[go: up one dir, main page]

CN107233103A - 高铁调度员疲劳状态测评方法及系统 - Google Patents

高铁调度员疲劳状态测评方法及系统 Download PDF

Info

Publication number
CN107233103A
CN107233103A CN201710397928.1A CN201710397928A CN107233103A CN 107233103 A CN107233103 A CN 107233103A CN 201710397928 A CN201710397928 A CN 201710397928A CN 107233103 A CN107233103 A CN 107233103A
Authority
CN
China
Prior art keywords
fatigue
signal
mrow
index
value
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.)
Granted
Application number
CN201710397928.1A
Other languages
English (en)
Other versions
CN107233103B (zh
Inventor
郭孜政
张骏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201710397928.1A priority Critical patent/CN107233103B/zh
Publication of CN107233103A publication Critical patent/CN107233103A/zh
Application granted granted Critical
Publication of CN107233103B publication Critical patent/CN107233103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7242—Details of waveform analysis using integration
    • 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
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Psychiatry (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)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Developmental Disabilities (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Educational Technology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种高铁调度员疲劳状态测评方法和系统。其中，该方法可以包括获取高铁调度员的心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号；基于心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号，提取疲劳警戒值以下的特征值；基于疲劳警戒值以下的特征值，利用多通道数据融合算法，确定高铁调度员的疲劳状态。本发明实施例通过采取上述技术方案，以高铁调度员日常作业为测试背景，融合了多个信号进行判定，解决了如何提高测评的精度和准确度的技术问题，使得监测与测评更具有实际意义。

