一种基于脉搏特征的疲劳程度分析方法和装置与流程

本发明实施方式涉及医疗技术领域，特别是涉及一种基于脉搏特征的疲劳程度分析方法和装置。

背景技术：

在现有技术中，由于疲劳检测具有影响因素多、界定困难等特点，这使得疲劳实时检测和判断变得较为困难。

目前，对疲劳评估方法主要分为主观评定和客观评定两种。其中，主观评定法是通过问卷形式开展，受主观因素的影响较大；客观评定法则是借助仪器设备对工作绩效和生理信号进行分析。

一方面，由于对于疲劳的检测和分析通常都需要专业的疲劳程度检测设备，操作复杂、成本高，特别是在移动性和便携性方面存在着很大问题。另一方面，基于生理信号的疲劳分析具有实时、无创、无扰的特点。因此，现有技术中，较多地使用生理信号，例如主要有脉搏、心电信号，而其中，心电信号由于采集相对方便而成为首选。

但是，现有技术，还没有利用脉搏信号对疲劳程度进行检测和判断的方案。

综上所述，现有技术中还没有一种便携式、可穿戴的疲劳检测设备和准确的疲劳分析方法。

技术实现要素：

本发明实施方式主要解决的技术问题是提供一种基于脉搏特征的疲劳程度分析方法和装置，能够给用户带来一种用户体验良好的基于脉搏特征的疲劳程度分析方法和装置。

为解决上述技术问题，本发明实施方式采用的一个技术方案是：提供一种基于脉搏特征的疲劳程度分析方法，该方法包括：

通过初始的第一脉搏数据训练分类器，得到脉搏数据疲劳程度分类器模型，其中，第一脉搏数据包括第一疲劳程度标签；

按脉搏数据疲劳程度分类器模型对新采集的第二脉搏数据对应的第二疲劳程度标签进行预测，得到第二疲劳程度标签；

根据第二疲劳程度标签确定其对应的疲劳程度。

优选的，通过初始的第一脉搏数据训练分类器，得到脉搏数据疲劳程度分类器模型包括：

按预设算法对第一脉搏数据进行处理，得到临时脉搏数据；

提取临时脉搏数据的特征；

将特征及其第一疲劳程度标签整合为训练集，并通过训练集训练分类器，得到分类器模型参数。

优选的，按预设算法对第一脉搏数据进行处理，得到临时脉搏数据包括：

通过傅里叶变换，将第一脉搏数据内的脉搏时域信号转换成脉搏频域信号；

在脉搏功率谱中提取特定频率及其对应幅值，对特定频率及其对应幅值进行分类处理。

优选的，提取临时脉搏数据的特征包括：

提取脉搏功率谱的直接特征和间接特征，其中，直接特征包括主峰幅值、峰值频率、重心幅值以及重心频率，间接特征包括功率谱的总功率、低频功率与高频功率比。

优选的，根据第二疲劳程度标签确定其对应的疲劳程度包括：

将疲劳程度分为三类，分别为精神疲劳、精神一般以及精神饱满；

为三类疲劳程度分别确定其对应疲劳程度标签。

本发明还提出了一种基于脉搏特征的疲劳程度分析装置，该装置包括：

疲劳标签初始模块，用于通过初始的第一脉搏数据训练分类器，得到脉搏数据疲劳程度分类器模型，其中，第一脉搏数据包括第一疲劳程度标签；

疲劳标签预测模块，用于按脉搏数据疲劳程度分类器模型对新采集的第二脉搏数据对应的第二疲劳程度标签进行预测，得到第二疲劳程度标签；

疲劳程度确定模块，用于根据第二疲劳程度标签确定其对应的疲劳程度。

优选的，疲劳标签初始模块包括临时脉搏数据获取单元、脉搏特征提取单元以及分类器训练单元，其中，

临时脉搏数据获取单元用于按预设算法对第一脉搏数据进行处理，得到临时脉搏数据；

脉搏特征提取单元用于提取临时脉搏数据的特征；

