CN108245171B - 获取参数模型的方法、疲劳检测方法及装置、介质及设备 - Google Patents
获取参数模型的方法、疲劳检测方法及装置、介质及设备 Download PDFInfo
- Publication number
- CN108245171B CN108245171B CN201711466152.0A CN201711466152A CN108245171B CN 108245171 B CN108245171 B CN 108245171B CN 201711466152 A CN201711466152 A CN 201711466152A CN 108245171 B CN108245171 B CN 108245171B
- Authority
- CN
- China
- Prior art keywords
- unit time
- blink
- parameter model
- current unit
- blink parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1103—Detecting eye twinkling
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Ophthalmology & Optometry (AREA)
- Dentistry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开涉及一种获取参数模型的方法、疲劳检测方法及装置、介质及设备,所述方法包括:逐一计算N个目标单位时间中的每个目标单位时间内的采样点数据与当前单位时间内的采样点数据的相关系数;将与所述当前单位时间内的采样点数据的相关性最大的M组采样点数据输入至眨眼参数预测模型的输入层以进行眨眼参数模型的预测;将从所述眨眼参数预测模型的输出层输出的眨眼参数模型最终确定为所述当前单位时间内的眨眼参数模型。因此,可以提高获得的眨眼参数模型的准确性,利用该方法可以基于干扰信号或残缺信号获得准确的眨眼参数模型,有效拓宽该方法的适用范围,可以保证基于该眨眼参数模型进行疲劳检测的结果的准确性,提升用户使用体验。
Description
技术领域
本公开涉及眼睛眨动检测领域,具体地,涉及一种获取参数模型的方法、疲劳检测方法及装置、介质及设备。
背景技术
体动检测芯片是将一整套具有电磁波发射和接收功能的电路集成到一个芯片中,用于检测人体的动作,其优点是体积小、耗电低、使用方便。其基本原理是向外界发射电磁波并检测反射回来的电磁波,将检测结果以电压的方式输出。体动检测芯片工作时发射和接收电磁波是一个连续不断的过程,其输出的电压也是一个连续变化的过程。当未检测到人体动作时,输出电压稳定在一个变化极其微小的数值范围内;当检测到人体动作时,输出电压就会发生波动,波动的幅度对应于检测到的人体动作的幅度,波动的频率对应的是人体动作的频率。体动检测芯片输出的检测结果是一路电压连续变化的模拟信号,通过芯片管脚的形式向外界输出。
在复杂的环境下,受噪声信号的影响体动检测芯片难以输出完整的信号,即使对该信号进行降噪之后,也难以获得完整的信号。基于该残缺的信号获得的眨眼动作检测结果不准确,甚至根据该残缺的信号难以进行眨眼动作的检测,从而难以基于该眨眼动作的检测结果对用户是否处于疲劳状态进行检测。
发明内容
为了解决上述问题,本公开提供一种获取参数模型的方法、疲劳检测方法及装置、介质及设备。
为了实现上述目的,根据本公开的第一方面,提供一种获取眨眼参数模型的方法,所述方法包括:
逐一计算N个目标单位时间中的每个目标单位时间内的采样点数据与当前单位时间内的采样点数据的相关系数,其中,所述N个目标单位时间为所述当前单位时间之前连续的N个单位时间,且N为大于或等于2的正整数;
将与所述当前单位时间内的采样点数据的相关性最大的M组采样点数据输入至眨眼参数预测模型的输入层以进行眨眼参数模型的预测,其中,所述眨眼参数预测模型的输入层包括M个输入神经元,所述M组采样点数据与所述M个输入神经元一一对应,并且针对每个输入神经元,将该输入神经元对应的采样点数据与所述当前单位时间内的采样点数据的相关系数作为该输入神经元与目标中间神经元之间的权重,其中,所述目标中间神经元为所述眨眼参数预测模型的第一级隐层中的任一神经元,2≤M≤N;
将从所述眨眼参数预测模型的输出层输出的眨眼参数模型最终确定为所述当前单位时间内的眨眼参数模型。
可选地,所述N个目标单位时间包括所述当前单位时间的前一单位时间。
根据本公开的第二方面,提供一种疲劳检测方法,所述方法包括:
根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型,其中,单位时间内的眨眼参数模型至少包括眨眼时间;
在所述当前单位时间内的眨眼参数模型不满足第一预设条件时,保留计算出的所述当前单位时间内的眨眼参数模型;在所述当前单位时间内的眨眼参数模型满足所述第一预设条件时,忽略计算出的所述当前单位时间内的眨眼参数模型,并利用第一方面所述的方法重新确定所述当前单位时间内的眨眼参数模型,其中,所述第一预设条件为:计算出的所述当前单位时间内的眨眼参数模型与单位时间内的理想眨眼参数模型之间的偏差超过可接受水平,且所述当前时间内的眨眼参数模型中的任一参数超出由所述N个目标单位时间内的眨眼参数模型中的该参数所形成的参数范围;
至少根据当前单位时间内的所述眨眼参数模型,确定被测用户是否处于疲劳状态。
可选地,所述至少根据当前单位时间内的所述眨眼参数模型,确定被测用户是否处于疲劳状态,包括:
将所述当前单位时间的下一单位时间作为新的当前单位时间,并返回所述根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型的步骤,直到满足第二预设条件为止,并确定所述被测用户处于疲劳状态,其中,所述第二预设条件为:当存在连续P个单位时间内的所述眨眼时间均大于或等于眨眼时间阈值,P为大于或等于2的正整数。
可选地,所述至少根据当前单位时间内的所述眨眼参数模型,确定被测用户是否处于疲劳状态,包括:
