CN111449652A - 一种基于脑电波分析的施工安全监测方法和装置 - Google Patents

Abstract

本公开提供一种基于脑电波分析的施工安全监测方法和装置，所述方法包括：采集施工人员的脑电波信号；根据所述脑电波信号，用预设的稀疏表示分类器进行分类，根据分类结果得到所述施工人员的疲劳程度；根据所述疲劳程度构建安全监测模型；将获取的危险处理信息输入所述安全监测模型，得到施工安全信息；根据所述施工安全信息判断所述施工人员是否存在施工安全隐患。本公开提供的方法和装置中，通过对施工人员的脑电波信号判断施工人员的疲劳程度，进而建立能够体现施工人员疲劳程度的安全监测模型，并利用所述模型监测施工人员是否存在安全隐患，利用脑电波技术对人的行为进行安全监管，极大程度可以避免安全事故的发生。

Description

一种基于脑电波分析的施工安全监测方法和装置

技术领域

本公开属于施工安全监测技术领域，具体涉及一种基于脑电波分析的施工安全监测方法和一种基于脑电波分析的施工安全监测装置。

背景技术

基于现有的文献搜索及施工现场实际状况，针对施工安全管理，目前最多的是对施工自身设备进行改进或者安全监管，例如针对塔吊，传统的施工安全监测技术包括黑匣子技术、吊钩定位技术等，设备最终都需要人的操作，很少有研究将人作为研究对象，但人的操作对于吊装作业安全来说是至关重要的，安全的操作需要施工人员有清楚的认知能力和较快的反应能力，所以需要对施工人员，例如塔司等操作人员的疲劳度进行监测。

发明内容

本公开旨在至少解决现有技术中存在的技术问题之一，提供一种基于脑电波分析的施工安全监测方法和一种基于脑电波分析的施工安全监测装置。

本公开的一个方面，提供一种基于脑电波分析的施工安全监测方法，包括：

采集施工人员的脑电波信号；

根据所述脑电波信号，用预设的稀疏表示分类器进行分类，根据分类结果得到所述施工人员的疲劳程度；

根据所述疲劳程度构建安全监测模型；

将获取的危险处理信息输入所述安全监测模型，得到施工安全信息；

根据所述施工安全信息判断所述施工人员是否存在施工安全隐患。

可选的，所述采集施工人员的脑电波信号后，还包括：

对所述脑电波信号进行分段处理，得到多个波段脑电波信号；

对所述多个波段脑电波信号进行傅里叶变换并计算对应的功率谱密度；

根据所述脑电波信号的频率分布和功率谱密度，分别计算所述多个波段脑电波信号的能量特征值。

可选的，采用下述关系式计算所述多个波段脑电波信号的能量特征值：

其中，E_α为α波段脑电波信号的能量特征值；E_β为β波段脑电波信号的能量特征值；E_θ为θ波段脑电波信号的能量特征值；E_δ为δ波段脑电波信号的能量特征值；freq为频率，单位为Hz；p_freq为在频率freq的波段的脑电波的功率谱密度。

可选的，所述根据所述脑电波信号，用预设的稀疏表示分类器进行分类，根据分类结果得到所述施工人员的疲劳程度，包括：

预先获取不同疲劳程度所对应的脑电特征矩阵，形成训练样本，并利用所述训练样本进行训练得到所述稀疏表示分类器；

根据所述多个波段脑电波信号的能量特征值，用所述稀疏表示分类器进行分类，根据分类结果，得到所述施工人员的疲劳程度。

可选的，所述根据所述疲劳程度构建安全监测模型，具体为：

其中，t_n为危险情况反应时间，R_n为危险情况正确处理率，F_n为疲劳程度，a为疲劳程度与安全性的相关系数，b为反应时间与安全性的相关系数，c为正确处理率与安全性的相关系数。

