一种疲劳干预方法、系统、设备、介质及产品与流程

本申请涉及心电信号处理领域，特别是涉及一种疲劳干预方法、系统、设备、介质及产品。

背景技术：

1、在科技和经济快速发展的现代社会，人们面临着更快的生活节奏和更大的竞争压力。这导致长时间高强度的脑力劳动变得普遍，进而引发脑疲劳。脑疲劳不仅导致人们感到疲惫和注意力难以集中，长期累积还可能诱发一系列生理和心理问题，如心脏病、失眠、焦虑和抑郁，严重威胁到人们的身心健康。

技术实现思路

1、本申请的目的是提供一种疲劳干预方法、系统、设备、介质及产品，可识别疲劳状态的等级，并根据疲劳状态等级实施个性化的干预。

2、为实现上述目的，本申请提供了如下方案。

3、第一方面，本申请提供了一种疲劳干预方法，包括：

4、采集人体心电信号；

5、采用小波变换对所述心电信号进行预处理；

6、对预处理后的心电信号进行特征提取，得到初始特征集；所述初始特征集包括心率特征和心率变异性特征；

7、基于shap算法对所述初始特征集进行筛选，得到关键特征集；

8、基于所述关键特征集，采用疲劳识别模型确定疲劳状态的等级；所述疲劳识别模型由样本关键特征集对随机森林模型训练得到；所述样本关键特征集是对样本心电信号进行处理得到的；

9、基于所述疲劳状态的等级，采用不同类型的音乐和不同频率的时频干涉信号进行疲劳干预。

10、第二方面，本申请提供了一种疲劳干预系统，包括：

11、心电信号采集模块，用于采集人体心电信号；

12、预处理模块，用于采用小波变换对所述心电信号进行预处理；

13、特征提取模块，用于对预处理后的心电信号进行特征提取，得到初始特征集；所述初始特征集包括心率特征和心率变异性特征；

14、特征筛选模块，用于基于shap算法对所述初始特征集进行筛选，得到关键特征集；

15、疲劳状态等级确定模块，用于基于所述关键特征集，采用疲劳识别模型确定疲劳状态的等级；所述疲劳识别模型由样本关键特征集对随机森林模型训练得到；所述样本关键特征集是对样本心电信号进行处理得到的；

16、疲劳干预模块，用于基于所述疲劳状态的等级，采用不同类型的音乐和不同频率的时频干涉信号进行疲劳干预。

17、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在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以实现上述的疲劳干预方法。

18、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的疲劳干预方法。

19、第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的疲劳干预方法。

20、根据本申请提供的具体实施例，本申请具有以下技术效果。

21、（1）本申请采用shap算法对心率特征和心率变异性特征进行筛选，能够提高疲劳状态等级识别的准确性和干预的有效性。

22、（2）本申请通过不同类型的音乐和不同频率的时频干涉信号对不同等级的疲劳状态进行疲劳干预，能够深入脑部并对人体进行非侵入性刺激，有效避免了传统直流电刺激可能带来的疼痛问题，同时提高了干预的舒适度和耐受度，从而最大限度地减少因疲劳引发的健康和安全风险，保护人们的身心健康。

技术特征：

1.一种疲劳干预方法，其特征在于，包括：

2.根据权利要求1所述的疲劳干预方法，其特征在于，对预处理后的心电信号进行特征提取，得到初始特征集，具体包括：

3.根据权利要求2所述的疲劳干预方法，其特征在于，所述心率变异性特征包括：时域特征、频域特征和非线性特征。

4.根据权利要求1所述的疲劳干预方法，其特征在于，基于shap算法对所述初始特征集进行筛选，得到关键特征集，具体包括：

5.根据权利要求1所述的疲劳干预方法，其特征在于，所述疲劳状态的等级包括：非疲劳状态、轻度疲劳状态、中度疲劳状态和重度疲劳状态。

6.根据权利要求5所述的疲劳干预方法，其特征在于，基于所述疲劳状态的等级，采用不同类型的音乐和不同频率的时频干涉信号进行疲劳干预，具体包括：

7.一种疲劳干预系统，其特征在于，包括：

8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在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以实现权利要求1-6中任一项所述的疲劳干预方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的疲劳干预方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的疲劳干预方法。

技术总结
本申请公开了一种疲劳干预方法、系统、设备、介质及产品，涉及心电信号处理领域，该方法包括：采集人体心电信号；采用小波变换对所述心电信号进行预处理；对预处理后的心电信号进行特征提取，得到初始特征集；基于SHAP算法对所述初始特征集进行筛选，得到关键特征集；基于所述关键特征集，采用疲劳识别模型确定疲劳状态的等级；所述疲劳识别模型由样本关键特征集对随机森林模型训练得到；所述样本关键特征集是对样本心电信号进行处理得到的；基于所述疲劳状态的等级，采用不同类型的音乐和不同频率的时频干涉信号进行疲劳干预。本申请可识别疲劳状态的等级，并根据疲劳状态等级实施个性化的干预。

技术研发人员：首召兵,王慧泉,李城钰,刘金鑫,朱萌蕊,窦海琪
受保护的技术使用者：深圳市太美亚电子科技有限公司
技术研发日：
技术公布日：2025/4/14