分类器训练单元用于将特征及其第一疲劳程度标签整合为训练集，并通过训练集训练分类器，得到分类器模型参数。

优选的，临时脉搏数据获取单元还用于：

通过傅里叶变换，将第一脉搏数据内的脉搏时域信号转换成脉搏频域信号；

在脉搏功率谱中提取特定频率及其对应幅值，对特定频率及其对应幅值进行分类处理。

优选的，脉搏特征提取单元还用于：

提取脉搏功率谱的直接特征和间接特征，其中，直接特征包括主峰幅值、峰值频率、重心幅值以及重心频率，间接特征包括功率谱的总功率、低频功率与高频功率比。

优选的，疲劳程度确定模块包括疲劳程度分类单元和疲劳标签确定单元，其中，

疲劳程度分类单元用于将疲劳程度分为三类，分别为精神疲劳、精神一般以及精神饱满；

疲劳标签确定单元用于为三类疲劳程度分别确定其对应疲劳程度标签。

实施本发明，通过初始的第一脉搏数据训练分类器，得到脉搏数据疲劳程度分类器模型，其中，第一脉搏数据包括第一疲劳程度标签；按脉搏数据疲劳程度分类器模型对新采集的第二脉搏数据对应的第二疲劳程度标签进行预测，得到第二疲劳程度标签；根据第二疲劳程度标签确定其对应的疲劳程度。使得用户可以方便快捷地对疲劳程度进行判断和测量，一是，提高了测量疲劳程度的准确性，二是，为用户带来了一种可便携式的疲劳程度测量装置。

附图说明

图1是本发明实施例提供的基于脉搏特征的疲劳程度分析方法第一实施例流程图；

图2是本发明实施例提供的基于脉搏特征的疲劳程度分析方法第二实施例流程图；

图3是本发明实施例提供的基于脉搏特征的疲劳程度分析方法第三实施例流程图；

图4是本发明实施例提供的基于脉搏特征的疲劳程度分析方法第四实施例流程图；

图5是本发明实施例提供的基于脉搏特征的疲劳程度分析方法第五实施例流程图；

图6是本发明实施例提供的基于脉搏特征的疲劳程度分析装置第六实施例结构框图。

具体实施方式

为了使本发明的目的、技术方案以及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1：

本发明实施例1提供了基于脉搏特征的疲劳程度分析方法的第一优选实施例，如图1所示为本发明实施例提供的基于脉搏特征的疲劳程度分析方法第一实施例流程图。

参阅图1，本实施例提供的一种基于脉搏特征的疲劳程度分析方法，本方法包括以下步骤：

一种基于脉搏特征的疲劳程度分析方法，该方法包括：

S1、通过初始的第一脉搏数据训练分类器，得到脉搏数据疲劳程度分类器模型，其中，第一脉搏数据包括第一疲劳程度标签；

S2、按脉搏数据疲劳程度分类器模型对新采集的第二脉搏数据对应的第二疲劳程度标签进行预测，得到第二疲劳程度标签；

S3、根据第二疲劳程度标签确定其对应的疲劳程度。

以下，将从脉搏的定义、脉搏的正常范围、脉搏信号的特点以及脉搏信号的特征，对本实施例所提到的脉搏做相关解释：

1、脉搏的定义

人体脉搏源于心动，它是人体生命存在的重要体征。

在血液循环过程中，当心室收缩主动脉瓣打开，血液摄入主动脉内，受到心脏本身的影响及流经各级动脉及分支中各种生理因素如血管阻力、血液粘性和血管壁弹性等的影响，部分血液不能立即进入静脉中，使射入的血液暂时留在主动脉近端，引起主动脉压力升高并且扩张；当心室舒张时主动脉瓣关闭，射血停止，主动脉瓣回复收缩。主动脉这种一张一缩使得压力从升高区开始，以波的形式向主动脉远端及其分支传播，在动脉和浅表动脉可用肉眼看到或者手指触摸到搏动。