可选的，所述将获取的危险处理信息输入所述安全监测模型，得到施工安全信息，包括：

获取实际危险情况反应时间；

获取实际危险情况正确处理率；

将获取的所述实际危险情况反应时间和所述实际危险情况正确处理率输入所述安全监测模型，得到所述施工安全信息。

可选的，所述获取实际危险情况反应时间，包括：

获取预设时间间隔内多次危险情况发生到出现反应的时间，得到多个原始危险情况反应时间；

根据所述多个原始危险情况反应时间得到所述实际危险情况反应时间。

可选的，所述获取实际危险情况正确处理率，包括：

获取预设时间间隔内危险情况处理次数和危险情况正确处理次数；

根据所述危险情况处理次数和危险情况正确处理次数得到所述获取实际危险情况正确处理率。

可选的，所述根据所述施工安全信息判断所述施工人员是否存在施工安全隐患，包括：

若所述施工安全信息小于等于预设的第一阈值，则判定所述施工人员存在施工安全隐患；否则，则判定所述施工人员不存在施工安全隐患。

本公开的另一个方面，提供一种基于脑电波分析的施工安全监测装置，包括：

采集模块，用于采集施工人员的脑电波信号；

分析模块，用于根据所述脑电波信号，用预设的稀疏表示分类器进行分类，根据分类结果得到所述施工人员的疲劳程度；

模型构建模块，用于根据所述疲劳程度构建安全监测模型；

处理模块，用于将获取的危险处理信息输入所述安全监测模型，得到施工安全信息；

判断模块，用于根据所述施工安全信息判断所述施工人员是否存在施工安全隐患。

本公开实施例的一种基于脑电波分析的施工安全监测方法和一种基于脑电波分析的施工安全监测装置中，通过对施工人员的脑电波信号判断施工人员的疲劳程度，进而建立能够体现施工人员疲劳程度的安全监测模型，并利用所述模型监测施工人员是否存在安全隐患，利用脑电波技术对人的行为进行安全监管，极大程度可以避免安全事故的发生。

附图说明

图1为本公开第一实施例的一种电子设备的组成示意框图；

图2为本公开第二实施例的一种基于脑电波分析的施工安全监测方法的流程示意图；

图3为本公开第三实施例的一种基于脑电波分析的施工安全监测装置的结构示意图；

图4为本公开第二实施例脑电波信号处理流程示意图。

具体实施方式

为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。

首先，参照图1来描述用于实现本公开实施例的一种基于脑电波分析的施工安全监测方法和一种基于脑电波分析的施工安全监测装置的示例电子设备。

如图1所示，电子设备200包括一个或多个处理器210、一个或多个存储装置220、一个或多个输入装置230、一个或多个输出装置240等，这些组件通过总线系统250和/或其他形式的连接机构互连。应当注意，图1所示的电子设备的组件和结构只是示例性的，而非限制性的，根据需要，电子设备也可以具有其他组件和结构。

处理器210可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备200中的其他组件以执行期望的功能。

存储装置220可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现下文所述的本公开实施例中(由处理器实现)的客户端功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如，所述应用程序使用和/或产生的各种数据等。

输入装置230可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。

输出装置240可以向外部(例如用户)输出各种信息(例如图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。

下面，将参考图2描述根据本公开实施例的一种基于脑电波分析的施工安全监测方法。

如图2所示，一种基于脑电波分析的施工安全监测方法S100，包括：

S110：采集施工人员的脑电波信号。

具体地，在本步骤中，根据实际需求采集施工人员的脑电波信息，示例性的，例如采集α脑电波、β脑电波、θ脑电波和γ脑电波中的一种或多种。在本步骤中，所述施工人员包括进行施工操作的人员，示例性的，若施工设备为塔吊，则施工人员为塔吊司机。

具体地，在本步骤中，可使用特定的设备采集脑电波信息，示例性的，可使用Emotiv Epoc+无线便携式脑电监测仪和配套的EmotivPRO软件作为脑电信号采集设备，对施工人员的脑电信号进行实时采集，并将其通过USB接收器传输至PC终端进行信号分析。除此以外，也可使用其他设备采集脑电波信号，具体可以根据实际需要确定，本公开实施例对此并不限制。

S120：根据所述脑电波信号，用预设的稀疏表示分类器进行分类，根据分类结果得到所述施工人员的疲劳程度。

具体地，在本步骤中，将所述脑电波信号作为测试样本输入稀疏表示分类器中，通过与稀疏表示分类器中的训练样本进行残差分析，得到测试样本相对应的训练样本，根据对应的训练样本得到测试样本的疲劳程度。所述预设的稀疏表示分类器可通过经验获取，也可根据不同的实际施工情况而具体设置，例如针设置针对吊装塔司疲劳程度分类的稀疏表示分类器。

