基于多维心电信号分析的疲劳识别预警方法及系

本发明涉及疲劳预警，更具体地说，本发明涉及基于多维心电信号分析的疲劳识别预警方法及系统。背景技术：1、疲劳驾驶检测的技术背景涉及对驾驶员疲劳状态的准确识别和监测，这是为了降低交通事故风险、提高驾驶安全性的重要技术。传统的疲劳驾驶检测方法主要基于行为特征，如驾驶员的眼睛活动、头部姿势等，但这些方法受到环境条件和驾驶员个体差异的影响，准确性有限。2、近年来，基于生理信号的疲劳驾驶检测逐渐受到关注。生理信号如心电图(ecg)、脑电图(eeg)、肌电图(emg)等反映了驾驶员的生理状态，具有更直接、客观的特征。特别是心电图信号，可以通过分析心率变异性(hrv)参数等来评估交感神经和副交感神经的活动平衡情况，间接反映驾驶员的疲劳程度。3、但如何准确根据生理信号识别和监测驾驶员的疲劳状态，仍缺乏一套完整的预警手段。4、针对上述问题，本发明提出一种解决方案。技术实现思路1、为了克服现有技术的上述缺陷，本发明的实施例提供基于多维心电信号分析的疲劳识别预警方法及系统，以解决上述背景技术中提出的问题。2、为实现上述目的，本发明提供如下技术方案：3、基于多维心电信号分析的疲劳识别预警方法，包括如下步骤：4、步骤s1，确定用于心率变异性分析的心电图导联，采集驾驶员的心电图信号，获取原始ecg信号；5、步骤s2，对获取到的原始ecg信号进行预处理，检测原始ecg信号中的r峰；6、步骤s3，基于rr间期序列计算hrv参数，并获取驾驶员驾驶数据；7、步骤s4，选择机器学习模型，通过机器学习模型输出判断驾驶员疲劳状态，当检测到驾驶员可能处于疲劳状态时，触发预警与提醒机制。8、在一个优选的实施方式中，在步骤s1中，还包括如下步骤：9、步骤s1.1，当环境干扰为主要因素时，选择胸部到右腿的心电图导联进行心电信号获取；当长时间获取心电信号为主要因素时，选择左肩到右腿的心电图导联进行心电信号获取；10、步骤s1.2，当驾驶员有疲劳迹象时，选择左肩到胸部的心电图导联进行心电信号获取。11、在一个优选的实施方式中，在步骤s2中，具体包括如下步骤：12、步骤s2.1，将原始ecg信号v(t)通过带通滤波器进行处理；13、步骤s2.3，对滤波后的信号进行微分；14、步骤s2.4，对微分后的信号进行平方运算；15、步骤s2.5，使用移动窗口对信号进行积分，平滑信号并保留qrs的宽度信息；16、步骤s2.6，根据峰值阈值判断原始ecg信号中的r峰。17、在一个优选的实施方式中，在步骤s3中，具体包括如下步骤：18、步骤s3.1，从连续的r波检测结果中，计算每两个连续r波之间的时间间隔；19、步骤s3.2，计算平均r-r间期，并计算标准差与均方根差；20、步骤s3.3，将r-r间期序列进行快速傅立叶变换以得到频域表示，并计算lf和hf的比例；21、步骤s3.4，获取驾驶员连续驾驶时长，驾驶员驾驶数据包括驾驶员连续驾驶时长。22、在一个优选的实施方式中，在步骤s4中，还包括如下步骤：23、步骤s4.1，设d为数据集，包含有m个样本，每个样本j有k个特征cj1、cj2、cj3...cjk；并设目标变量为tj，其中tj为驾驶员的疲劳状态；24、步骤s4.2，对数据进行归一化预处理以确保模型的准确性，将数据集d随机划分为训练集dtrain和测试集dtest，训练集包含p个样本，测试集包含q个样本，其中p+q＝m；25、步骤s4.3，构建w棵决策树，每棵树uw都是独立构建的，对于每棵树，从训练集dtrain中通过有放回抽样抽取大小为p的样本集，在每个分裂节点，从k个特征中随机选择根号k个特征；26、步骤s4.4，每棵树uw基于它的训练数据生成一个模型kw，每棵树uw输出一个预测结果tw(c)；27、步骤s4.5，输出所有树预测输出28、并将所有树预测输出的平均值作为预测结果。