将所述当前单位时间的下一单位时间作为新的当前单位时间,并返回所述根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型的步骤,直到满足第二预设条件为止,其中,所述第二预设条件为:当存在连续P个单位时间内的眨眼参数模型中的所述眨眼时间均大于或等于眨眼时间阈值,P为大于或等于2的正整数;
自所述P个单位时间的下一单位时间起,逐一利用第一方面所述的方法确定出每个单位时间内的眨眼参数模型;
当自所述P个单位时间的下一单位时间起的Q个单位时间内不存在眨眼时间小于所述眨眼时间阈值的眨眼参数模型时,确定被测用户处于疲劳状态,其中,Q为大于或等于2的正整数。
可选地,所述至少根据当前单位时间内的所述眨眼参数模型,确定被测用户是否处于疲劳状态,还包括:
当所述Q个单位时间内存在眨眼时间小于所述眨眼时间阈值的眨眼参数模型时,确定所述被测用户未处于疲劳状态;
所述方法还包括:
将所述Q个单位时间中,眨眼时间小于所述眨眼时间阈值的眨眼参数模型所对应的单位时间的下一单位时间作为新的当前单位时间,并返回所述根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型的步骤。
根据本公开的第三方面,提供一种获取眨眼参数模型的装置,所述装置包括:
第一计算模块,用于逐一计算N个目标单位时间中的每个目标单位时间内的采样点数据与当前单位时间内的采样点数据的相关系数,其中,所述N个目标单位时间为所述当前单位时间之前连续的N个单位时间,且N为大于或等于2的正整数;
预测模块,用于将与所述当前单位时间内的采样点数据的相关性最大的M组采样点数据输入至眨眼参数预测模型的输入层以进行眨眼参数模型的预测,其中,所述眨眼参数预测模型的输入层包括M个输入神经元,所述M组采样点数据与所述M个输入神经元一一对应,并且针对每个输入神经元,将该输入神经元对应的采样点数据与所述当前单位时间内的采样点数据的相关系数作为该输入神经元与目标中间神经元之间的权重,其中,所述目标中间神经元为所述眨眼参数预测模型的第一级隐层中的任一神经元,2≤M≤N;
第一确定模块,用于将从所述眨眼参数预测模型的输出层输出的眨眼参数模型最终确定为所述当前单位时间内的眨眼参数模型。
可选地,所述N个目标单位时间包括所述当前单位时间的前一单位时间。
根据本公开的第四方面,提供一种疲劳检测装置,所述装置包括:
第二计算模块,用于根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型,其中,单位时间内的眨眼参数模型至少包括眨眼时间;
第二确定模块,用于在所述当前单位时间内的眨眼参数模型不满足第一预设条件时,保留计算出的所述当前单位时间内的眨眼参数模型;在所述当前单位时间内的眨眼参数模型满足所述第一预设条件时,忽略所述第二计算模块计算出的所述当前单位时间内的眨眼参数模型,并利用第二方面所述的装置重新确定所述当前单位时间内的眨眼参数模型,其中,所述第一预设条件为:所述第二计算模块计算出的所述当前单位时间内的眨眼参数模型与单位时间内的理想眨眼参数模型之间的偏差超过可接受水平,且所述当前时间内的眨眼参数模型中的任一参数超出由所述N个目标单位时间内的眨眼参数模型中的该参数所形成的参数范围;
第三确定模块,用于至少根据当前单位时间内的所述眨眼参数模型,确定被测用户是否处于疲劳状态。
可选地,所述第三确定模块用于:
将所述当前单位时间的下一单位时间作为新的当前单位时间,并触发所述第二计算模块根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型,直到满足第二预设条件为止,并确定所述被测用户处于疲劳状态,其中,所述第二预设条件为:当存在连续P个单位时间内的所述眨眼时间均大于或等于眨眼时间阈值,P为大于或等于2的正整数。
可选地,所述第三确定模块包括:
第一确定子模块,用于将所述当前单位时间的下一单位时间作为新的当前单位时间,并触发所述第二计算模块根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型,直到满足第二预设条件为止,其中,所述第二预设条件为:当存在连续P个单位时间内的眨眼参数模型中的所述眨眼时间均大于或等于眨眼时间阈值,P为大于或等于2的正整数;
第二确定子模块,用于自所述P个单位时间的下一单位时间起,逐一利用第二方面所述的装置确定出每个单位时间内的眨眼参数模型;
第三确定子模块,用于在自所述P个单位时间的下一单位时间起的Q个单位时间内不存在眨眼时间小于所述眨眼时间阈值的眨眼参数模型时,确定被测用户处于疲劳状态,其中,Q为大于或等于2的正整数。
可选地,所述第三确定模块还包括:
第四确定子模块,用于当所述Q个单位时间内存在眨眼时间小于所述眨眼时间阈值的眨眼参数模型时,确定所述被测用户未处于疲劳状态;
所述装置还包括:
第四确定模块,用于将所述Q个单位时间中,眨眼时间小于所述眨眼时间阈值的眨眼参数模型所对应的单位时间的下一单位时间作为新的当前单位时间,并触发所述第二计算模块根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型。
根据本公开的第五方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述方法的步骤。
根据本公开的第六方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第二方面所述方法的步骤。
根据本公开的第七方面,提供一种电子设备,包括:
第五方面所述的计算机可读存储介质;以及
一个或者多个处理器,用于执行所述计算机可读存储介质中的程序。
根据本公开的第八方面,提供一种电子设备,包括:
第六方面所述的计算机可读存储介质;以及
一个或者多个处理器,用于执行所述计算机可读存储介质中的程序。
通过上述技术方案,一方面,可以根据与当前单位时间内相关性大的采样点数据对当前单位时间的眨眼参数模型进行有效且准确地预测,可以提高获得的眨眼参数模型的准确性。另一方面,在体动检测芯片的输出的信号有干扰或者有残缺时,利用该方法可以基于干扰信号或残缺信号获得准确的眨眼参数模型,有效拓宽该方法的适用范围,可以保证基于该眨眼参数模型进行疲劳检测的结果的准确性,提升用户使用体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据本公开的一种实施方式提供的获取眨眼参数模型的方法的流程图;