Description

高铁调度员疲劳状态测评方法及系统
技术领域
本发明实施例涉及高铁技术领域，尤其是涉及一种高铁调度员疲劳状态测评方法及系统。
背景技术
高铁调度员倒班制的工作方式决定了其需要较高的抗疲劳能力。目前，国内国外针对高铁调度员疲劳监测的系统较为鲜见。
已有的疲劳监测设备涉及到的人员作业背景与高铁路调度员作业背景存在较大差异，不能简单地复制应用到高铁路调度员的疲劳监测与测评中；而且，已有的疲劳监测与测评设备多是基于单通道分析，其精度及准确度不高。
因此，急需一套疲劳监测与干预装置来解决高铁调度员疲劳作业带来的危害。
发明内容
本发明实施例的主要目的在于提供一种高铁调度员疲劳状态测评方法，其至少部分地解决了如何提高测评的精度和准确度的技术问题。此外，还提供一种高铁调度员疲劳状态测评系统。
为了实现上述目的，根据本发明的一个方面，提供了以下技术方案：
一种高铁调度员疲劳状态测评方法。该方法至少可以包括：
获取所述高铁调度员的心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号；
基于所述心率信号、所述心电信号、所述脑电信号、所述面部图像信号和所述眼动特征信号，提取疲劳警戒值以下的特征值；
基于所述疲劳警戒值以下的特征值，利用多通道数据融合算法，确定所述高铁调度员的疲劳状态。
进一步地，所述基于所述心率信号、所述心电信号、所述脑电信号、所述面部图像信号和所述眼动特征信号，提取疲劳警戒值以下的特征值，具体可以包括：
基于所述心率信号，提取心率指标疲劳警戒值以下的特征值；
基于所述心电信号，提取心电指标疲劳警戒值以下的特征值；
基于所述脑电信号，提取脑电指标疲劳警戒值以下的特征值；
基于所述面部图像信号，提取面部特征指标疲劳警戒值以下的特征值；
基于所述眼动特征信号，提取眼动指标疲劳警戒值以下的特征值。
进一步地，所述基于所述心率信号，提取心率指标疲劳警戒值以下的特征值，具体可以包括：
基于所述心率信号，得到心率值；
基于所述心率值，绘制心率变化曲线；
基于所述心率变化曲线，提取所述心率指标疲劳警戒值以下的特征值。
进一步地，所述基于所述心电信号，提取心电指标疲劳警戒值以下的特征值，具体可以包括：
对所述心电信号进行滤波；
对滤波后的信号进行去伪迹处理；
对去伪迹后的信号进行时域至频域的变换；
基于变换结果，提取频域特征；
基于所述频域特征，提取所述心电指标疲劳警戒值以下的特征值。
进一步地，所述基于所述脑电信号，提取脑电指标疲劳警戒值以下的特征值，具体可以包括：
对所述脑电信号进行滤波；
对滤波后的信号进行去伪迹处理；
对去伪迹后的信号进行时域至频域的变换；
基于变换后的信号，提取频域特征；
基于所述频域特征，提取所述脑电指标疲劳警戒值以下的特征值。
进一步地，所述基于所述面部图像信号，提取面部特征指标疲劳警戒值以下的特征值，具体可以包括：
对所述面部图像信号进行数字图像处理；
基于处理后的结果，确定面部特征；
基于所述面部特征，确定面部疲劳表情特征；
基于所述面部疲劳表情特征，提取所述面部特征指标疲劳警戒值以下的特征值。
进一步地，所述基于所述眼动特征信号，提取眼动指标疲劳警戒值以下的特征值，具体可以包括：
对所述眼动特征信号进行数字图像处理；
基于处理后的结果，提取眼动参数；
基于所述眼动参数，提取所述眼动指标疲劳警戒值以下的特征值。
进一步地，所述基于所述疲劳警戒值以下的特征值，利用多通道数据融合算法，确定所述高铁调度员的疲劳状态，具体可以包括：
利用熵的方法，根据下式计算所述心率指标疲劳警戒值以下的特征值、所述心电指标疲劳警戒值以下的特征值、所述脑电指标疲劳警戒值以下的特征值、所述面部特征指标疲劳警戒值以下的特征值、所述眼动指标疲劳警戒值以下的特征值的概率：
mi(Θ)＝-k[qiMF log2qiMF+(1-qiMF)log2(1-qiMF)]
其中，所述所述MF表示疲劳；所述表示不疲劳；所述qiMF表示第i个通道判别高铁调度员处于疲劳状态的概率；所述1-qiMF表示第i个通道判别高铁调度员处于不疲劳状态的概率，所述i＝1,2,…5；所述各通道分别输入所述心率指标疲劳警戒值以下的特征值、所述心电指标疲劳警戒值以下的特征值、所述脑电指标疲劳警戒值以下的特征值、所述面部特征指标疲劳警戒值以下的特征值、所述眼动指标疲劳警戒值以下的特征值；所述k表示调节因子，并且k∈(0,1)；
根据下式计算处于疲劳状态的基础分配概率和处于不疲劳状态的基础分配概率：
其中，所述mi(MF)表示处于疲劳状态的基础分配概率；所述表示处于不疲劳状态的基础分配概率；
根据下式进行基于D-S证据理论的多通道融合，计算高铁调度员处于疲劳状态的概率、高铁调度员处于不疲劳状态的概率以及所述各疲劳警戒值以下的特征值融合后的概率：
其中，所述m(MF)表示所述高铁调度员处于疲劳状态的概率；所述表示所述高铁调度员处于不疲劳状态的概率；所述m(Θ)表示所述疲劳警戒值以下的特征值融合后的概率；所述或Θ，所述i＝1,2,......5,所述j＝1,2k；
根据下式计算疲劳的信任函数和似然函数，以及不疲劳的信任函数和似然函数：
Bel(MF)＝m(MF)
其中，所述Bel(MF)表示所述疲劳的信任函数；所述Pl(MF)表示所述疲劳的似然函数；所述表示所述不疲劳的信任函数；所述表示所述不疲劳的似然函数；
根据所述疲劳的信任函数和似然函数，以及所述不疲劳的信任函数和似然函数，判定所述高铁调度员是否处于疲劳状态。
进一步地，所述方法还可以包括：
将所确定的所述疲劳状态与疲劳状态阈值进行比较；
若超过阈值，则进行预警干预。
根据本发明的另一个方面，还提供了一种高铁调度员疲劳状态测评系统。该系统至少可以包括：
获取模块，用于获取所述高铁调度员的心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号；
提取模块，用于基于所述心率信号、所述心电信号、所述脑电信号、所述面部图像信号和所述眼动特征信号，提取疲劳警戒值以下的特征值；
确定模块，用于基于所述疲劳警戒值以下的特征值，利用多通道数据融合算法，确定所述高铁调度员的疲劳状态。
进一步地，所述提取模块具体可以包括：
第一提取单元，用于基于所述心率信号，提取心率指标疲劳警戒值以下的特征值；
第二提取单元，用于基于所述心电信号，提取心电指标疲劳警戒值以下的特征值；
第三提取单元，用于基于所述脑电信号，提取脑电指标疲劳警戒值以下的特征值；
第四提取单元，用于基于所述面部图像信号，提取面部特征指标疲劳警戒值以下的特征值；
第五提取单元，用于基于所述眼动特征信号，提取眼动指标疲劳警戒值以下的特征值。
进一步地，所述第一提取单元具体可以包括：
获取单元，用于基于所述心率信号，得到心率值；
绘制单元，用于基于所述心率值，绘制心率变化曲线；
第一提取子单元，用于基于所述心率变化曲线，提取所述心率指标疲劳警戒值以下的特征值。
进一步地，所述第二提取单元具体可以包括：
第一滤波单元，用于对所述心电信号进行滤波；
第一去伪迹单元，用于对滤波后的信号进行去伪迹处理；
第一变换单元，用于对去伪迹后的信号进行时域至频域的变换；
第二提取子单元，用于基于变换结果，提取频域特征；
第三提取子单元，用于基于所述频域特征，提取所述心电指标疲劳警戒值以下的特征值。
进一步地，所述第三提取单元具体可以包括：
第二滤波单元，用于对所述脑电信号进行滤波；
第二去伪迹单元，用于对滤波后的信号进行去伪迹处理；
