CN119818800B - 一种疲劳干预方法、系统、设备、介质及产品 - Google Patents

Abstract

本申请公开了一种疲劳干预方法、系统、设备、介质及产品，涉及心电信号处理领域，该方法包括：采集人体心电信号；采用小波变换对所述心电信号进行预处理；对预处理后的心电信号进行特征提取，得到初始特征集；基于SHAP算法对所述初始特征集进行筛选，得到关键特征集；基于所述关键特征集，采用疲劳识别模型确定疲劳状态的等级；所述疲劳识别模型由样本关键特征集对随机森林模型训练得到；所述样本关键特征集是对样本心电信号进行处理得到的；基于所述疲劳状态的等级，采用不同类型的音乐和不同频率的时频干涉信号进行疲劳干预。本申请可识别疲劳状态的等级，并根据疲劳状态等级实施个性化的干预。

Description

一种疲劳干预方法、系统、设备、介质及产品

技术领域

本申请涉及心电信号处理领域，特别是涉及一种疲劳干预方法、系统、设备、介质及产品。

背景技术

在科技和经济快速发展的现代社会，人们面临着更快的生活节奏和更大的竞争压力。这导致长时间高强度的脑力劳动变得普遍，进而引发脑疲劳。脑疲劳不仅导致人们感到疲惫和注意力难以集中，长期累积还可能诱发一系列生理和心理问题，如心脏病、失眠、焦虑和抑郁，严重威胁到人们的身心健康。

发明内容

本申请的目的是提供一种疲劳干预方法、系统、设备、介质及产品，可识别疲劳状态的等级，并根据疲劳状态等级实施个性化的干预。

为实现上述目的，本申请提供了如下方案。

第一方面，本申请提供了一种疲劳干预方法，包括：

采集人体心电信号；

采用小波变换对所述心电信号进行预处理；

对预处理后的心电信号进行特征提取，得到初始特征集；所述初始特征集包括心率特征和心率变异性特征；

基于SHAP算法对所述初始特征集进行筛选，得到关键特征集；

基于所述关键特征集，采用疲劳识别模型确定疲劳状态的等级；所述疲劳识别模型由样本关键特征集对随机森林模型训练得到；所述样本关键特征集是对样本心电信号进行处理得到的；

基于所述疲劳状态的等级，采用不同类型的音乐和不同频率的时频干涉信号进行疲劳干预。

第二方面，本申请提供了一种疲劳干预系统，包括：

心电信号采集模块，用于采集人体心电信号；

预处理模块，用于采用小波变换对所述心电信号进行预处理；

特征提取模块，用于对预处理后的心电信号进行特征提取，得到初始特征集；所述初始特征集包括心率特征和心率变异性特征；

特征筛选模块，用于基于SHAP算法对所述初始特征集进行筛选，得到关键特征集；

疲劳状态等级确定模块，用于基于所述关键特征集，采用疲劳识别模型确定疲劳状态的等级；所述疲劳识别模型由样本关键特征集对随机森林模型训练得到；所述样本关键特征集是对样本心电信号进行处理得到的；

疲劳干预模块，用于基于所述疲劳状态的等级，采用不同类型的音乐和不同频率的时频干涉信号进行疲劳干预。

第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述的疲劳干预方法。

第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的疲劳干预方法。

第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的疲劳干预方法。

根据本申请提供的具体实施例，本申请具有以下技术效果。

（1）本申请采用SHAP算法对心率特征和心率变异性特征进行筛选，能够提高疲劳状态等级识别的准确性和干预的有效性。

（2）本申请通过不同类型的音乐和不同频率的时频干涉信号对不同等级的疲劳状态进行疲劳干预，能够深入脑部并对人体进行非侵入性刺激，有效避免了传统直流电刺激可能带来的疼痛问题，同时提高了干预的舒适度和耐受度，从而最大限度地减少因疲劳引发的健康和安全风险，保护人们的身心健康。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一实施例提供的疲劳干预方法的流程示意图。

图2为本申请一实施例提供的一种计算机设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

在一个示例性的实施例中，如图1所示，提供了一种疲劳干预方法，该方法由计算机设备执行，具体可以由终端或服务器等计算机设备单独执行，也可以由终端和服务器共同执行，在本申请实施例中，以该方法应用于服务器为例进行说明，包括以下步骤S1至步骤S6。

S1：采集人体心电信号。

心电信号是人体心脏活动的电信号，通过测量心脏细胞的动作电位来捕捉。心脏细胞的动作电位变化能够反映心脏的生理状态，这些变化与个体的疲劳状态密切相关。

S2：采用小波变换对所述心电信号进行预处理。

采用小波变换对采集到的心电信号进行预处理，以确保心电信号的准确性和可靠性。通过在多个尺度上分解心电信号，能够有效地分离出有用的信号成分和噪声，去除工频干扰、高频噪声以及基线漂移，这些都是由电源频率、电磁干扰、呼吸和皮肤阻抗等因素引起的。小波变换后，保留有用的心电信号系数并重构信号，从而显著提升心电信号的质量。通过公式(1)分析心电信号在不同时间和尺度上的特性。

