CN113679396A - 疲劳识别模型的训练方法、装置、终端及介质 - Google Patents

Abstract

本申请公开了一种疲劳识别模型的训练方法、装置、终端及介质。其中方法包括：获取待训练的若干第一用户分别对应的脑电信号；根据若干第一用户分别对应的脑电信号，确定若干第一用户分别对应的脑电信号的功率谱；基于若干第一用户分别对应的脑电信号的功率谱，确定若干第一用户分别对应的脑电信号的疲劳参数；确定若干第一用户分别对应的脑电信号所属的疲劳等级；依据若干第一用户分别对应的脑电信号对应的疲劳等级和疲劳参数对预设的神经网络模型进行训练，得到疲劳识别模型。本申请实现了通过脑电信号检测被测用户疲劳等级的目的，进而扩大了疲劳识别模型的应用场景，提高了疲劳检测的精度。

Description

疲劳识别模型的训练方法、装置、终端及介质

技术领域

本申请涉及计算机技术领域，具体涉及一种疲劳识别模型的训练方法、装置、终端及介质。

背景技术

疲劳是指主观上一种疲乏无力的不适感觉，但客观上会在同等条件下，失去其完成原来所从事的正常活动或工作能力。作业员在疲劳状态下作业，极易引发事故，尤其是驾驶、工地施工等领域。相关技术中，仅能检测出被测用户是否疲劳，但无法给出被测用户的具体疲劳等级。因此，亟待发明一种自动化识别被测用户的疲劳状态，以及相应疲劳等级的方案。

发明内容

为了解决上述至少一个技术问题，本申请提供一种疲劳识别模型的训练方法、装置、终端及介质。

根据本申请的第一方面，提供了一种疲劳识别模型的训练方法，该方法包括：

获取待训练的若干第一用户分别对应的脑电信号；

根据若干第一用户分别对应的脑电信号，确定若干第一用户分别对应的脑电信号的功率谱；

基于若干第一用户分别对应的脑电信号的功率谱，确定若干第一用户分别对应的脑电信号的疲劳参数；

确定若干第一用户分别对应的脑电信号所属的疲劳等级；

依据若干第一用户分别对应的脑电信号所属的疲劳等级和疲劳参数对预设的神经网络模型进行训练，得到疲劳识别模型。

根据本申请的第二方面，提供了一种疲劳识别模型的训练装置，该装置包括：

脑电信号获取模块，用于获取待训练的若干第一用户分别对应的脑电信号；

频域特征提取模块，用于根据若干第一用户分别对应的脑电信号，确定若干第一用户分别对应的脑电信号的功率谱；

疲劳参数确定模块，用于基于若干第一用户分别对应的脑电信号的功率谱，确定若干第一用户分别对应的脑电信号的疲劳参数；

疲劳等级确定模块，用于确定若干第一用户分别对应的脑电信号所属的疲劳等级；

识别模型训练模块，用于依据若干第一用户分别对应的脑电信号所属的疲劳等级和疲劳参数对预设的神经网络模型进行训练，得到疲劳识别模型。

根据本申请的第三方面，提供了一种终端，该终端包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时以实现上述疲劳识别模型的训练方法。

根据本申请的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述疲劳识别模型的训练方法。

本申请实施例通过获取待训练的若干第一用户分别对应的脑电信号，以根据若干第一用户分别对应的脑电信号，确定若干第一脑电信号分别对应的功率谱，从而基于若干第一脑电信号分别对应的脑电信号的功率谱，确定若干第一用户分别对应的脑电信号的疲劳参数，确定若干第一用户分别对应的脑电信号所属的疲劳等级，进而依据若干第一用户分别对应的脑电信号所属的疲劳等级和疲劳参数对预设的神经网络模型进行训练，得到疲劳识别模型，这种通过确定不同用户的脑电信号的疲劳参数和疲劳等级来训练神经网络模型的方式，使得疲劳识别模型具有自动识别功率谱的功能，从而进一步实现通过脑电信号检测被测用户疲劳等级的目的，进而扩大了疲劳识别模型的应用场景，提高了疲劳检测的精度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。

图1为本申请实施例提供的一种疲劳识别模型的训练方法的流程示意图；

图2为本申请实施例提供的另一种疲劳识别模型的训练方法的流程示意图；以及

图3为本申请实施例提供的一种疲劳识别模型的训练装置的框图结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