S130：根据所述疲劳程度构建安全监测模型。

具体地，在本步骤中，根据疲劳程度设置安全监测模型的参数，得到不同疲劳程度下不同的安全监测模型。所述安全监测模型可使用现有技术中的安全监测模型，示例性的，例如可构建与施工时长相关的施工安全模型，可以根据实际需要确定，本公开实施例对此并不限制。

S140：将获取的危险处理信息输入所述安全监测模型，得到施工安全信息。

具体地，在本步骤中，所述获取的危险处理信息包括通过施工现场的检测装置检测到的施工人员对施工危险的处理操作相关的信息，可以为通过施工现场安装的摄像装置检测到的施工人员的操作图像或施工设备的运动图像，也可为通过传感装置检测到的施工人员的动作信息或施工设备的运动信息，示例性的，例如可以为通过摄像头检测到的吊装塔司对塔司的操作图像或者塔司的运动图像，可以根据实际需要确定，本公开实施例对此并不限制。

进一步的，在本步骤中，将获取的危险处理信息输入所述安全监测模型，求解安全监测模型，得到施工安全信息。

S150：根据所述施工安全信息判断所述施工人员是否存在施工安全隐患。

具体地，在本步骤中，根据预设的判断方法根据所述施工安全信息判断所述施工人员是否存在施工安全隐患，所述预设的判断方法可以根据实际需要确定，例如可以使用阈值判断法，本公开实施例对此并不限制。进一步的，在本步骤中，若判定存在施工安全隐患，则进行报警，具体地，可使用安装在施工现场的报警装置进行报警，例如喇叭，也可以使用施工人员随身佩戴的报警装置进行报警，例如可穿戴式报警器。

本公开实施例的一种基于脑电波分析的施工安全监测方法，通过检测施工人员的脑电波信号来判断施工人员的疲劳程度，通过所述疲劳程度构建施工安全监测模型，通所述安全监测模型来监测施工人员是否存在安全隐患，结合施工人员的工作状态来监测安全隐患，解决了传统技术中仅能通过比对施工人员或施工设备的操作正确性来判断安全隐患、不能实现预判的技术问题，实现了可预先判断安全隐患的安全监测，提高安全监测的准确性。

为了提高根据脑电波信号得到所述施工人员疲劳程度的准确性，需要对采集到的脑电波信号进行必要的处理，同时需要保证预设的稀疏表示分类器分类的准确性，下文将进一步阐述对脑电波信号进行预处理的过程以及构建稀疏表示分类器的过程，但本公开实施例并不以此为限。

示例性的，结合图4，步骤S110后还包括：

S111：对所述脑电波信号进行去噪处理。

为了减少脑电波信号中的噪声、减少脑电波信号的外部干扰、提高后期信号处理的准确性，需要对脑电波信号进行去噪处理。具体地，在本步骤中，通过滤波进行去噪处理，采用线性滤波器进行滤波，结合小波阈值分解的方法进行脑电信号的去噪处理。当然，除此以外，本领域技术人员还可以根据实际需要，选择其他一些方式进行去噪处理，本公开实施例对此并不限制。

S112：对所述脑电波信号进行分段处理，得到多个波段脑电波信号。

具体地，在本步骤中，根据预设的频率间隔对所述脑电波信号进行分段处理，得到多个波段脑电波信号，所述预设的频率间隔可为等间隔或不等间隔，也可以根据实际需要按照特定的频率分布进行分段，示例性的，例如可根据α、β、γ、θ四个脑电波不同的频率来划分波段。通过对脑电波信号的分段处理，减少后期信号处理计算量，便于快速获取目标波段的脑电波。

S113：对所述多个波段脑电波信号进行傅里叶变换并计算对应的功率谱密度。

具体地，本步骤中通过下列关系式计算多个波段脑电波信号对应的功率谱密度：

其中，freq代表频率，也就是在频率freq的波段，p_freq(n)为在频率freq的波段的脑电波的功率谱密度，F_freq(n)为波段freq在采样点n的原始功率，