图2是根据本公开的一种实施方式提供的疲劳检测方法的流程图;
图3是根据本公开的一种实施方式提供的获取眨眼参数模型的装置的框图;
图4是根据本公开的一种实施方式提供的疲劳检测装置的框图;
图5是根据一示例性实施例示出的一种电子设备的框图;
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1所示,为根据本公开的一种实施方式提供的获取眨眼参数模型的方法的流程图,如图1所示,所述方法包括:
在S11中,逐一计算N个目标单位时间中的每个目标单位时间内的采样点数据与当前单位时间内的采样点数据的相关系数,其中,所述N个目标单位时间为所述当前单位时间之前连续的N个单位时间,且N为大于或等于2的正整数。
可选地,可以通过如下方式计算各个目标单位时间内的采样点数据与当前单位时间内的采样点数据的相关系数:
其中,r表示目标单位时间内的采样点数据与当前单位时间内的采样点数据的相关系数;
n表示采样点的个数,其中,目标单位时间内的采样点的个数与当前单位时间内的采样点的个数相同;
x表示目标单位时间内的采样点的电压值;
y表示当前单位时间内的采样点的电压值;
在S12中,将与当前单位时间内的采样点数据的相关性最大的M组目标单位时间内的采样点数据输入至眨眼参数预测模型的输入层以进行眨眼参数模型的预测,其中,所述眨眼参数预测模型的输入层包括M个输入神经元,所述M组采样点数据与所述M个输入神经元一一对应,并且针对每个输入神经元,将该输入神经元对应的采样点数据与所述当前单位时间内的采样点数据的相关系数作为该输入神经元与目标中间神经元之间的权重,其中,所述目标中间神经元为所述眨眼参数预测模型的第一级隐层中的任一神经元,2≤M≤N。
其中,所述眨眼参数预测模型是根据大量单位时间内的采样点数据和眨眼参数模型预先构建的。眨眼参数预测模型可以通过神经网络算法进行构建,神经网络算法为现有技术,在此不再赘述。将输入神经元对应的采样点数据与所述当前单位时间内的采样点数据的相关系数作为该输入神经元与目标中间神经元之间的权重,可以根据该相关系数对眨眼参数预测模型中的相关权重进行训练,以提高该眨眼参数预测模型的输出的眨眼参数模型的准确性。
在S13中,将从眨眼参数预测模型的输出层输出的眨眼参数模型最终确定为当前单位时间内的眨眼参数模型。
通过上述技术方案,一方面,可以根据与当前单位时间内相关性大的采样点数据对当前单位时间的眨眼参数模型进行有效且准确地预测,可以提高获得的眨眼参数模型的准确性。另一方面,在体动检测芯片的输出的信号有干扰或者有残缺时,利用该方法可以基于干扰信号或残缺信号获得准确的眨眼参数模型,有效拓宽该方法的适用范围,并为基于眨眼参数模型进行的相关检测提供有效的数据支持。
可选地,所述N个目标单位时间包括所述当前单位时间的前一单位时间;其中,与当前单位时间内的采样点数据的相关性最大的一般为与当前单位时间距离最近的各个单位时间内的采样点数据,因此,通过将与当前单位时间相邻的N个单位时间的采样点数据作为与当前单位时间的采样点数据进行相关性计算的基准,可以进一步提高眨眼参数预测模型输出的眨眼参数模型的准确性。
基于本公开的提供的上述方法,可以基于体动检测芯片输出的信号获得该信号对应的准确的眨眼参数模型,并且在体动检测芯片输出的信号有干扰或残缺时,也可以基于该方法获得准确的眨眼参数模型,因此,利用该方法可以根据体动检测芯片输出的信号进行疲劳检测。具体地,图2所示,为根据本公开的一种实施方式提供的疲劳检测方法的流程图,如图2所示,所述方法包括:
在S21中,根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型,其中,单位时间内的眨眼参数模型至少包括眨眼时间。
示例地,可以通过如下方式计算所述当前单位时间内的眨眼参数模型:
在单位时间内记录即时采样点数据Temp(v,t),t为采样时刻,v为体动检测芯片在t时刻输出的电压值。当v(Temp)随着t连续增大不间断,记录v(Temp)开始增大的时间点为T_begin,记录v(Temp)开始下降的点为t(peak),记录在t(peak)之后v(Temp)第一个开始增大的采样点之前的采样点的时间值为T_end。其中,t(m)表示m对应的时间值,v(m)表示m对应的电压值。
眨眼时间T_bli=T_end-T_begin。其中,若当前单位时间内确定出多个眨眼时间,将多个眨眼时间的平均值确定为当前单位时间内的眨眼参数模型中的眨眼时间。
可选地,眨眼参数模型还可以包括如下参数:
v(peak):采样点的电压值的极大值;
N:眨眼次数;
T_int:眨眼时间间隔;
Tr:采样点的电压值从v(T_begin)增大到v(peak)所需的时间;
Tf:采样点的电压值从v(peak)减小到v(T_end)所需的时间。
在S22中,在当前单位时间内的眨眼参数模型不满足第一预设条件时,保留计算出的所述当前单位时间内的眨眼参数模型;在当前单位时间内的眨眼参数模型满足所述第一预设条件时,忽略计算出的当前单位时间内的眨眼参数模型,并利用本公开提供的获取眨眼参数模型的方法重新确定当前单位时间内的眨眼参数模型,其中,所述第一预设条件为:计算出的所述当前单位时间内的眨眼参数模型与单位时间内的理想眨眼参数模型之间的偏差超过可接受水平,且所述当前时间内的眨眼参数模型中的任一参数超出由所述N个目标单位时间内的眨眼参数模型中的该参数所形成的参数范围。
在一实施例中,计算出的当前单位时间内的眨眼参数模型与单位时间内的理想眨眼参数模型之间的偏差超过可接受水平可以是:
当前单位时间内的眨眼参数模型中的任一参数、与单位时间内的理想眨眼参数模型中的该参数的偏差超过该参数对应的偏差可接受范围。示例地,眨眼参数模型中包括5个参数,每个参数都有对应的偏差可接受范围,例如,眨眼时间对应的偏差可接受范围为[-a,a],在当前单位时间内的眨眼参数模型中的眨眼时间与单位时间内的理想眨眼参数模型中眨眼时间的偏差为b,当b<-a或b>a时,可以确定当前单位时间内的眨眼参数模型中的眨眼时间与单位时间内的理想眨眼参数模型中的眨眼时间之间的偏差超过眨眼时间对应的偏差可接受范围,从而确定当前单位时间内的眨眼参数模型与单位时间内的理想眨眼参数模型之间的偏差超过可接受水平。