第二变换单元，用于对去伪迹后的信号进行时域至频域的变换；
第四提取子单元，用于基于变换后的信号，提取频域特征；
第五提取子单元，用于基于所述频域特征，提取所述脑电指标疲劳警戒值以下的特征值。
进一步地，所述第四提取单元具体可以包括：
第一处理单元，用于对所述面部图像信号进行数字图像处理；
第一确定单元，用于基于处理后的结果，确定面部特征；
第二确定单元，用于基于所述面部特征，确定面部疲劳表情特征；
第六提取子单元，用于基于所述面部疲劳表情特征，提取所述面部特征指标疲劳警戒值以下的特征值。
进一步地，所述第五提取单元具体可以包括：
第二处理单元，用于对所述眼动特征信号进行数字图像处理；
第七提取子单元，用于基于处理后的结果，提取眼动参数；
第八提取子单元，用于基于所述眼动参数，提取所述眼动指标疲劳警戒值以下的特征值。
进一步地，所述确定模块具体可以包括：
第一计算单元，用于利用熵的方法，根据下式计算所述心率指标疲劳警戒值以下的特征值、所述心电指标疲劳警戒值以下的特征值、所述脑电指标疲劳警戒值以下的特征值、所述面部特征指标疲劳警戒值以下的特征值、所述眼动指标疲劳警戒值以下的特征值的概率：
mi(Θ)＝-k[qiMF log2qiMF+(1-qiMF)log2(1-qiMF)]
其中，所述所述MF表示疲劳；所述表示不疲劳；所述qiMF表示第i个通道判别高铁调度员处于疲劳状态的概率；所述1-qiMF表示第i个通道判别高铁调度员处于不疲劳状态的概率，所述i＝1,2,…5；所述各通道分别输入所述心率指标疲劳警戒值以下的特征值、所述心电指标疲劳警戒值以下的特征值、所述脑电指标疲劳警戒值以下的特征值、所述面部特征指标疲劳警戒值以下的特征值、所述眼动指标疲劳警戒值以下的特征值；所述k表示调节因子，并且k∈(0,1)；
第二计算单元，用于根据下式计算处于疲劳状态的基础分配概率和处于不疲劳状态的基础分配概率：
其中，所述mi(MF)表示处于疲劳状态的基础分配概率；所述表示处于不疲劳状态的基础分配概率；
第三计算单元，用于根据下式进行基于D-S证据理论的多通道融合，计算高铁调度员处于疲劳状态的概率、高铁调度员处于不疲劳状态的概率以及所述各疲劳警戒值以下的特征值融合后的概率：
其中，所述m(MF)表示所述高铁调度员处于疲劳状态的概率；所述表示所述高铁调度员处于不疲劳状态的概率；所述m(Θ)表示所述疲劳警戒值以下的特征值融合后的概率；所述或Θ，所述i＝1,2,......5,所述j＝1,2k；
第四计算单元，用于根据下式计算疲劳的信任函数和似然函数，以及不疲劳的信任函数和似然函数：
Bel(MF)＝m(MF)
其中，所述Bel(MF)表示所述疲劳的信任函数；所述Pl(MF)表示所述疲劳的似然函数；所述表示所述不疲劳的信任函数；所述表示所述不疲劳的似然函数；
判定单元，用于根据所述疲劳的信任函数和似然函数，以及所述不疲劳的信任函数和似然函数，判定所述高铁调度员是否处于疲劳状态。
进一步地，该系统还可以包括：
比较单元，用于将所确定的所述疲劳状态与疲劳状态阈值进行比较；
预警干预单元，用于在所述疲劳状态超过所述疲劳状态阈值的情况下，进行预警干预。
与现有技术相比，上述技术方案至少具有以下有益效果：
本发明实施例提供一种高铁调度员疲劳状态测评方法和系统。其中，该方法可以包括获取高铁调度员的心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号；基于心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号，提取疲劳警戒值以下的特征值；基于疲劳警戒值以下的特征值，利用多通道数据融合算法，确定高铁调度员的疲劳状态。本发明实施例通过采取上述技术方案，以高铁调度员日常作业为测试背景，使得监测与测评更具有实际意义；又由于本发明实施例融合了多个信号进行判定，其判定的精度和准确度更高。
当然，实施本发明的任一产品不一定需要同时实现以上所述的所有优点。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其它优点可通过在所写的说明书、权利要求书以及附图中所特别指出的方法来实现和获得。
附图说明
附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。在附图中：
图1为根据一示例性实施例示出的高铁调度员疲劳状态测评方法的流程示意图；
图2为根据一示例性实施例示出的高铁调度员疲劳状态测评系统的结构示意图；
图3为根据另一示例性实施例示出的高铁调度员疲劳状态测评系统的结构示意图。
这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
下面结合附图以及具体实施例对本发明实施例解决的技术问题、所采用的技术方案以及实现的技术效果进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请的一部分实施例，并不是全部实施例。基于本申请中的实施例，本领域普通技术人员在不付出创造性劳动的前提下，所获的所有其它等同或明显变型的实施例均落在本发明的保护范围内。本发明实施例可以按照权利要求中限定和涵盖的多种不同方式来具体化。
需要说明的是，在下面的描述中，为了方便理解，给出了许多具体细节。但是很明显，本发明的实现可以没有这些具体细节。
还需要说明的是，在没有明确限定或不冲突的情况下，本发明中的各个实施例及其中的技术特征可以相互组合而形成技术方案。
在实际应用中，为了解决如何提高高铁调度员疲劳状态测评的精度和准确度的技术问题，本发明实施例提供一种高铁调度员疲劳状态测评方法。该方法可以通过步骤S100至步骤S120来实现。
S100：获取高铁调度员的心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号。
本步骤中，高铁调度员的心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号可以通过信号采集设备来获得。其中，信号采集设备包括监控手环、监控脑环、图像采集设备(例如：摄像头、照相机等)和眼动仪。监控手环用于采集心率信号和心电信号。监控脑环用于采集脑电信号。图像采集设备用于采集面部图像信号。眼动仪用于采集眼动特征信号。
在实际应用中，可以将采集到的信号传输到数据库中。
S110：基于心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号，提取疲劳警戒值以下的特征值。
具体地，本步骤可以通过S111至S115来实现。
S111：基于心率信号，提取心率指标疲劳警戒值以下的特征值。
在一些可选的实施例中，步骤S111具体还可以包括：
步骤a1：基于心率信号，得到心率值。
步骤a2：基于心率值，绘制心率变化曲线。
步骤a3：基于心率变化曲线，提取心率指标疲劳警戒值以下的特征值。
S112：基于心电信号，提取心电指标疲劳警戒值以下的特征值。
在一些可选的实施例中，步骤S112具体还可以包括：
步骤b1：对心电信号进行滤波。
步骤b2：对滤波后的信号进行去伪迹处理。
步骤b3：对去伪迹后的信号进行时域至频域的变换。
步骤b4：基于变换结果，提取频域特征。
步骤b5：基于频域特征，提取心电指标疲劳警戒值以下的特征值。
S113：基于脑电信号，提取脑电指标疲劳警戒值以下的特征值。
