人体疲劳度评估优化方法、装置、设备和存储介质

技术领域

本申请涉及疲劳监测技术领域，尤其涉及一种人体疲劳度评估优化方法、装置、设备和存储介质。

背景技术

在制造系统和劳动任务领域，对人体疲劳的评估具有极其重要的意义，因为它关系到工作者的健康和工作安全。然而，现有的人体疲劳评估方法在应对多样性的劳动任务和提供精确评估方面存在许多挑战。

首先，国内外现有的人体疲劳评估方法在适用范围上存在一定的限制，通常仅适用于特定类型的工作，这限制了其实际应用的广泛性。此外，这些方法使用的量化指标各不相同，导致了不同研究和应用之间的比较和标准化困难。其次，选取指标的理由往往缺乏充分的科学依据，这降低了人体疲劳评估的科学性和准确性。同时，提出的作业改善方法往往缺乏可行性或未经实验验证，这影响了其在实际应用中的可行性和有效性。此外，针对低负荷工作，评估方法可能容易受到个别高风险动作的干扰，导致最终得分的失真。姿势风险评估方法通常忽略了多姿势工作中动作频率对整体姿势风险的影响，这可能导致评估不准确。最后，现有方法在面对高重复性工作时需要耗费大量时间进行数据分析和计算，缺乏合适的计算简化方法，从而使研究变得复杂和不实际。

在现有技术中，由于单个信号的研究会导致评价准确性低，通常采用的方式是利用多个维度的信号进行综合准确的评价，但上述方式需要多个维度的数据进行数据的融合和判断结果的融合，通常需要大量的计算过程，疲劳判断的准确性不能得到保证，同时计算时间长，效率低。

发明内容

有鉴于此，本申请提供一种人体疲劳度评估优化方法、装置、设备和存储介质，用以实现对人体疲劳的全面、精确和快速评估。

具体地，本申请是通过如下技术方案实现的：

本申请第一方面提供一种人体疲劳度评估优化方法，所述方法包括：

采集工作姿势数据、生理数据和主观评价数据，所述生理数据至少包括两种类型的数据；

根据工作姿势拆分所述工作姿势数据为子工作姿势数据，根据所述子工作姿势数据计算姿势负荷指标；根据工作确定生理负荷指标，获取所述生理负荷指标的时域、频域和非线性特征，确定生理负荷指标的目标维度；根据所述主观评价数据确定心理负荷指标；

根据所述生理负荷指标对应的参考数据校正所述生理负荷指标对应的目标数据；

根据所述姿势负荷指标、所述生理负荷指标的目标维度和所述心理负荷指标以及所述姿势负荷指标的权重、所述生理负荷指标的权重、所述心理负荷指标的权重和校正后的所述生理负荷指标对应的目标数据，计算人体疲劳度；

其中，所述根据所述生理负荷指标对应的参考数据校正所述生理负荷指标对应的目标数据，具体包括：

确定所述生理负荷指标对应的目标数据和所述目标数据的参考数据，所述参考数据为所述生理数据中除所述目标数据以外的生理数据，所述参考数据与所述目标数据的类型不同；

基于所述目标数据和所述参考数据的时域信息对齐所述目标数据和所述参考数据；

分别提取对齐后的所述目标数据和所述参考数据的对应的目标维度的特征；

基于所述目标数据的目标维度的特征确定误差特征范围，基于所述误差特征范围的时间信息确定所述参考数据的目标维度的特征的校正特征范围；

基于所述校正特征范围识别误差特征范围的误差概率；

基于所述误差概率矫正误差特征范围中的所述目标数据的目标维度的特征，获得校正后的所述目标数据的目标维度的特征，作为校正后的所述生理负荷指标对应的目标数据。

本申请第二方面提供一种人体疲劳度评估优化装置，所述装置包括采集模块、处理模块和计算模块，其中，

所述采集模块，用于采集工作姿势数据、生理数据和主观评价数据，所述生理数据至少包括两种类型的数据；

所述处理模块，用于根据工作姿势拆分所述工作姿势数据为子工作姿势数据，根据所述子工作姿势数据计算姿势负荷指标；根据工作确定生理负荷指标，获取所述生理负荷指标的时域、频域和非线性特征，确定生理负荷指标的目标维度；根据所述主观评价数据确定心理负荷指标；

所述计算模块，用于根据所述生理负荷指标对应的参考数据校正所述生理负荷指标对应的目标数据；

所述计算模块，还用于根据所述姿势负荷指标、所述生理负荷指标的目标维度和所述心理负荷指标以及所述姿势负荷指标的权重、所述生理负荷指标的权重、所述心理负荷指标的权重和校正后的所述生理负荷指标对应的目标数据，计算人体疲劳度；

