疲劳状态预测的方法、装置、电子设备及存储介质

技术领域

本申请涉及脑电波应用技术领域，尤其涉及疲劳状态预测的方法、装置、电子设备及存储介质。

背景技术

脑电波是人的大脑活动的一种生理信号，其变化可以反应人的疲劳状况。据有关数据统计，交通事故中有很大一部原因是由于驾驶员过于疲劳打瞌睡引起的。因此，如何将脑电波检测应用于车辆驾驶领域，进而降低疲劳驾驶风险具有重大意义。

针对该缺陷，已经提出了一种疲劳驾驶预防方法，其采集驾驶员的原始脑电波信号并进行预处理，输出当前驾驶员的疲劳程度并进行屏幕显示；若当前驾驶员的疲劳程度超过第一疲劳程度，则进行疲劳驾驶预警；若当前驾驶员的疲劳程度超过第二疲劳程度，则播放具有与α脑电波相同频率的预置音频文件，其中，所述第一疲劳程度小于所述第二疲劳程度。

发明内容

然而，现有的疲劳驾驶预防方法在实际应用中的效果可能不好。具体而言，现有的疲劳驾驶预防方法可能无法准确地预测驾驶员疲劳的发作，或者无法及时地针对驾驶员的疲劳状态进行应对，即，无法及时地缓解驾驶员的疲劳状态。因此，本申请的目的在于提供一种疲劳状态预测的方法及装置，用于实现使用者疲劳状态的监测和预防，预先预测使用者疲劳状态的发作，即在疲劳实际产生并影响使用者性能之前预测使用者疲劳状态的发作。然后，对使用者进行振兴。由此，主动防止使用者疲劳，而非仅仅是对此做出反应。

本申请的目的采用以下技术方案实现：

第一方面，本申请提供了一种疲劳状态预测的方法，所述方法包括：收集使用者的多峰数据，该多峰数据包括脑电图数据；通过利用经过训练的神经网络来对收集的所述多峰数据进行数据分析和融合，预测所述使用者疲劳状态，判断所述使用者在预定时间后将进入疲劳状态；以及在判断所述使用者在所述预定时间后将进入疲劳状态的情况下，对所述使用者进行振兴，防止所述使用者进入疲劳状态。

该技术方案的有益效果在于，根据本实施例，实现了使用者疲劳状态的监测和预防。与现有技术的疲劳预防方法的不同之处在于，根据上述实施例疲劳状态预测的方法能够预先预测使用者疲劳状态的发作，即在疲劳实际产生并影响使用者性能之前预测使用者疲劳状态的发作。然后，对使用者进行振兴。因此，根据上述实施例疲劳状态预测的方法能够主动防止使用者疲劳，而非仅仅是对此做出反应。

在一些可选的实施例中，所述方法还包括：预先搭建所述神经网络，并使用特征数据对该神经网络进行训练。

该技术方案的有益效果在于，根据本实施例，能够预先训练神经网络，从而在收集到使用者的多峰数据的情况下，能够通过该神经网络对使用者的疲劳状态进行预测。

在一些可选的实施例中，所述多峰数据还包括眼电图数据、脉搏率数据中的至少一者。所述脑电图数据包括额叶的脑电图数据和α光谱中的脑电波。

该技术方案的有益效果在于，能够利用眼电图(EEG)数据、脉搏率数据等于辅助判断疲劳状态。同时，α光谱中的脑电波通常是睡意或精神疲劳的重要指标。根据本实施例，能够利用多模态数据的输入，即来自各种不同来源(EEG、EOG、ECG、脉搏率)的生物信号数据，更加综合地对使用者的疲劳状态进行预测。利用这些数据，本实施例的疲劳状态预测方法的预测性能将大大提高。

在一些可选的实施例中，所述预定时间为十分钟以上。

该技术方案的有益效果在于，通过实验已经证明，为了产生显着的效果，振兴的时间需要大约数十分钟，而根据本发明的疲劳预测方法能提前预测疲劳状态的产生，并提前开始进行振兴，以在使用者进入疲劳状态之前达到振兴的效果，避免使用者进入疲劳状态。

在一些可选的实施例中，所述振兴为对使用者的左耳广播低频振动，同时对使用者的右耳以从对左耳广播的频率稍微偏移的频率广播低频振动。

该技术方案的有益效果在于，在许多工作中已经表明，大脑的这种“双耳”刺激能够增加在执行需要长时间保持警惕的任务过程中重要的各种指标。这可以是注意力的长度和范围，甚至是警惕本身。

