施工工人的疲劳程度计算方法及系统

本公开涉及施工现场的安全监测，尤其涉及一种施工工人的疲劳程度计算方法及系统。

背景技术：

1、随着国家基建的大力发展和民生的保障，生产安全问题是目前政府和各大厂商关注的问题。而在各个生产事故原因中，疲劳因素成为了主要的因素。在基建施工场景中，施工工人都会佩戴安全帽来避免潜在的安全问题，但传统的安全帽只提供物理防撞击的功能，并不能实现对施工工人的体征进行监测。因此，len等人提出了一种可穿戴体征监测系统，该发明在大脑皮层放置多个eeg监测电极，实现对人体大脑信号的检测。而这类可穿戴体征监测系统只是提供了一种eeg脑电的监测方法，并没有对工人的疲劳进行计算，无法有效的识别生产活动场景中工人的疲劳程度。

技术实现思路

1、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疲劳程度计算方法及系统。

2、根据本公开实施例的第一方面，提供一种施工工人的疲劳程度计算方法，包括：

3、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；

4、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；

5、按照预设时间间隔从所述处理后的脑电信号中提取目标脑电特征；

6、根据所述目标脑电特征和预训练的疲劳识别模型，确定并输出所述施工工人的疲劳程度，其中，所述疲劳程度包括：高疲劳程度、中疲劳程度和低疲劳程度。

7、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：

8、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；

9、其中，采用以下第一计算公式计算所述第一降噪信号：

10、vfp1，降噪信号＝vfp1，原始信号-(vt5+vt6)/2；

11、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；

12、采用以下第二计算公式计算所述第二降噪信号：

13、vfp2，降噪信号＝vfp2，原始信号-(vt5+vt6)/2；

14、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；

15、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脑电特征，包括：

16、对所述处理后的脑电信号进行降采样，将所述处理后的脑电信号的频率由原频率降至目标频率，得到目标频率的脑电信号；

17、将所述目标频率的脑电信号进行连续小波变换，并以预设时间、预设频率步长提取预设时间内预设频率区间内各个时间点处各个频率范围内的脑电信号功率谱能量值，以得到预设条数的目标脑电特征，所述脑电信号功率谱能量值采用以下第三计算公式进行计算：

18、

19、其中，a，b表示参数尺度，ω0表示小波中心频率，f(t)表示第一降噪信号和第二降噪信号，t表示时间t，i为pf，t表示频率为f，时间为t时的脑电信号功率谱能量值。

20、在一个实施例中，优选地，所述疲劳识别模型的训练过程包括：

21、采集目标数量的疲劳数据，其中，所述疲劳数据包括脑电特征数据和对应的皮质醇数据；

22、根据皮质醇含量将疲劳数据划分为高疲劳程度、中疲劳程度和低疲劳程度，得到划分后的疲劳数据；

23、将划分后的疲劳数据和预设深度神经网络模型进行训练，得到所述疲劳识别模型。

24、在一个实施例中，优选地，所述预设深度神经网络模型包括第一卷积层、第二卷积层和第三卷积层、第一部分inception、第二部分inception、第三部分inception、丢弃层和全连接层；

25、其中，所述第一卷积层的的卷积核为7*7，步长为1；所述第二卷积层的卷积核为1*1，步长为1；所述第三卷积层的卷积核为3*3，步长为1；

26、所述第一部分inception包括第一inception层和第二inception层，所述第二部分inception包括第三inception层、第四inception层、第五inception层、第六inception层和第七inception层，所述第三部分inception包括第八inception层和第九inception层；

27、所述第九inception层连接至所述丢弃层，所述髹漆层根据预设丢弃率进行数据丢弃；

28、所述全连接层连接至所述丢弃层。

29、在一个实施例中，优选地，所述方法还包括：

30、所述施工工人的疲劳程度的输出方式包括以下至少一项：图文展示和语音提示。

31、在一个实施例中，优选地，所述方法还包括：

32、当检测到所述施工工人的疲劳程度为高疲劳程度，且持续时长达到预设时长时，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报警提示，提示所述施工人员进行休息。

33、根据本公开实施例的第二方面，提供一种施工工人的疲劳程度计算装置，包括：

34、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；

35、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；

36、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脑电特征；

37、确定模块，用于根据所述目标脑电特征和预训练的疲劳识别模型，确定并输出所述施工工人的疲劳程度，其中，所述疲劳程度包括：高疲劳程度、中疲劳程度和低疲劳程度。

38、在一个实施例中，优选地，所述预处理模块用于：

39、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；

40、其中，采用以下第一计算公式计算所述第一降噪信号：

41、vfp1，降噪信号＝vfp1，原始信号-(vt5+vt6)/2；

42、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；

43、采用以下第二计算公式计算所述第二降噪信号：

44、vfp2，降噪信号＝vfp2，原始信号-(vt5+vt6)/2；

45、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；

46、在一个实施例中，优选地，提取模块用于：

47、对所述处理后的脑电信号进行降采样，将所述处理后的脑电信号的频率由原频率降至目标频率，得到目标频率的脑电信号；

48、将所述目标频率的脑电信号进行连续小波变换，并以预设时间、预设频率步长提取预设时间内预设频率区间内各个时间点处各个频率范围内的脑电信号功率谱能量值，以得到预设条数的目标脑电特征，所述脑电信号功率谱能量值采用以下第三计算公式进行计算：