在一些可选的实施例中，步骤S113具体还可以包括：
步骤c1：对脑电信号进行滤波。
步骤c2：对滤波后的信号进行去伪迹处理。
步骤c3：对去伪迹后的信号进行时域至频域的变换。
步骤c4：基于变换后的信号，提取频域特征。
步骤c5：基于频域特征，提取脑电指标疲劳警戒值以下的特征值。
S114：基于面部图像信号，提取面部特征指标疲劳警戒值以下的特征值。
在一些可选的实施例中，步骤S114具体还可以包括：
步骤d1：对面部图像信号进行数字图像处理。
步骤d2：基于处理后的结果，确定面部特征。
步骤d3：基于面部特征，确定面部疲劳表情特征。
其中，面部疲劳表情特征例如可以为打哈欠面部疲劳表情等。
步骤d4：基于面部疲劳表情特征，提取面部特征指标疲劳警戒值以下的特征值。
S115：基于眼动特征信号，提取眼动指标疲劳警戒值以下的特征值。
在一些可选的实施例中，步骤S115具体还可以包括：
步骤e1：对眼动特征信号进行数字图像处理。
步骤e2：基于处理后的结果，提取眼动参数。
其中，眼动参数包括但不限于眼睑开合度、眨眼频率和眼动轨迹。
步骤e3：基于眼动参数，提取眼动指标疲劳警戒值以下的特征值。
S120：基于疲劳警戒值以下的特征值，利用多通道数据融合算法，确定高铁调度员的疲劳状态。
因为根据某一种信号来判别高铁调度员是否处于疲劳状态的话，判断精度并不能达到100％。所以，本发明实施例采用诸如基于D-S证据理论的多通道融合算法等手段，融合多种信号进行判定，以此来提高判别精度和准确度。
具体地，本步骤可以包括：
步骤f1：利用熵的方法，根据下式确定心率指标疲劳警戒值以下的特征值、心电指标疲劳警戒值以下的特征值、脑电指标疲劳警戒值以下的特征值、面部特征指标疲劳警戒值以下的特征值、眼动指标疲劳警戒值以下的特征值的概率：
mi(Θ)＝-k[qiMF log2qiMF+(1-qiMF)log2(1-qiMF)]
其中，MF表示疲劳；表示不疲劳；qiMF表示第i个通道判别高铁调度员处于疲劳状态的概率；1-qiMF表示第i个通道判别高铁调度员处于不疲劳状态的概率，i＝1,2,…5；各个通道分别输入心率指标疲劳警戒值以下的特征值、心电指标疲劳警戒值以下的特征值、脑电指标疲劳警戒值以下的特征值、面部特征指标疲劳警戒值以下的特征值、眼动指标疲劳警戒值以下的特征值；k表示调节因子，并且k∈(0,1)。
其中，各通道对高铁调度员是否处于疲劳状态识别结果均只有有限个：疲劳MF和不疲劳每个通道分别通过的是心率信号、心电信号、脑电信号、面部图像信号、眼动特征信号。
步骤f2：根据下式确定处于疲劳状态的基础分配概率和处于不疲劳状态的基础分配概率：
其中，mi(MF)表示处于疲劳状态的基础分配概率；表示处于不疲劳状态的基础分配概率。
步骤f3：根据下式进行基于D-S证据理论的多通道融合，确定高铁调度员处于疲劳状态的概率、高铁调度员处于不疲劳状态的概率以及各个疲劳警戒值以下的特征值融合后的概率：
其中，m(MF)表示高铁调度员处于疲劳状态的概率；表示高铁调度员处于不疲劳状态的概率；m(Θ)表示疲劳警戒值以下的特征值融合后的概率；或Θ，i＝1,2,…5,j＝1,2。
步骤f4：根据下式计算疲劳的信任函数和似然函数，以及不疲劳的信任函数和似然函数：
Bel(MF)＝m(MF)
其中，Bel(MF)表示疲劳的信任函数；Pl(MF)表示疲劳的似然函数；表示不疲劳的信任函数；表示不疲劳的似然函数。
步骤f5：根据疲劳的信任函数和似然函数，以及不疲劳的信任函数和似然函数，判定高铁调度员是否处于疲劳状态。
举例而言：
当时，则判定高铁调度员处于疲劳状态；当时，则不能确定；当时，则判定高铁调度员处于不疲劳状态。
在一些可选的实施例中，在上述实施例的基础上，上述高铁调度员疲劳状态测评方法还可以包括：
S130：将所确定的疲劳状态与疲劳状态阈值进行比较。
S140：若超过阈值，则进行预警干预。
本发明实施例通过采取上述技术方案，以高铁调度员日常作业为测试背景，使得监测与测评更具有实际意义；又由于本发明实施例融合了多个信号进行判定，其判定的精度和准确度更高。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
基于与方法实施例相同的技术构思，本发明实施例还提供一种高铁调度员疲劳状态测评系统。如图2所示，该系统20至少可以包括：获取模块22、提取模块24和确定模块26。其中，获取模块22用于获取高铁调度员的心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号。提取模块24用于基于心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号，提取疲劳警戒值以下的特征值。确定模块26用于基于疲劳警戒值以下的特征值，利用多通道数据融合算法，确定高铁调度员的疲劳状态。
在一些可选的实施例中，在上述实施例的基础上，上述提取模块具体可以包括：第一提取单元、第二提取单元、第三提取单元、第四提取单元和第五提取单元。其中，第一提取单元用于基于心率信号，提取心率指标疲劳警戒值以下的特征值。第二提取单元用于基于心电信号，提取心电指标疲劳警戒值以下的特征值。第三提取单元用于基于脑电信号，提取脑电指标疲劳警戒值以下的特征值。第四提取单元用于基于面部图像信号，提取面部特征指标疲劳警戒值以下的特征值。第五提取单元用于基于眼动特征信号，提取眼动指标疲劳警戒值以下的特征值。
在一些可选的实施例中，在上述实施例的基础上，上述第一提取单元具体可以包括：获取单元、绘制单元和第一提取子单元。其中，获取单元用于基于心率信号，得到心率值。绘制单元用于基于心率值，绘制心率变化曲线。第一提取子单元用于基于心率变化曲线，提取心率指标疲劳警戒值以下的特征值。
在一些可选的实施例中，在上述实施例的基础上，上述第二提取单元具体可以包括：第一滤波单元、第一去伪迹单元、第一变换单元、第二提取子单元和第三提取子单元。其中，第一滤波单元用于对心电信号进行滤波。第一去伪迹单元用于对滤波后的信号进行去伪迹处理。第一变换单元用于对去伪迹后的信号进行时域至频域的变换。第二提取子单元用于基于变换结果，提取频域特征。第三提取子单元用于基于频域特征，提取心电指标疲劳警戒值以下的特征值。
在一些可选的实施例中，在上述实施例的基础上，上述第三提取单元具体包括：第二滤波单元、第二去伪迹单元、第二变换单元、第四提取子单元和第五提取子单元。其中，第二滤波单元用于对脑电信号进行滤波。第二去伪迹单元用于对滤波后的信号进行去伪迹处理。第二变换单元用于对去伪迹后的信号进行时域至频域的变换。第四提取子单元用于基于变换后的信号，提取频域特征。第五提取子单元用于基于频域特征，提取脑电指标疲劳警戒值以下的特征值。
在一些可选的实施例中，在上述实施例的基础上，上述第四提取单元具体包括：第一处理单元、第一确定单元、第二确定单元和第六提取子单元。其中，第一处理单元用于对面部图像信号进行数字图像处理。第一确定单元用于基于处理后的结果，确定面部特征。第二确定单元用于基于面部特征，确定面部疲劳表情特征。第六提取子单元用于基于面部疲劳表情特征，提取面部特征指标疲劳警戒值以下的特征值。
在一些可选的实施例中，在上述实施例的基础上，上述第五提取单元具体包括：第二处理单元、第七提取子单元和第八提取子单元。其中，第二处理单元用于对眼动特征信号进行数字图像处理。第七提取子单元用于基于处理后的结果，提取眼动参数。第八提取子单元用于基于眼动参数，提取眼动指标疲劳警戒值以下的特征值。