(1)

其中，X(t)为原时域心电信号。为时间平移参数，用于调整小波函数在时间轴上的位置。为尺度参数，用于调整小波函数的宽度，从而在不同尺度上分析信号。表示连续小波变换（Continuous - Wavelet Transform）系数，表示X(t)关于小波函数的连续小波变换结果，二者本质上是同一变换结果的不同表示形式，用于刻画心电信号在不同和下的特征。

通过小波变换对心电信号在多个尺度上进行分解，保留有用信号的系数，最后通过提取的小波系数重构信号，从而降低噪声干扰，有利于后续QRS波群检测。

S3：对预处理后的心电信号进行特征提取，得到初始特征集；所述初始特征集包括心率特征和心率变异性特征。所述心率变异性特征包括：时域特征、频域特征和非线性特征。

步骤S3具体包括：基于预处理后的心电信号进行R波的定位检测；基于所述R波提取心率特征和心率变异性特征。

心率指标和心率变异性指标可以用于疲劳状态识别。通过观察心电信号的波形图可发现，QRS波群中的R波具有较大振幅、脉宽较窄、特征明显且易于辨识。R波的定位是心电信号识别中最重要的一步。本申请使用Pan和WillisJ.Jiapu Tompkins所提出的一种实时检测QRS波群的方法对R波进行定位检测：对已经去噪的心电信号进行差分处理获得斜率信息，然后采用平方运算来处理已经经过差分处理的心电信号，为了去除平方操作后可能导致的负向波形形成双峰影响R波的检测及定位，可通过窗口滑动积分实现波形的平滑。心电信号经过上述处理后使用自适应阈值法对R波进行定位检测。所涉及的公式如下：

(2)

(3)

(4)

公式（2）表示对心电信号进行差分处理，是第n个信号序列的原始心电信号，是差分后的信号。公式中的和表示信号在不同时间点的值，而表示前一个差分值，这个差分操作有助于提取信号的斜率信息，n表示信号序列中的序号，用于标识不同时刻的信号值等相关计算。通过不同n值对应的信号值进行差分运算来获取心电信号的斜率信息等。

公式（3）表示对差分后的信号进行平方运算。是平方后的信号，T是采样周期。平方运算可以增强信号的正向波形，使得R波更加突出。

公式（4）表示对信号进行窗口滑动积分，以实现平滑处理。表示时间段，是平滑后的信号，是窗口大小，是原始心电信号在时间的值。这个积分操作有助于减少平方运算后可能产生的负向波形，从而提高R波检测的准确性。

在R波定位的基础上，心率指标和心率变异性（Heartrate variability，HRV）指标的提取是一个系统性的过程，用于评估心脏的自主神经调节功能。它包括时域特征、频域特征和非线性特征。时域特征主要关注心跳间隔的直接测量，这些指标可以反映自主神经系统的活性和心脏的适应性。频域特征则通过分析心率的频率成分来评估交感和副交感神经系统的平衡，这些指标有助于识别疲劳状态下的自主神经系统变化。非线性特征提供了对心率复杂性的更深层次理解能够揭示心率变异性的复杂度和规律性，从而更准确地评估疲劳状态。

具体步骤如下：

首先，计算连续两个R波之间的时间间隔，即RR间期，然后利用这些间期来计算心率，通常通过公式心率（bpm）= 60 /平均RR间期（秒）来得出。

接着，提取心率指标，如平均心率、最大心率、最小心率以及心率的标准差等。对于HRV指标的提取，包括时域指标，如SDNN、RMSSD、NN50；频域指标，通过傅里叶变换分析不同频段（如甚低频VLF、低频LF、高频HF）的功率，计算出总功率、LF/HF比值等；以及非线性指标，如Poincare图分析、样本熵（SampEn）等。

时域特征和频域特征的含义分别如表1、表2所示。

表1

表2

由于各特征指标量纲和单位的不统一，为了避免相关因素对于模型的计算速度产生影响，必须将特征指标数据进行归一化处理，映射到[-1,1]之间，得到初始特征集。

S4：基于SHAP算法对所述初始特征集进行筛选，得到关键特征集。具体包括：基于SHAP算法计算所述初始特征集中每个初始特征的SHAP值；按照所述SHAP值的平均绝对值从大到小的顺序对所述初始特征进行排序，并选取前N个初始特征构建关键特征集。

