本发明涉及一种疲劳监测系统，尤其是一种基于语义网络的人类疲劳监测系统。
背景技术：
语义网络(semanticnetwork)是quilian在1968年研究人类联想记忆时提出的数学模型，是知识表示的一种方法。quilian认为记忆是由概念间的联系来实现的。1972年，人工智能专家西蒙(simmon)和斯乐康(slocum)首先将语义网络应用于自然语言理解系统中。语义网络是通过概念及其语义关系来表达知识的一种有向网络图。其中，有向图的结点表示各种事物、概念及属性等；弧表示结点之间各种语义关系，指明它所连接的结点之间的某种语义关系。语义网络可以用来表示复杂的概念、事物以及语义联系，即关系或联系型的知识都可以用语义网络来表示。构建语义网络的目的是为一些应用能够获取和处理相关知识，并能够在此基础上进行知识推理。语义网络由于其强大的表达能力和灵活性，使之能通过多种机制来表达概念、规则及其之间的关联知识。因而在各个领域都得到了广泛的应用。
随着社会的不断进步和经济的高速发展，人们在迎接各种机遇和挑战的过程中，精神和身体时刻处于紧张和疲乏状态，极易产生疲劳现象。疲劳是一种复杂的生理和心理现象，当人在持续一段时间的体力和脑力劳动以后，由于劳动机能失调和衰退、身体功能与精神状态下降而导致工作能力与工作效率降低，为避免机体过于衰竭，防止能量过度消耗而人体会产生一种保护性反应。人体疲劳以后，经常会出现意志力减弱、注意力分散、反应迟钝、对信息的选择能力降低、行为混乱、动作协调性差、工作能力下降、身心俱累等现象，并伴有烦躁、恼怒、厌倦等诸多负面情绪。国内外研究表明，在疲劳时不仅会降低工作效率，而且会引发人的不安全行为，容易酿成事故。
在过去的几十年中，关于人类疲劳问题的研究更多地集中在对避免出现疲劳的方面。即使有些研究也涉及到疲劳监测问题，但大部分监测的对象都是行车中的驾驶员。这样的疲劳监测手段和方法通用性不强。
技术实现要素：
为解决现有的疲劳监测手段和方法通用性不强的缺陷，本发明提供一种基于语义网络的人类疲劳监测系统。
为实现上述目的，本发明采用下述技术方案：
一种基于语义网络的人类疲劳监测系统，它包括多源信息一模块、多源信息二模块、多源信息三模块、多源信息四模块、多源信息五模块、语义网络和疲劳程度预测，多源信息一模块、多源信息二模块、多源信息三模块、多源信息四模块和多源信息五模块分别接收来自各种传感器的影响睡眠质量、工作环境、工作条件、身体条件和生理节奏的信号，并通过语义网络构建的联合概率分布函数和贝叶斯方程进行求解，并通过疲劳程度预测对求解结果进行计算，得出人类疲劳程度。
进一步地，语义网络(2)以v＝{v1,v2,...,vj}作为直接影响人类疲劳的直接或者间接因素，且vj＝vj，其中，vj为布尔变量，vj为变量的值，并根据以下贝叶斯方程：
来估算人类疲劳程度，其中，p(ai)为先验概率，且i＝1,2,...,n。
进一步地，多源信息一模块中影响睡眠质量的因素包括睡眠环境中的噪音、光亮、温度及湿度、睡眠时间中的24点前睡觉及24点后睡觉、睡眠状态中的负面情绪和小睡中的浅睡眠。
进一步地，多源信息二模块中影响工作环境的因素包括温度、天气、噪音及情绪。
进一步地，多源信息三模块中影响工作条件的因素包括工种及工作量。
进一步地，多源信息四模块中影响身体条件的因素包括生物钟紊乱及其它疾病。
进一步地，多源信息五模块中影响生理节奏的因素包括时区及地区。
有益效果：
本发明基于贝叶斯概率分布，并为时间和空间状态下的人类疲劳程度进行建模和预测，且在本发明中直接或间接影响人类疲劳的因素诸如噪音、温度、湿度、光亮等信号可以从特定的传感器获得或者已经具有相关数据，从而有效预测人在各种环境下的疲劳程度，并具有鲁棒性和通用性。