在一些可选的实施例中，上述确定模块具体可以包括：第一计算单元、第二计算单元、第三计算单元、第四计算单元和判定单元。其中，第一计算单元用于利用熵的方法，根据下式计算心率指标疲劳警戒值以下的特征值、心电指标疲劳警戒值以下的特征值、脑电指标疲劳警戒值以下的特征值、面部特征指标疲劳警戒值以下的特征值、眼动指标疲劳警戒值以下的特征值的概率：
mi(Θ)＝-k[qiMF log2qiMF+(1-qiMF)log2(1-qiMF)]
其中，MF表示疲劳；表示不疲劳；qiMF表示第i个通道判别高铁调度员处于疲劳状态的概率；1-qiMF表示第i个通道判别高铁调度员处于不疲劳状态的概率，i＝1,2,…5；各通道分别输入心率指标疲劳警戒值以下的特征值、心电指标疲劳警戒值以下的特征值、脑电指标疲劳警戒值以下的特征值、面部特征指标疲劳警戒值以下的特征值、眼动指标疲劳警戒值以下的特征值；k表示调节因子，并且k∈(0,1)。第二计算单元用于根据下式计算处于疲劳状态的基础分配概率和处于不疲劳状态的基础分配概率：
其中，mi(MF)表示处于疲劳状态的基础分配概率；表示处于不疲劳状态的基础分配概率。第三计算单元用于根据下式进行基于D-S证据理论的多通道融合，计算高铁调度员处于疲劳状态的概率、高铁调度员处于不疲劳状态的概率以及各疲劳警戒值以下的特征值融合后的概率：
其中，m(MF)表示高铁调度员处于疲劳状态的概率；表示高铁调度员处于不疲劳状态的概率；m(Θ)表示疲劳警戒值以下的特征值融合后的概率；或Θ，i＝1,2,......5,j＝1,2k。第四计算单元用于根据下式计算疲劳的信任函数和似然函数，以及不疲劳的信任函数和似然函数：
Bel(MF)＝m(MF)
其中，Bel(MF)表示疲劳的信任函数；Pl(MF)表示疲劳的似然函数；表示不疲劳的信任函数；表示不疲劳的似然函数。判定单元用于根据疲劳的信任函数和似然函数，以及不疲劳的信任函数和似然函数，判定高铁调度员是否处于疲劳状态。
在一些可选的实施例中，在图2所示实施例的基础上，上述高铁调度员疲劳状态测评系统还可以包括：比较单元和预警干预单元。其中，比较单元用于将所确定的疲劳状态与疲劳状态阈值进行比较。预警干预单元用于在疲劳状态超过疲劳状态阈值的情况下，进行预警干预。
图3示例性地示出了本发明实施例提供的高铁调度员疲劳状态测评系统的优选实现方式。其中，手环构件、脑环构件、摄像头和眼动仪用于采集高铁调度员的心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号。数据库用于存储高铁调度员的心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号。处理构件用于执行上述提取模块和上述确定模块的操作。干预构件用于执行上述比较单元和上述预警干预单元的操作。打印机用于打印输出结果。
本领域技术人员可以理解，上述高铁调度员疲劳状态测评系统还可以包括一些其他公知结构，例如处理器、存储器等，其中，存储器包括但不限于随机存储器、闪存、只读存储器、易失性存储器、非易失性存储器、串行存储器、并行存储器或寄存器等，处理器包括但不限于CPLD/FPGA、DSP、ARM处理器、MIPS处理器等，为了不必要地模糊本公开的实施例，这些公知的结构在图2中未示出。
应该理解，图2中的各个模块的数量仅仅是示意性的。根据实现需要，可以具有任意数量的获取模块、提取模块和确定模块。
需要说明的是：上述实施例提供的高铁调度员疲劳状态测评系统在进行疲劳状态测评时，仅以上述各功能模块的划分进行举例说明，在实际应用中，还可以根据需要而将上述功能分配由不同的功能模块来完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
如本文中所使用的，术语“模块”可以指代在计算系统上执行的软件对象或例程。可以将本文中所描述的不同模块实现为在计算系统上执行的对象或过程(例如，作为独立的线程)。虽然优选地以软件来实现本文中所描述的系统和方法，但是以硬件或者软件和硬件的组合的实现也是可以的并且是可以被设想的。
上述系统实施例可以用于执行上述方法实施例，其技术原理、所解决的技术问题及产生的技术效果相似，所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
应指出的是，上面分别对本发明的系统实施例和方法实施例进行了描述，但是对一个实施例描述的细节也可应用于另一个实施例。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。本领域技术人员应该理解：本发明实施例中的模块或者步骤还可以再分解或者组合。例如上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
以上对本发明实施例所提供的技术方案进行了详细的介绍。虽然本文应用了具体的个例对本发明的原理和实施方式进行了阐述，但是，上述实施例的说明仅适用于帮助理解本发明实施例的原理；同时，对于本领域技术人员来说，依据本发明实施例，在具体实施方式以及应用范围之内均会做出改变。
这里，需要说明的是，本文中涉及到的流程图或框图不仅仅局限于本文所示的形式，其还可以进行划分和/或组合。
还需要说明的是：附图中的标记和文字只是为了更清楚地说明本发明，不视为对本发明保护范围的不当限定。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的PC来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本发明的各个步骤可以用通用的计算装置来实现，例如，它们可以集中在单个的计算装置上，例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备或者多处理器装置，也可以分布在多个计算装置所组成的网络上，它们可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。因此，本发明不限于任何特定的硬件和软件或者其结合。
本发明提供的方法可以使用可编程逻辑器件来实现，也可以实施为计算机程序软件或程序模块(其包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件或数据结构等等)，例如根据本发明的实施例可以是一种计算机程序产品，运行该计算机程序产品使计算机执行用于所示范的方法。所述计算机程序产品包括计算机可读存储介质，该介质上包含计算机程序逻辑或代码部分，用于实现所述方法。所述计算机可读存储介质可以是被安装在计算机中的内置介质或者可以从计算机主体上拆卸下来的可移动介质(例如：采用热插拔技术的存储设备)。所述内置介质包括但不限于可重写的非易失性存储器，例如：RAM、ROM、快闪存储器和硬盘。所述可移动介质包括但不限于：光存储介质(例如：CD－ROM和DVD)、磁光存储介质(例如：MO)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置ROM的媒体(例如：ROM盒)。
本发明并不限于上述实施方式，在不背离本发明实质内容的情况下，本领域普通技术人员可以想到的任何变形、改进或替换均落入本发明的保护范围。

