人脸疲劳识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及数字医疗领域的人工智能技术，揭露了一种人脸疲劳识别方法，包括：获取目标人物的疲劳环境数据及疲劳观测数据，对所述疲劳环境数据及疲劳观测数据进行状态值量化处理，得到疲劳环境量化数据及疲劳观测量化数据，基于所述疲劳环境量化数据及所述疲劳观测量化数据构建所述目标人物的动态贝叶斯网络，计算所述动态贝叶斯网络中不同节点对所述目标人物的条件疲劳概率，基于所述条件疲劳概率得到所述目标人物的疲劳识别结果。本发明专利技术还涉及区块链技术，所述疲劳识别结果可存储在区块链的节点中。本发明专利技术还提出一种人脸疲劳识别装置、电子设备以及可读存储介质。本发明专利技术可以提高人脸疲劳识别的准确性。高人脸疲劳识别的准确性。高人脸疲劳识别的准确性。

【技术实现步骤摘要】
人脸疲劳识别方法、装置、设备及存储介质


[0001]本专利技术涉及数字医疗及人工智能
，尤其涉及一种人脸疲劳识别方法
、
装置
、
电子设备及可读存储介质
。

技术介绍

[0002]随着人工智能的发展，针对人脸面部特征来进行状态识别变的越来越普遍，例如，医疗领域通过人脸面部数据进行人脸疲劳识别
。
[0003]现有技术中，人脸疲劳检测的研究主要包括单一信息分析及多源信息分析
。
其中，单一信息分析是基于真人面部的非接触性特征分析，或者对于真人脑电数据以及心电数据做一些静态化分析，然而对于单一信息的分析，可能会因为噪声数据产生误判，影响模型判断的精度，同时静态化处理不适合随着时间演变的人脸疲劳识别；多源信息融合的分析，目的是通过深度学习等方面的模型，充分利用不同数据包含的信息，如面部数据结合上下文数据的融合，但是这种融合缺乏客观性，例如，对于较为内向的人，会存在刻意克制面部表情的情况，而且上下文特征并不包含生理数据的特性，导致这种方法得到的模型缺乏实际意义，使得人脸疲劳本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种人脸疲劳识别方法，其特征在于，所述方法包括：获取目标人物的疲劳环境数据及疲劳观测数据，对所述疲劳环境数据及疲劳观测数据进行状态值量化处理，得到疲劳环境量化数据及疲劳观测量化数据；基于所述疲劳环境量化数据及所述疲劳观测量化数据构建所述目标人物的动态贝叶斯网络；计算所述动态贝叶斯网络中不同节点对所述目标人物的条件疲劳概率，基于所述条件疲劳概率得到所述目标人物的疲劳识别结果
。2.
如权利要求1所述的人脸疲劳识别方法，其特征在于，所述对所述疲劳环境数据及疲劳观测数据进行状态值量化处理，得到疲劳环境量化数据及疲劳观测量化数据，包括：获取预设的疲劳环境量化范围及预设的疲劳观测量化范围，确定所述疲劳环境数据落入的疲劳环境量化范围对应的状态值为疲劳环境量化数据；确定所述疲劳观测数据落入的疲劳观测量化范围对应的状态值为疲劳观测量化数据
。3.
如权利要求1所述的人脸疲劳识别方法，其特征在于，所述基于所述疲劳环境量化数据及所述疲劳观测量化数据构建所述目标人物的动态贝叶斯网络，包括：在预设的观测时间内，基于所述疲劳环境量化数据及所述疲劳观测量化数据构建所述目标人物的在任意时点的静态贝叶斯网络；按照时间顺序连接所述观测时间内所有时点的静态贝叶斯网络，得到所述目标人物的动态贝叶斯网络
。4.
如权利要求3中所述的人脸疲劳识别方法，其特征在于，所述基于所述疲劳环境量化数据及所述疲劳观测量化数据构建所述目标人物的在任意时点的静态贝叶斯网络，包括：构建所述目标人物在某一时刻的疲劳检测节点；根据同一时刻中所述疲劳环境量化数据构建疲劳环境节点，以及根据同一时刻中所述疲劳观测量化数据构建疲劳观测节点；连接所述疲劳检测节点
、
所述疲劳环境节点及所述疲劳观测节点得到所述某一时刻的静态贝叶斯网络
。5.
如权利要求4所述的人脸疲劳识别方法，其特征在于，所述计算所述动态贝叶斯网络中不同节点对所述目标人物的条件疲劳概率，包括：计算所述动态贝叶斯网络中疲劳环境节点对所述疲劳检测节点的环境疲劳条件概率，以及计算所述动态贝叶斯网络中疲劳检测节点对所述疲劳观测节点的观测疲劳条件概率；基于所述环境疲劳条件概率及所述观测疲劳条件概率计算所述目标人物的条件疲劳概率
。6.
如权利要求5中所述的人脸疲劳识别方法，其特征在于，通过下述公式计算所述动态贝叶斯网络中疲劳环境节点对所述疲劳检测节点的环境疲劳条件概率：其中，代表疲劳检测节点
x
在
t
时刻的状态值为
k
的条件成立，表示在“表示
t
时刻来自疲劳环境节点的证据”条件下，“疲劳检测节点”成立的
环境疲劳条件概率，表示
t
时刻来自疲劳环境节点的证据，表示
t
时刻疲劳检测节点
x
的状...

【专利技术属性】
技术研发人员：舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：