一种多参数融合作业人员疲劳检测方法及检测设备技术

本发明专利技术公开了一种多参数融合作业人员疲劳检测方法及检测设备，属于电力带电作业安全防护技术领域，旨在提高电力作业人员疲劳检测的质量和准确率，通过基于多传感器数据，对人体无创伤手段获取，提取其中的关键生理特征，综合利用心电、肌电、血氧等人体生理参数，得到检测区分人体疲劳程度的模型，结合代价敏感支持向量机算法训练，进行实际测试实现人体疲劳状态检测，解决了人力主观管理随意性大的问题，提高疲劳检测的准确性和检测质量，实现疲劳状态的判断，从而避免或减少带电作业安全事故损失。故损失。故损失。

【技术实现步骤摘要】
一种多参数融合作业人员疲劳检测方法及检测设备


[0001]本专利技术涉及电力带电作业安全防护
，更具体地，涉及一种电力作业人员疲劳状态检测方法及设备。

技术介绍

[0002]电力带电施工作业是一种危险性极高的工作，电力作业中员工的安全防护是电力企业生产中非常重视的环节，一般通过严格遵照规章制度执行来加强作业人员的安全意识，规避作业风险，应对意外危险。但是，现实中的输电线路检修作业环境恶劣，若作业人员患有相关疾病或当时身心状态不佳，则极易因身体疲劳等不确定因素而面临危险。
[0003]同时，在输电线路检修作业上塔时，因缺乏监测设备及疲劳状态评估方法，地面监管人员无法随时知晓作业人员的生理状况，无法及时对作业人员的劳动疲劳状态进行判断，做到事前预防。
[0004]目前尚未存在应用于电力现场对施工运维作业人员的生理状态进行实时疲劳评估的有效手段，亟需通过技术手段对线路检修作业现场实时监测并评估作业人员的身体疲劳状况，实现人员疲劳状态的判断及预警，从而解决带电作业人员的安全问题。
[0005]另外，应用于其他领域的现有智能穿戴装置如智能头盔，通过视频对比面部特征的技术进行疲劳检测，如中国专利申请号201810823443.9，公开一种基于信息融合的固定岗位人员疲劳检测方法，采用回归树方法对输入图像进行人脸标定，人脸检测，对检测到的人脸采用基于级联卷积神经网络人眼特征点定位技术分析，通过算法比对来实现疲劳检测。然而，该方案在实际应用中很难通过人脸特征来标定疲劳特征。是因为疲劳产生的主要原因，在于作业人员的过度劳累、精神状态差等生理内在参数引发的，而脸部特征只是疲劳状态在脸部上的表征，该方案得到的检测质量存在疑问。
[0006]又现有的智能穿戴装置如智能监测手环，其功能单一，仅可记录人体运动及脉博信息，无法进一步评估人员的疲劳状态，数据应用能力不足，或者仅使用一种心电参数进行评估，结果检测准确度不足。
[0007]这些现有技术中存在的问题是，检测的准确率差，不适用于电力安全防护
，或者不能有效地为电力带电人员作业疲劳状态进行高质量的检测判断。