Claims (18)

1.一种高铁调度员疲劳状态测评方法，其特征在于，所述方法至少包括：
获取所述高铁调度员的心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号；
基于所述心率信号、所述心电信号、所述脑电信号、所述面部图像信号和所述眼动特征信号，提取疲劳警戒值以下的特征值；
基于所述疲劳警戒值以下的特征值，利用多通道数据融合算法，确定所述高铁调度员的疲劳状态。
2.根据权利要求1所述的方法，其特征在于，所述基于所述心率信号、所述心电信号、所述脑电信号、所述面部图像信号和所述眼动特征信号，提取疲劳警戒值以下的特征值，具体包括：
基于所述心率信号，提取心率指标疲劳警戒值以下的特征值；
基于所述心电信号，提取心电指标疲劳警戒值以下的特征值；
基于所述脑电信号，提取脑电指标疲劳警戒值以下的特征值；
基于所述面部图像信号，提取面部特征指标疲劳警戒值以下的特征值；
基于所述眼动特征信号，提取眼动指标疲劳警戒值以下的特征值。
3.根据权利要求2所述的方法，其特征在于，所述基于所述心率信号，提取心率指标疲劳警戒值以下的特征值，具体包括：
基于所述心率信号，得到心率值；
基于所述心率值，绘制心率变化曲线；
基于所述心率变化曲线，提取所述心率指标疲劳警戒值以下的特征值。
4.根据权利要求2所述的方法，其特征在于，所述基于所述心电信号，提取心电指标疲劳警戒值以下的特征值，具体包括：
对所述心电信号进行滤波；
对滤波后的信号进行去伪迹处理；
对去伪迹后的信号进行时域至频域的变换；
基于变换结果，提取频域特征；
基于所述频域特征，提取所述心电指标疲劳警戒值以下的特征值。
5.根据权利要求2所述的方法，其特征在于，所述基于所述脑电信号，提取脑电指标疲劳警戒值以下的特征值，具体包括：
对所述脑电信号进行滤波；
对滤波后的信号进行去伪迹处理；
对去伪迹后的信号进行时域至频域的变换；
基于变换后的信号，提取频域特征；
基于所述频域特征，提取所述脑电指标疲劳警戒值以下的特征值。
6.根据权利要求2所述的方法，其特征在于，所述基于所述面部图像信号，提取面部特征指标疲劳警戒值以下的特征值，具体包括：
对所述面部图像信号进行数字图像处理；
基于处理后的结果，确定面部特征；
基于所述面部特征，确定面部疲劳表情特征；
基于所述面部疲劳表情特征，提取所述面部特征指标疲劳警戒值以下的特征值。
7.根据权利要求2所述的方法，其特征在于，所述基于所述眼动特征信号，提取眼动指标疲劳警戒值以下的特征值，具体包括：
对所述眼动特征信号进行数字图像处理；
基于处理后的结果，提取眼动参数；
基于所述眼动参数，提取所述眼动指标疲劳警戒值以下的特征值。
8.根据权利要求2所述的方法，其特征在于，所述基于所述疲劳警戒值以下的特征值，利用多通道数据融合算法，确定所述高铁调度员的疲劳状态，具体包括：
利用熵的方法，根据下式计算所述心率指标疲劳警戒值以下的特征值、所述心电指标疲劳警戒值以下的特征值、所述脑电指标疲劳警戒值以下的特征值、所述面部特征指标疲劳警戒值以下的特征值、所述眼动指标疲劳警戒值以下的特征值的概率：
mi(Θ)＝-k[qiMF log2qiMF+(1-qiMF)log2(1-qiMF)]
其中，所述所述MF表示疲劳；所述表示不疲劳；所述qiMF表示第i个通道判别高铁调度员处于疲劳状态的概率；所述1-qiMF表示第i个通道判别高铁调度员处于不疲劳状态的概率，所述i＝1,2,…5；所述各通道分别输入所述心率指标疲劳警戒值以下的特征值、所述心电指标疲劳警戒值以下的特征值、所述脑电指标疲劳警戒值以下的特征值、所述面部特征指标疲劳警戒值以下的特征值、所述眼动指标疲劳警戒值以下的特征值；所述k表示调节因子，并且k∈(0,1)；
根据下式计算处于疲劳状态的基础分配概率和处于不疲劳状态的基础分配概率：
mi(MF)＝qiMF(1-mi(Θ))
mi(MF)＝(1-qiMF)(1-mi(Θ))
其中，所述mi(MF)表示处于疲劳状态的基础分配概率；所述表示处于不疲劳状态的基础分配概率；
根据下式进行基于D-S证据理论的多通道融合，计算高铁调度员处于疲劳状态的概率、高铁调度员处于不疲劳状态的概率以及所述各疲劳警戒值以下的特征值融合后的概率：
其中，所述m(MF)表示所述高铁调度员处于疲劳状态的概率；所述表示所述高铁调度员处于不疲劳状态的概率；所述m(Θ)表示所述疲劳警戒值以下的特征值融合后的概率；所述或Θ，所述i＝1,2,......5,所述j＝1,2k；
根据下式计算疲劳的信任函数和似然函数，以及不疲劳的信任函数和似然函数：
Bel(MF)＝m(MF)
<mrow> <mi>B</mi> <mi>e</mi> <mi>l</mi> <mrow> <mo>(</mo> <mover> <mrow> <mi>M</mi> <mi>F</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mo>=</mo> <mi>m</mi> <mrow> <mo>(</mo> <mover> <mrow> <mi>M</mi> <mi>F</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>P</mi> <mi>l</mi> <mrow> <mo>(</mo> <mi>M</mi> <mi>F</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mi>m</mi> <mrow> <mo>(</mo> <mover> <mrow> <mi>M</mi> <mi>F</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>P</mi> <mi>l</mi> <mrow> <mo>(</mo> <mover> <mrow> <mi>M</mi> <mi>F</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mi>m</mi> <mrow> <mo>(</mo> <mi>M</mi> <mi>F</mi> <mo>)</mo> </mrow> </mrow>
其中，所述Bel(MF)表示所述疲劳的信任函数；所述Pl(MF)表示所述疲劳的似然函数；所述表示所述不疲劳的信任函数；所述表示所述不疲劳的似然函数；
根据所述疲劳的信任函数和似然函数，以及所述不疲劳的信任函数和似然函数，判定所述高铁调度员是否处于疲劳状态。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所确定的所述疲劳状态与疲劳状态阈值进行比较；
若超过阈值，则进行预警干预。
10.一种高铁调度员疲劳状态测评系统，其特征在于，所述系统至少包括：
获取模块，用于获取所述高铁调度员的心率信号、心电信号、脑电信号、面部图像信号和眼动特征信号；
提取模块，用于基于所述心率信号、所述心电信号、所述脑电信号、所述面部图像信号和所述眼动特征信号，提取疲劳警戒值以下的特征值；
确定模块，用于基于所述疲劳警戒值以下的特征值，利用多通道数据融合算法，确定所述高铁调度员的疲劳状态。
11.根据权利要求10所述的系统，其特征在于，所述提取模块具体包括：
第一提取单元，用于基于所述心率信号，提取心率指标疲劳警戒值以下的特征值；
第二提取单元，用于基于所述心电信号，提取心电指标疲劳警戒值以下的特征值；
第三提取单元，用于基于所述脑电信号，提取脑电指标疲劳警戒值以下的特征值；
第四提取单元，用于基于所述面部图像信号，提取面部特征指标疲劳警戒值以下的特征值；
第五提取单元，用于基于所述眼动特征信号，提取眼动指标疲劳警戒值以下的特征值。
12.根据权利要求11所述的系统，其特征在于，所述第一提取单元具体包括：
获取单元，用于基于所述心率信号，得到心率值；
绘制单元，用于基于所述心率值，绘制心率变化曲线；
第一提取子单元，用于基于所述心率变化曲线，提取所述心率指标疲劳警戒值以下的特征值。
13.根据权利要求11所述的系统，其特征在于，所述第二提取单元具体包括：
第一滤波单元，用于对所述心电信号进行滤波；
第一去伪迹单元，用于对滤波后的信号进行去伪迹处理；
第一变换单元，用于对去伪迹后的信号进行时域至频域的变换；
第二提取子单元，用于基于变换结果，提取频域特征；
第三提取子单元，用于基于所述频域特征，提取所述心电指标疲劳警戒值以下的特征值。
14.根据权利要求11所述的系统，其特征在于，所述第三提取单元具体包括：
第二滤波单元，用于对所述脑电信号进行滤波；
第二去伪迹单元，用于对滤波后的信号进行去伪迹处理；
第二变换单元，用于对去伪迹后的信号进行时域至频域的变换；
第四提取子单元，用于基于变换后的信号，提取频域特征；
第五提取子单元，用于基于所述频域特征，提取所述脑电指标疲劳警戒值以下的特征值。
15.根据权利要求11所述的系统，其特征在于，所述第四提取单元具体包括：
第一处理单元，用于对所述面部图像信号进行数字图像处理；
第一确定单元，用于基于处理后的结果，确定面部特征；
第二确定单元，用于基于所述面部特征，确定面部疲劳表情特征；
第六提取子单元，用于基于所述面部疲劳表情特征，提取所述面部特征指标疲劳警戒值以下的特征值。
16.根据权利要求11所述的系统，其特征在于，所述第五提取单元具体包括：
第二处理单元，用于对所述眼动特征信号进行数字图像处理；
第七提取子单元，用于基于处理后的结果，提取眼动参数；
第八提取子单元，用于基于所述眼动参数，提取所述眼动指标疲劳警戒值以下的特征值。
17.根据权利要求11所述的系统，其特征在于，所述确定模块具体包括：
第一计算单元，用于利用熵的方法，根据下式计算所述心率指标疲劳警戒值以下的特征值、所述心电指标疲劳警戒值以下的特征值、所述脑电指标疲劳警戒值以下的特征值、所述面部特征指标疲劳警戒值以下的特征值、所述眼动指标疲劳警戒值以下的特征值的概率：
mi(Θ)＝-k[qiMFlog2qiMF+(1-qiMF)log2(1-qiMF)]
其中，所述所述MF表示疲劳；所述表示不疲劳；所述qiMF表示第i个通道判别高铁调度员处于疲劳状态的概率；所述1-qiMF表示第i个通道判别高铁调度员处于不疲劳状态的概率，所述i＝1,2,…5；所述各通道分别输入所述心率指标疲劳警戒值以下的特征值、所述心电指标疲劳警戒值以下的特征值、所述脑电指标疲劳警戒值以下的特征值、所述面部特征指标疲劳警戒值以下的特征值、所述眼动指标疲劳警戒值以下的特征值；所述k表示调节因子，并且k∈(0,1)；
第二计算单元，用于根据下式计算处于疲劳状态的基础分配概率和处于不疲劳状态的基础分配概率：
mi(MF)＝qiMF(1-mi(Θ))
mi(MF)＝(1-qiMF)(1-mi(Θ))
其中，所述mi(MF)表示处于疲劳状态的基础分配概率；所述表示处于不疲劳状态的基础分配概率；
第三计算单元，用于根据下式进行基于D-S证据理论的多通道融合，计算高铁调度员处于疲劳状态的概率、高铁调度员处于不疲劳状态的概率以及所述各疲劳警戒值以下的特征值融合后的概率：
其中，所述m(MF)表示所述高铁调度员处于疲劳状态的概率；所述表示所述高铁调度员处于不疲劳状态的概率；所述m(Θ)表示所述疲劳警戒值以下的特征值融合后的概率；所述或Θ，所述i＝1,2,......5,所述j＝1,2k；
第四计算单元，用于根据下式计算疲劳的信任函数和似然函数，以及不疲劳的信任函数和似然函数：
Bel(MF)＝m(MF)
<mrow> <mi>B</mi> <mi>e</mi> <mi>l</mi> <mrow> <mo>(</mo> <mover> <mrow> <mi>M</mi> <mi>F</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mo>=</mo> <mi>m</mi> <mrow> <mo>(</mo> <mover> <mrow> <mi>M</mi> <mi>F</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>P</mi> <mi>l</mi> <mrow> <mo>(</mo> <mi>M</mi> <mi>F</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mi>m</mi> <mrow> <mo>(</mo> <mover> <mrow> <mi>M</mi> <mi>F</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>P</mi> <mi>l</mi> <mrow> <mo>(</mo> <mover> <mrow> <mi>M</mi> <mi>F</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mi>m</mi> <mrow> <mo>(</mo> <mi>M</mi> <mi>F</mi> <mo>)</mo> </mrow> </mrow>
其中，所述Bel(MF)表示所述疲劳的信任函数；所述Pl(MF)表示所述疲劳的似然函数；所述表示所述不疲劳的信任函数；所述表示所述不疲劳的似然函数；
判定单元，用于根据所述疲劳的信任函数和似然函数，以及所述不疲劳的信任函数和似然函数，判定所述高铁调度员是否处于疲劳状态。
18.根据权利要求10所述的系统，其特征在于，所述系统还包括：
比较单元，用于将所确定的所述疲劳状态与疲劳状态阈值进行比较；
预警干预单元，用于在所述疲劳状态超过所述疲劳状态阈值的情况下，进行预警干预。
CN201710397928.1A 2017-05-27 2017-05-27 高铁调度员疲劳状态测评方法及系统 Active CN107233103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710397928.1A CN107233103B (zh) 2017-05-27 2017-05-27 高铁调度员疲劳状态测评方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710397928.1A CN107233103B (zh) 2017-05-27 2017-05-27 高铁调度员疲劳状态测评方法及系统