在另一实施例中,计算出的当前单位时间内的眨眼参数模型与单位时间内的理想眨眼参数模型之间的偏差超过可接受水平可以是:
当前单位时间内的眨眼参数模型中的参数、与单位时间内的理想眨眼参数模型中的对应参数的偏差超过该参数对应的偏差可接受范围,且偏差超过偏差可接受范围的参数的个数占眨眼参数模型中参数的总个数的比例达到预设比例。例如,预设比例为B,眨眼参数模型中共包括s个参数,其中存在t个参数与单位时间内的理想眨眼参数模型中的对应参数的偏差超过其对应的偏差可接受范围,在(t/s)≥B时,可以确定当前单位时间内的眨眼参数模型与单位时间内的理想眨眼参数模型之间的偏差超过可接受水平。
其中,根据N个目标单位时间内的眨眼参数模型中的各种参数的数值可以形成该种参数对应的参数范围。示例地,以眨眼时间为例,可以将N个目标单位时间内的眨眼参数模型中眨眼时间的最小值Tmin作为该参数范围的最小值,将N个目标单位时间内的眨眼参数模型中眨眼时间的最大值Tmax作为该参数范围的最大值,则N个目标单位时间内的眨眼参数模型中的眨眼时间所形成的参数范围为[Tmin,Tmax]。若当前单位时间内的眨眼参数模型中的眨眼时间T满足T<Tmin或T>Tmax时,则确定该眨眼时间超出N个目标单位时间内的眨眼参数模型中的眨眼时间所形成的参数范围。
因此,在当前单位时间内的眨眼参数模型满足第一预设条件时,表示当前单位时间内的眨眼参数模型中的至少一个参数出现异常,即计算得出的当前单位时间内的眨眼参数模型不准确。此时,可以根据本公开提供的获取眨眼参数模型的方法获取当前单位时间内的眨眼参数模型,可以保证当前单位时间内的眨眼参数模型的准确性,以避免由于该眨眼参数模型不准确而对疲劳检测结果造成的影响。同时,在当前单位时间内的眨眼参数模型不满足第一预设条件时,表示该眨眼参数模型比较准确,可以直接应用于后续的疲劳检测,可以避免对眨眼参数模型的重复获取,节省时间,提高处理效率。
在S23中,至少根据当前单位时间内的眨眼参数模型,确定被测用户是否处于疲劳状态。
可选地,所述至少根据当前单位时间内的眨眼参数模型,确定被测用户是否处于疲劳状态的一种示例实现方式如下,包括:
将所述当前单位时间的下一单位时间作为新的当前单位时间,并返回所述根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型的步骤,直到满足第二预设条件为止,并确定所述被测用户处于疲劳状态,其中,所述第二预设条件为:当存在连续P个单位时间内的所述眨眼时间均大于或等于眨眼时间阈值,P为大于或等于2的正整数。
获得当前单位时间内的眨眼参数模型后,在确定该眨眼参数模型中的眨眼时间大于或等于眨眼时间阈值时,记录连续的眨眼参数模型中眨眼时间大于或等于眨眼时间阈值的单位时间的个数。示例地,可以通过一计数器对该个数进行记录,该计数器初始化为0,在确定当前单位时间内的眨眼参数模型中的眨眼时间大于或等于眨眼时间阈值时,进行累加操作;在当前单位时间内的眨眼参数模型中的眨眼时间小于眨眼时间阈值时,进行初始化操作,其中,该计数方式仅为一种示例实现方式,本公开中对此不作限定。
示例地,T1-T7为连续的7个单位时间,P的取值为5,眨眼时间阈值为1s。在获得T1的眨眼参数模型时,确定该眨眼参数模型中的眨眼时间是否大于或等于1s,若该眨眼参数模型中的眨眼时间小于1s,返回S12计算T2的眨眼参数模型,在确定T2的眨眼参数模型中的眨眼时间大于或等于1s时,计数器进行累加操作。之后,确定出的T3、T4、T5的眨眼参数模型中的眨眼时间均大于或等于1s,此时,计数器的数值为4。之后,确定T6的眨眼参数模型中的眨眼时间是否大于或等于1s,若T6的眨眼参数模型中的眨眼时间大于或等于1s,计数器进行累加操作,此时计数器的数值为5,满足第二预设条件,可以确定被测用户处于疲劳状态。若T6的眨眼参数模型中的眨眼时间小于1s,计数器进行初始化操作,此时计数器的数值为0,之后,从T7开始重复上述步骤进行疲劳检测,在此不再赘述。
其中,人在处于正常状态时,其眨眼时间一般处于一正常的范围内,如0.2s-0.4s。因此,当被测用户在连续多个单位时间内的眨眼参数模型中的眨眼时间大于或等于眨眼时间阈值时,表示被测用户在连续多个单位时间内的眨眼时间较长,此时,可以确定被测用户处于疲劳状态。
在该技术方案中,通过对体动检测芯片输出的信号进行连续监测,从而可以根据用户在多个单位时间内的眨眼参数模型对被测用户的状态进行检测,从而可以及时、准确地确定出被测用户是否处于疲劳状态,以便于被测用户根据其状态进行相应的调整。
可选地,所述至少根据当前单位时间内的眨眼参数模型,确定被测用户是否处于疲劳状态的另一种示例实现方式如下,包括:
将所述当前单位时间的下一单位时间作为新的当前单位时间,并返回所述根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型的步骤,直到满足第二预设条件为止,其中,所述第二预设条件为:当存在连续P个单位时间内的眨眼参数模型中的所述眨眼时间均大于或等于眨眼时间阈值,P为大于或等于2的正整数;
自所述P个单位时间的下一单位时间起,逐一利用本公开提供的获取眨眼参数模型的方法确定出每个单位时间内的眨眼参数模型;
当自所述P个单位时间的下一单位时间起的Q个单位时间内不存在眨眼时间小于所述眨眼时间阈值的眨眼参数模型时,确定被测用户处于疲劳状态,其中,Q为大于或等于2的正整数。
其中,确定当前单位时间内的眨眼参数模型是否满足第二预设条件的方式与上文相同,在此不再赘述。示例地,当前单位时间为T10,且当前单位时间的眨眼参数模型满足第二预设条件。
对于自单位时间T11起的单位时间,利用本公开提供的获取眨眼参数模型的方法确定各个单位时间内的眨眼参数模型。
示例地,Q的取值为5,眨眼时间阈值为1s。在一实施例中,若T11-T15的单位时间内的眨眼参数模型中的眨眼时间均大于或等于1s时,可以确定被测用户处于疲劳状态。