技术实现思路

[0008]针对现有技术不足，本专利技术旨在提高电力作业人员疲劳检测的准确率，通过对人体无创伤手段获取的生理参数，提取关键特征，利用算法技术获得检测模型，通过实际测试人体疲劳状态，从而实现提高检测的准确率。
[0009]本专利技术解决其技术问题所采用的技术方案是：一种多参数融合作业人员疲劳检测方法，包括以下步骤：
[0010]S1：获取大量疲劳人体及非疲劳人体的生理状态数据，所述生理状态数据包括心电信号、肌电信号、血氧信号；
[0011]S2：从所述心电信号中提取出RR
i
间期均值RR
mean
、RR
i
间期标准差、低频功率LF、高频功率HF；
[0012]S3：从所述肌电信号中提取出积分肌电IEMG、均方根值RMS、平均功率频率MPF；
[0013]S4：从所述血氧信号中提出血氧标准差SP
SD
；
[0014]S5：将以上所有信号特征组成训练集、测试集及验证集，以对应疲劳人体的特征为正样本，对应非疲劳人体的特征为负样本，将训练集中的正负样本输入代价敏感支持向量机CS
‑
SVM进行训练；
[0015]S6：获得用于检测区分人体疲劳程度的模型，用验证集对所述模型进行调整，用测试集对调整后的所述模型进行实际测试，实现人体疲劳状态检测。
[0016]上述所述S1步骤生理状态数据可通过对人体无创伤技术手段，如传感器来获取。
[0017]上述所述S2步骤中的RR
i
间期均值是指R波与R波之间的周期均值。
[0018]进一步地，所述S2中的所述RRi间期为小波变换检测心电信号相邻主峰间时间间隔；
[0019]所述低频效率LF为利用快速傅里叶变换FFT求RRi间期的功率谱密度，并对低频段进行积分得到；
[0020]所述高频效率HF为利用快速傅里叶变换FFT求RRi间期的功率谱密度，并对高频段进行积分得到。
[0021]上述技术方案中，进一步地，所述SRR
i
间期均值RR
mean
的算法为：
[0022][0023]所述SRR
i
间期标准差RR
SD
的算法为：
[0024][0025]所述低频效率LF的算法为：
[0026][0027]所述高频功率HF的算法为：
[0028][0029]其中f0为信号频率上限，为采样频率的一半，采样频率取500Hz。
[0030]进一步地，所述S3中的所述积分肌电IEMG为对采集到的肌电信号进行时域积分得到；
[0031]所述均方根值RMS为对肌电信号进行均方根计算得到；
[0032]所述平均功率频率MPF为用快速傅里叶变换FFT对肌电信号进行运算得到功率谱密度PSD，并进行积分运算得到。
[0033]上述技术方案中，进一步地，所述的积分肌电IEMG的算法为：
[0034][0035]所述均方根值RMS的算法为：
[0036][0037]其中x(t)为采集的肌电信号，肌电信号时域积分值随着疲劳程度加深增大；
[0038]所述平均功率频率MPF的算法为：
[0039][0040]进一步地，所述S3中的所述血氧标准差SP
SD
为对采集到的血氧信号计算标准差得到。
[0041]进一步地，所述S6中的所述正负样本的算法为：
[0042]T＝{(x1,y1),(x2,y2),...,(x
l
,y
l
)}∈(X
×
Y)
l
；(8)
[0043]其中x
l
为样本特征，y
l
为疲劳标注，y
l
为+1时为疲劳数据，为
‑
1时为非疲劳数据。
[0044]所述S6中的所述代价敏感支持向量机CS
‑
SVM是对所述S5中的所述正样本、所述负样本进行疲劳状态分类。
[0045]进一步地，所述代价敏感支持向量机CS
‑
SVM，选用径向基核函数RBF，将特征参数训练集样本映射到Hilbert空间，得到对应的训练集为：
[0046][0047]选取惩罚参数，构造：
[0048][0049]根据Lagrange函数，求其对偶问题：
[0050][0051]求得Lagrange乘子向量
[0052]可得：
[0053][0054]得到判断函数为：
[0055]f(x)＝sgn((ω
*
·
x)+b
*
)；(14)
[0056]当上式值为+1时为疲劳状态，当上式值为...

【技术保护点】

【技术特征摘要】
1.一种多参数融合作业人员疲劳检测方法，其特征在于，包括以下步骤：S1：获取大量疲劳人体及非疲劳人体的生理状态数据，所述生理状态数据包括心电信号、肌电信号、血氧信号；S2：从所述心电信号中提取出RR
i
间期均值RR
mean
、RR
i
间期标准差RR
SD
、低频功率LF、高频功率HF；S3：从所述肌电信号中提取出积分肌电IEMG、均方根值RMS、平均功率频率MPF；S4：从所述血氧信号中提出血氧标准差SP
SD
；S5：将步骤S2至步骤S4提出的所有信号特征组成训练集、测试集及验证集，其中，对应疲劳人体的特征为正样本，对应非疲劳人体的特征为负样本，将训练集的正负样本输入代价敏感支持向量机CS
‑
SVM进行训练；S6：获得用于检测区分人体疲劳程度的模型，利用验证集对所述模型进行调整，利用测试集对调整的模型进行实际测试，实现人体疲劳状态检测。2.根据权利要求1所述的一种多参数融合作业人员疲劳检测方法，其特征在于：所述S2中的所述RR
i
间期为小波变换检测心电信号相邻主峰间时间间隔；所述低频效率LF为利用快速傅里叶变换FFT求RR
i
间期的功率谱密度，并对低频段进行积分得到；所述高频效率HF为利用快速傅里叶变换FFT求RR
i
间期的功率谱密度，并对高频段进行积分得到。3.根据权利要求2所述的一种多参数融合作业人员疲劳检测方法，其特征在于，所述RR
i
间期均值RR
mean
的算法为：所述RR
i
间期标准差RR
SD
的算法为：所述低频效率LF的算法为：所述高频功率HF的算法为：其中f0为信号频率上限，为采样频率的一半，采样频率取500Hz。4.根据权利要求1所述的一种多参数融合作业人员疲劳检测方法，其特征在于：所述S3中的所述积分肌电IEMG为对采集到的肌电信号进行时域积分得到；所述均方根值RMS为对肌电信号进行均方根计算得到；所述平均功率频率MPF为用快速傅里叶变换FFT对肌电信号进行运算得到功率谱密度PSD，并进行积分运算得到。5.根据权利要求4所述的一种多参数融合作业人员疲劳检测方法，其特征在于，所述积
分肌电IEMG的算法为：所述均方根值RMS的算法为：其中x(t)为采集的肌电信号，肌电信号时域积...

【专利技术属性】
技术研发人员：李孟轩，姜文东，刘彬，朱利锋，马潇，高磊，初金良，黄镠，李丹煜，宋立龙，李珞屹，
申请(专利权)人：国网浙江省电力有限公司丽水供电公司，
类型：发明
国别省市：