Publications (2)

Publication Number Publication Date
CN107233103A true CN107233103A (zh) 2017-10-10
CN107233103B CN107233103B (zh) 2020-11-20

Family

ID=59985289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710397928.1A Active CN107233103B (zh) 2017-05-27 2017-05-27 高铁调度员疲劳状态测评方法及系统

Country Status (1)

Country Link
CN (1) CN107233103B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108852380A (zh) * 2018-07-09 2018-11-23 南京邮电大学 基于ecg信号的疲劳、情绪分析方法
CN109431498A (zh) * 2018-11-14 2019-03-08 天津大学 穿戴式多模态驾驶员生理状态监测系统
CN112450933A (zh) * 2020-11-10 2021-03-09 东北电力大学 一种基于人体多类特征的驾驶疲劳监测方法
CN113509189A (zh) * 2021-07-07 2021-10-19 科大讯飞股份有限公司 一种学习状态监控方法及其相关设备
CN113951903A (zh) * 2021-10-29 2022-01-21 西南交通大学 基于脑电数据测定的高速铁路调度员超负荷状态识别方法
CN114081491A (zh) * 2021-11-15 2022-02-25 西南交通大学 基于脑电时序数据测定的高速铁路调度员疲劳预测方法
CN115359545A (zh) * 2022-10-19 2022-11-18 深圳海星智驾科技有限公司 一种工作人员疲劳检测方法、装置、电子设备及存储介质
US11813060B2 (en) 2020-06-29 2023-11-14 Lear Corporation System and method for biometric evoked response monitoring and feedback

