操作人员岗前疲劳检测方法和系统

摘要

本发明提供了一种操作人员岗前疲劳检测方法和系统，包括：基于实验方法设计目标仿真实验，并在目标仿真实验过程获取实验数据集；对心率变异性数据进行分析，得到关于心率变异性数据的数据指标；以眼动的生理数据作为疲劳标签、并用主观量表数据和精神运动警戒任务数据进行检验、以数据指标作为疲劳特征，对实验数据集进行特征的提取与识别，得到预处理后的数据集；将预处理后的数据集划分为训练数据集与测试数据集，利用机器学习的方法对预设疲劳检测模型在训练数据集上进行训练、并在测试数据集上进行测试，得到训练之后的疲劳检测模型。本发明缓解了现有技术中存在的测量不准确和测量效率低的技术问题。

说明书

技术领域

本发明涉及疲劳检测技术领域，尤其是涉及一种操作人员岗前疲劳检测方法和系统。

背景技术

疲劳被认为是在更大范围内造成事故、伤害和死亡的一个重要因素，这意味着疲劳的人更有可能做出不安全的行为。疲劳对在很多行业都有着重要的影响，例如道路、航空、航海等运输行业，以及其他职业环境(如医院、机械工厂等)，特别涉及到轮班，不定期的工作时间时。无论实在工作时间还是在休息时间，几乎每个都会有疲劳的时候，因此事故和受伤的风险会增加。疲劳会对产生人产生一些负面的效应，例如动作迟缓，反应时间边长，注意力不集中，更容易做出错误的决策等，这些效应已经在很多引人注目的事故中被发现。

疲劳或嗜睡检测是一个重要的研究课题，并且成功地开发了很多用于疲劳检测的技术：量表测量，性能测量、行为测量和生理数据测量等。量表测量是操作者根据自我疲劳的评估，并填写卡罗琳斯卡嗜睡量表(Karolinska Sleepiness Scale，KSS)和斯坦福嗜睡量表(Stanford Sleepiness Scale，SSS)，这种测量方式依赖操作者的主观感受，会忽略一些疲劳的微小变化；性能测量是指对操作人员的任务性能表现进行评估，常见的有精神运动警戒测试(Psychomotor Vigilance Task，PVT)等；行为测量是指使用摄像头对操作人员的面部动作和表情进行捕捉，基于机器视觉技术识别眨眼、打哈欠、点头等面部表情，这种方法需要能够实时补货操作人员的行为特征，且如果操作人员刻意去抑制，这种方法的效率将大大降低；生理数据测量与操作人员的精神状态高度相关，并且对疲劳检测最敏感，但是要求操作员佩戴必要的感官设备，记录如脑电图(Electroencephalogram，EEG)、心电图(Electrocardiogram，ECG)、眼电图(Electro－oculogram，EOG)等。因此，现有的疲劳测量技术存在着测量不准确和测量效率低的问题。

发明内容

有鉴于此，本发明的目的在于提供一种操作人员岗前疲劳检测方法和系统，以缓解现有技术中存在的测量不准确和测量效率低的技术问题。

第一方面，本发明实施例提供了一种操作人员岗前疲劳检测方法，包括：基于实验方法设计目标仿真实验，并在所述目标仿真实验过程获取实验数据集；所述目标仿真实验为在不同时间段、在多属性任务平台上基于仿真场景开展的操作人员疲劳性实验；所述实验数据集包括：心率变异性数据、眼动的生理数据、主观量表数据和精神运动警戒任务数据；对所述心率变异性数据进行分析，得到关于所述心率变异性数据的数据指标；以所述眼动的生理数据作为疲劳标签、并用所述主观量表数据和所述精神运动警戒任务数据进行检验、以所述数据指标作为疲劳特征，对所述实验数据集进行特征的提取与识别，得到预处理后的数据集；将所述预处理后的数据集划分为训练数据集与测试数据集，利用机器学习的方法对预设疲劳检测模型在所述训练数据集上进行训练、并在所述测试数据集上进行测试，得到训练之后的疲劳检测模型；利用所述训练之后的疲劳检测模型，对待测操作人员进行岗前疲劳检测。

进一步地，对所述心率变异性数据进行分析，得到所述心率变异性数据的数据指标，包括：将所述心率变异性数据划分为多个时间切片；对每一个时间切片内的数据分别进行时域分析、频域分析和非线性分析，得到关于所述心率变异性数据的数据指标。

