一种基于多传感器的可穿戴作业疲劳检测系统的制作方法

本发明涉及人体疲劳测试领域，具体涉及一种基于多传感器的可穿戴作业疲劳检测系统。

背景技术：

疲劳现在已成为事故引发的一个重要因素，美国有项流行病学的调查研究发现，在美国人民中，成年男子中的14%，妇女中的29%的人群存在明显的疲劳症状。而在我国，每年由工作强度大，休息时间少引起的疲劳过度患慢性病甚至引起死亡的人数也在逐年递增。研究发现，大量中年知识分子体质变弱、多发慢性病的事例里，引发原因大多是长时间工作、精神紧张、缺乏休息时间以及体育锻炼引起的“疲劳”。在专家疲劳调查研究中，全球有一小半人处于疲劳状态，约占总人口的35％以上，中年男性群体处于疲劳状态的更是高达60%～75%。而在这些人群中，飞行员和汽车驾驶员的过度疲劳引起了大多数飞行和交通安全事故。基于生理信号检测来评定作业人员的疲劳状态的方法具有客观性，检测精度高的特点，也是疲劳状态检测的主流方法。

专利cn106530621a公开了一种基于智能可穿戴设备的安全驾驶的方法和装置，该系统利用心率血压信号是否超过阈值进行疲劳与否的判断，该方法监测参数较少，判断条件单一，准确性难以保证。

专利cn105662407a公开了一种基于表面肌电技术的驾驶员疲劳监测系统，利用检测电极监测眼皮范围内的表面肌电信号获取眼部开闭状态，该方法需要安装电极，无法长时间使用，且会对人正常驾驶产生影响。

技术实现要素：

本发明的目的在于提供了一种基于多传感器的可穿戴作业疲劳检测系统，根据多传感器数据进行融合，判断当前作业人员的疲劳程度，并根据当前疲劳状态发出不同的预警信号，容错率高、实时性好且不影响正常作业。

实现本发明的技术解决方案为：一种基于多传感器的可穿戴作业疲劳检测系统，包括

用于采集数据参数的疲劳监测终端设备，并将数据参数发送；

和疲劳分析模块，用于接收采集到的数据参数，并进行参数处理，并在已经处理好的训练样本的各类特征值数据的基础上，建立疲劳等级识别模型，以作业人员的各类特征参数作为已经训练好的识别模型的输入，实时获取作业人员的疲劳等级作业。

所述疲劳监测终端设备包括

主控模块，控制各传感器检测模块的数据采集以及与作业疲劳分析模块的数据传输，通过配置传感器寄存器的方式，初始化传感器工作；同时读取传感器内部寄存器数据，以识别传感器状态信息与信号数据，

与主控模块连接的脉搏血压模块，置于手环底部，与皮肤直接接触，采用光电式容积脉搏波描记的方式感应人体的脉搏信息并加以提取，输出脉搏波信号，

与主控模块连接的体温模块，置于手环底部，与皮肤直接接触，获取作业人员手臂的表皮温度，

通过i2c数字接口与主控模块通信的加速度模块，置于手环内部，检测手部摆动产生的三轴加速度信号，记录整个运动过程的变化，

与主控模块连接的环境参数模块，置于手环内部，监测环境温度、湿度和大气压强三种信号。

本发明与现有技术相比，其显著优点在于：

（1）受单一传感器噪声及误差影响小，误判率低，稳定性高。（2）手环式的可穿戴设计，可随作业人员运动，不影响正常工作和生活。（3）可以实时给出疲劳等级，即时性好。

附图说明

图1为本发明的基于多传感器的可穿戴作业疲劳检测系统框架图。

图2为本发明作业疲劳分析模块数据处理流程图。

图3为本发明训练样本、配对样本及检测流程图。

具体实施方式

结合图1，本发明提供了一种基于多传感器的可穿戴作业疲劳检测系统，包括疲劳监测终端设备和作业疲劳分析模块。疲劳监测终端设备包括脉搏血压模块1、体温模块2、加速度模块3、环境参数模块4和主控模块5，主控模块5分别与脉搏血压模块1、体温模块2、加速度模块3、环境参数模块4连接；作业疲劳分析模块包括依次连接的zigbee模块、数据处理模块、疲劳识别模块。

所述疲劳监测终端设备集成于手环上。

脉搏血压模块1置于手环底部，与皮肤直接接触，采用光电式容积脉搏波描记（ppg）的方式感应人体的脉搏信息并加以提取，输出脉搏波信号，并发送给主控模块5。

体温模块2置于手环底部，与皮肤直接接触，获取作业人员手臂的表皮温度，脉搏血压模块1和体温模块2均与手环底表面齐平，整个使用过程中不会用任何的不适感。

加速度模块3置于手环内部，主要检测手部摆动产生的三轴加速度信号，记录整个运动过程的变化，通过i2c数字接口与主控模块5通信。

环境参数模块4置于手环内部，主要监测环境温度、湿度和大气压强三种信号，手环会预留小孔连接外界，防止密闭空间对环境参数的测量造成影响。

主控模块采用cc2530芯片作为主控芯片，控制各传感器检测模块的数据采集以及与作业疲劳分析模块的数据传输等，通过配置传感器寄存器的方式，初始化传感器工作；同时读取传感器内部寄存器数据，以识别传感器状态信息与信号数据。该芯片具有高性能、低成本、低功耗等特性，能充分满足系统需求。

与作业疲劳分析模块的数据传输采用zigbee实现无线通信，使用陶瓷天线减小手环的体积，疲劳监测终端设备的数据采集程序和配套的zigbee通信协议均搭载在cc2530芯片，减小了使用产品化无线通信模块在电路设计上的复杂程度。