根据本申请的一个实施例，提供了一种疲劳识别模型的训练方法，如图1所示，该方法包括步骤S101至步骤S105。

步骤S101：获取待训练的若干第一用户分别对应的脑电信号。

具体地，电子设备获取待训练的若干第一脑电信号。其中，电子设备可以为脑电信号的采集设备(如EEG采集设备)，也可以为脑机接口BCI设备，还可以是手机、平板、PC机、服务器等设备。例如，若电子设备为脑机接口BCI设备，该脑机接口BCI设备我可以与EEG采集设备连接，从而获取到由EEG采集设备采集到的脑电信号。

具体地，电子设备可以按照预设的采样频率，来获取待训练的若干第一脑电信号。

在本申请实施例中，若干第一用户分别对应的脑电信号用于表征不用疲劳程度的用户的脑电信号。其中，疲劳程度可以根据业务需求来进行划分。

步骤S102：根据若干第一用户分别对应的脑电信号，确定若干第一脑电信号分别对应的功率谱。

具体地，可以预先配置在电子设备部本地的多种频域特征提取算法，来确定若干第一脑电信号分别对应的功率谱。应用时，可以将其中一种频域特征提取算法设置为默认算法，也可以根据检测到的针对多种频域特征提取算法的选定操作，来确定对若干第一用户分别对应的脑电信号执行特征提取处理。

具体地，可以将若干第一用户分别对应的脑电信号发送至预定的算法服务器，从而实现利用算法服务器对若干第一用户分别对应的脑电信号进行频域特征提取的目的。

步骤S103：基于若干第一脑电信号分别对应的脑电信号的功率谱，确定若干第一用户分别对应的脑电信号的疲劳参数。

在本申请实施例中，疲劳参数用于表征脑电信号中某个波形或者某几个波形与整体波形的比值。

具体地，根据预设的疲劳参数算法来对若干第一脑电信号分别对应的脑电信号的功率谱进行处理，得到若干第一脑电信号分别对应的脑电信号的疲劳参数。

步骤S104：确定若干第一用户分别对应的脑电信号所属的疲劳等级。

在本申请实施例中，疲劳等级用于表征疲劳程度。应用时，可以根据业务需求(如对疲劳的识别精度的要求)来进行划分。例如，疲劳等级可以包括深度疲劳、浅度疲劳、清醒等。

具体地，疲劳等级一般根据脑电信号的标注来确定。

步骤S105：依据若干第一用户分别对应的脑电信号所属的疲劳等级和疲劳参数对预设的神经网络模型进行训练，得到疲劳识别模型。

具体地，预设的神经网络模型可以为随机森林模型、SVM支持向量机、DNN深度神经网络等。

具体地，可以将若干第一用户分别对应的脑电信号所属的疲劳等级和疲劳参数划分为两部分，一部分为训练数据，另一部分为验证数据，通过这两部分数据的训练调整神经网络模型的各项参数，以保证调整参数后的神经网络模型具有较高的识别精度。

本申请实施例通过获取待训练的若干第一用户分别对应的脑电信号，以根据若干第一用户分别对应的脑电信号，确定若干第一脑电信号分别对应的功率谱，从而基于若干第一脑电信号分别对应的脑电信号的功率谱，确定若干第一用户分别对应的脑电信号的疲劳参数，确定若干第一用户分别对应的脑电信号所属的疲劳等级，进而依据若干第一用户分别对应的脑电信号所属的疲劳等级和疲劳参数对预设的神经网络模型进行训练，得到疲劳识别模型，这种通过确定不同用户的脑电信号的疲劳参数和疲劳等级来训练神经网络模型的方式，使得疲劳识别模型具有自动识别功率谱的功能，从而进一步实现通过脑电信号检测被测用户疲劳等级的目的，进而扩大了疲劳识别模型的应用场景，提高了疲劳检测的精度。

在一些实施例中，步骤S104包括以下至少一个子步骤：

基于针对若干第一用户分别对应的脑电信号的标记操作，确定若干第一用户分别对应的脑电信号所属的疲劳等级；

基于预标注的若干第一用户分别对应的脑电信号的疲劳等级标识，确定若干第一用户分别对应的脑电信号所属的疲劳等级。

具体地，可以通过预设的交互界面向用户提供对不同脑电信号的标记处理，这种通过交互界面来进行标记的方式，起到了实时对脑电信号进行标记的效果，避免了脑电信号因未标记或漏标记，导致的无法对预设的神经网络模型进行训练的问题。应用时，在检测到用户输入的针对若干第一用户分别对应的脑电信号的标记操作时，确定若干第一用户分别对应的脑电信号所属的的疲劳等级。