进一步地，所述眼动的生理数据包括总眨眼时间和单位眨眼时间；用所述主观量表数据和所述精神运动警戒任务数据进行检验，包括：将所述总眨眼时间与所述主观量表数据进行相关性分析，验证所述单位眨眼时间和主观疲劳之间的相关性；将所述总眨眼时间与所述精神运动警戒任务数据进行相关性分析，验证所述单位眨眼时间和所述精神运动警戒任务数据之间的相关性。

进一步地，所述主观量表数据包括卡罗琳斯卡嗜睡量表数据和斯坦福嗜睡量表数据；所述精神运动警戒任务数据包括反应时间。

进一步地，所述方法还包括：将所述单位眨眼时间与所述数据指标进行相关性分析，提取相关性系数最高的数据指标作为所述疲劳特征。

进一步地，利用所述训练之后的疲劳检测模型，对待测操作人员进行岗前疲劳检测，包括：获取所述待测操作人员的心率变异性数据；以所述待测操作人员的心率变异性数据作为输入，输入到所述训练之后的疲劳检测模型，得到所述待测操作人员的岗前疲劳检测结果。

第二方面，本发明实施例还提供了一种操作人员岗前疲劳检测系统，包括：实验模块，分析模块，提取模块，训练模块和检测模块；其中，所述实验模块，用于基于实验方法设计目标仿真实验，并在所述目标仿真实验过程获取实验数据集；所述目标仿真实验为在不同时间段、在多属性任务平台上基于仿真场景开展的操作人员疲劳性实验；所述实验数据集包括：心率变异性数据、眼动的生理数据、主观量表数据和精神运动警戒任务数据；所述分析模块，用于对所述心率变异性数据进行分析，得到关于所述心率变异性数据的数据指标；所述提取模块，用于以所述眼动的生理数据作为疲劳标签、并用所述主观量表数据和所述精神运动警戒任务数据进行检验、以所述数据指标作为疲劳特征，对所述实验数据集进行特征的提取与识别，得到预处理后的数据集；所述训练模块，用于将所述预处理后的数据集划分为训练数据集与测试数据集，利用机器学习的方法对预设疲劳检测模型在所述训练数据集上进行训练、并在所述测试数据集上进行测试，得到训练之后的疲劳检测模型；所述检测模块，用于利用所述训练之后的疲劳检测模型，对待测操作人员进行岗前疲劳检测。

进一步地，所述检测模块，还用于：获取所述待测操作人员的心率变异性数据；以所述待测操作人员的心率变异性数据作为输入，输入到所述训练之后的疲劳检测模型，得到所述待测操作人员的岗前疲劳检测结果。

第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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时实现上述第一方面所述的方法的步骤。

第四方面，本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述第一方面所述方法。

本发明提供了一种操作人员岗前疲劳检测方法和系统，综合运用了量表测量、行为测量和生理数据测量的实验方法，确定操作人员的岗前疲劳检测模型，该模型可以准确检测出操作人员的疲劳状态，并且检测过程简单、高效，缓解了现有技术中存在的测量不准确和测量效率低的技术问题。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种操作人员岗前疲劳检测方法的流程图；

图2为本发明实施例提供的另一种操作人员岗前疲劳检测方法的流程流程图；

图3为本发明实施例提供的一种操作人员岗前疲劳检测方法数据分析的技术路线图；

图4为本发明实施例提供的一种针对民航飞行员设计的总的实验流程图；

图5为本发明实施例提供的一种操作人员岗前疲劳检测系统的示意图；

图6为本发明实施例提供的一种疲劳检测装置的示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例一：

图1为根据本发明实施例提供的一种操作人员岗前疲劳检测方法的流程图。如图1所示，该方法具体包括如下步骤：

步骤S102，基于实验方法设计目标仿真实验，并在目标仿真实验过程获取实验数据集；目标仿真实验为在不同时间段、在多属性任务平台上基于仿真场景开展的操作人员疲劳性实验；实验数据集包括：心率变异性数据(Heart Rate Variability，HRV)、眼动的生理数据、主观量表数据和精神运动警戒任务数据(Psychomotor Vigilance Task，PVT)。

在本发明实施例中，首先对于参与目标仿真实验的操作人员进行睡眠剥夺，然后再在不同时间段、在多属性任务平台上基于仿真场景开展疲劳性实验，主要目的是为了诱发操作人员不同的疲劳等级。

可选地，在本发明实施例中，眼动的生理数据包括总眨眼时间和单位眨眼时间；主观量表数据包括卡罗琳斯卡嗜睡量表数据(Karolinska Sleepiness Scale，KSS)和斯坦福嗜睡量表数据(Stanford Sleepiness Scale，SSS)；精神运动警戒任务数据包括反应时间。

步骤S104，对心率变异性数据进行分析，得到关于心率变异性数据的数据指标。

具体的，将心率变异性数据划分为多个时间切片；对每一个时间切片内的数据分别进行时域分析、频域分析和非线性分析，得到关于心率变异性数据的数据指标。

步骤S106，以眼动的生理数据作为疲劳标签、并用主观量表数据和精神运动警戒任务数据进行检验、以数据指标作为疲劳特征，对实验数据集进行特征的提取与识别，得到预处理后的数据集。

其中，用主观量表数据和精神运动警戒任务数据进行检验，包括：

将总眨眼时间与主观量表数据进行相关性分析，验证单位眨眼时间和主观疲劳之间的相关性；

将总眨眼时间与精神运动警戒任务数据进行相关性分析，验证单位眨眼时间和精神运动警戒任务数据之间的相关性。

可选地，在本发明实施例中，将单位眨眼时间与数据指标进行相关性分析，提取相关性系数最高的数据指标作为疲劳特征。

步骤S108，将预处理后的数据集划分为训练数据集与测试数据集，利用机器学习的方法对预设疲劳检测模型在训练数据集上进行训练、并在测试数据集上进行测试，得到训练之后的疲劳检测模型。

可选地，在本发明实施例中，将预处理后的数据集按照比例划分为训练数据集和测试数据集，例如，比例可以为7：3，以在模型训练过程中，保证模型的精度。

步骤S110，利用训练之后的疲劳检测模型，对待测操作人员进行岗前疲劳检测。

具体的，获取待测操作人员的心率变异性数据；以待测操作人员的心率变异性数据作为输入，输入到训练之后的疲劳检测模型，得到待测操作人员的岗前疲劳检测结果。其中，检测结果包括待测操作人员的疲劳等级。

本发明提供了一种操作人员岗前疲劳检测方法，综合运用了量表测量、行为测量和生理数据测量的实验方法，确定操作人员的岗前疲劳检测模型，该模型可以准确检测出操作人员的疲劳状态，并且检测过程简单、高效，缓解了现有技术中存在的测量不准确和测量效率低的技术问题。

可选地，图2为根据本发明实施例提供的另一种操作人员岗前疲劳检测方法的流程流程图。如图2所示，该方法具体包括以下步骤：

步骤S1，根据实验方法设计实验，在不同时间段、在多属性任务平台上依据仿真场景开展实验。

具体地，步骤S1还包括两个子步骤：

子步骤S11，针对不同岗位，设计出不同的实验方案，需要考虑的有睡眠剥夺的时间和在仿真的场景下开展实验的时间间隔。

具体地，对被试进行睡眠剥夺实验的目的是尽可能使被试达到不同等级的嗜睡疲劳状态，不同的时间间隔下做实验可以记录被试不同嗜睡疲劳水平下的相关实验数据。

具体地，多属性任务平台应当能包括操作人员操作对应的元任务，即模拟实验的操作模式应该包含对操作人员各项操作的概括。多属性任务平台应该至少包含：系统监测、资源管理、追踪、通讯、计划进度等元任务。进行仿真任务的主要目的是建立一套标准化的操作流程，从而使后续疲劳检测模型更方便的使用。

子步骤S12，实验设计方法包括：实验设备，实验人员，实验流程以及注意事项等，同时选取适当的实验设备，其中至少包含心电采集设备和眼动采集设备，所用设备应至少能收集HRV数据和眨眼时间的相关信息。

具体地，针对不同的岗位，要选取该岗位的工作人员作为实验人员，并针对岗位工作设计与其工作相适应的模拟实验。模拟实验需要考虑的因素有任务时长、任务难度、任务顺序等。并且操作人员在正式开始实验之前需要进行多次的预实验来消除练习效应。

具体地，实验所选取的心电采集设备应尽可能采取精度较高的设备，如医疗级相关器械；所选取的眼动设备应能准确记录被试的眨眼相关数据，如眼动仪等。

步骤S2，在实验过程中采集HRV数据、眼动的生理数据、主观量表数据和PVT数据。

具体地，步骤S2还包括三个子步骤：

子步骤S21，对提取的HRV数据进行时域分析、频域分析和非线性分析，并划分时间切片，提取切片内的数据指标。

具体地，对获取的HRV数据划分时间切片，对每一个时间切片数据进行时域分析、频域分析和非线性分析，由于本发明实施例所提出的实验所收集到的个体数可能较少，可以适当减少时间切片的长度来增加数据量，以提高模型的准确率。

子步骤S22，提取眼动的生理数据中眨眼相关数据，并计算单位眨眼时间：UBT＝BT/AT。其中，UBT为单位眨眼时间，BT表示一段时间内眼睛闭合的时间之和，AT表示参与计算的总时间。

具体地，进行实验的过程中，采集眼动的生理数据与HRV数据的时间窗口是同步的，因此，在划分眼动的生理数据的时间切片时应该与HRV数据相对应。

子步骤S23，每次进行多属性任务平台仿真任务之前，填写卡罗琳斯卡嗜睡量表和斯坦福嗜睡量表；每次实验之后进行PVT测试，获得反应时间MRT，为后续验证标签的有效性提供参考。

可选地，在本发明实施例中，反应时间MRT通过如下算式计算：MRT＝RT/SN；其中，RT为总反应时间，SN为刺激次数。

在本发明实施例中，操作人员的生理状态的影响因素会因为操作人员的个体差异性而在相同的诱发条件下产生不同的诱发效果，例如同样剥夺12小时的睡眠的情况下，不同实验人员会产生不同程度的疲劳变化，因此，在每次进行实验时需要对被试进行诱发效果的检验。例如，在每次实验前利用嗜睡量表检验被试的主观疲劳水平，在每次实验后用PVT检测被试的反应水平，这两项指标也是本发明实施例后续用于检验单位眨眼时间作为疲劳标签的重要依据。

步骤S3，将预处理过的数据进行描述性统计分析，将眼动的生理数据作为标签，并用主观量表数据和PVT数据进行检验，将分析后的HRV数据的指标作为特征，进行特征的提取与识别，得到训练用的数据集。

具体的，步骤S3还包括三个子步骤：

子步骤S31，将每次实验的总眨眼时间与KSS和SSS量表进行相关性分析，验证单位眨眼时间和主观疲劳之间的相关性。

可选地，用皮尔逊相关性检验来检验每次实验的总眨眼时间与主观量表之间的相关性，去除相关性不显著的实验数据。主观疲劳数据是本发明实施例中用于划分疲劳等级的指标。

子步骤S32，将每次实验的总眨眼时间与MRT进行相关性分析，验证单位眨眼时间和MRT之间的相关性。

可选地，用皮尔逊相关性检验来检验每次实验的总眨眼时间与MRT之间的相关性，去除相关性不显著的实验数据。

子步骤S33，确定单位眨眼时间为疲劳标签，将单位眨眼时间与HRV指标之间进行相关性分析，将相关性显著且相关系数高的指标提取出来作为疲劳特征。

具体地，将提取的同一时间切片内的HRV的指标与单位眨眼时间进行相关性分析，提取显著相关且相关系数较高的指标作为疲劳特征。

步骤S4，用机器学习的方法对数据集进行训练并验证，得到操作人员的岗前疲劳检测模型。

具体的，步骤S4还包括两个子步骤：

子步骤S41，将数据集按照7：3的比例划分训练数据集和测试数据集，由于本发明实施例中的疲劳与不疲劳的数据不平衡，在划分数据集之前采用过采样的方法平衡数据，以提高模型的效果。接着用不同的机器学习算法对模型在训练数据集上进行训练，得到多个岗前操作人员疲劳检测模型，并在测试数据集上进行测试，以保证模型的精度。

可选地，机器学习算法包括：支持向量机、K最近邻分类、决策树、朴素贝叶斯、随机森林和神经网络等。

子步骤S42，在测试集上用准确率、F1值、精度等指标对模型的泛化能力进行检验，选择泛化能力最高的模型作为最终模型。具体数据分析的技术路线图如图3所示，图3为根据本发明实施例提供的一种操作人员岗前疲劳检测方法数据分析的技术路线图。