附图说明
图1为本发明一实施例的基于语义网络的疲劳监测系统原理框图；
图2为本发明一实施例的影响睡眠质量的多源信息一模块组成图；
图3为本发明一实施例的影响工作环境的多源信息二模块组成图；
图4为本发明一实施例的影响工作条件的多源信息三模块组成图；
图5为本发明一实施例的影响身体条件的多源信息四模块组成图；
图6为本发明一实施例的影响生理节奏的多源信息四模块组成图。
图中：101-多源信息一模块、102-多源信息二模块、103-多源信息三模块、104-多源信息四模块、105-多源信息五模块、2-语义网络、3-疲劳程度预测、4-噪音、光亮、温度及湿度、5-24点前睡觉及24点后睡觉、6-负面情绪、7-浅睡眠、8-睡眠环境、9-睡眠时间、10-睡眠状态、11-小睡、12-睡眠质量、13-温度、天气、噪音及情绪因素、14-工作环境、15-工种及工作量、16-工作条件、17-生物钟紊乱及其它疾病、18-身体条件、19-时区及地区、20-生理节奏。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本实施例提出一种基于语义网络的人类疲劳监测系统，包括引起人类疲劳的所有直接影响因素和间接影响因素。如图1所示，它包括多源信息一模块101、多源信息二模块102、多源信息三模块103、多源信息四模块104、多源信息五模块105、语义网络2和疲劳程度预测3，多源信息一模块101、多源信息二模块102、多源信息三模块103、多源信息四模块104和多源信息五模块105分别接收来自各种传感器的影响睡眠质量12、工作环境14、工作条件16、身体条件18和生理节奏20的信号，并通过语义网络2以v＝{v1,v2,...,vj}作为直接影响人类疲劳的直接或者间接信号，且vj＝vj，其中，vj为变量的值。例如，睡眠环境8＝噪音/光亮/温度/湿度，疲劳＝睡眠质量12/工作环境14/工作条件16/身体条件18/生理节奏20，疲劳＝是/否(1/0)。在这些表达式中，令vj为布尔变量，即vj的值要么为0，要么为1。根据以下贝叶斯方程：
来估算人类疲劳程度，其中，p(ai)为先验概率，且i＝1,2,...,n。
在图1中的睡眠质量12、工作环境14、工作条件16、身体条件18和生理节奏20是引起人类疲劳的直接影响因素。
在图1中的语义网络2是本系统采用的核心技术。人类疲劳的直接影响因素和间接影响因素很多，而且各个因素之间的关系很复杂，在影响人类疲劳的各个因素与因素之间关联在一起，构成一个复杂的语义网络2。用语义网络2来实现知识库中的知识表示，根据因素之间的二元关系建立语义关系，再将各因素的结构、属性间的关系显式和简明地表达出来。通过语义网络2结点间的有向线段上的权重应用概率统计的方法去计算人类疲劳的程度。
在图1中的疲劳程度预测3是本系统的最终实现的目标。
如图2所示，噪音、光亮、温度及湿度4是引起睡眠环境8发生变化的因素。24点前睡觉及24点后睡觉5是引起睡眠时间9发生变化的因素。负面情绪6是引起睡眠状态10发生变化的因素。浅睡眠7是引起小睡11发生变化的因素。而睡眠环境8、睡眠时间9、睡眠状态10和小睡11都是引起睡眠质量12发生变化的直接因素。即，噪音、光亮、温度、湿度、选择何时睡觉、睡觉时人本身的负面情绪、浅睡眠等自然状况或情绪状况都是引起睡眠质量12的间接因素，如图1所示。
如图3所示，温度、天气、噪音及情绪13是引起工作环境14发生变化的直接因素。而工作环境14的变化直接带来人类疲劳感，如图1所示。