为波段freq在采样点n傅里叶变换后的功率，n为脑电信号采样点，N为脑电信号采样频率。

S114：根据所述脑电波信号的频率分布和功率谱密度，分别计算所述多个波段脑电波信号的能量特征值。

具体地，在本步骤中，采用下述关系式计算所述多个波段脑电波信号的能量特征值：

其中，freq为频率，单位为Hz；p_freq为在频率freq的波段的脑电波的功率谱密度；E_α为α波段脑电波信号的能量特征值，即频率在8～13Hz的脑电波信号的能量特征值；E_β为β波段脑电波信号的能量特征值，即频率在14～30Hz的脑电波信号的能量特征值；E_θ为θ波段脑电波信号的能量特征值，即频率在4～7Hz的脑电波信号的能量特征值；E_δ为δ波段脑电波信号的能量特征值，即频率在0.5～3Hz的脑电波信号的能量特征值。

示例性的，步骤S120包括：

S121：预先获取不同疲劳程度所对应的脑电特征矩阵，形成训练样本，并利用所述训练样本进行训练得到所述稀疏表示分类器。

具体地，在本步骤中，根据搜集的经验数据构建能体现五类疲劳程度的脑电特征矩阵，针对所述五类疲劳程度构建对应的特征矩阵，为五个能量特征值特征矩阵，也就是五类疲劳程度对应的五个训练样本，示例性的，本实施例中五类疲劳程度可为1、3、5、7、9。

S122：根据所述多个波段脑电波信号的能量特征值，用所述稀疏表示分类器进行分类，根据分类结果，得到所述施工人员的疲劳程度。

具体地，在本步骤中，将所述脑电波信号的能量特征值作为测试样本输入稀疏表示分类器中，将所述测试样本和五个训练样本分别与稀疏表述分类器中，将所述测试样本分别与五个训练样本做残差分析，得到与所述测试样本相关性最高的训练样本，则所述测试样本与该训练样本所对应的疲劳程度相同，得到分类结果，即得到所述脑电波信号的疲劳程度。

本公开实施例的一种基于脑电波分析的施工安全监测方法，通过对脑电波信号进行去噪等预处理，提高所述脑电波信号的准确度；使用能量特征值作为测试样本输入稀疏表示分类器进行残差分析；通过构建多个疲劳程度的脑电波特征矩阵，细化对疲劳程度的分类结果，通过上述方法提高疲劳程度分类的准确性，从而提高安全监测的准确性。

为了保证安全监测的准确性，除了提高对脑电波信号检测和分类的准确性，还需保证根据脑施工人员的疲劳程度构建的安全监测模型的准确性，下文将进一步阐述根据施工人员的疲劳程度构建安全监测模型的过程和根据安全监测模型进行安全监测的过程，但本公开实施例并不以此为限。

示例性的，步骤S130还包括：

所述根据所述疲劳程度构建安全监测模型，具体为：

其中，t_n为危险情况反应时间，R_n为危险情况正确处理率，F_n为疲劳程度，a为疲劳程度与安全性的相关系数，b为反应时间与安全性的相关系数，c为正确处理率与安全性的相关系数。

具体地，在本步骤中，根据所述危险情况反应时间、危险正确处理率和疲劳程度作为输入参数，构建安全监测模型，所述安全监测模型的输出S_n即为施工安全信息。其中，疲劳程度F_n根据上文根据脑电波信号得到的施工人员的疲劳程度得到，可为1、3、5、7、9中的任意一者。

具体地，在本步骤中，所述疲劳程度与安全性的相关系数a、反应时间与安全性的相关系数b和正确处理率与安全性的相关系数c可根据实际使用情况设置，示例性的，系数a可设置为5，系数b可设置为0.14，c可设置为1.67，除此以外，本领域技术人员还可以根据实际需要，设置其他的系数值，本公开实施例对此并不限制。

进一步的，可对上述疲劳程度构建安全监测模型进行进一步的改进，具体为：

改进的模型在上述模型的基础上，增加了第一常量系数d和第二常量系数e，提高了在具体使用过程中模型使用的灵活性。同样，所述第一常量系数d和第二常量系数e可根据实际使用情况设置。示例性的，在改进的模型中，系数a可设置为7.592，系数b可设置为0.5，c可设置为0.5，第一常量系数d可设置为105.11，第二常量系数e可设置为120，除此以外，本领域技术人员还可以根据实际需要，设置其他的系数值，本公开实施例对此并不限制。