49、

50、其中，a，b表示参数尺度，ω0表示小波中心频率，f(t)表示第一降噪信号和第二降噪信号，t表示时间t，i为pf，t表示频率为f，时间为t时的脑电信号功率谱能量值。

51、在一个实施例中，优选地，所述疲劳识别模型的训练过程包括：

52、采集目标数量的疲劳数据，其中，所述疲劳数据包括脑电特征数据和对应的皮质醇数据；

53、根据皮质醇含量将疲劳数据划分为高疲劳程度、中疲劳程度和低疲劳程度，得到划分后的疲劳数据；

54、将划分后的疲劳数据和预设深度神经网络模型进行训练，得到所述疲劳识别模型。

55、在一个实施例中，优选地，所述预设深度神经网络模型包括第一卷积层、第二卷积层和第三卷积层、第一部分inception、第二部分inception、第三部分inception、丢弃层和全连接层；

56、其中，所述第一卷积层的的卷积核为7*7，步长为1；所述第二卷积层的卷积核为1*1，步长为1；所述第三卷积层的卷积核为3*3，步长为1；

57、所述第一部分inception包括第一inception层和第二inception层，所述第二部分inception包括第三inception层、第四inception层、第五inception层、第六inception层和第七inception层，所述第三部分inception包括第八inception层和第九inception层；

58、所述第九inception层连接至所述丢弃层，所述丢弃层根据预设丢弃率进行数据丢弃；

59、所述全连接层连接至所述丢弃层。

60、在一个实施例中，优选地，所述施工工人的疲劳程度的输出方式包括以下至少一项：图文展示和语音提示。

61、在一个实施例中，优选地，所述装置还包括：

62、发送模块，用于当检测到所述施工工人的疲劳程度为高疲劳程度，且持续时长达到预设时长时，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报警提示，提示所述施工人员进行休息。

63、在一个实施例中，优选地，所述预处理模块42用于：

64、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；

65、其中，采用以下第一计算公式计算所述第一降噪信号：

66、vfp1，降噪信号＝vfp1，原始信号-(vt5+vt6)/2；

67、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；

68、采用以下第二计算公式计算所述第二降噪信号：

69、vfp2，降噪信号＝vfp2，原始信号-(vt5+vt6)/2；

70、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；

71、在一个实施例中，优选地，提取模块43用于：

72、对所述处理后的脑电信号进行降采样，将所述处理后的脑电信号的频率由原频率降至目标频率，得到目标频率的脑电信号；

73、将所述目标频率的脑电信号进行连续小波变换，并以预设时间、预设频率步长提取预设时间内预设频率区间内各个时间点处各个频率范围内的脑电信号功率谱能量值，以得到预设条数的目标脑电特征，所述脑电信号功率谱能量值采用以下第三计算公式进行计算：

74、

75、其中，a，b表示参数尺度，ω0表示小波中心频率，f(t)表示第一降噪信号和第二降噪信号，t表示时间t，i为pf，t表示频率为f，时间为t时的脑电信号功率谱能量值。

76、在一个实施例中，优选地，所述疲劳识别模型的训练过程包括：

77、采集目标数量的疲劳数据，其中，所述疲劳数据包括脑电特征数据和对应的皮质醇数据；

78、根据皮质醇含量将疲劳数据划分为高疲劳程度、中疲劳程度和低疲劳程度，得到划分后的疲劳数据；

79、将划分后的疲劳数据和预设深度神经网络模型进行训练，得到所述疲劳识别模型。

80、在一个实施例中，优选地，所述预设深度神经网络模型包括第一卷积层、第二卷积层和第三卷积层、第一部分inception、第二部分inception、第三部分inception、丢弃层和全连接层；

81、其中，所述第一卷积层的的卷积核为7*7，步长为1；所述第二卷积层的卷积核为1*1，步长为1；所述第三卷积层的卷积核为3*3，步长为1；

82、所述第一部分inception包括第一inception层和第二inception层，所述第二部分inception包括第三inception层、第四inception层、第五inception层、第六inception层和第七inception层，所述第三部分inception包括第八inception层和第九inception层；

83、所述第九inception层连接至所述丢弃层，所述丢弃层根据预设丢弃率进行数据丢弃；

84、所述全连接层连接至所述丢弃层。

85、在一个实施例中，优选地，所述施工工人的疲劳程度的输出方式包括以下至少一项：图文展示和语音提示。

86、在一个实施例中，优选地，所述装置还包括：

87、发送模块，用于当检测到所述施工工人的疲劳程度为高疲劳程度，且持续时长达到预设时长时，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报警提示，提示所述施工人员进行休息。

88、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：

89、处理器；

90、用于存储处理器可执行指令的存储器；

91、其中，所述处理器被配置为：

92、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；

93、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；

94、按照预设时间间隔从所述处理后的脑电信号中提取目标脑电特征；

95、根据所述目标脑电特征和预训练的疲劳识别模型，确定并输出所述施工工人的疲劳程度，其中，所述疲劳程度包括：高疲劳程度、中疲劳程度和低疲劳程度。

96、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。

97、本公开的实施例提供的技术方案可以包括以下有益效果：

98、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、疲劳程度分类、数据传输反馈、安全帽信息提醒。如果一旦检测到施工工人处于疲劳状态，会通过脑机接口安全帽发出信号提醒，从而保证施工人员的安全。

99、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。