为了去除冗余特征，避免多重共线性问题以及提高数据的整体质量，这一步将进行特征选择。SHAP（SHapley Additive exPlanations）算法通过计算每个特征对模型预测的贡献度来评估特征的重要性。首先，计算步骤S3所得到的初始特征集中每个初始特征的SHAP值。通过SHAP值可以分析每个初始特征对模型预测的平均影响。通常，绝对值较大的SHAP值意味着该特征对模型预测有较大影响，根据SHAP值的平均绝对值对初始特征进行排序，选择对模型预测影响最大的前N个初始特征构建关键特征集。

S5：基于所述关键特征集，采用疲劳识别模型确定疲劳状态的等级；所述疲劳识别模型由样本关键特征集对随机森林模型训练得到；所述样本关键特征集是对样本心电信号进行处理得到的。

随机森林模型通过构建多棵决策树并结合它们的预测结果来提高整体模型的准确性和稳定性。随机森林模型在处理高维数据时的优势在于它不需要特征选择，因为每棵树都是在随机选择的样本关键特征集上训练的。随机森林模型设计了四个输出节点，分别对应轻度疲劳状态、中度疲劳状态、重度疲劳状态，以及一个非疲劳状态。在随机森林模型的训练和预测过程中，将样本关键特征集输入至随机森林模型。这些样本关键特征集综合了心率指标和心率变异性（HRV）指标，为评估个体的疲劳状态提供了有力的生理依据。随机森林模型凭借其强大的模式识别能力，能够准确地将样本关键特征集分类为上述四种疲劳状态，从而实现对疲劳状态等级的划分。

随机森林模型在训练过程中，样本关键特征集不断进行迭代改进，找到使模型性能最优的关键特征集。

S6：基于所述疲劳状态的等级，采用不同类型的音乐和不同频率的时频干涉信号进行疲劳干预。

当疲劳状态的等级为非疲劳状态时，不进行疲劳干预。

当疲劳状态的等级为轻度疲劳状态时，通过播放舒缓音乐和弱高频（频率为1000Hz）时频干涉信号进行疲劳干预，使头脑保持清醒，能够专注完成工作。

当疲劳状态的等级为中度疲劳状态时，通过节奏感更强的播放摇滚音乐和施加较强的高频（频率为2000Hz）时频干涉信号进行疲劳干预。

当疲劳状态的等级为重度疲劳状态时，通过施加频率为3000Hz的时频干涉信号进行疲劳干预，提高时频干涉信号强度能够重新获得工作中必要的精力和注意力。

本申请利用时域干涉（Temporal Interference, TI）技术进行疲劳干预，该技术是一种非侵入性的深部脑刺激手段，通过在头皮上放置两个电极，并施加两对频率相近但略有差异的高频刺激信号来实现。这些信号在大脑内部特定区域的干涉作用形成了较强的交叠电场，并产生了低频的包络波。这种低频包络波能够穿透至大脑深层，对大脑活动产生调节作用。通过精确的电场控制，能够深入调节大脑活动，改善疲劳症状。

在本申请的疲劳干预方法中，根据个体疲劳状态的严重程度，精确调整时频干涉（TI）信号的参数，以实现个性化的干预。这包括通过改变电极传递的电流强度来调节刺激的强度，以实现对重度疲劳状态的有效干预；通过调整两对高频刺激信号的频率差来改变低频包络波的频率，进而影响神经网络的同步性，实现不同的神经调节效果；此外，结合不同风格的音乐，进一步调节神经刺激的强度，以适应不同疲劳等级的需求。这种多维度的调整策略确保了干预措施的灵活性和有效性，旨在优化干预效果，维护并促进个体的身心健康。

本申请提供的疲劳干预方法具有以下优点。

1.本申请通过外加电场所产生的电场刺激能够更精确地定位到大脑特定区域，相比于传统的电流刺激，其定位更加准确，能够更深入地作用于脑部。这种精确的刺激方式可以更有效地调节大脑活动，提供更为显著的疲劳干预效果，同时减少对非目标区域的不必要刺激，降低了潜在的不良反应。

2.本申请引入了特征选择技术，以优化疲劳识别模型的性能。通过运用SHAP值量化每个特征对模型预测的贡献度，从而识别和选择对疲劳状态评估最为关键的特征。这一特征选择步骤不仅提高了模型的准确性和效率，还增强了模型的解释能力，使得疲劳干预更加精准和个性化。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的疲劳干预方法的系统。该系统所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个疲劳干预系统实施例中的具体限定可以参见上文中对于疲劳干预方法的限定，在此不再赘述。

在一个示例性的实施例中，提供了一种疲劳干预系统，包括以下模块。

心电信号采集模块，用于采集人体心电信号。

预处理模块，用于采用小波变换对所述心电信号进行预处理。

特征提取模块，用于对预处理后的心电信号进行特征提取，得到初始特征集；所述初始特征集包括心率特征和心率变异性特征。

特征筛选模块，用于基于SHAP算法对所述初始特征集进行筛选，得到关键特征集。

疲劳状态等级确定模块，用于基于所述关键特征集，采用疲劳识别模型确定疲劳状态的等级；所述疲劳识别模型由样本关键特征集对随机森林模型训练得到；所述样本关键特征集是对样本心电信号进行处理得到的。

疲劳干预模块，用于基于所述疲劳状态的等级，采用不同类型的音乐和不同频率的时频干涉信号进行疲劳干预。

在一示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。该计算机设备可以是服务器或者终端，其内部结构图可以如图2所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待处理数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种疲劳干预方法。

本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个示例性的实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个示例性的实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（DynamicRandomAccess Memory，DRAM）等。

本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (6)

1.一种疲劳干预方法，其特征在于，包括：

采集人体心电信号；

采用小波变换对所述心电信号进行预处理；

对预处理后的心电信号进行特征提取，得到初始特征集；所述初始特征集包括心率特征和心率变异性特征；所述心率变异性特征包括：时域特征、频域特征和非线性特征；

基于SHAP算法对所述初始特征集进行筛选，得到关键特征集，具体包括：基于SHAP算法计算所述初始特征集中每个初始特征的SHAP值；按照所述SHAP值的平均绝对值从大到小的顺序对所述初始特征进行排序，并选取前N个初始特征构建关键特征集；

基于所述关键特征集，采用疲劳识别模型确定疲劳状态的等级；所述疲劳状态的等级包括：非疲劳状态、轻度疲劳状态、中度疲劳状态和重度疲劳状态；所述疲劳识别模型由样本关键特征集对随机森林模型训练得到；所述样本关键特征集是对样本心电信号进行处理得到的；

基于所述疲劳状态的等级，采用不同类型的音乐和不同频率的时频干涉信号进行疲劳干预；具体包括：当疲劳状态的等级为非疲劳状态时，不进行疲劳干预；当疲劳状态的等级为轻度疲劳状态时，通过播放舒缓音乐和施加频率为1000Hz的时频干涉信号进行疲劳干预；当疲劳状态的等级为中度疲劳状态时，通过播放摇滚音乐和施加频率为2000Hz的时频干涉信号进行疲劳干预；当疲劳状态的等级为重度疲劳状态时，通过施加频率为3000Hz的时频干涉信号进行疲劳干预。

2.根据权利要求1所述的疲劳干预方法，其特征在于，对预处理后的心电信号进行特征提取，得到初始特征集，具体包括：

基于预处理后的心电信号进行R波的定位检测；

基于所述R波提取心率特征和心率变异性特征。

3.一种疲劳干预系统，其特征在于，包括：

心电信号采集模块，用于采集人体心电信号；

预处理模块，用于采用小波变换对所述心电信号进行预处理；

特征提取模块，用于对预处理后的心电信号进行特征提取，得到初始特征集；所述初始特征集包括心率特征和心率变异性特征；所述心率变异性特征包括：时域特征、频域特征和非线性特征；

特征筛选模块，用于基于SHAP算法对所述初始特征集进行筛选，得到关键特征集，具体包括：基于SHAP算法计算所述初始特征集中每个初始特征的SHAP值；按照所述SHAP值的平均绝对值从大到小的顺序对所述初始特征进行排序，并选取前N个初始特征构建关键特征集；

疲劳状态等级确定模块，用于基于所述关键特征集，采用疲劳识别模型确定疲劳状态的等级；所述疲劳识别模型由样本关键特征集对随机森林模型训练得到；所述样本关键特征集是对样本心电信号进行处理得到的；所述疲劳状态的等级包括：非疲劳状态、轻度疲劳状态、中度疲劳状态和重度疲劳状态；

疲劳干预模块，用于基于所述疲劳状态的等级，采用不同类型的音乐和不同频率的时频干涉信号进行疲劳干预；具体包括：当疲劳状态的等级为非疲劳状态时，不进行疲劳干预；当疲劳状态的等级为轻度疲劳状态时，通过播放舒缓音乐和施加频率为1000Hz的时频干涉信号进行疲劳干预；当疲劳状态的等级为中度疲劳状态时，通过播放摇滚音乐和施加频率为2000Hz的时频干涉信号进行疲劳干预；当疲劳状态的等级为重度疲劳状态时，通过施加频率为3000Hz的时频干涉信号进行疲劳干预。

4.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-2中任一项所述的疲劳干预方法。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-2中任一项所述的疲劳干预方法。

6.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-2中任一项所述的疲劳干预方法。