上文阐述了对安全监测模型的构建过程，下文将阐述根据危险处理信息和已构建的安全监测模型得到施工安全信息的过程。

示例性的，步骤S140中的施工安全信息包括实际危险情况反应时间和获取实际危险情况正确处理率，步骤S140还包括：

S141：获取实际危险情况反应时间。

具体地，在本步骤中，所述实际危险情况反应时间为施工人员在面对危险情况时的实际反应时间，所述获取实际危险情况反应时间，可以为获取从出现危险情况到施工人员面对危险情况开始进行操作的时间，也可以为获取从出现危险情况到施工设备开始进行动作的时间。

进一步的，在本步骤中，可使用施工现场安装的装置来获取实际危险情况反应时间。例如，可使用摄像装置检测施工现场的图像，检测到施工现场危险情况发生的时刻，检测到施工人员开始反应并进行操作的时刻或检测到施工设备开始进行风险规避动作的时刻，通过时刻间的差值得到所述实际危险情况反应时间，除此以外，本领域技术人员还可以根据实际需要，选择其他一些方式如传感器等获取实际危险情况反应时间，本公开实施例对此并不限制。

示例性的，步骤S141还包括：

获取预设时间间隔内多次危险情况发生到出现反应的时间，得到多个原始危险情况反应时间。具体地，在本步骤中，所述预设时间间隔为根据实际情况所设置的时间段，示例性的，可为30分钟。所述得到多个原始危险情况反应时间即为得到在所述预设的时间间隔内针对所有危险情况的反应时间，示例性的，若预设的时间间隔30分钟内共发生过5次危险情况，则为获取这5次危险情况处理的原始危险情况反应时间。

根据所述多个原始危险情况反应时间得到所述实际危险情况反应时间。具体地，在本步骤中，将所述多个原始危险情况反应时间求平均值得到所述实际危险情况反应时间。

S142：获取实际危险情况正确处理率。

具体地，在本步骤中，危险情况正确处理是指突发事件发生时，施工人员做出正确的反映措施避免造成现场的损失，危险情况错误处理指施工人员在施工作业过程中的违规操作行为。所述实际危险情况正确处理率为施工人员在面对危险情况时正确处理的概率。示例性的，步骤S142具体包括：

获取预设时间间隔内危险情况处理次数和危险情况正确处理次数。所述实际危险情况处理次数为施工人员在面对危险情况时进行处理的次数，可为施工人员进行操作的次数，也可为施工设备运动的次数；所述实际危险情况处理次数为施工人员在面对危险情况时进行正确处理的次数，可为施工人员进行正确操作的次数，也可为施工设备正确运动的次数。

具体地，在本步骤中，所述预设时间间隔为根据实际情况所设置的时间段，示例性的，可为30分钟。所述得到预设时间间隔内危险情况处理次数和危险情况正确处理次数即为得到在所述预设的时间间隔内针对所有危险情况的处理次数和正确处理次数，示例性的，若预设的时间间隔30分钟内共发生过5次危险情况，且操作人员处理了4次，正确处理了1次，则为获取30分钟内4次危险情况处理次数和1次危险情况正确处理次数。

进一步的，所述实际危险情况处理次数包括施工人员在面对危险情况时未进行处理的次数，示例性的，若预设的时间间隔30分钟内共发生过5次危险情况，且操作人员处理了4次，正确处理了1次，则为获取30分钟内5次危险情况处理次数和1次危险情况正确处理次数。

进一步的，在本步骤中，可使用施工现场安装的装置来获取危险情况处理次数和危险情况正确处理次数。例如，可使用摄像装置检测施工现场的图像，检测到面对危险情况施工人员进行操作的图像，通过图像识别和图像分析得到施工人员进行操作的次数和施工人员进行正确操作的次数；或者使用摄像装置检测到面对危险情况施工设备运动的图像，通过图像识别和图像分析得到为了躲避危险施工设备运动的次数和施工设备运动正确的次数。除此以外，本领域技术人员还可以根据实际需要，选择其他一些方式如传感器等获取实际危险情况反应时间，本公开实施例对此并不限制。