29、在一个优选的实施方式中，所述心电图导联包括导联1、导联2以及导联3：30、原始ecg信号通过导联1测量左肩vl与胸部vc之间的电位差，表示为：v(t)＝vl(t)-vc(t)；31、原始ecg信号通过导联2测量胸部vc与右腿vr之间的电位差，表示为：v(t)＝vc(t)-vr(t)；32、原始ecg信号通过导联3测量左肩vl与右腿vr之间的电位差，表示为：v(t)＝vl(t)-vr(t)。33、在一个优选的实施方式中，在步骤s1中，还获取环境噪声值与计划路程值，确定用于心率变异性(hrv)分析的导联具体过程如下：34、获取驾驶过程中的环境噪声值与计划路程值，采用线性归一化将环境噪声值与计划路程值映射到区间[0,1]，将驾驶过程中的环境噪声值与计划路程值归一化后，根据加权做差综合计算则导联评估系数；并将导联评估系数与导联阈值进行比较，当导联评估系数大于等于导联阈值时，选择胸部到右腿的心电图导联进行心电信号获取，反之则选择左肩到右腿的心电图导联进行心电信号获取。35、基于多维心电信号分析的疲劳识别预警系统，包括数据采集模块，数据处理模块以及数据存储模块；36、数据采集模块用于获取驾驶过程中的环境噪声值与计划里程值，并将其发送至数据处理模块以保证后续数据处理模块的运行；37、数据处理模块用于根据数据采集模块采集的数据来确定用于心率变异性分析的心电图导联，并根据心电图信号判断驾驶员是否疲劳；38、数据存储模块用于存储疲劳识别预警系统处理过程中产生的所有数据。39、本发明基于多维心电信号分析的疲劳识别预警方法及系统的技术效果和优点：40、本发明通过选择适当的心电图导联和使用智能设备采集驾驶员的心电信号，然后通过信号处理和r峰检测技术获取心率变异性(hrv)参数。这些参数包括时间域、频域和非线性参数，通过机器学习模型结合驾驶时长数据，可以实现对驾驶员是否疲劳的实时判断和预警，从而提升驾驶安全性和驾驶员健康管理。技术特征：1.基于多维心电信号分析的疲劳识别预警方法，其特征在于，包括如下步骤：2.根据权利要求1所述的基于多维心电信号分析的疲劳识别预警方法，其特征在于：3.根据权利要求1所述的基于多维心电信号分析的疲劳识别预警方法，其特征在于：4.根据权利要求1所述的基于多维心电信号分析的疲劳识别预警方法，其特征在于：5.根据权利要求1所述的基于多维心电信号分析的疲劳识别预警方法，其特征在于：6.根据权利要求2所述的基于多维心电信号分析的疲劳识别预警方法，其特征在于：所述心电图导联包括导联1、导联2以及导联3：7.根据权利要求2所述的基于多维心电信号分析的疲劳识别预警方法，其特征在于：8.基于多维心电信号分析的疲劳识别预警系统，用于实现权利要求1-任一项所述的基于多维心电信号分析的疲劳识别预警方法，其特征在于：包括数据采集模块，数据处理模块以及数据存储模块；技术总结本发明公开了基于多维心电信号分析的疲劳识别预警方法及系统，涉及疲劳预警技术领域，用于解决如何准确根据生理信号识别和监测驾驶员的疲劳状态，仍缺乏一套完整的预警手段的问题，包括选择机器学习模型，通过机器学习模型输出判断驾驶员疲劳状态，当检测到驾驶员可能处于疲劳状态时，触发预警与提醒机制，通过选择适当的心电图导联和使用智能设备采集驾驶员的心电信号，然后通过信号处理和R峰检测技术获取心率变异性(HRV)参数。这些参数包括时间域、频域和非线性参数，通过机器学习模型结合驾驶时长数据，可以实现对驾驶员是否疲劳的实时判断和预警，从而提升驾驶安全性和驾驶员健康管理。技术研发人员：林承宥,李娜受保护的技术使用者：福建警察学院技术研发日：技术公布日：2024/8/16