在上述技术方案中,在连续多个单位时间内的眨眼参数模型中的眨眼时间大于或等于眨眼时间阈值时,表示被测用户连续出现眨眼时间过长的现象。之后,可以直接通过本公开提供的获取眨眼参数模型的方法,快速且准确地获得自该单位时间起的单位时间内的眨眼参数模型。因此,可以在被测用户连续出现眨眼时间较长的现象时,继续对被测用户之后的单位时间内的眨眼参数模型进行检测,可以有效避免偶然性状况对疲劳检测的影响,进一步提高疲劳检测的准确度。
可选地,在确定被测用户处于疲劳状态之后,可以对被测用户进行提示,以便于及时提醒用户,从而可以有效避免用户处于疲劳状态下可能出现的危险情况,贴合用户的使用需求。
可选地,所述至少根据当前单位时间内的眨眼参数模型,确定被测用户是否处于疲劳状态,还包括:
当所述Q个单位时间内存在眨眼时间小于所述眨眼时间阈值的眨眼参数模型时,确定所述被测用户未处于疲劳状态。
所述方法还包括:
将所述Q个单位时间中,眨眼时间小于所述眨眼时间阈值的眨眼参数模型所对应的单位时间的下一单位时间作为新的当前单位时间,并返回所述根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型的步骤。
在另一实施例中,若T12的眨眼参数模型中的眨眼时间为0.8s,即,该眨眼时间小于眨眼时间阈值1s时,此时可以确定被测用户未处于疲劳状态。并且将T13作为新的当前单位时间,返回根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型的步骤,即计算T13的眨眼参数模型。
其中,在被测用户持续在多个单位时间内的眨眼时间均大于或等于眨眼时间阈值时,表示被测用户在连续多个单位时间内眨眼时间较长。在之后的多个单位时间内的眨眼时间未持续保持大于或等于眨眼时间阈值时,表示被测用户此时未处于疲劳状态,可以将眨眼时间小于眨眼时间阈值的眨眼参数模型所对应的单位时间的下一单位时间作为新的当前单位时间,继续对被测用户的状态进行检测。通过上述技术方案,可以有效提高疲劳检测结果的准确度,并可以对被测用户的状态进行实时监测。
综上所述,在上述技术方案中,在根据当前单位时间内的采样点数据获得当前单位时间内的眨眼参数模型时,确定该眨眼参数模型是否为当前单位时间内的眨眼参数模型,从而可以避免眨眼参数模型不准确对后续疲劳检测造成的影响。在确定当前单位时间内的眨眼参数模型满足所述第一预设条件,即该眨眼参数模型不是当前单位时间内的眨眼参数模型时,通过本公开提供的获取眨眼参数模型的方法获得当前单位时间内的眨眼参数模型。其中,通过该获取眨眼参数模型的方法可以获得当前单位时间内的眨眼参数模型,提高该眨眼参数模型的准确度,从而为后续的疲劳检测提供准确的数据支持。通过上述技术方案,一方面,可以保证当前单位时间内的眨眼参数模型的准确性,从而可以保证基于该眨眼参数模型进行疲劳检测的结果的准确性。另一方面,也可以基于体动检测芯片输出的残缺信号进行疲劳检测,扩展该方法的适用范围,提升用户使用体验。
本公开还提供一种获取眨眼参数模型的装置,如图3所示,所述装置10包括:
第一计算模块100,用于逐一计算N个目标单位时间中的每个目标单位时间内的采样点数据与当前单位时间内的采样点数据的相关系数,其中,所述N个目标单位时间为所述当前单位时间之前连续的N个单位时间,且N为大于或等于2的正整数;
预测模块200,用于将与所述当前单位时间内的采样点数据的相关性最大的M组采样点数据输入至眨眼参数预测模型的输入层以进行眨眼参数模型的预测,其中,所述眨眼参数预测模型的输入层包括M个输入神经元,所述M组采样点数据与所述M个输入神经元一一对应,并且针对每个输入神经元,将该输入神经元对应的采样点数据与所述当前单位时间内的采样点数据的相关系数作为该输入神经元与目标中间神经元之间的权重,其中,所述目标中间神经元为所述眨眼参数预测模型的第一级隐层中的任一神经元,2≤M≤N;
第一确定模块300,用于将从所述眨眼参数预测模型的输出层输出的眨眼参数模型最终确定为所述当前单位时间内的眨眼参数模型。
可选地,所述N个目标单位时间包括所述当前单位时间的前一单位时间。
本公开还提供一种疲劳检测装置,如图4所示,所述装置20包括:
第二计算模块400,用于根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型,其中,单位时间内的眨眼参数模型至少包括眨眼时间;
第二确定模块500,用于在所述当前单位时间内的眨眼参数模型不满足第一预设条件时,保留计算出的所述当前单位时间内的眨眼参数模型;在所述当前单位时间内的眨眼参数模型满足所述第一预设条件时,忽略所述第二计算模块计算出的所述当前单位时间内的眨眼参数模型,并利用本公开提供的获取眨眼参数模型的装置重新确定所述当前单位时间内的眨眼参数模型,其中,所述第一预设条件为:所述第二计算模块计算出的所述当前单位时间内的眨眼参数模型与单位时间内的理想眨眼参数模型之间的偏差超过可接受水平,且所述当前时间内的眨眼参数模型中的任一参数超出由所述N个目标单位时间内的眨眼参数模型中的该参数所形成的参数范围;
第三确定模块600,用于至少根据当前单位时间内的眨眼参数模型,确定被测用户是否处于疲劳状态。
可选地,所述第三确定模块600用于:
将所述当前单位时间的下一单位时间作为新的当前单位时间,并触发所述第二计算模块根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型,直到满足第二预设条件为止,并确定所述被测用户处于疲劳状态,其中,所述第二预设条件为:当存在连续P个单位时间内的所述眨眼时间均大于或等于眨眼时间阈值,P为大于或等于2的正整数。
可选地,所述第三确定模块600包括:
第一确定子模块,用于将所述当前单位时间的下一单位时间作为新的当前单位时间,并触发所述第二计算模块根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型,直到满足第二预设条件为止,其中,所述第二预设条件为:当存在连续P个单位时间内的眨眼参数模型中的所述眨眼时间均大于或等于眨眼时间阈值,P为大于或等于2的正整数;
第二确定子模块,用于自所述P个单位时间的下一单位时间起,逐一利用本公开提供的获取眨眼参数模型的装置确定出每个单位时间内的眨眼参数模型;
