疲劳检测方法、装置、设备及可读存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109620269A(43)申请公布日2019.04.16(21)申请号201910080642.X(22)申请日2019.01.28(71)申请人深圳市赛梅斯凯科技有限公司地址518000广东省深圳市龙华区龙华街道办事处清湖社区清庆路1号广播集团创意园1栋18层A区(72)发明人曾伟张宇欣高晨龙潘志文蒋鑫龙张辉吴雪张军涛(74)专利代理机构深圳市世纪恒程知识产权代理事务所44287代理人胡海国(51)Int.Cl.A61B5/18(2006.01)G06F17/50(2006.01)权利要求书2页说明书15页附图2页(54)发明名称疲劳检测方法、装置、设备及可读存储介质(57)摘要本发明公开了一种疲劳检测方法，通过可穿戴设备获取被测对象的多模态数据，并对所述多模态数据进行数据预处理得到高维矩阵；将所述高维矩阵输入预设疲劳检测模型中的数据表征子模型，得到所述高维矩阵对应的特征矩阵、以及所述数据表征子模型在所述高维矩阵下的重构误差；将所述特征矩阵输入所述预设疲劳检测模型中的信息记忆子模型，得到所述信息记忆子模型在所述特征矩阵下的预测误差；根据所述重构误差和所述预测误差，判断所述被测对象是否疲劳。本发明还公开了一种疲劳检测装置、设备以及可读存储介质。本发明疲劳检测的检测实时性强、成本低、检测结果不受环境和被测对象等个性化因素影响，使得检测结果更准确。CN109620269ACN109620269A权利要求书1/2页1.一种疲劳检测方法，其特征在于，所述疲劳检测方法包括：通过可穿戴设备获取被测对象的多模态数据，并对所述多模态数据进行数据预处理得到高维矩阵；将所述高维矩阵输入预设疲劳检测模型中的数据表征子模型，得到所述高维矩阵对应的特征矩阵、以及所述数据表征子模型在所述高维矩阵下的重构误差；将所述特征矩阵输入所述预设疲劳检测模型中的信息记忆子模型，得到所述信息记忆子模型在所述特征矩阵下的预测误差；根据所述重构误差和所述预测误差，判断所述被测对象是否疲劳。2.如权利要求1所述的疲劳检测方法，其特征在于，所述根据所述重构误差和所述预测误差，判断所述被测对象是否疲劳的步骤包括：确定所述重构误差和所述预测误差的加权和；根据所述加权和以及预设决策标准公式，确定决策值；根据所述决策值与所述加权和的大小关系，判断所述被测对象是否疲劳。3.如权利要求2所述的疲劳检测方法，其特征在于，所述确定所述重构误差和所述预测误差的加权和的步骤包括：根据以下公式，计算得出所述重构误差和所述预测误差的加权和，其中公式为：其中，J(θ)为重构误差和预测误差的加权和，N为预设疲劳检测模型的一次训练的样本数，T为预设疲劳检测模型的一个周期的窗口大小，xit为高维矩阵中在t时刻的数据矩阵，xit’为经过数据表征子模型后得到的、与xit有相同结构的重构值，L(xit,xit’)为求xit与xit’两个数据之间的重构误差，Ei为的信息记忆子模型的预测误差，λ为预设疲劳检测模型的元参数，用于调整重构误差和预测误差之间的权重大小。4.如权利要求2所述的疲劳检测方法，其特征在于，所述根据所述加权和以及预设决策标准公式，确定决策值的步骤包括：根据以下公式，计算得出决策值，其中公式为：其中，threshold为决策值，xi为预先采集的正常状态下的多模态数据，N为预设疲劳检测模型的一次训练的样本数，Error(xi)为xi的重构误差和预测误差的加权和，μ为对于i＝1,...,N来说，Error(x)的平均值。5.如权利要求2所述的疲劳检测方法，其特征在于，所述根据所述决策值与所述加权和的大小关系，判断所述被测对象是否疲劳的步骤包括：若所述加权和大于或等于所述决策值，则确定所述被测对象为疲劳；若所述加权和小于所述决策值，则确定所述被测对象为正常。6.如权利要求1所述的疲劳检测方法，其特征在于，所述通过可穿戴设备获取被测对象的多模态数据，并对所述多模态数据进行数据预处理得到高维矩阵的步骤包括：设定多模态数据的采样周期；2CN109620269A权利要求书2/2页通过可穿戴设备获取采样周期内的被测对象的各个模态生理信号的数据流，得到被测对象的多模态数据；将所述多模态数据整合为高维矩阵。7.如权利要求1-5中任一项所述的疲劳检测方法，其特征在于，通过可穿戴设备获取被测对象的多模态数据，并对所述多模态数据进行数据预处理得到高维矩阵的步骤之前还包括：获取训练数据集，并对所述训练数据集中的每条多模态数据进行数据预处理得到对应的高维矩阵，以形成高维矩阵集；依据所述高维矩阵集中的每个高维矩阵，对待训练模型进行迭代训练，直至待训练模型收敛以生成预设疲劳检测模型。8.一种疲劳检测装置，其特征在于，所述疲劳检测装置包括：数据收集模块，用