如图4所示，工种及工作量15是引起工作条件16发生变化的直接因素。而工作条件16的变化是直接引起人类疲劳感的因素之一，如图1所示。
如图5所示，生物钟紊乱及其它疾病17是引起身体条件18发生变化的直接因素。而身体条件18的变化直接决定了人类疲劳程度，如图1所示。
如图6所示，时区及地区19是引起生理节奏20发生变化的直接因素。而生理节奏20的变化则是引起人类疲劳的直接原因，如图1所示。
在本实施例中，之所以把睡眠质量12作为影响人类疲劳的直接影响因素，原因在于：每天充足的睡眠对人类生理健康的影响甚至超过空气和水。人类在缺乏睡眠的状态下会导致功能神经紊乱和注意力不集中等现象。而睡眠又是一个复杂的生理过程，睡眠质量12恰好又受到睡眠环境8、睡眠时间9、睡眠状态10和小睡11的影响。即，噪音、光亮、温度及湿度4、24点前睡觉及24点后睡觉5、负面情绪6和浅睡眠7都是引起人类疲劳的间接影响因素。
在本实施例中，之所以把工作环境14作为人类疲劳的直接影响因素，原因在于：人的社会性。若人身处舒适的工作环境14中，各项生理指标将会达到最佳的工作状态。在人与环境基本协调的氛围中，人在较长的工作时间内将不会感到疲劳。而直接影响工作环境14的因素又包括温度、天气、噪音和情绪13。
在本实施例中，把工作条件16作为影响人类疲劳的直接影响因素。同时，把工种及工作量15作为影响工作条件16的直接因素。不同的工种对人类疲劳程度的影响一定是千差万别的，比如从事高空或特别繁重体力劳动工作的人易疲劳的程度就会比从事保洁或看护类工作的人的疲劳程度大得多。而工作量也是衡量工作条件16的重要指标之一。比如每天工作12小时的人会比每天工作8小时的人在同等条件下更容易感到疲劳。
在本实施例中，把身体条件18作为引起人类疲劳的直接影响因素。在该直接影响因素中，又把生物钟紊乱及其它疾病17作为引起人类疲劳的间接影响因素。人体睡眠和觉醒是一个节律性的生理过程。早在20世纪70年代，关于睡眠的研究就已经证明睡眠是受自我平衡和昼夜节律两种机制调控的。除了睡眠和觉醒，许多生理过程都呈现出这种昼夜节奏。而饮食习惯、脂肪和糖代谢以及血压控制等都仅仅是其中的一小部分。这些生理过程都由生物钟—一种机体内在的自我维持机制或者一种节律性的反馈闭环控制。在这个反馈闭环控制中，各种因子相互作用，互相平衡制约。生物钟紊乱的直接影响因素是睡眠失调。睡眠失调又打破了生物钟的平衡。因而，在生物钟紊乱与睡眠失调的恶性循环中，人类的疲劳感自然而然地产生并加重。人体在患有其它疾病的过程中，身体代谢缓慢，身体机能下降，产生疲劳感是不言而喻的。
本实施例中，把生理节奏20作为影响人类疲劳的直接影响因素，生理节奏20和生物钟紊乱相似但又有所不同。引起生理节奏20变化的客观因素为时区及地区19的变化。比如，跨时区或者跨地区工作或生活，都会或多或少地引起人体的不适，比如从平原地区来到高原地区生活，大多数人会感觉身体缺氧，从而容易感觉困乏疲劳。因此，无论是时区或是地区的变化都会引起不同人的不同程度的疲劳。
本实施例的基于语义网络的人的疲劳监测系统包括如下步骤：
第一步，由各种传感器接收到的信号，比如噪音信号、光亮信号和温湿度信号等发送到多源信息一模块101、多源信息二模块102、多源信息三模块103、多源信息四模块104和多源信息五模块105中。
第二步，把各种传感器接收到的信号分别归类到睡眠质量12、工作环境14、工作条件16、身体条件18和生理节奏20上。
第三步，应用语义网络2，对接收到的各种信号产生的概率进行加权求解。
第四步，对第三步中的求解结果进行计算，即求出人的疲劳程度。
对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。