[发明专利]一种基于脉搏特征的疲劳程度分析方法和装置

说明书

技术领域

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。

发明内容

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；