本申请实施例通过预标记处理，使得电子设备在步骤S101获取到的脑电信号具有标记记录，从而减少了后续确定疲劳等级的步骤。

在一些实施例中，步骤S102包括：

基于预设在本地的频域特征提取算法，将若干第一用户分别对应的脑电信号分别转换为对应的功率谱。

具体地，频域特征提取算法预设的电子设备本地。

具体地，预设在本地的频域特征提取算法可以为傅里叶变换方法。

在一些实施例中，在步骤S102之前，该方法还包括：

对若干第一用户分别对应的脑电信号进行滤波、降噪、去伪、归一化处理。

具体地，可以先陷波滤波算法去除50Hz工频干扰，再采用预设的滤波器来对脑电信号中的高频信号和低频信号进行过滤。例如，若该滤波器的频率设置范围为：0.5～35HZ，那么通过该滤波器能够过滤掉大于35HZ的高频部分，以及小于5HZ的低频部分。

具体地，可以采用递归平均噪声算法、最小值跟踪算法、直方图噪声估计算法等，对脑电信号进行去燥处理。

具体地，可以使用主成分分析的方法，去除具有一定模式特征的眨眼肌电产生的干扰波形，实现对脑电信号的去伪处理。

具体地，可以照每10s内平均的伏值进行标准化，即每10s按照平均EEG强度标准化。

在一些实施例中，在步骤S102之前，该方法还包括：

将若干第一用户分别对应的脑电信号进行分段处理，得到若干第一用户分别对应的脑电信号各自对应的多个片段脑电信号，以分别确定若干第一用户分别对应的脑电信号各自对应的多个片段脑电信号各自对应的功率谱。

具体地，可以按照预定时间间隔来对脑电信号进行分段处理。例如，假设各个第一用户分别对应的脑电信号的时长为10秒，那么可以按照预定时长片段(如2秒)进行分段处理，这样后续对每个片段脑电信号按照步骤S102-步骤105进行处理。

在一些实施例中，如图1所示，步骤S103进一步包括：

步骤S1031：基于若干第一用户分别对应的脑电信号的功率谱，确定若干第一用户分别对应的脑电信号的θ波功率谱、α波功率谱和β波功率谱；

步骤S1032：依据若干第一用户分别对应的脑电信号的θ波功率谱、α波功率谱和β波功率谱，确定若干第一用户分别对应的脑电信号的疲劳参数；

其中，任一第一用户对应的脑电信号的疲劳参数包括该任一第一用户对应的脑电信号的θ波功率谱和α波功率谱总和在该任一第一用户对应的脑电信号的功率谱中所占的比重，以及该任一第一用户对应的脑电信号的β波功率谱在该任一第一用户对应的脑电信号的功率谱中所占的比重。

在一些实施例中，如图2所示，该方法还包括：

步骤S201：获取待识别的第二用户的脑电信号；

步骤S202：将第二用户的脑电信号转换为目标功率谱；

步骤S203：基于目标功率谱，确定针对第二用户的脑电信号的疲劳参数；

步骤S204：依据疲劳识别模型，确定第二用户的脑电信号的疲劳参数对应的疲劳等级。

具体地，可以参照步骤S102来将第二脑电信号转换为目标功率谱。

具体地，在将第二用户的脑电信号转换为目标功率谱之前，还可以对第二用户的脑电信号进行滤波、降噪、去伪、归一化处理。

具体地，可以参照步骤S1031和步骤S1032来确定针对第二用户的脑电信号的疲劳参数。

本申请实施例通过疲劳识别模型，不仅起到了检测脑电信号的疲劳等级的效果，还缩短了检测疲劳等级的时间，提高了疲劳检测的效率。

本申请的又一实施例提供了一种疲劳识别模型的训练装置，如图3所示，该装置30包括：脑电信号获取模块301、频域特征提取模块302、疲劳参数确定模块303、疲劳等级确定模块304以及识别模型训练模块305。

脑电信号获取模块301，用于获取待训练的若干第一用户分别对应的脑电信号；

频域特征提取模块302，用于提取若干第一用户分别对应的脑电信号的频域特征，得到若干第一用户分别对应的脑电信号的功率谱；

疲劳参数确定模块303，用于基于若干第一用户分别对应的脑电信号的功率谱，确定若干第一用户分别对应的脑电信号的疲劳参数；

疲劳等级确定模块304，用于确定若干第一用户分别对应的脑电信号所属的疲劳等级；

识别模型训练模块305，用于依据若干第一用户分别对应的脑电信号所属的疲劳等级和疲劳参数对预设的神经网络模型进行训练，得到疲劳识别模型。

本申请实施例通过获取待训练的若干第一用户分别对应的脑电信号，以根据若干第一用户分别对应的脑电信号，确定若干第一脑电信号分别对应的功率谱，从而基于若干第一脑电信号分别对应的脑电信号的功率谱，确定若干第一用户分别对应的脑电信号的疲劳参数，确定若干第一用户分别对应的脑电信号所属的疲劳等级，进而依据若干第一用户分别对应的脑电信号所属的疲劳等级和疲劳参数对预设的神经网络模型进行训练，得到疲劳识别模型，这种通过确定不同用户的脑电信号的疲劳参数和疲劳等级来训练神经网络模型的方式，使得疲劳识别模型具有自动识别功率谱的功能，从而进一步实现通过脑电信号检测被测用户疲劳等级的目的，进而扩大了疲劳识别模型的应用场景，提高了疲劳检测的精度。

进一步地，疲劳等级确定模块包括以下至少一个子模块：

第一确定子模块，用于基于针对若干第一用户分别对应的脑电信号的标记操作，确定若干第一用户分别对应的脑电信号所属的疲劳等级；

第二确定子模块，用于基于预标注的若干第一用户分别对应的脑电信号的疲劳等级标识，确定若干第一用户分别对应的脑电信号所属的疲劳等级。

进一步地，频域特征提取模块包括：

特征提取子模块，用于基于预设在本地的频域特征提取算法，将提取若干第一用户分别对应的脑电信号分别转换为对应的功率谱。

进一步地，根据若干第一用户分别对应的脑电信号，确定若干第一用户分别对应的脑电信号的功率谱之前，频域特征提取模块还包括：

信号预处理子模块，用于对提取若干第一用户分别对应的脑电信号进行滤波、降噪、去伪、归一化处理。

进一步地，根据若干第一用户分别对应的脑电信号，确定若干第一用户分别对应的脑电信号的功率谱步骤之前，频域特征提取模块还包括：

分段处理子模块，用于将提取若干第一用户分别对应的脑电信号进行分段处理，得到若干第一用户分别对应的脑电信号的多个片段脑电信号，以分别确定若干第一用户分别对应的脑电信号的多个片段脑电信号各自对应的功率谱。

进一步地，疲劳参数确定模块包括：

指定波频谱确定子模块，用于基于若干第一用户分别对应的脑电信号的功率谱，确定若干第一用户分别对应的脑电信号的θ波功率谱、α波功率谱和β波功率谱；

疲劳参数计算子模块，用于依据若干第一用户分别对应的脑电信号的θ波功率谱、α波功率谱和β波功率谱，确定若干第一用户的脑电信号的疲劳参数；

其中，任一第一用户的脑电信号的疲劳参数包括该任一第一用户的脑电信号的θ波功率谱和α波功率谱总和在该任一第一用户的脑电信号的功率谱中所占的比重，以及任一第一用户的脑电信号的β波功率谱在该任一第一用户的脑电信号的功率谱中所占的比重。

进一步地，该装置还包括：

待识别信号获取模块，用于获取待识别的第二用户的脑电信号；

待识别信号转换模块，用于将第二用户的脑电信号转换为目标功率谱；

待处理疲劳参数确定模块，用于基于目标功率谱，确定第二用户的脑电信号的疲劳参数；

疲劳等级确定模块，用于依据疲劳识别模型，确定针对第二用户的脑电信号的疲劳参数的疲劳等级。

本实施例的疲劳识别模型的训练装置可执行本申请实施例提供的疲劳识别模型的训练方法，其实现原理相类似，此处不再赘述。

本申请又一实施例提供了一种终端，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行计算机程序时以实现上述疲劳识别模型的训练方法。

具体地，处理器可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

具体地，处理器通过总线与存储器连接，总线可包括一通路，以用于传送信息。总线可以是PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。

存储器可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

可选的，存储器用于存储执行本申请方案的计算机程序的代码，并由处理器来控制执行。处理器用于执行存储器中存储的应用程序代码，以实现上述实施例提供的疲劳识别模型的训练装置的动作。