第三确定子模块,用于在自所述P个单位时间的下一单位时间起的Q个单位时间内不存在眨眼时间小于所述眨眼时间阈值的眨眼参数模型时,确定被测用户处于疲劳状态,其中,Q为大于或等于2的正整数。
可选地,所述第三确定模块还包括:
第四确定子模块,用于当所述Q个单位时间内存在眨眼时间小于所述眨眼时间阈值的眨眼参数模型时,确定所述被测用户未处于疲劳状态;
所述装置20还包括:
第四确定模块,用于将所述Q个单位时间中,眨眼时间小于所述眨眼时间阈值的眨眼参数模型所对应的单位时间的下一单位时间作为新的当前单位时间,并触发所述第二计算模块根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型。
图5是根据一示例性实施例示出的一种电子设备700的框图。如图5所示,该电子设备700可以包括:处理器701,存储器702,多媒体组件703,输入/输出(I/O)接口704,以及通信组件705。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的获取眨眼参数模型的方法或疲劳检测方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的获取眨眼参数模型的方法或疲劳检测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,例如包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的获取眨眼参数模型的方法或疲劳检测方法。
图6是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以被提供为一服务器。参照图6,电子设备800包括处理器822,其数量可以为一个或多个,以及存储器832,用于存储可由处理器822执行的计算机程序。存储器832中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器822可以被配置为执行该计算机程序,以执行上述的获取眨眼参数模型的方法或疲劳检测方法。
另外,电子设备800还可以包括电源组件826和通信组件850,该电源组件826可以被配置为执行电子设备800的电源管理,该通信组件850可以被配置为实现电子设备800的通信,例如,有线或无线通信。此外,该电子设备800还可以包括输入/输出(I/O)接口858。电子设备800可以操作基于存储在存储器832的操作***,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,例如包括程序指令的存储器832,上述程序指令可由电子设备800的处理器822执行以完成上述的获取眨眼参数模型的方法或疲劳检测方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (8)
1.一种疲劳检测方法,其特征在于,所述方法包括:
根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型,其中,单位时间内的眨眼参数模型至少包括眨眼时间;
在所述当前单位时间内的眨眼参数模型不满足第一预设条件时,保留计算出的所述当前单位时间内的眨眼参数模型;在所述当前单位时间内的眨眼参数模型满足所述第一预设条件时,忽略计算出的所述当前单位时间内的眨眼参数模型,并重新确定所述当前单位时间内的眨眼参数模型,其中,所述第一预设条件为:计算出的所述当前单位时间内的眨眼参数模型与单位时间内的理想眨眼参数模型之间的偏差超过可接受水平,且所述当前时间内的眨眼参数模型中的任一参数超出由所述N个目标单位时间内的眨眼参数模型中的该参数所形成的参数范围;
至少根据当前单位时间内的所述眨眼参数模型,确定被测用户是否处于疲劳状态;
其中,所述确定所述当前单位时间内的眨眼参数模型,包括:
逐一计算N个目标单位时间中的每个目标单位时间内的采样点数据与当前单位时间内的采样点数据的相关系数,其中,所述N个目标单位时间为所述当前单位时间之前连续的N个单位时间,且N为大于或等于2的正整数;
将与所述当前单位时间内的采样点数据的相关性最大的M组采样点数据输入至眨眼参数预测模型的输入层以进行眨眼参数模型的预测,其中,所述眨眼参数预测模型的输入层包括M个输入神经元,所述M组采样点数据与所述M个输入神经元一一对应,并且针对每个输入神经元,将该输入神经元对应的采样点数据与所述当前单位时间内的采样点数据的相关系数作为该输入神经元与目标中间神经元之间的权重,其中,所述目标中间神经元为所述眨眼参数预测模型的第一级隐层中的任一神经元,2≤M≤N;
将从所述眨眼参数预测模型的输出层输出的眨眼参数模型最终确定为所述当前单位时间内的眨眼参数模型。
2.根据权利要求1所述的方法,其特征在于,所述N个目标单位时间包括所述当前单位时间的前一单位时间。
3.根据权利要求1所述的方法,其特征在于,所述至少根据当前单位时间内的所述眨眼参数模型,确定被测用户是否处于疲劳状态,包括:
将所述当前单位时间的下一单位时间作为新的当前单位时间,并返回所述根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型的步骤,直到满足第二预设条件为止,并确定所述被测用户处于疲劳状态,其中,所述第二预设条件为:当存在连续P个单位时间内的所述眨眼时间均大于或等于眨眼时间阈值,P为大于或等于2的正整数。
4.根据权利要求1所述的方法,其特征在于,所述至少根据当前单位时间内的所述眨眼参数模型,确定被测用户是否处于疲劳状态,包括:
将所述当前单位时间的下一单位时间作为新的当前单位时间,并返回所述根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型的步骤,直到满足第二预设条件为止,其中,所述第二预设条件为:当存在连续P个单位时间内的眨眼参数模型中的所述眨眼时间均大于或等于眨眼时间阈值,P为大于或等于2的正整数;
自所述P个单位时间的下一单位时间起,逐一利用权利要求1或2所述的方法确定出每个单位时间内的眨眼参数模型;
当自所述P个单位时间的下一单位时间起的Q个单位时间内不存在眨眼时间小于所述眨眼时间阈值的眨眼参数模型时,确定被测用户处于疲劳状态,其中,Q为大于或等于2的正整数。