根据所述危险情况处理次数和危险情况正确处理次数得到所述获取实际危险情况正确处理率，具体如下列关系式所示：

除此以外，本领域技术人员还可以根据实际需要，选择其他方法得到实际危险情况正确处理率，本公开实施例对此并不限制。

S143：将获取的所述实际危险情况反应时间和所述实际危险情况正确处理率输入所述安全监测模型，得到所述施工安全信息。

具体地，在本步骤中，将获取的所述实际危险情况反应时间和所述实际危险情况正确处理率分别作为t_n和R_n输入所述安全监测模型，计算得到施工安全信息S_n。

上述内容阐述了根据危险处理信息和已构建的安全监测模型得到施工安全信息的过程，下面进一步阐述根据所述施工安全信息判断是否存在安全隐患的过程。

示例性的，步骤S150具体包括：

若所述施工安全信息小于等于预设的第一阈值，则判定所述施工人员存在施工安全隐患；否则，则判定所述施工人员不存在施工安全隐患。

在本步骤中，所述预设的第一阈值为根据实际情况设置的述职，示例性的，可设置为60。

本公开实施例的一种基于脑电波分析的施工安全监测方法，根据实际危险情况反应时间和实际危险情况正确处理率得到所述施工安全信息，根据施工安全信息判断是否存在安全隐患，即除了通过脑电波信号得到的疲劳程度，集合施工人员在面临危险时的具体操作情况来监测安全风险，提高了安全监测的准确性和可靠性。

下面，结合图3描述本公开另一实施例的一种基于脑电波分析的施工安全监测装置100，该装置可以应用于前文记载的基于脑电波分析的施工安全监测方法，具体内容可以参考前文相关记载，在此不作赘述。所述装置包括采集模块110、分析模块120、模型构建模块130、处理模块140和判断模块150，具体的：

采集模块110，用于采集施工人员的脑电波信号；

分析模块120，用于根据所述脑电波信号，用预设的稀疏表示分类器进行分类，根据分类结果得到所述施工人员的疲劳程度；

模型构建模块130，用于根据所述疲劳程度构建安全监测模型；

处理模块140，用于将获取的危险处理信息输入所述安全监测模型，得到施工安全信息；

判断模块150，用于根据所述施工安全信息判断所述施工人员是否存在施工安全隐患。

本公开实施例的一种基于脑电波分析的施工安全监测装置，通过检测施工人员的脑电波信号来判断施工人员的疲劳程度，通过所述疲劳程度构建施工安全监测模型，通所述安全监测模型来监测施工人员是否存在安全隐患，结合施工人员的工作状态来监测安全隐患，解决了传统技术中仅能通过比对施工人员或施工设备的操作正确性来判断安全隐患、不能实现预判的技术问题，实现了可预先判断安全隐患的安全监测，提高安全监测的准确性。

进一步的，所述装置还包括脑电波处理模块111，用于对所述脑电波信号进行去噪处理；用于对所述脑电波信号进行分段处理，得到多个波段脑电波信号；用于对所述多个波段脑电波信号进行傅里叶变换并计算对应的功率谱密度；用于根据所述脑电波信号的频率分布和功率谱密度，分别计算所述多个波段脑电波信号的能量特征值。

进一步的，所述分析模块120还包括分类器构建子模块和分类子模块。

所述分类器构建子模块用于预先获取不同疲劳程度所对应的脑电特征矩阵，形成训练样本，并利用所述训练样本进行训练得到所述稀疏表示分类器；分类子模块用于根据所述多个波段脑电波信号的能量特征值，用所述稀疏表示分类器进行分类，根据分类结果，得到所述施工人员的疲劳程度。

进一步的，所述处理模块140还包括获取子模块和运算子模块。

所述获取子模块用于获取实际危险情况反应时间和获取实际危险情况正确处理率，具体为获取预设时间间隔内多次危险情况发生到出现反应的时间，得到多个原始危险情况反应时间，根据所述多个原始危险情况反应时间得到所述实际危险情况反应时间；取预设时间间隔内危险情况处理次数和危险情况正确处理次数，根据所述危险情况处理次数和危险情况正确处理次数得到所述获取实际危险情况正确处理率。

所述运算子模块用于将获取的所述实际危险情况反应时间和所述实际危险情况正确处理率输入所述安全监测模型，得到所述施工安全信息。

本公开实施例的一种基于脑电波分析的施工安全监测装置，能够结合根据疲劳程度、实际危险情况反应时间和实际危险情况正确处理率来监测安全风险，提高了安全监测的准确性和可靠性。

进一步的，本实施例中还公开了一种电子设备，包括：

一个或多个处理器；

存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现前文记载的基于脑电波分析的施工安全监测方法。

进一步的，本实施例中还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现前文记载的基于脑电波分析的施工安全监测方法。