本申请又一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述疲劳识别模型的训练方法。

以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本申请的较佳实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种疲劳识别模型的训练方法，其特征在于，包括：

获取待训练的若干第一用户分别对应的脑电信号；

根据若干所述第一用户分别对应的脑电信号，确定若干所述第一用户分别对应的脑电信号的功率谱；

基于若干所述第一用户分别对应的脑电信号的功率谱，确定若干所述第一用户分别对应的脑电信号的疲劳参数；

确定若干所述第一用户分别对应的脑电信号所属的疲劳等级；

依据若干所述第一用户分别对应的脑电信号对应的疲劳等级和疲劳参数对预设的神经网络模型进行训练，得到疲劳识别模型。

2.根据权利要求1所述的方法，其特征在于，所述确定若干所述第一用户分别对应的脑电信号所属的疲劳等级，包括以下至少一个步骤：

基于针对若干所述第一用户分别对应的脑电信号的标记操作，确定若干所述第一用户分别对应的脑电信号所属的疲劳等级；

基于预标注的若干所述第一用户分别对应的脑电信号的疲劳等级标识，确定若干所述第一用户分别对应的脑电信号所属的疲劳等级。

3.根据权利要求1所述的方法，其特征在于，所述根据若干所述第一用户分别对应的脑电信号，确定若干所述第一用户分别对应的脑电信号的功率谱的步骤，包括：

基于预设在本地的频域特征提取算法，将提取若干所述第一用户分别对应的脑电信号分别转换为对应的功率谱。

4.根据权利要求1所述的方法，其特征在于，所述根据若干所述第一用户分别对应的脑电信号，确定若干所述第一用户分别对应的脑电信号的功率谱的步骤之前，所述方法还包括：

对提取若干所述第一用户分别对应的脑电信号进行滤波、降噪、去伪、归一化处理。

5.根据权利要求1所述的方法，其特征在于，所述提取若干所述第一用户分别对应的脑电信号的频域特征的步骤之前，所述方法还包括：

将提取若干所述第一用户分别对应的脑电信号进行分段处理，得到若干所述第一用户分别对应的脑电信号的多个片段脑电信号，以分别确定若干所述第一用户分别对应的脑电信号的多个片段脑电信号各自对应的功率谱。

6.根据权利要求1所述的方法，其特征在于，所述基于提取若干所述第一用户分别对应的脑电信号的功率谱，确定提取若干所述第一用户分别对应的脑电信号的疲劳参数的步骤，包括：

基于若干所述第一用户分别对应的脑电信号的功率谱，确定若干所述第一用户分别对应的脑电信号的θ波功率谱、α波功率谱和β波功率谱；

依据若干所述第一用户分别对应的脑电信号的θ波功率谱、α波功率谱和β波功率谱，确定若干所述第一用户的脑电信号的疲劳参数；

其中，任一所述第一用户的脑电信号的疲劳参数包括该任一所述第一用户的脑电信号的θ波功率谱和α波功率谱总和在该任一所述第一用户的脑电信号的功率谱中所占的比重，以及任一所述第一用户的脑电信号的β波功率谱在该任一所述第一用户的脑电信号的功率谱中所占的比重。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取待识别的第二用户的脑电信号；

将所述第二用户的脑电信号转换为目标功率谱；

基于所述目标功率谱，确定所述第二用户的脑电信号的疲劳参数；

依据所述疲劳识别模型，确定针对所述第二用户的脑电信号的疲劳参数的疲劳等级。

8.一种疲劳识别模型的训练装置，其特征在于，包括：

脑电信号获取模块，用于获取待训练的若干第一用户分别对应的脑电信号；

频域特征提取模块，用于根据若干所述第一用户分别对应的脑电信号，确定若干所述第一用户分别对应的脑电信号的功率谱；

疲劳参数确定模块，用于基于若干所述第一用户分别对应的脑电信号的功率谱，确定若干所述第一用户分别对应的脑电信号的疲劳参数；

疲劳等级确定模块，用于确定若干所述第一用户分别对应的脑电信号所属的疲劳等级；

识别模型训练模块，用于依据若干所述第一用户分别对应的脑电信号对应的疲劳等级和疲劳参数对预设的神经网络模型进行训练，得到疲劳识别模型。

9.一种终端，包括：存储器、处理器及存储在该存储器上并可在该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1至7中任一项所述的方法。

10.一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1-7任一项所述的方法。

Images