5.根据权利要求4所述的方法,其特征在于,所述至少根据当前单位时间内的所述眨眼参数模型,确定被测用户是否处于疲劳状态,还包括:
当所述Q个单位时间内存在眨眼时间小于所述眨眼时间阈值的眨眼参数模型时,确定所述被测用户未处于疲劳状态;
所述方法还包括:
将所述Q个单位时间中,眨眼时间小于所述眨眼时间阈值的眨眼参数模型所对应的单位时间的下一单位时间作为新的当前单位时间,并返回所述根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型的步骤。
6.一种疲劳检测装置,其特征在于,所述装置包括:
第二计算模块,用于根据获得的当前单位时间内的采样点数据,计算所述当前单位时间内的眨眼参数模型,其中,单位时间内的眨眼参数模型至少包括眨眼时间;
第二确定模块,用于在所述当前单位时间内的眨眼参数模型不满足第一预设条件时,保留计算出的所述当前单位时间内的眨眼参数模型;在所述当前单位时间内的眨眼参数模型满足所述第一预设条件时,忽略所述第二计算模块计算出的所述当前单位时间内的眨眼参数模型,并利用获取眨眼参数模型的装置重新确定所述当前单位时间内的眨眼参数模型,其中,所述第一预设条件为:所述第二计算模块计算出的所述当前单位时间内的眨眼参数模型与单位时间内的理想眨眼参数模型之间的偏差超过可接受水平,且所述当前时间内的眨眼参数模型中的任一参数超出由所述N个目标单位时间内的眨眼参数模型中的该参数所形成的参数范围;
第三确定模块,用于至少根据当前单位时间内的所述眨眼参数模型,确定被测用户是否处于疲劳状态;
其中,所述获取眨眼参数模型的装置包括:
第一计算模块,用于逐一计算N个目标单位时间中的每个目标单位时间内的采样点数据与当前单位时间内的采样点数据的相关系数,其中,所述N个目标单位时间为所述当前单位时间之前连续的N个单位时间,且N为大于或等于2的正整数;
预测模块,用于将与所述当前单位时间内的采样点数据的相关性最大的M组采样点数据输入至眨眼参数预测模型的输入层以进行眨眼参数模型的预测,其中,所述眨眼参数预测模型的输入层包括M个输入神经元,所述M组采样点数据与所述M个输入神经元一一对应,并且针对每个输入神经元,将该输入神经元对应的采样点数据与所述当前单位时间内的采样点数据的相关系数作为该输入神经元与目标中间神经元之间的权重,其中,所述目标中间神经元为所述眨眼参数预测模型的第一级隐层中的任一神经元,2≤M≤N;
第一确定模块,用于将从所述眨眼参数预测模型的输出层输出的眨眼参数模型最终确定为所述当前单位时间内的眨眼参数模型。
7.一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,该程序被处理器执行时实现权利要求1-5所述方法的步骤。
8.一种电子设备,其特征在于,包括:
权利要求7中所述的计算机可读存储介质;以及
一个或者多个处理器,用于执行所述计算机可读存储介质中的程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711466152.0A CN108245171B (zh) | 2017-12-28 | 2017-12-28 | 获取参数模型的方法、疲劳检测方法及装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711466152.0A CN108245171B (zh) | 2017-12-28 | 2017-12-28 | 获取参数模型的方法、疲劳检测方法及装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108245171A CN108245171A (zh) | 2018-07-06 |
CN108245171B true CN108245171B (zh) | 2020-12-25 |
Family
ID=62724436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711466152.0A Active CN108245171B (zh) | 2017-12-28 | 2017-12-28 | 获取参数模型的方法、疲劳检测方法及装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108245171B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109259724B (zh) * | 2018-08-30 | 2021-11-12 | Oppo广东移动通信有限公司 | 一种用眼监控方法、装置、存储介质及穿戴式设备 |
CN109616201B (zh) * | 2018-11-09 | 2023-10-31 | 深圳职业技术大学 | 一种基于小数据动态预测模型的疲劳预警方法 |
CN112702194B (zh) * | 2020-12-16 | 2023-04-07 | 中国联合网络通信集团有限公司 | 室分小区故障定位方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09218375A (ja) * | 1996-02-08 | 1997-08-19 | Canon Inc | 疲労判定方法及びそれを用いた観察装置 |
WO2009128562A1 (ja) * | 2008-04-16 | 2009-10-22 | スカラ株式会社 | 疲労予防装置 |
CN101583313A (zh) * | 2007-01-19 | 2009-11-18 | 旭化成株式会社 | 觉醒状态判断模型生成装置、觉醒状态判断装置以及警告装置 |
CN106919913A (zh) * | 2017-02-21 | 2017-07-04 | 上海蔚来汽车有限公司 | 基于计算机视觉的疲劳驾驶检测方法及装置 |