脉搏波波形包括一个升支和一个降支。升支代表心室收缩时动脉的突然扩张，一般上升迅速而平滑，其上升的速度及波幅的大小受射血速度、动脉阻力、动脉壁弹性的影响，心搏出量多则升支上升速度快、波幅大。降支表示心室舒张。

容积脉搏波是人体生理信号之一，既有一般生理信号的特点，也有其自身的一些特点。容积脉搏波是指在心脏搏动下，血压流过外周血管中的微动脉、毛细血管、微静脉等微血管时，这部分血管的血液容积的脉动变化。在很大程度上，容积脉搏能反映人体血管系统中很多生理病理的血流特征。

2、脉搏的正常范围

脉搏即动脉搏动，脉搏频率即脉率。正常人的脉搏和心跳是一致的。正常成人为60到100次/分，常为每分钟70－80次，平均约72次/分。老年人较慢，为55到60次/分。正常人脉率规则，不会出现脉搏间隔时间长短不一的现象。正常人脉搏强弱均等，不会出现强弱交替的现象。

脉搏的频率受年龄和性别的影响，胎儿每分钟110—160次，婴儿每分钟120－140次，幼儿每分钟90－100次，学龄期儿童每分钟80－90次。

另外，运动和情绪激动时可使脉搏增快；而休息、睡眠则可使脉搏减慢。成人脉率每分钟超过100次，称为心动过速；每分钟低于60次，称为心动过缓。

3、脉搏信号的特点

信号弱、干扰强。脉搏信号源自心脏，信号幅度很小。一般是微伏或者毫伏的数量级。因此，人体或者仪器等外部干扰相对于脉搏信号就非常大。主要有工频噪声，肌电干扰、指端接触噪声和人体自身活动引起的噪声，增加了脉搏波信号的处理和分析的难度。

频率低。脉搏波信号是一种低频信号，正常人的脉搏信号的频率在0.01～40Hz范围内，一般为1Hz，99％的能量分布在0～10Hz之间。

变异性。脉搏信号属于接近于周期性的确定性信号，但并不是完全确定的，脉搏信号的不同周期随着身体的特征变异，也会出现一些微小的变化，尤其是随着人体的各种生理病理因素及周围环境条件的变化，它的波形也会相应地发生变化。这些变异性就进一步增加了脉搏信号分析与处理的复杂性。

4、脉搏信号的特征

通过脉搏信号的特征，可以建立脉搏与疲劳之间的对应关系，表征脉搏信号频率域特征有直接特征和间接特征：直接特征包括主峰幅值、峰值频率、重心幅值、重心频率；间接特征包括功率谱总功率TP和功率谱的低频与高频功率比LF/HF。

在本实施例中，首先，通过初始的第一脉搏数据训练分类器，得到脉搏数据疲劳程度分类器模型，其中，第一脉搏数据包括第一疲劳程度标签。

本实施例中，所采用的分类器是支持向量机(SVM，Support Vector Mach i ne)。采用训练支持向量机分类器，具体步骤如下：

采集带有已知疲劳程度标签的皮肤电信号数据构成训练集，送入SVM，用于得到SVM模型。其中，送入的每一组数据是一个由脉搏电信号和该信号对应的疲劳程度标签所组成的二元组。

其中，疲劳程度标签是指对疲劳程度的一种量化标识，例如，将疲劳程度分为三类，分别为精神疲劳、精神一般以及精神饱满，分别地，为上述三类程度分别予以P1、P2以及P3的标识。

其次，按脉搏数据疲劳程度分类器模型对新采集的第二脉搏数据对应的第二疲劳程度标签进行预测，得到第二疲劳程度标签。具体步骤如下：

根据得到的SVM模型，使用SVM模型对新的不包含疲劳程度标签的脉搏电信号数据进行标签预测。其中，新的不包含疲劳程度标签的脉搏电信号数据是指，当获取到这些脉搏电信号数据时，参与对象的疲劳程度是未知的。