在一些可选的实施例中，所述使用者为交通工具的驾驶员。

该技术方案的有益效果在于，根据本实施例，能够有效地应用于使需要保持高度集中的注意力的人群，例如交通工具的驾驶员、大型设备的操作员、学生等，以提前预测这些需要高度集中的注意力的人群的疲劳状态的产生，并提前开始进行振兴，以在他们进入疲劳状态之前达到振兴的效果，避免使用者进入疲劳状态，由此避免危险情况等的发生或者提高工作学习的效率。

第二方面，本申请提供了一种疲劳状态预测装置，所述装置包括：数据收集模块，用于收集使用者的多峰数据，该多峰数据包括脑电图数据；数据分析及预测模块，用于通过利用经过训练的神经网络来对收集的所述多峰数据进行数据分析和融合，预测所述使用者疲劳状态，判断所述使用者在预定时间后将进入疲劳状态；以及振兴模块，用于在所述数据分析及预测判断所述使用者在所述预定时间后将进入疲劳状态的情况下，对所述使用者进行振兴，防止所述使用者进入疲劳状态。

在一些可选的实施例中，所述装置还包括：神经网络训练模块，用于预先搭建所述神经网络，并使用特征数据对该神经网络进行训练。

在一些可选的实施例中，述多峰数据还包括眼电图数据、脉搏率数据中的至少一者。所述脑电图数据包括额叶的脑电图数据和α光谱中的脑电波。

在一些可选的实施例中，所述预定时间为十分钟以上。

在一些可选的实施例中，所述振兴为对使用者的左耳广播低频振动，同时对使用者的右耳以从对左耳广播的频率稍微偏移的频率广播低频振动。

在一些可选的实施例中，所述使用者为交通工具的驾驶员。

第三方面，本申请提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项方法的步骤。

附图说明

下面结合附图和实施例对本申请进一步说明。

图1是本申请实施例提供的疲劳状态预测的方法的一个实施例的流程示意图；

图2是本申请实施例提供的疲劳状态预测的方法的另一个实施例的流程示意图；

图3是本申请实施例提供的疲劳状态预测装置的一个实施例的结构示意图；

图4是本申请实施例提供的疲劳状态预测装置的另一个实施例的结构示意图；

图5是本申请实施例提供的电子设备的结构示意图；以及

图6是本申请实施例提供的用于实现疲劳状态预测的方法的程序产品的结构示意图。

具体实施方式

下面，结合附图以及具体实施方式，对本申请做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

[实施例1]

参见图1，本申请实施例提供了一种疲劳状态预测的方法，所述方法包括步骤S101～S103。

步骤S101：数据收集步骤。

收集使用者的多峰数据，该多峰数据至少包括脑电图(EEG)数据。

具体地，例如通过将头带状设备佩戴于使用者的头部，收集使用者的多峰数据，该多峰数据至少包括脑电图(EEG)数据。例如，通过头带状设备的前电极收集额叶的EEG数据，通过头带状设备的后电极来检测α光谱中的EEG波，这通常是睡意或精神疲劳的重要指标。

人脑具有电活动是Hans Berger于1924年首先检测到的，并将这种检测方法命名为脑电图(electroencephalo-graph，EEG)。脑电信号主要由皮质内大量神经元突触后电位同步总和形成，是很多神经元共同活动的结果。脑电波是人的大脑活动的一种生理信号，其变化可以反应人的疲劳状况，人的大脑持续不断地产生四种节律波:δ、θ、α和β波，人的意识状态决定于哪种波占主导地位。简单来说人在熟睡时，脑电以δ波为主，频率小于4Hz；4～8Hz的是θ波，主要与临睡状态下的朦胧意识和梦境出现有关；8～l3Hz的是α波，通常见于平静放松的状态；当人睁眼并注视某一物体时，β波(>13Hz)占据主导地位，并随着放松、警觉、激动和焦虑的状态频率逐渐升高，甚至高达35Hz。由于4～8Hz的θ波，主要与临睡状态下的朦胧意识的有关，这种状态也是出现疲劳的状态。其中α波在枕叶及顶叶后部记录时最为明显。在清醒、安静、闭目时出现，波幅呈现由大变小，再由小变大的规律变化，呈梭状图式。当睁眼、思考问题、接受其他刺激时，α波消失；当安静、闭眼时，α波又重新出现。

除了上述EEG数据，数据收集步骤收集的多峰数据还可以包括眼电图(EOG)数据、脉搏率数据等可以用于辅助判断疲劳状态的数据。

眼电图(EOG)是一种检测眼静电位，随光适应改变而产生缓慢变化的一种客观定量的视网膜功能检查方法，它反映视网色素上皮--光感受器复合体的功能，它是持续存在的。眼电图产生的重要前提是感受器细胞层与色素上皮接触的离子交换，视网膜锥细胞和杆细胞共同参与眼电图光峰的形成。研究表明眼睛的状态与疲劳程度高度相关。

脉搏即动脉搏动。正常人脉搏率规则，不会出现脉搏间隔时间长短不一的现象。正常人脉搏强弱均等，不会出现强弱交替的现象。另外，运动和情绪激动时可使脉搏增快，而休息、睡眠则使脉搏减慢。成人脉率每分钟超过100次，称为心动过速；每分钟低于60次，称为心动过缓。研究表明脉搏率的状态与疲劳程度也相关。

数据收集步骤收集的多峰数据还可以进一步包括例如心电图(ECG)数据，用于辅助判断疲劳状态。

此处，提到的使用者可以为需要保持高度集中的注意力的人群，例如交通工具的驾驶员、大型设备的操作员、学生等。

步骤S102：数据分析及预测步骤。

通过利用经过训练的具有可变数量神经元的神经网络来对收集的多峰数据进行数据分析和融合，实现使用者疲劳状态的预测，判断使用者在预定时间后将进入疲劳状态。

具体地，根据周围环境，训练有素的神经网络体系结构能够提前10分钟以70％的准确度预测使用者疲劳的发作。因此，在最佳操作精度下，本发明的疲劳状态的预测方法能够预测疲劳发作会提前10分钟左右发生。此处，10分钟仅为一个示例。在实践中，可以根据使用者的需求对神经网络进行训练，以在疲劳状态发作前的预定时间对即将进入疲劳状态做出预测。作为示例，训练有素的神经网络体系结构可以通过蓝牙连接而连接到执行数据分析和融合的智能终端应用程序，以执行数据分析及预测步骤中的数据分析和融合，进而实现驾驶员疲劳的预测。除此之外，任何可以实现数据分析及预测步骤中的数据分析和融合，进而预测驾驶员疲劳的技术都可以应用于本发明。其中，智能终端例如是手机、平板电脑、计算机或者其他智能终端设备。

步骤S103：振兴步骤。

在判断使用者在预定时间后将进入疲劳状态的情况下，对使用者进行振兴，防止使用者进入疲劳状态。

具体地，例如，在预测结果显示例如10分钟后使用者即将开始疲劳，则对使用者进行振兴。通过实验已经证明，为了产生显着的效果，振兴的时间需要大约数十分钟，而根据本发明的疲劳预测方法能提前预测疲劳状态的产生，并提前开始进行振兴，以在使用者进入疲劳状态之前达到振兴的效果，避免使用者进入疲劳状态。

振兴可以为利用头带状设备的骨传导元件从左和右骨传导通道分别以稍微偏移的频率(例如30Hz和40Hz)广播低频振动。左右频率略有偏移的重叠会导致“频率差”现象，然后被大脑感知为10Hz的组合振动。在许多研究中已经表明，大脑的这种“双耳”刺激能够增加在执行需要长时间保持警惕的任务过程中重要的各种指标。这可以是注意力的长度和范围，甚至是警惕本身。虽然在本实施例中，采用了“双耳”刺激作为示例的刺激方法，在本发明的实施中还可选择例如经颅电流刺激(tECS)等其他可行的刺激方法作为本文提及的“振兴”。

由此，根据上述本实施例的疲劳状态预测的方法，实现使用者疲劳状态的监测和预防。与现有技术的疲劳预防方法的不同之处在于，根据上述实施例疲劳状态预测的方法能够预先预测使用者疲劳状态的发作，即在疲劳实际产生并影响使用者性能之前预测使用者疲劳状态的发作。然后，对使用者进行振兴。因此，根据上述实施例疲劳状态预测的方法能够主动防止使用者疲劳，而非仅仅是对此做出反应。

[实施例2]

参见图2所示，在本实施例中，与上述实施例1的区别之处仅在于，本实施例的疲劳状态预测方法还包括步骤S104：神经网络训练步骤。本实施例中与前文实施例1的相同之处将不再赘述。

步骤S104：神经网络训练步骤。

预先搭建神经网络结构，并使用特征数据对该神经网络进行训练。

具体地，神经网络训练步骤的一个实例包括：准备数据集，提取特征，作为输入喂给神经网络；搭建神经网络结构，从输入到输出；大量特征数据喂给神经网络，迭代优化神经网络参数。由此训练好的神经网络可以用于本发明的疲劳状态预测的方法。

根据本实施例，能够预先训练神经网络，从而在收集到使用者的多峰数据的情况下，能够通过该神经网络对使用者的疲劳状态进行预测。

在一些实施方式中，所述步骤S104可以包括：获取特征数据，所述特征数据包括多个样本人员的多峰数据和疲劳状态标注数据，每个样本人员的疲劳状态标注数据用于指示所述样本人员的疲劳状态的类型；预先搭建神经网络结构，并使用所述特征数据对该神经网络进行训练，得到经过训练的神经网络；将使用者的多峰数据输入所述经过训练的神经网络，预测得到使用者的疲劳状态的类型。在具体实施中，疲劳状态可以示例性地包括以下几种类型：非疲劳状态、轻度疲劳状态、中度疲劳状态和重度疲劳状态。

在具体应用中，所述方法还可以包括：预先建立疲劳状态的类型与振兴的类型之间的对应关系，每一种疲劳状态的类型对应一种振兴的类型；基于所述使用者的疲劳状态的类型和所述对应关系，获取所述使用者对应的振兴的类型；基于所述使用者对应的振兴的类型，对所述使用者进行相应的振兴。此处相应的振兴是指与所述使用者对应的振兴的类型相应的振兴。

其中，振兴的类型可以示例性地包括以下几种类型：不振兴、轻微振兴、中度振兴和重度振兴。

例如，预测得到使用者的疲劳状态的类型是轻度疲劳状态，此时可以采用轻度振兴(即比较柔和的振兴)，而当预测得到使用者的疲劳状态的类型是重度疲劳状态时，可以采用重度振兴(即比较激烈的振兴)。由此，基于疲劳状态的类型来决定所采用振兴的类型，能够有针对性地进行不同程度的振兴，符合实际应用中的需求，提高使用者的体验。

以上各个实施例描述了本申请的疲劳状态预测的方法，实现使用者疲劳状态的监测和预防，防止由于疲劳引起的使用者性能下降。与其他类似方法的不同之处在于，根据上述实施例疲劳状态预测的方法能够预先预测使用者疲劳状态的发作，即在疲劳实际产生并影响使用者性能之前预测使用者疲劳状态的发作。然后，对使用者进行振兴。因此，根据上述实施例疲劳状态预测的方法能够主动防止使用者疲劳，而非仅仅是对此做出反应。不同于现有技术中的疲劳程度预防的方法着重于防止使用者疲劳时发生事故，本申请的疲劳状态预测的方法积极地防止使用者疲劳的发生。

本申请实施例还提供了一种疲劳状态预测装置，其具体实现方式与上述方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。

下面将详细描述本申请的疲劳状态预测的装置的各个实施例。

[实施例3]

参见图3，疲劳状态预测装置100包括：数据收集模块101，收集使用者的多峰数据，该多峰数据至少包括脑电图(EEG)数据；数据分析及预测模块102，用于对收集的多峰数据进行数据分析和融合，预测使用者疲劳状态，判断使用者在预定时间后将进入疲劳状态；振兴模块103，用于在判断使用者在预定时间后将进入疲劳状态的情况下，对使用者进行振兴，防止使用者进入疲劳状态。具体如下：

模块101：数据收集模块。

数据收集模块101用于收集使用者的多峰数据，该多峰数据至少包括脑电图(EEG)数据。

例如数据收集模块101通过将头带状设备佩戴于使用者的头部，收集使用者的多峰数据，该多峰数据至少包括脑电图(EEG)数据。例如，通过头带状设备的前电极收集额叶的EEG数据，通过头带状设备的后电极来检测α光谱中的EEG波，这通常是睡意或精神疲劳的重要指标。

人脑具有电活动是Hans Berger于1924年首先检测到的，并将这种检测方法命名为脑电图(electroencephalo-graph，EEG)。脑电信号主要由皮质内大量神经元突触后电位同步总和形成，是很多神经元共同活动的结果。脑电波是人的大脑活动的一种生理信号，其变化可以反应人的疲劳状况，人的大脑持续不断地产生四种节律波：δ、θ、α和β波，人的意识状态决定于哪种波占主导地位。简单来说人在熟睡时，脑电以δ波为主，频率小于4Hz；4～8Hz的是θ波，主要与临睡状态下的朦胧意识和梦境出现有关；8～l3Hz的是α波，通常见于平静放松的状态；当人睁眼并注视某一物体时，β波(>13Hz)占据主导地位，并随着放松、警觉、激动和焦虑的状态频率逐渐升高，甚至高达35Hz。由于4～8Hz的θ波，主要与临睡状态下的朦胧意识的有关，这种状态也是出现疲劳的状态。其中α波在枕叶及顶叶后部记录时最为明显。在清醒、安静、闭目时出现，波幅呈现由大变小，再由小变大的规律变化，呈梭状图式。当睁眼、思考问题、接受其他刺激时，α波消失；当安静、闭眼时，α波又重新出现。

除了上述EEG数据，数据收集步骤收集的多峰数据还可以包括眼电图(EOG)数据、脉搏率数据等可以用于辅助判断疲劳状态的数据。

眼电图(EOG)是一种检测眼静电位，随光适应改变而产生缓慢变化的一种客观定量的视网膜功能检查方法，它反映视网色素上皮--光感受器复合体的功能，它是持续存在的。眼电图产生的重要前提是感受器细胞层与色素上皮接触的离子交换，视网膜锥细胞和杆细胞共同参与眼电图光峰的形成。研究表明眼睛的状态与疲劳程度高度相关。

脉搏即动脉搏动。正常人脉搏率规则，不会出现脉搏间隔时间长短不一的现象。正常人脉搏强弱均等，不会出现强弱交替的现象。另外，运动和情绪激动时可使脉搏增快，而休息、睡眠则使脉搏减慢。成人脉率每分钟超过100次，称为心动过速；每分钟低于60次，称为心动过缓。研究表明脉搏率的状态与疲劳程度也相关。

数据收集步骤收集的多峰数据还可以进一步包括例如心电图(ECG)数据，用于辅助判断疲劳状态。

此处，提到的使用者可以为需要保持高度集中的注意力的人群，例如交通工具的驾驶员、大型设备的操作员、学生等。

具体地，数据收集模块101的实现方式可以为例如头带状设备。更具体地，例如由Dreem公司生产的硬件平台Dreem2。

数据收集模块101可以通过固定于头带状设备的前带和后带上的常规的EEG电极收集EEG数据。位于前带的前电极用于收集额叶的EEG数据以及EOG数据。后电极用来检测α光谱中的EEG波。后电极设计为柔软易弯曲，以防止头部突然向后移动时受伤。脉搏血氧仪也可以固定在前带上。用于记录实时的脉搏率。

模块102：数据分析及预测模块。

数据分析及预测模块102用于通过利用经过训练的具有可变数量神经元的神经网络来对收集的多峰数据进行数据分析和融合，实现使用者疲劳状态的预测，判断使用者在预定时间后将进入疲劳状态。

具体地，数据分析及预测模块102根据周围环境，通过训练有素的神经网络体系结构能够提前10分钟以70％的准确度预测使用者疲劳的发作。因此，在最佳操作精度下，本发明的疲劳状态的预测装置能够预测疲劳发作会提前10分钟左右发生。此处，10分钟仅为一个示例。在实践中，可以根据使用者的需求对神经网络进行训练，以在疲劳状态发作前的预定时间对即将进入疲劳状态做出预测。

在一个示例中，数据收集模块101可以通过例如蓝牙连接等连接方式连接到例如搭载了用于执行数据分析和融合的数据分析及预测模块102的智能手机应用程序。除此之外，任何可以实现数据分析及预测步骤中的数据分析和融合，进而预测驾驶员疲劳的技术都可以应用于本发明。

模块103：振兴模块。

振兴模块103用于在判断使用者在预定时间后将进入疲劳状态的情况下，对使用者进行振兴，防止使用者进入疲劳状态。

具体地，例如，在预测结果显示例如10分钟后使用者即将开始疲劳，振兴模块103对使用者进行振兴。通过实验已经证明，为了产生显着的效果，振兴的时间需要大约数十分钟，而根据本发明的疲劳预测装置能提前预测疲劳状态的产生，并提前开始进行振兴，以在使用者进入疲劳状态之前达到振兴的效果，避免使用者进入疲劳状态。

振兴可以为利用头带状设备的骨传导元件从左和右骨传导通道分别以稍微偏移的频率(例如30Hz和40Hz)广播低频振动。左右频率略有偏移的重叠会导致“频率差”现象，然后被大脑感知为10Hz的组合振动。在许多研究中已经表明，大脑的这种“双耳”刺激能够增加在执行需要长时间保持警惕的任务过程中重要的各种指标。这可以是注意力的长度和范围，甚至是警惕本身。虽然在本实施例中，采用了“双耳”刺激作为示例的刺激方式，在本发明的实施中还可选择例如经颅电流刺激(tECS)等其他可行的刺激方式作为本文提及的“振兴”。

由此，根据上述本实施例的疲劳状态预测的装置，实现使用者疲劳状态的监测和预防。与现有技术中的疲劳预防装置的不同之处在于，根据上述实施例疲劳状态预测的装置能够预先预测使用者疲劳状态的发作，即在疲劳实际产生并影响使用者性能之前预测使用者疲劳状态的发作。然后，对使用者进行振兴。因此，根据上述实施例疲劳状态预测的装置能够主动防止使用者疲劳，而非仅仅是对此做出反应。

[实施例4]

参见图4所示，在本实施例中，与上述实施例3的区别之处仅在于，本实施例的疲劳状态预测装置100A还包括模块104：神经网络训练模块。本实施例中与前文实施例3的相同之处将不再赘述。

模块104：神经网络训练模块。

神经网络训练模块104用于预先搭建神经网络结构，并使用特征数据对该神经网络进行训练。

具体地，神经网络训练模块104用于：准备数据集，提取特征，作为输入喂给神经网络；搭建神经网络结构，从输入到输出；大量特征数据喂给神经网络，迭代优化神经网络参数。由此训练好的神经网络可以用于本发明的疲劳状态预测装置。

根据本实施例，能够预先训练神经网络，从而在收集到使用者的多峰数据的情况下，能够通过该神经网络对使用者的疲劳状态进行预测。

以上各个实施例描述了本申请的疲劳状态预测的装置，实现使用者疲劳状态的监测和预防，防止由于疲劳引起的使用者性能下降。与现有技术中的疲劳预防装置的不同之处在于，根据上述实施例疲劳状态预测的装置能够预先预测使用者疲劳状态的发作，即在疲劳实际产生并影响使用者性能之前预测使用者疲劳状态的发作。然后，对使用者进行振兴。因此，根据上述实施例疲劳状态预测的装置能够主动防止使用者疲劳，而非仅仅是对此做出反应。不同于现有技术中的疲劳程度预防的装置着重于防止使用者疲劳时发生事故，本申请的疲劳状态预测的装置积极地防止使用者疲劳的发生。

参见图5，本申请实施例还提供了一种电子设备200，电子设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。

存储器210可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)211和/或高速缓存存储器212，还可以进一步包括只读存储器(ROM)213。

其中，存储器210还存储有计算机程序，计算机程序可以被处理器220执行，使得处理器220执行本申请实施例中疲劳状态预测的方法的步骤，其具体实现方式与上述疲劳状态预测的方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。

存储器210还可以包括具有至少一个程序模块215的实用工具214，这样的程序模块215包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

相应的，处理器220可以执行上述计算机程序，以及可以执行实用工具214。

总线230可以为表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。

电子设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，所述计算机程序被执行时实现本申请实施例中疲劳状态预测的方法的步骤，其具体实现方式与上述疲劳状态预测的方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。

图6示出了本实施例提供的用于实现上述疲劳状态预测的方法的程序产品300，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品300不限于此，在本申请中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品300可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如Java、C++等，还包括常规的过程式程序设计语言诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

本申请从使用目的上，效能上，进步及新颖性等观点进行阐述，已符合专利法所强调的功能增进及使用要件，本申请以上的说明书及说明书附图，仅为本申请的较佳实施例而已，并非以此局限本申请，因此，凡一切与本申请构造，装置，特征等近似、雷同的，即凡依本申请专利申请范围所作的等同替换或修饰等，皆应属本申请的专利申请保护的范围之内。