CN107440714A (zh) * | 2017-09-07 | 2017-12-08 | 哈尔滨理工大学 | 一种专注度及眨眼动作提取装置及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008007152B4 (de) * | 2007-03-30 | 2019-01-17 | Volkswagen Ag | Verfahren zur Parametrisierung des Augenöffnungsgrades eines Fahrers eines Kraftfahrzeugs |
CN101642374A (zh) * | 2008-08-04 | 2010-02-10 | 南京大学 | 疲劳检测装置及方法 |
CN104598993B (zh) * | 2015-01-14 | 2017-11-03 | 南京信息工程大学 | 基于眨眼次数的驾驶员疲劳驾驶预测方法 |
US10016130B2 (en) * | 2015-09-04 | 2018-07-10 | University Of Massachusetts | Eye tracker system and methods for detecting eye parameters |
CN106384096B (zh) * | 2016-09-20 | 2018-07-10 | 西安科技大学 | 一种基于眨眼检测的疲劳驾驶监测方法 |
-
2017
- 2017-12-28 CN CN201711466152.0A patent/CN108245171B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09218375A (ja) * | 1996-02-08 | 1997-08-19 | Canon Inc | 疲労判定方法及びそれを用いた観察装置 |
CN101583313A (zh) * | 2007-01-19 | 2009-11-18 | 旭化成株式会社 | 觉醒状态判断模型生成装置、觉醒状态判断装置以及警告装置 |
WO2009128562A1 (ja) * | 2008-04-16 | 2009-10-22 | スカラ株式会社 | 疲労予防装置 |
CN106919913A (zh) * | 2017-02-21 | 2017-07-04 | 上海蔚来汽车有限公司 | 基于计算机视觉的疲劳驾驶检测方法及装置 |
CN107440714A (zh) * | 2017-09-07 | 2017-12-08 | 哈尔滨理工大学 | 一种专注度及眨眼动作提取装置及方法 |
Non-Patent Citations (2)
Title |
---|
Eye-blink rate detection for fatigue determination;Z. A. Haq and Z. Hasan;《2016 1st India International Conference on Information Processing (IICIP)》;20170713;第1-5页 * |
驾驶员疲劳检测实时控制***设计;唐新星等;《制造业自动化》;20161125;第44-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108245171A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108245171B (zh) | 获取参数模型的方法、疲劳检测方法及装置、介质及设备 | |
CN111656362B (zh) | 基于声音反馈的认知的和偶然的深度可塑性 | |
CN107784357B (zh) | 基于多模态深度神经网络的个性化智能唤醒***及方法 | |
CN107861915B (zh) | 获取预警阈值的方法、装置以及存储介质 | |
JP2020047285A (ja) | 優先順位付けされた経験メモリを使用したニューラルネットワークの訓練 | |
CN109697207A (zh) | 时序数据的异常监控方法及*** | |
CN111541626A (zh) | 网络带宽更新方法、装置、电子设备及存储介质 | |
CN110890998B (zh) | 一种确定阈值的方法及装置 | |
JP6277638B2 (ja) | 信号処理装置、信号処理方法及びコンピュータプログラム | |
KR20170015097A (ko) | 전력 관리 방법 및 장치 | |
CN112163280B (zh) | 一种自动驾驶场景的模拟方法、装置、设备以及存储介质 | |
CN115755564A (zh) | 基于睡眠分期预测的闹钟控制方法、雷达及存储介质 | |
EP3144705A1 (en) | Information processing device, anomaly detection method and recording medium | |
CN115390161A (zh) | 基于人工智能的降水预测方法及装置 | |
CN114091611A (zh) | 设备负载重量获取方法、装置、存储介质及电子设备 | |
CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
AU2012222079B2 (en) | Customizable policy engine | |
CN113867142A (zh) | 传感器控制方法、装置、电子设备及存储介质 | |
CN111930602B (zh) | 性能指标预测方法及装置 | |
JP5338705B2 (ja) | 運動状態検出方法及び運動状態検出装置 | |
CN111637975B (zh) | 一种腕温测量方法、装置及穿戴设备和存储介质 | |
CN113079033A (zh) | 一种流量控制方法、装置、电子设备及计算机可读介质 | |
CN116959495A (zh) | 一种语音信号信噪比估计方法、*** | |
CN109303565B (zh) | 一种睡眠状态的预测方法及装置 | |
CN108171118B (zh) | 眨眼信号数据处理方法、装置、可读存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |