本申请提供了一种疲劳检测方法、装置、设备及存储介质，该方法获取待检测用户的疲劳相关数据，其中，疲劳相关数据包括生理数据、面部数据和声音数据；将疲劳相关数据输入至预设检测模型，其中，预设检测模型通过疲劳相关数据样本和疲劳相关数据样本对应的疲劳指数训练得到；根据预设检测模型输出的疲劳指数检测结果，确定待检测用户对应的疲劳状态。确定待检测用户对应的疲劳状态。确定待检测用户对应的疲劳状态。
【技术实现步骤摘要】
疲劳检测方法、装置、设备及存储介质
[0001]本专利技术涉及数据处理
，尤其涉及一种疲劳检测方法、装置、设备及存储介质。
技术介绍
[0002]在驾驶和高空作业等场合，出于安全考虑，驾驶员及工作人员需要保证精神的高度集中。驾驶员及工作人员的疲劳状态直接影响了驾驶及作业安全，因此，疲劳检测对于安全预警有着重要的意义。
[0003]目前，现有技术中的疲劳检测方式专注于提取低层次的手工特征，仅通过识别用户的面部特征来进行疲劳检测，将面部特征通过浅融合方法识别疲劳状态。
[0004]然而，现有技术中的疲劳检测方法，疲劳检测精确性低。
技术实现思路
[0005]本申请提供一种疲劳检测方法、装置、设备及存储介质，从而解决现有技术中的疲劳检测方法，疲劳检测精确性低的技术问题。
[0006]第一方面，本申请提供了一种疲劳检测方法，包括：获取待检测用户的疲劳相关数据，其中，所述疲劳相关数据包括生理数据、面部数据和声音数据；将所述疲劳相关数据输入至预设检测模型，其中，所述预设检测模型通过疲劳相关数据样本和所述疲劳相关数据样本对应的疲劳指数训练得到；根据所述预设检测模型输出的疲劳指数检测结果，确定所述待检测用户对应的疲劳状态。
[0007]这里，本申请实施例在进行疲劳检测时，可以结合用户的多种疲劳相关数据进行识别，包括生理数据、面部数据和声音数据，相较于现有技术中的仅根据用户的面部特征来进行疲劳检测，更能准确、全面地对用户的疲劳程度进行识别，提高了疲劳检测的准确性。
[0008]可选地，所述预设检测模型通过基于跃层注意力机制轻量化卷积神经网络模型、基于跃层注意力机制的轻量化卷积神经网络模型、残差密度网络模型、深度置信网络模型和支持向量机模型融合得到。
[0009]其中，本申请的预设检测模型融合了基于跃层注意力机制轻量化卷积神经网络模型、基于跃层注意力机制的轻量化卷积神经网络模型、残差密度网络模型、深度置信网络模型和支持向量机模型，通过多模态融合算法，提升了预设检测模型的精度与性能，实现了对特征的深度融合和提取方法，有效地模拟复杂的多模态非线性联合分布和相关性，进一步的提高了疲劳检测的准确性。
[0010]可选地，在所述将所述疲劳相关数据输入至预设检测模型之前，还包括：对所述疲劳相关数据进行数据预处理，得到处理后的疲劳相关数据；相应的，所述将所述疲劳相关数据输入至预设检测模型，包括：
将所述处理后的疲劳相关数据输入至预设检测模型。
[0011]这里，本申请实施例预先对疲劳相关数据进行数据预处理，可以消除噪声等因素对准确性带来的误差影响，数据的预处理便于预设检测模型进行疲劳检测，提高了疲劳检测的准确性。
[0012]可选地，所述生理数据包括心率数据和皮肤电信号数据；相应的，所述对所述疲劳相关数据进行数据预处理，得到处理后的疲劳相关数据，包括：根据预设心率带宽，对所述心率数据进行带通滤波数据预处理，得到处理后的心率数据；根据预设皮肤电信号带宽，对所述皮肤电信号信号数据进行带通滤波数据预处理，得到处理后的皮肤电信号信号数据。
[0013]这里，本申请实施例为了保证疲劳检测的准确性，可以筛除无关数据或者误差较大的数据，提高了疲劳检测的准确性。
[0014]可选地，所述获取待检测用户的疲劳相关数据，包括：获取在预设时间段内的待检测用户的疲劳相关数据；对所述疲劳相关数据进行分段处理，得到多个疲劳相关数据片段；相应的，所述将所述疲劳相关数据输入至预设检测模型，包括：将所述多个疲劳相关数据片段输入至预设检测模型。
[0015]这里，本申请实施例根据预设时间段对疲劳相关数据进行分段处理，由于疲劳相关数据可能有不同的持续时间，将每个疲劳相关数据分割成一定数量的重叠片段，然后从每个片段中学习相应的疲劳特征，进一步地提高了疲劳检测效率。
[0016]可选地，所述疲劳状态包括不疲劳、轻度疲劳、较疲劳和极度疲劳；相应的，所述根据所述预设检测模型输出的疲劳指数检测结果，确定所述待检测用户对应的疲劳状态，包括：若所述疲劳指数检测结果等于零，则确定所述待检测用户对应的疲劳状态为不疲劳；若所述疲劳指数检测结果大于零且小于等于第一预设阈值，则确定所述待检测用户对应的疲劳状态为轻度疲劳；若所述疲劳指数检测结果大于第一预设阈值且小于等于第二预设阈值，则确定所述待检测用户对应的疲劳状态为较疲劳；若所述疲劳指数检测结果大于第二预设阈值且小于等于第三预设阈值，则确定所述待检测用户对应的疲劳状态为极度疲劳。
[0017]其中，本申请实施例将疲劳状态分为4种，根据模型输出的不同结果实现了对疲劳状态的准确识别和确定。
[0018]可选地，在所述根据所述预设检测模型输出的疲劳指数检测结果，确定所述待检测用户对应的疲劳状态之后，还包括：若所述疲劳指数检测结果大于第四预设阈值，则向所述待检测用户的终端设备发送提示信息。
[0019]这里，本申请实施例还可以在识别到用户疲劳之后，根据用户的疲劳状况提示用
户，提高了用户体验，提高了安全性。
[0020]第二方面，本申请实施例提供了一种疲劳检测装置，包括：获取模块，用于获取待检测用户的疲劳相关数据，其中，所述疲劳相关数据包括生理数据、面部数据和声音数据；输入模块，用于将所述疲劳相关数据输入至预设检测模型，其中，所述预设检测模型通过疲劳相关数据样本和所述疲劳相关数据样本对应的疲劳指数训练得到；第一确定模块，用于根据所述预设检测模型输出的疲劳指数检测结果，确定所述待检测用户对应的疲劳状态。
[0021]可选地，所述预设检测模型通过基于跃层注意力机制轻量化卷积神经网络模型、基于跃层注意力机制的轻量化卷积神经网络模型、残差密度网络模型、深度置信网络模型和支持向量机模型融合得到。
[0022]可选地，在所述输入模块将所述疲劳相关数据输入至预设检测模型之前，上述装置还包括：预处理模块，用于对所述疲劳相关数据进行数据预处理，得到处理后的疲劳相关数据；相应的，所述输入模块具体用于：将所述处理后的疲劳相关数据输入至预设检测模型。
[0023]可选地，所述生理数据包括心率数据和皮肤电信号数据；相应的，所述预处理模块具体用于：根据预设心率带宽，对所述心率数据进行带通滤波数据预处理，得到处理后的心率数据；根据预设皮肤电信号带宽，对所述皮肤电信号信号数据进行带通滤波数据预处理，得到处理后的皮肤电信号信号数据。
[0024]可选地，所述获取模块具体用于：获取在预设时间段内的待检测用户的疲劳相关数据；对所述疲劳相关数据进行分段处理，得到多个疲劳相关数据片段；相应的，所述输入模块具体用于：将所述多个疲劳相关数据片段输入至预设检测模型。
[0025]可选地，所述疲劳状态包括不疲劳、轻度疲劳、较疲劳和极度疲劳；相应的，所述第一确定模块具体用于：若所述疲劳指数检测结果等于零，则确定所述待检测用户对应的疲劳状态为不疲劳；若所述疲劳指数检测结果大于零且小于等于第一预设阈值，则确定所述待检测用户对应的疲劳状态为轻度疲劳；本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种疲劳检测方法，其特征在于，包括：获取待检测用户的疲劳相关数据，其中，所述疲劳相关数据包括生理数据、面部数据和声音数据；将所述疲劳相关数据输入至预设检测模型，其中，所述预设检测模型通过疲劳相关数据样本和所述疲劳相关数据样本对应的疲劳指数训练得到；根据所述预设检测模型输出的疲劳指数检测结果，确定所述待检测用户对应的疲劳状态。2.根据权利要求1所述的方法，其特征在于，所述预设检测模型通过基于跃层注意力机制轻量化卷积神经网络模型、基于跃层注意力机制的轻量化卷积神经网络模型、残差密度网络模型、深度置信网络模型和支持向量机模型融合得到。3.根据权利要求1所述的方法，其特征在于，在所述将所述疲劳相关数据输入至预设检测模型之前，还包括：对所述疲劳相关数据进行数据预处理，得到处理后的疲劳相关数据；相应的，所述将所述疲劳相关数据输入至预设检测模型，包括：将所述处理后的疲劳相关数据输入至预设检测模型。4.根据权利要求3所述的方法，其特征在于，所述生理数据包括心率数据和皮肤电信号数据；相应的，所述对所述疲劳相关数据进行数据预处理，得到处理后的疲劳相关数据，包括：根据预设心率带宽，对所述心率数据进行带通滤波数据预处理，得到处理后的心率数据；根据预设皮肤电信号带宽，对所述皮肤电信号信号数据进行带通滤波数据预处理，得到处理后的皮肤电信号信号数据。5.根据权利要求1所述的方法，其特征在于，所述获取待检测用户的疲劳相关数据，包括：获取在预设时间段内的待检测用户的疲劳相关数据；对所述疲劳相关数据进行分段处理，得到多个疲劳相关数据片段；相应的，所述将所述疲劳相关数据输入至预设检测模型，包括：将所述多个疲劳相关数据片段输入至预设检测模型。6.根据权利要求1至5任一项所述的方法，其特征在于，所述疲劳状态包括不疲劳、轻度疲劳、较疲劳和极度疲劳；相应的，...
【专利技术属性】
技术研发人员：周波，苗瑞，邹小刚，梁书玉，陈永刚，
申请(专利权)人：深圳市海清视讯科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。