可选地，针对训练出的训练模型可以通过不同的方法进行评价，而常见的评价指标包括：正确率、召回率、灵敏度、特异度、F1值、ROC曲线等。其中F1值是平衡正确率和召回率的重要指标，也是本发明实施例后续用于评价模型泛化能力的所应用的指标。

由以上描述可知，本发明实施例设计了一套睡眠剥夺实验流程，通过多属性任务平台提供实验任务，并在每次实验中测量了多维数据，包括主观疲劳数据，HRV数据，眼动数据和行为数据等；然后，本发明实施例提供的方法将主观数据、行为数据与单位眨眼时间数据进行了相关性分析，验证了单位眨眼时间作为疲劳标签的有效性；最后，本发明实施例提供的方法利用HRV的相关指标作为疲劳特征，基于睡眠剥夺实验收集到的实验人员的数据，可以训练出操作人员岗前疲劳检测模型。在应用过程中，操作人员只需佩戴记录心电的数据设备进行几分钟简单的多属性平台操作任务，就可检测出疲劳状态。该方法的侵入性低，效率高，可为决策者提供指导。

实施例二：

由于上述实施例一中所提供的操作人员岗前疲劳检测方法可以应用于多种场景，本发明实施例结合具体的民航飞行员岗前疲劳检测与筛查的场景来描述具体实施例。

现如今人们越来越多的选择民航作为交通工具，作为快速发展的行业，民航飞行的安全一直以来受到民众的高度关注。疲劳是影响飞行员飞行安全的一个重要因素，在岗前短时间内进行快速疲劳检测和筛查，从而进行人为的干预，可以对降低事故的风险起到关键的作用。为此本发明实施例针对飞行员的工作场景和操作任务，用多属性任务平台设计了模拟实验，并设计了睡眠剥夺实验，每次实验时间间隔为4小时。从第一天早上的7点开始，到第二天早上7点为止，每次实验的总时长15分钟。

每次实验前填写KSS和SSS量表记录被试的主观疲劳水平，在进行模拟实验的过程中用实验设备同步记录被试的眼动数据和心电数据，模拟实验结束后被试进行PVT测试，记录测试过程中的平均反应时间。图4为本发明实施例提供的一种针对民航飞行员设计的总的实验流程图。

在本申请实施例中，对采取到的HRV数据以一分钟为单位划分时间切片，并对切片内的HRV数据进行时域、频域和非线性分析，得到相关的指标。其中部分相关的指标如表1所示。

表1 HRV的指标

本申请实施例提供的方法，采用眼动仪对采集被试的眼动数据，提取被试的眨眼相关数据，计算单位眨眼时间，计算公式如下：

优选地，本申请实施例中参与计算的时间综合即切片的长度，为1分钟。

收集被试实验前和试验后的评价数据。实验前的主观疲劳用卡罗琳斯卡嗜睡量表和斯坦福嗜睡量表进行检验；实验后的被试反应能力通过精神运动警戒测试记录被试的反应时间，收集到的数据存储到储存单元中。

将每次实验总眨眼时间与KSS和SSS量表进行皮尔逊相关性检验，去除相关性不显著的数据，并根据主观量表的等级将疲劳分为三个等级：不疲劳，一般疲劳和重度疲劳，如表2所示。

表2疲劳等级划分表

将每次实验总眨眼时间与MRT数据进行皮尔逊相关性检验，去除相关性不显著的数据。

经过上述步骤最终将单位眨眼时间作为疲劳标签，疲劳标签的疲劳等级与KSS与SSS主观疲劳量表的分值相对应。用经过筛选的在同一时间切片内的HRV数据的指标与单位眨眼时间进行相关性分析，选择相关性显著且相关系数高的指标作为疲劳特征。

由于本发明施例中疲劳、一般疲劳和严重疲劳的数据不平衡，因此在划分数据集之前，用过采样的方法进行类别平衡以提高后续模型的准确率。将处理好的数据集按照7：3划分训练数据集和测试数据集，选择不同的机器学习算法对模型进行训练。可以选择的机器学习算法有：支持向量机、K最近邻分类、决策树、朴素贝叶斯、随机森林和神经网络等。

在测试数据集上用F1值对模型的泛化能力进行检验，选择F1值最高的模型作为最终的模型。最终经过上述步骤可以得到操作人员岗前疲劳快速检测模型，再上岗之前只需进行10分钟的模拟实验并采集HRV数据就可以检测出操作人员疲劳状态，从而施行相应的预防措施以降低风险。

