慧智能软件科技有限公司 | 一种基于软件数据分析的心理健康测评系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117084683A (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| CN112365978B (zh) | 心动过速事件早期风险评估的模型的建立方法及其装置 | |
| EP3846685A1 (en) | Analysis of cardiac data | |
| US11331034B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| CN111657888A (zh) | 重度急性呼吸窘迫综合症预警方法及系统 | |
| CN111680913B (zh) | 一种舰员的超负荷工作检测方法及系统 | |
| CN108647707A (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
| CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
| Patra et al. | Predictive analysis of rapid spread of heart disease with data mining | |
| CN117612693B (zh) | 一种患者实时监测和预警方法、装置、计算机及存储介质 | |
| CN117084683B (zh) | 一种技术人员心理状态监测评估方法及系统 | |
| CN113642672A (zh) | 医保数据的特征加工方法、装置、计算机设备及存储介质 | |
| CN117038079A (zh) | 基于神经网络的儿童心脏病风险评估与预警系统 | |
| CN116627845A (zh) | 一种基于Capture-Recapture的软件缺陷预测方法及系统 | |
| CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
| CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
| CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
| CN114550896A (zh) | 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型 | |
| CN113111918A (zh) | 基于异常样本检测和多维信息输出的脑卒中风险筛查方法 | |
| CN101458738A (zh) | 病症严重度排序方法及其系统以及记录媒体 | |
| CN117637154B (zh) | 一种基于优化算法的神经内科重症指标预测方法及系统 | |
| JP7455892B2 (ja) | 異常予測システム、方法及びコンピュータプログラム | |
| US20220151531A1 (en) | Heart failure predictor and heart failure predicting method | |
| EP3901965A1 (en) | Stress twin for individuals | |
| KR102652325B1 (ko) | 가우시안 프로세스 회귀 분석을 이용한 심정지 예측 장치 |
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 |