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101090482A (zh) * 2006-06-13 2007-12-19 唐琎 一种基于图象处理和信息融合技术的驾驶员疲劳监测系统及方法
CN101540090A (zh) * 2009-04-14 2009-09-23 华南理工大学 基于多元信息融合的驾驶员疲劳监测装置及其监测方法
CN101872171A (zh) * 2009-04-24 2010-10-27 中国农业大学 基于信息融合的驾驶员疲劳状态识别方法和系统
WO2014204567A1 (en) * 2013-06-19 2014-12-24 Raytheon Company Imaging-based monitoring of stress and fatigue
CN104952210A (zh) * 2015-05-15 2015-09-30 南京邮电大学 一种基于决策级数据融合的疲劳驾驶状态检测系统和方法
CN106462027A (zh) * 2014-06-23 2017-02-22 本田技研工业株式会社 对驾驶员状态进行响应的系统和方法
CN106580349A (zh) * 2016-12-07 2017-04-26 中国民用航空总局第二研究所 管制员疲劳检测方法及装置、管制员疲劳响应方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101090482A (zh) * 2006-06-13 2007-12-19 唐琎 一种基于图象处理和信息融合技术的驾驶员疲劳监测系统及方法
CN101540090A (zh) * 2009-04-14 2009-09-23 华南理工大学 基于多元信息融合的驾驶员疲劳监测装置及其监测方法
CN101872171A (zh) * 2009-04-24 2010-10-27 中国农业大学 基于信息融合的驾驶员疲劳状态识别方法和系统
WO2014204567A1 (en) * 2013-06-19 2014-12-24 Raytheon Company Imaging-based monitoring of stress and fatigue
US20140375785A1 (en) * 2013-06-19 2014-12-25 Raytheon Company Imaging-based monitoring of stress and fatigue
CN106462027A (zh) * 2014-06-23 2017-02-22 本田技研工业株式会社 对驾驶员状态进行响应的系统和方法
CN104952210A (zh) * 2015-05-15 2015-09-30 南京邮电大学 一种基于决策级数据融合的疲劳驾驶状态检测系统和方法
CN106580349A (zh) * 2016-12-07 2017-04-26 中国民用航空总局第二研究所 管制员疲劳检测方法及装置、管制员疲劳响应方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓三鹏等: "基于D-S证据理论的驾驶员疲劳监测方法研究", 《车辆与动力技术》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108852380A (zh) * 2018-07-09 2018-11-23 南京邮电大学 基于ecg信号的疲劳、情绪分析方法
CN109431498A (zh) * 2018-11-14 2019-03-08 天津大学 穿戴式多模态驾驶员生理状态监测系统
US11813060B2 (en) 2020-06-29 2023-11-14 Lear Corporation System and method for biometric evoked response monitoring and feedback
CN112450933A (zh) * 2020-11-10 2021-03-09 东北电力大学 一种基于人体多类特征的驾驶疲劳监测方法
CN112450933B (zh) * 2020-11-10 2022-09-20 东北电力大学 一种基于人体多类特征的驾驶疲劳监测方法
CN113509189A (zh) * 2021-07-07 2021-10-19 科大讯飞股份有限公司 一种学习状态监控方法及其相关设备
CN113951903A (zh) * 2021-10-29 2022-01-21 西南交通大学 基于脑电数据测定的高速铁路调度员超负荷状态识别方法
CN113951903B (zh) * 2021-10-29 2022-07-08 西南交通大学 基于脑电数据测定的高速铁路调度员超负荷状态识别方法
CN114081491A (zh) * 2021-11-15 2022-02-25 西南交通大学 基于脑电时序数据测定的高速铁路调度员疲劳预测方法
CN114081491B (zh) * 2021-11-15 2023-04-25 西南交通大学 基于脑电时序数据测定的高速铁路调度员疲劳预测方法
CN115359545A (zh) * 2022-10-19 2022-11-18 深圳海星智驾科技有限公司 一种工作人员疲劳检测方法、装置、电子设备及存储介质
CN115359545B (zh) * 2022-10-19 2023-01-24 深圳海星智驾科技有限公司 一种工作人员疲劳检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN107233103B (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN107233103A (zh) 高铁调度员疲劳状态测评方法及系统
Tiwari et al. Automated diagnosis of epilepsy using key-point-based local binary pattern of EEG signals
CN104887224B (zh) 面向癫痫脑电信号的特征提取与自动识别方法
Akbari et al. Recognizing seizure using Poincaré plot of EEG signals and graphical features in DWT domain
Zhang et al. Recognition of mental workload levels under complex human–machine collaboration by using physiological features and adaptive support vector machines
Clayson et al. How does noise affect amplitude and latency measurement of event‐related potentials (ERPs)? A methodological critique and simulation study
CN107157477A (zh) 脑电信号特征识别系统及方法
JP2011018240A (ja) 状態検出装置、状態検出方法及びプログラム
Kaleem et al. Patient-specific seizure detection in long-term EEG using signal-derived empirical mode decomposition (EMD)-based dictionary approach
CN107233104A (zh) 认知分心测评方法和系统
CN102824172A (zh) 一种脑电特征提取方法
CN115081486B (zh) 一种癫痫发作前期颅内脑电网络定位癫痫灶系统及方法
Zhang et al. Approximate entropy and support vector machines for electroencephalogram signal classification
Nhu et al. Deep learning for automated epileptiform discharge detection from scalp EEG: A systematic review
WO2023082406A1 (zh) 基于联邦学习的脑电信号分类模型训练方法及装置
Sinha et al. Statistical feature analysis for EEG baseline classification: Eyes Open vs Eyes Closed
CN106580350A (zh) 一种疲劳状况监测方法及装置
Liu et al. A novel fatigue driving state recognition and warning method based on EEG and EOG signals
Tawhid et al. Data mining based artificial intelligent technique for identifying abnormalities from brain signal data
Mahapatra et al. Decoding of imagined speech electroencephalography neural signals using transfer learning method
Thilagaraj et al. Identification of drivers drowsiness based on features extracted from EEG signal using SVM classifier
CN103632162B (zh) 一种疾病相关的心电图特征选择方法
EP3176726A1 (en) Method and device for positioning human eyes
JP2012161379A5 (zh)
Hellar et al. Epileptic electroencephalography classification using embedded dynamic mode decomposition

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