基于VACP多模态的人员工作负荷评价方法及相关设备与流程

本技术涉及工作负荷评价，具体涉及一种基于vacp多模态的人员工作负荷评价方法及相关设备。

背景技术：

1、工作负荷评价是对人在工作任务中心理和生理压力的量化评估，用以了解和评估工作对个体的要求程度。通过评估工作负荷，可以更好地分配任务，避免过度负荷或负荷不足，提高员工的工作满意度和绩效。

2、相关技术中的工作负荷评价主要通过主观评价方法、生理指标监测和任务绩效评估等方式进行。其中，主观评价方法随意性强，结果可信度差；生理指标仅能定性判断工作负荷变化，缺乏具体的标准；任务绩效评估缺乏定量化的工作负荷度量。因此，相关技术中的工作负荷评价方法在实际运用中存在准确性较差的问题。

技术实现思路

1、本技术提供一种基于vacp多模态的人员工作负荷评价方法及相关设备，能够通过工作负荷评价分值具体量化工作负荷程度，进而能够实现工作负荷的准确评价。

2、第一方面，本技术提供了一种基于vacp多模态的人员工作负荷评价方法，所述方法包括：

3、获取目标人员的多模态原始数据，所述多模态原始数据由不同的传感器采集得到；

4、对所述多模态原始数据进行预处理，得到多模态离散数据；

5、对所述多模态离散数据进行相关性计算，得到所述多模态离散数据中不同数据元素之间的相关性权重；

6、将所述多模态离散数据以及所述相关性权重输入至第一卷积神经网络模型，生成工作负荷评价分值。

7、通过采用上述技术方案，获取更加全面的多模态原始数据，再使用第一卷积神经网络模型对经过处理之后的多模态原始数据进行处理，得到工作负荷评价分值。能够通过工作负荷评价分值具体量化工作负荷程度，进而能够实现工作负荷的准确评价。

8、可选的，所述多模态原始数据包括波形数据以及非波形数据，所述对所述多模态原始数据进行预处理，得到多模态离散数据，包括：

9、对所述波形数据依次进行去噪声处理、滤波处理、校正处理以及定时同步处理，得到多模态波形数据；

10、对所述非波形数据依次进行降维操作以及数据编码操作，得到多模态非波形数据；

11、对所述多模态波形数据以及所述多模态非波形数据进行分析统计，得到多模态离散数据。

12、通过采用上述技术方案，对波形数据进行去噪声处理、滤波处理以及校正处理，能够去除噪声干扰并消除由于设备或传输过程中引起的偏差，提高数据的准确性。同时对波形数据进行时间同步处理，可以保证不同模态数据的时间一致性，方便后续分析和处理。对非波形数据进行降维操作以及数据编码操作，能够减少数据的冗余信息，方便后续的分析和处理。

13、可选的，所述对所述多模态离散数据进行相关性计算，得到所述多模态离散数据中不同数据元素之间的相关性权重，包括：

14、将所述多模态离散数据输入至第二卷积神经网络模型，映射得到多模态原始矩阵，所述第二卷积神经网络模型为1*1结构的卷积神经网络模型；

15、将所述多模态原始矩阵导入transformer模型，计算所述多模态离散数据中不同数据元素之间的相关性权重。

16、通过采用上述技术方案，计算不同数据元素之间的相关性权重，可以将多模态离散数据综合到一起，从而能够更好地分析和利用多模态离散数据。相关性权重能够加权融合不同数据元素，以便更好地捕捉多模态离散数据的特征。

17、可选的，所述将所述多模态离散数据以及所述相关性权重输入至第一卷积神经网络模型，生成工作负荷评价分值，包括：

18、基于所述相关性权重对所述多模态离散数据进行数据融合，得到融合数据；

19、将所述融合数据输入至第一卷积神经网络模型，生成工作负荷评价分值。

20、通过采用上述技术方案，将融合数据输入到第一卷积神经网络模型中，可以实现对多模态数据的综合分析和处理。这样可以更好地揭示不同种类的多模态数据之间的关联和相互作用，从而提高工作负荷评价的全面性和准确性。

21、可选的，所述将所述多模态离散数据以及所述相关性权重输入至第一卷积神经网络模型，生成工作负荷评价分值之前，还包括：

22、基于所述目标人员当前的操作任务，计算所述目标人员的工作负荷值；

23、比对所述工作负荷评价分值以及所述工作负荷值，确定所述多模态数据的特征指标；

24、基于所述特征指标对所述第一卷积神经网络模型进行优化。

25、通过采用上述技术方案，工作负荷值能够作为工作负荷程度的标签，通过比对工作负荷评价分值和工作负荷值，可以确定多模态数据的特征指标。通过确定特征指标，可以将其作为输入数据的重要特征，以提高工作负荷评价的准确性和可靠性。

26、可选的，所述基于所述目标人员当前的操作任务，计算所述目标人员的工作负荷值，包括：

27、将所述目标人员当前的操作任务分解为若干个子步骤，所述子步骤包含若干个元步骤；

28、使用工作负荷计算公式计算所述目标人员的工作负荷值；

29、所述工作负荷计算公式为：

30、

31、式中，tw为工作负荷值，ns表示需要最多资源的操作任务所需的子步骤的数量，no表示子步骤中元操作的数量，nr表示元操作所需资源类型的数量，ns表示子步骤，no表示元操作，nr表示元操作所需的资源类型，cns,no,nr表示子步骤ns中元操作no中资源nr所需的水平。

32、通过采用上述技术方案，通过将操作任务分解为子步骤和元操作，并考虑元操作所需的资源类型和水平，可以更全面地分析目标人员的工作负荷。通过工作负荷计算公式的应用，可以将目标人员的工作负荷值进行量化。这一量化结果可以作为衡量目标人员工作负荷程度的指标，帮助评估工作负荷的大小和变化趋势。

33、可选的，所述将所述多模态离散数据以及所述相关性权重输入至第一卷积神经网络模型，生成工作负荷评价分值之后，还包括：

34、定时监测所述目标人员的工作负荷评价分值，当所述工作负荷评价分值超出所设阈值时，输出反馈信号。

35、通过采用上述技术方案，可以定期了解目标人员的工作状态和负荷水平，并在评价分数超过设定阈值时输出反馈信号，从而能够及时发现和解决目标人员工作负荷过高的问题。

36、第二方面，本技术提供了一种基于vacp多模态的人员工作负荷评价系统，所述系统包括：

37、数据获取模块，用于获取目标人员的多模态原始数据，所述多模态原始数据由不同的传感器采集得到；

38、数据预处理模块，用于对所述多模态原始数据进行预处理，得到多模态离散数据；

39、相关性计算模块，用于对所述多模态离散数据进行相关性计算，得到所述多模态离散数据中不同数据元素之间的相关性权重；

40、工作负荷评价模块，用于将所述多模态离散数据以及所述相关性权重输入至第一卷积神经网络模型，生成工作负荷评价分值。

41、第三方面，本技术提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述任意一项方法。

42、第四方面，本技术提供了一种电子设备，包括处理器、存储器和收发器，所述存储器用于存储指令，所述收发器用于和其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如上述任意一项方法。

43、综上所述，本技术技术方案所带来的有益效果包括：

44、通过获取更加全面的多模态原始数据，再使用第一卷积神经网络模型对经过处理之后的多模态原始数据进行处理，得到工作负荷评价分值。能够通过工作负荷评价分值具体量化工作负荷程度，进而能够实现工作负荷的准确评价。