其中，计算机可读介质可以是本公开的装置、设备、系统中所包含的，也可以是单独存在。

其中，计算机可读存储介质可是任何包含或存储程序的有形介质，其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备，更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件，或它们任意合适的组合。

其中，计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码，其具体的例子包括但不限于电磁信号、光信号，或它们任意合适的组合。

可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。

Claims (10)

1.一种基于脑电波分析的施工安全监测方法，其特征在于，包括：

采集施工人员的脑电波信号；

根据所述脑电波信号，用预设的稀疏表示分类器进行分类，根据分类结果得到所述施工人员的疲劳程度；

根据所述疲劳程度构建安全监测模型；

将获取的危险处理信息输入所述安全监测模型，得到施工安全信息；

根据所述施工安全信息判断所述施工人员是否存在施工安全隐患。

2.根据权利要求1所述的方法，其特征在于，所述采集施工人员的脑电波信号后，还包括：

对所述脑电波信号进行分段处理，得到多个波段脑电波信号；

对所述多个波段脑电波信号进行傅里叶变换并计算对应的功率谱密度；

根据所述脑电波信号的频率分布和功率谱密度，分别计算所述多个波段脑电波信号的能量特征值。

3.根据权利要求2所述的方法，其特征在于，采用下述关系式计算所述多个波段脑电波信号的能量特征值：

其中，E_α为α波段脑电波信号的能量特征值；E_β为β波段脑电波信号的能量特征值；E_θ为θ波段脑电波信号的能量特征值；E_δ为δ波段脑电波信号的能量特征值；freq为频率，单位为Hz；p_freq为在频率freq的波段的脑电波的功率谱密度。

4.根据权利要求2所述的方法，其特征在于，所述根据所述脑电波信号，用预设的稀疏表示分类器进行分类，根据分类结果得到所述施工人员的疲劳程度，包括：

预先获取不同疲劳程度所对应的脑电特征矩阵，形成训练样本，并利用所述训练样本进行训练得到所述稀疏表示分类器；

根据所述多个波段脑电波信号的能量特征值，用所述稀疏表示分类器进行分类，根据分类结果，得到所述施工人员的疲劳程度。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述疲劳程度构建安全监测模型，具体为：

其中，t_n为危险情况反应时间，R_n为危险情况正确处理率，F_n为疲劳程度，a为疲劳程度与安全性的相关系数，b为反应时间与安全性的相关系数，c为正确处理率与安全性的相关系数。

6.根据权利要求1至4中任一项所述的方法，其特征在于，所述将获取的危险处理信息输入所述安全监测模型，得到施工安全信息，包括：

获取实际危险情况反应时间；

获取实际危险情况正确处理率；

将获取的所述实际危险情况反应时间和所述实际危险情况正确处理率输入所述安全监测模型，得到所述施工安全信息。

7.根据权利要求6所述的方法，其特征在于，所述获取实际危险情况反应时间，包括：

获取预设时间间隔内多次危险情况发生到出现反应的时间，得到多个原始危险情况反应时间；

根据所述多个原始危险情况反应时间得到所述实际危险情况反应时间。

8.根据权利要求6所述的方法，其特征在于，所述获取实际危险情况正确处理率，包括：

获取预设时间间隔内危险情况处理次数和危险情况正确处理次数；

根据所述危险情况处理次数和危险情况正确处理次数得到所述获取实际危险情况正确处理率。

9.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述施工安全信息判断所述施工人员是否存在施工安全隐患，包括：

若所述施工安全信息小于等于预设的第一阈值，则判定所述施工人员存在施工安全隐患；否则，则判定所述施工人员不存在施工安全隐患。

10.一种基于脑电波分析的施工安全监测装置，其特征在于，包括：

采集模块，用于采集施工人员的脑电波信号；

分析模块，用于根据所述脑电波信号，用预设的稀疏表示分类器进行分类，根据分类结果得到所述施工人员的疲劳程度；

模型构建模块，用于根据所述疲劳程度构建安全监测模型；

处理模块，用于将获取的危险处理信息输入所述安全监测模型，得到施工安全信息；

判断模块，用于根据所述施工安全信息判断所述施工人员是否存在施工安全隐患。

Images