作业疲劳分析模块搭载于pc端，使得作业疲劳分析模块通过控制串口与主控模块通讯，收发传感器数据与控制指令。

结合图2，作业疲劳分析模块发送指令选择监测数据类型，疲劳监测终端设备根据作业疲劳分析模块的指令采集数据，打包发送。通过接收到的人体生理原始数据，作业疲劳分析模块的数据处理模块对人体生理原始数据进行分段，并获取每个小段时间内的各类参数的特征信号：

（1）通过emd软阈值法去除噪声对脉搏波信号的干扰，选择脉率和幅值作为脉搏波信号的特征值，设置阈值并根据阈值处的导数正负值进行配对，一次完整的脉搏信号包含正负导数值各一次，以此获取脉率；

（2）通过emd软阈值法去除噪声对脉搏波信号的干扰，提取脉搏波脉宽，基于脉搏波传输速度、血管弹性模量和血管壁压力三者之间的关系解算出收缩压；提取脉搏波信号的波峰和波谷值，基于脉搏特征k值理论和弹性腔模型解算出舒张压；

（3）通过二阶切比雪夫滤波器滤除噪声的干扰，求解温度信号的平均值作为小段时间内的特征；

（4）选用小波分析对加速度信号进行去噪处理，使用加速度信号自相关系数作为手臂运动但单步规律特征；

（5）通过二阶切比雪夫滤波器滤除噪声的干扰，求解温度、湿度和气压信号的平均值作为小段时间内的特征。

每组信号包括同一小段时间内的脉搏、血压、体温、加速度、环境五类特征值，作业疲劳分析模块实现各种传感器实时数据和特征值的综合显示。

疲劳识别模块在已经处理好的训练样本的各类特征值数据的基础上，建立可靠性高、容错率高的疲劳等级识别模型，以作业人员的各类特征参数作为已经训练好的识别模型的输入，实时获取作业人员的疲劳等级。

结合图3，正式判别前，用疲劳监测终端设备采集脉搏、皮温信号、运动加速度以及环境参数信号在疲劳状态和正常状态下的样本，基于疲劳状态客观评价指标和疲劳定性特征描述，建立基于疲劳状态评价基准的样本数据库。

步骤1-1：选择多个被观察者，对他们进行生理参数的采集和pvt测试，获取生理参数原始数据和疲劳量化等级。生理参数的采集选用图1所示的疲劳监测终端设备，将手环佩戴于手腕处，进行5min的生理参数采集，所有数据经过预处理之后的特征值作为训练样本的输入；基于个体的反应时间和集中注意力的精神运动，选用精神运动警觉任务法(psychomotorvigilancetask，pvt)对个体的疲劳等级进行量化，该方法是睡眠剥夺和行为绩效研究中最常用的疲劳测定方法之一。实验过程中，在目标受到刺激时（例如黑色电脑屏幕中央出现红色圆球时），被观察者即刻做出反应，快速按下按钮以相应视觉刺激，提前操作、按键错误、按键时长均被视为错误操作，操作者在疲劳时会导致反映时长的增加、反应速度的下降以及错误率的增加，测试的指标包括目标视刺激的反应时间、漏过的次数以及各类错误的次数等，通过这些指标来反应疲劳的等级。每个被观察者进行5min的pvt测试，获得相应的疲劳等级，疲劳等级作为训练样本的输出。

步骤1-2：将实验的得到的生理参数和pvt测试得到的疲劳等级进行配对组成训练样本，建立训练样本数据库。选用z-score数据标准化方法，对不同数量级的数据进行归一化处理，消除指标间量纲影响。

利用处理好的训练样本的输入和输出对ga-pnn神经网络进行训练。pnn神经网络的模型表达式为net=newpnn(p,t,spread)，以p代表输入样本向量，对应多传感器参数组成的输入数据样本，以t为输出样本向量，对应疲劳量化等级，pnn神经网络的扩展常数spread值需要通过不同的测试以获取到最优spread值。选用遗传算法对spread值进行优化，在遗传（ga）算法中建立次数为200的进化代数计数器，随机生成20个个体作为初始群体p(0)，以pnn神经网络的输出误差作为适应度函数，初始化群体的适应度值，利用选择、交叉、变异运算获取适应度高的优化个体或者通过配对交叉产生的新个体遗传给下一代，计算评估每一代进化之后的个体适应度，当进化过程结合中获得的最大适应度个体作为最优输出，这个最优值就是pnn神经网络的最优spread值；最终经过训练得到隐含层各节点的阈值和输入层的连接权值，以及隐含层与输出层之间的连接权值，得到训练好的神经网络。

以训练样本数据作为测试样本，将训练样本的输入带入已经训练好的神经网络之中，比对得到的输出结果和原始的疲劳量化等级，如果输出结果和期望结果是一致的，说明网络已经训练完成，否则修改参数返回步骤三进行重新训练。

一种基于多传感器的可穿戴作业疲劳检测系统的检测方法，具体包括以下步骤：

步骤1：正式使用时，利用疲劳监测终端设备再次采集脉搏、皮温信号、运动加速度以及环境参数信号，多种数据打包后通过zigbee模块传输到作业疲劳分析模块；

步骤2：作业疲劳分析模块对接收到的数据进行z-score数据标准化，将得到的测试样本的数据作为神经网络的特征值输入向量，最终得到疲劳概率输出值，根据疲劳概率判断作业人员当前的疲劳等级，根据pnn神经网络的特性，样本数越多，作业疲劳状态分析识别的误差就越小。

步骤3：作业疲劳分析软件根据得到的疲劳等级对作业人员作出相应的提示和预警。