实施例三：

图5为根据本发明实施例提供的一种操作人员岗前疲劳检测系统的示意图。如图5所示，该系统包括：实验模块10，分析模块20，提取模块30，训练模块40和检测模块50。

具体的，实验模块10，用于基于实验方法设计目标仿真实验，并在目标仿真实验过程获取实验数据集；目标仿真实验为在不同时间段、在多属性任务平台上基于仿真场景开展的操作人员疲劳性实验；实验数据集包括：心率变异性数据、眼动的生理数据、主观量表数据和精神运动警戒任务数据。

分析模块20，用于对心率变异性数据进行分析，得到关于心率变异性数据的数据指标。

可选地，分析模块20，还用于将心率变异性数据划分为多个时间切片；对每一个时间切片内的数据分别进行时域分析、频域分析和非线性分析，得到关于心率变异性数据的数据指标。

提取模块30，用于以眼动的生理数据作为疲劳标签、并用主观量表数据和精神运动警戒任务数据进行检验、以数据指标作为疲劳特征，对实验数据集进行特征的提取与识别，得到预处理后的数据集。

可选地，提取模块30，还用于将总眨眼时间与主观量表数据进行相关性分析，验证单位眨眼时间和主观疲劳之间的相关性；将总眨眼时间与精神运动警戒任务数据进行相关性分析，验证单位眨眼时间和精神运动警戒任务数据之间的相关性。

训练模块40，用于将预处理后的数据集划分为训练数据集与测试数据集，利用机器学习的方法对预设疲劳检测模型在训练数据集上进行训练、并在测试数据集上进行测试，得到训练之后的疲劳检测模型。

检测模块50，用于利用训练之后的疲劳检测模型，对待测操作人员进行岗前疲劳检测。

具体地，检测模块50，还用于获取待测操作人员的心率变异性数据；以待测操作人员的心率变异性数据作为输入，输入到训练之后的疲劳检测模型，得到待测操作人员的岗前疲劳检测结果。

本发明提供了一种操作人员岗前疲劳检测系统，综合运用了量表测量、行为测量和生理数据测量的实验方法，确定操作人员的岗前疲劳检测模型，该模型可以准确检测出操作人员的疲劳状态，并且检测过程简单、高效，缓解了现有技术中存在的测量不准确和测量效率低的技术问题。

本发明实施例还提供了一种电子设备，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实现上述实施例一和实施例二中的方法的步骤。

本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述实施例一和实施例二中的方法。

实施例四：

图6为根据本发明实施例提供的一种疲劳检测装置的示意图。如图6所示，该装置包括：实验单元410、存储单元420和计算单元430。

具体地，实验单元410，被配置为可制定场景与任务下的模拟实验，同时包含心电设备能在实验过程中对被试的HRV数据进行采集，此外也提供预设的量表供被试在实验前对主观疲劳状态进行采集，和PVT实验的程序供被试在实验后对行为数据进行采集，其中使用的量表与程序均嵌入到实验单元中，每次实验可供调用。

存储单元420，被配置为存储收集到的主观数据，生理数据和行为数据；计算单元，被配置为根据心电数据计算出HRV的各项指标，结合单位眨眼时间数据为标签用机器学习算法训练得到操作人员岗前疲劳检测模型，并进行效能评估。

实验单元410可以分为三个子单元，实验平台子单元，心电采集设备自子单元和评价数据子单元。实验平台子单元可以为被试提供实验场景，包括满足模拟实验的软件和用于实验操作的操作杆、鼠标、键盘、音频输入输出设备等。心电采集设备子单元包括用于采集被试心电数据的设备，如心率带、手环、电极片等。评价数据子单元主要用于采集实验过程中的评价数据，包括用于检验被试主观疲劳的量表以及检验被试反应时间的PVT程序，可以通过界面交互的方式调用这些量表和程序并在完成评价后将数据进行储存。

具体地，存储单元420应当包括数据导入、导出功能，并能在交互界面上进行操作。

具体地，计算单元430的装置应该能够支持不设请所提出的方法中的所有计算需求，至少包括对评估数据的计算、对心电数据和眼动数据的提取以及统计分析、用机器学习算法训练生理数据得到疲劳分类模型。

在本发明实施例中，图6所示的实验单元410、存储单元420和计算单元430分别实现了图1至图4中的方法的实施例中的相应流程。具体可见上述方法实施例中的描述，为避免重复，此处适当省略详细描述。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。