最后，根据第二疲劳程度标签确定其对应的疲劳程度。例如，当由上述步骤检测到被测对象的疲劳程度标签为P2时，对应的，其当前疲劳程度为精神一般。

可以理解的是，在本实施例中，第一脉搏数据包括：已知疲劳程度标签的皮肤电信号数据(即，脉搏波形原始信号，以及该脉搏波形原始信号对应的第一疲劳程度标签)；第二脉搏数据仅包括：未知疲劳程度标签的皮肤电信号数据脉搏波形原始信号(即，不包含该脉搏波形原始信号对应的劳程度标签)。利用上述脉搏数据疲劳程度分类器模型，是为了预测第二脉搏数据对应的第二疲劳程度标签。

本实施例的有益效果在于，通过初始的第一脉搏数据训练分类器，得到脉搏数据疲劳程度分类器模型，其中，第一脉搏数据包括第一疲劳程度标签；按脉搏数据疲劳程度分类器模型对新采集的第二脉搏数据对应的第二疲劳程度标签进行预测，得到第二疲劳程度标签；根据第二疲劳程度标签确定其对应的疲劳程度。使得用户可以方便快捷地对疲劳程度进行判断和测量。

实施例2：

本发明实施例2提供了基于脉搏特征的疲劳程度分析方法的第二优选实施例，如图2所示为本发明实施例提供的基于脉搏特征的疲劳程度分析方法第二实施例流程图。

参阅图2，本实施例提供的一种基于脉搏特征的疲劳程度分析方法，在上述实施例1的基础上，通过初始的第一脉搏数据训练分类器，得到脉搏数据疲劳程度分类器模型包括：

S11、按预设算法对第一脉搏数据进行处理，得到临时脉搏数据；

S12、提取临时脉搏数据的特征；

S13、将特征及其第一疲劳程度标签整合为训练集，并通过训练集训练分类器，得到分类器模型参数。

在本实施例中，通过傅里叶变换，首先，将采集得到的脉搏数据里的时域信号变换成脉搏频域信号；然后，在脉搏数据里提取脉搏功率谱，并在脉搏功率谱中提取目标频率及其对应幅值，并对这些频率和幅值进行分类；最后，将上述脉搏数据的特征整合为训练集，通过训练集训练上述SVM，从而得到SVM模型。

本实施例的有益效果在于，通过按预设算法对第一脉搏数据进行处理，得到临时脉搏数据，然后提取临时脉搏数据的特征，最后将特征及其第一疲劳程度标签整合为训练集，并通过训练集训练分类器，得到分类器模型参数。实现了对分类器的训练，为后续采用分类器对新的脉搏数据进行分析提供了准确依据。

实施例3：

本发明实施例3提供了基于脉搏特征的疲劳程度分析方法的第三优选实施例，如图3所示为本发明实施例提供的基于脉搏特征的疲劳程度分析方法第三实施例流程图。

参阅图3，本实施例提供的一种基于脉搏特征的疲劳程度分析方法，在上述实施例2的基础上，按预设算法对第一脉搏数据进行处理，得到临时脉搏数据包括：

S111、通过傅里叶变换，将第一脉搏数据内的脉搏时域信号转换成脉搏频域信号；

S112、在脉搏功率谱中提取特定频率及其对应幅值，对特定频率及其对应幅值进行分类处理。

在本实施例中，由于在获取第一脉搏数据时，所记录的信号是脉搏时域信号，为了便于后续分析操作，首先需要将此脉搏时域信号转换成脉搏频域信号，具体的时域信号转频域信号的方法属于现有技术，在此不再赘述；其次，本实施例需要在脉搏数据中提取脉搏功率谱，并在脉搏功率谱中提取特定频率及其对应幅值，具体的提取方案将在实施例4中予以说明。

本实施例的有益效果在于，通过傅里叶变换，将第一脉搏数据内的脉搏时域信号转换成脉搏频域信号，然后，在脉搏功率谱中提取特定频率及其对应幅值，对特定频率及其对应幅值进行分类处理。实现了对脉搏频域信号的提取，以及为后续分析其脉搏功率谱中的特定频率及其对应幅值提供了数据基础。

实施例4：

本发明实施例4提供了基于脉搏特征的疲劳程度分析方法的第四优选实施例，如图4所示为本发明实施例提供的基于脉搏特征的疲劳程度分析方法第四实施例流程图。

参阅图4，本实施例提供的一种基于脉搏特征的疲劳程度分析方法，在上述实施例3的基础上，提取临时脉搏数据的特征包括：

S121、提取脉搏功率谱的直接特征和间接特征，其中，直接特征包括主峰幅值、峰值频率、重心幅值以及重心频率，间接特征包括功率谱的总功率、低频功率与高频功率比。

具体的：

脉搏功率谱的主要特征包括两类：直接特征和间接特征，其中直接特征包括主峰幅值、峰值频率、重心幅值、重心频率；间接特征包括功率谱总功率TP和功率谱的低频与高频功率比LF/HF。以下是间接频率特征和直接频率特征的计算方式。

(1)对间接频率特征的计算：

低频与高频功率比LF/HF的计算，由于数据的采样频率是100Hz，总共3分钟，共18000个数据，实际只使用了16384个数据。100Hz进行16384个点的傅里叶变换(需要注意的是，此16384并非是数据个数，而是傅里叶变换的点数)。每个点对应0.0061Hz，那么低频的0-0.15Hz对应前24个点，高频对应第25个频率点开始的所有采样点。

1、累计计算功率谱中的前24个数据的功率和，以及第25个频率点往后功率和。

2、将这两个功率和相除，得到LF/HF。

3、将LF/HF与阈值进行比较，得到疲劳程度的判断。

优选的，在本实施例中，对频谱的频率划分为：0.04Hz以下、0.04Hz-0.15Hz、0.15Hz以上，分别称为极低频(Very Low Frequency power components of HRV spectrum,VLF)、低频(Low Frequency power components of HRV spectrum)、高频(High Frequency components of HRV spectrum)

(2)直接频率特征的计算：

1、主峰幅值是指脉搏功率谱中，除直流峰值之外的最大幅值。

2、峰值频率是指，主峰幅值对应的频率。

3、重心幅值是指脉搏功率谱中，将幅值进行加权平均之后，计算得到的平均幅值。

4、重心频率是指，重心幅值对应的频率。

其中，重心频率是用来评价功率谱曲线重心的迁移情况。频谱段功率谱密度曲线的重心频率可以较好地反映频谱中占分量较大的信号成分的频率，也可以反映整个脉搏功率谱的迁移情况。

上述四个特征构成了对于任意一条脉搏时间序列的特征描述，建立了脉搏时间序列与特征之间的映射关系。

主峰幅值是搜索脉搏功率谱中的最大值及其对应频率，搜索较为简单，此处不再赘述。

重心频率f_g的计算公式如下：

其中，p(f)指功率谱的幅值，f指p(f)对应的频率，f₁和f₂指计算重心频率时的频率上下限。

最后，将按上述方法得到的间接频率特征和直接频率特征，即，主峰幅值、峰值频率、重心幅值、重心频率、功率谱总功率TP和功率谱的低频与高频功率比LF/HF，送入SVM进行训练。其中，训练的方式如上例所述，在此不再赘述。

本实施例的有益效果在于，提取脉搏功率谱的直接特征和间接特征，其中，直接特征包括主峰幅值、峰值频率、重心幅值以及重心频率，间接特征包括功率谱的总功率、低频功率与高频功率比。实现了对脉搏数据中的特征的准确计算和提取，为训练SVM提供了准确的数据基础。

实施例5：

本发明实施例5提供了基于脉搏特征的疲劳程度分析方法的第五优选实施例，如图5所示为本发明实施例提供的基于脉搏特征的疲劳程度分析方法第五实施例流程图。

参阅图5，本实施例提供的一种基于脉搏特征的疲劳程度分析方法，在上述实施例1的基础上，根据第二疲劳程度标签确定其对应的疲劳程度包括：

S31、将疲劳程度分为三类，分别为精神疲劳、精神一般以及精神饱满；

S32、为三类疲劳程度分别确定其对应疲劳程度标签。

优选的，本实施例不限于将疲劳程度分为三类，为了提高对疲劳程度的分类精度，可以将疲劳程度分为多类。

优选的，本实施例可以根据被测对象的不同类型、以及测试需求，可以将疲劳程度按其它类型进行分类，例如，在精神饱满的前提下，进一步分为精神非常饱满以及精神一般饱满等。

本实施例的有益效果在于，通过将疲劳程度分为三类，分别为精神疲劳、精神一般以及精神饱满，然后，为三类疲劳程度分别确定其对应疲劳程度标签。为疲劳程度的检测与判断提供了更直观的结果，便于识别和记录。

实施例6：

本发明实施例6提供了基于脉搏特征的疲劳程度分析装置的第六优选实施例，如图6所示为本发明实施例提供的基于脉搏特征的疲劳程度分析装置第六实施例结构框图。

参阅图6，本实施例提供的一种基于脉搏特征的疲劳程度分析装置，该装置包括：

疲劳标签初始模块10，用于通过初始的第一脉搏数据训练分类器，得到脉搏数据疲劳程度分类器模型，其中，第一脉搏数据包括第一疲劳程度标签；

疲劳标签预测模块20，用于按脉搏数据疲劳程度分类器模型对新采集的第二脉搏数据对应的第二疲劳程度标签进行预测，得到第二疲劳程度标签；

疲劳程度确定模块30，用于根据第二疲劳程度标签确定其对应的疲劳程度。

优选的，疲劳标签初始模块10包括临时脉搏数据获取单元11、脉搏特征提取单元12以及分类器训练单元13，其中，

临时脉搏数据获取单元11用于按预设算法对第一脉搏数据进行处理，得到临时脉搏数据；

脉搏特征提取单元12用于提取临时脉搏数据的特征；

分类器训练单元13用于将特征及其第一疲劳程度标签整合为训练集，并通过训练集训练分类器，得到分类器模型参数。

优选的，临时脉搏数据获取单元11还用于：

通过傅里叶变换，将第一脉搏数据内的脉搏时域信号转换成脉搏频域信号；

在脉搏功率谱中提取特定频率及其对应幅值，对特定频率及其对应幅值进行分类处理。

优选的，脉搏特征提取单元12还用于：

提取脉搏功率谱的直接特征和间接特征，其中，直接特征包括主峰幅值、峰值频率、重心幅值以及重心频率，间接特征包括功率谱的总功率、低频功率与高频功率比。

优选的，疲劳程度确定模块30包括疲劳程度分类单元31和疲劳标签确定单元32，其中，

疲劳程度分类单元31用于将疲劳程度分为三类，分别为精神疲劳、精神一般以及精神饱满；

疲劳标签确定单元32用于为三类疲劳程度分别确定其对应疲劳程度标签。

本实施例的有益效果在于，通过初始的第一脉搏数据训练分类器，得到脉搏数据疲劳程度分类器模型，其中，第一脉搏数据包括第一疲劳程度标签；按脉搏数据疲劳程度分类器模型对新采集的第二脉搏数据对应的第二疲劳程度标签进行预测，得到第二疲劳程度标签；根据第二疲劳程度标签确定其对应的疲劳程度。使得用户可以方便快捷地对疲劳程度进行判断和测量。同时，该装置也便于用户携带，给用户带来良好的体验。

以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。