其中，所述根据所述生理负荷指标对应的参考数据校正所述生理负荷指标对应的目标数据，具体包括：

确定所述生理负荷指标对应的目标数据和所述目标数据的参考数据，所述参考数据为所述生理数据中除所述目标数据以外的生理数据，所述参考数据与所述目标数据的类型不同；

基于所述目标数据和所述参考数据的时域信息对齐所述目标数据和所述参考数据；

分别提取对齐后的所述目标数据和所述参考数据的对应的目标维度的特征；

基于所述目标数据的目标维度的特征确定误差特征范围，基于所述误差特征范围的时间信息确定所述参考数据的目标维度的特征的校正特征范围；

基于所述校正特征范围识别误差特征范围的误差概率；

基于所述误差概率矫正误差特征范围中的所述目标数据的目标维度的特征，获得校正后的所述目标数据的目标维度的特征，作为校正后的所述生理负荷指标对应的目标数据。

本申请第三方面提供一种人体疲劳度评估优化设备，包括存储器、处理器及存储在所述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程序时实现本申请第一方面提供的任一项所述方法的步骤。

本申请第四方面提供一种存储介质，其上存储有程序，所述程序被处理器执行时实现本申请第一方面提供的任一项所述方法的步骤。

本申请提供的人体疲劳度评估优化方法、装置、设备和存储介质，通过关注以低负荷、多姿势、高重复性为特征的劳动任务，通过综合考虑多种数据和因素并构建一个主客观结合的多参数综合评价的人体疲劳模型，适用范围广且可实现对人体疲劳的全面、精确和快速评估，以确保工作者能够在安全和健康的工作环境中工作。首先，本发明能够根据采集到的数据的具体情况，匹配与之对应的最佳评估方式；提高了提供的全面性、智能性和科学性。其次，在疲劳评估时，综合姿态、生理和心理的指标，提高了评价的准确性和科学性。最后，对于生理指标，本发明能够利用其他生理数据对重点参评的目标生理数据进行校正，仅使用单一数据源的基础上，还排除了仪器、环境等对传感器采集精度的影响，提高了评价的精度，同时还降低了计算量，简化了评价的过程。

附图说明

图1为本申请提供的人体疲劳度评估优化方法实施例一的流程图；

图2为本申请提供的RULA方法的得分计算流程示意图；

图3为本申请提供的人体疲劳度评估优化方法的框架图；

图4为本申请人体疲劳度评估优化装置所在人体疲劳度评估优化设备的一种硬件结构图；

图5为本申请提供的人体疲劳度评估优化装置实施例一的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本申请提供一种人体疲劳度评估优化方法、装置、设备和存储介质，用以实现对人体疲劳的全面、精确和快速评估。

本申请提供的人体疲劳度评估优化方法、装置、设备和存储介质，采集工作姿势数据、生理数据和主观评价数据，所述生理数据至少包括两种类型的数据；

根据工作姿势拆分所述工作姿势数据为子工作姿势数据，根据所述子工作姿势数据计算姿势负荷指标；根据工作确定生理负荷指标，获取所述生理负荷指标的时域、频域和非线性特征，确定生理负荷指标的目标维度；根据所述主观评价数据确定心理负荷指标；

根据所述生理负荷指标对应的参考数据校正所述生理负荷指标对应的目标数据；

根据所述姿势负荷指标、所述生理负荷指标的目标维度和所述心理负荷指标以及所述姿势负荷指标的权重、所述生理负荷指标的权重、所述心理负荷指标的权重和校正后的所述生理负荷指标对应的目标数据，计算人体疲劳度；

其中，所述根据所述生理负荷指标对应的参考数据校正所述生理负荷指标对应的目标数据，具体包括：

确定所述生理负荷指标对应的目标数据和所述目标数据的参考数据，所述参考数据为所述生理数据中除所述目标数据以外的生理数据，所述参考数据与所述目标数据的类型不同；

基于所述目标数据和所述参考数据的时域信息对齐所述目标数据和所述参考数据；

分别提取对齐后的所述目标数据和所述参考数据的对应的目标维度的特征；

基于所述目标数据的目标维度的特征确定误差特征范围，基于所述误差特征范围的时间信息确定所述参考数据的目标维度的特征的校正特征范围；

基于所述校正特征范围识别误差特征范围的误差概率；

基于所述误差概率矫正误差特征范围中的所述目标数据的目标维度的特征，获得校正后的所述目标数据的目标维度的特征，作为校正后的所述生理负荷指标对应的目标数据。

这样，通过关注以低负荷、多姿势、高重复性为特征的劳动任务，综合考虑多种数据和因素并构建一个主客观结合的多参数综合评价的人体疲劳模型，适用范围广且可实现对人体疲劳的全面、精确和快速评估，以确保工作者能够在安全和健康的工作环境中工作。首先，本发明能够根据采集到的数据的具体情况，匹配与之对应的最佳评估方式；提高了提供的全面性、智能性和科学性。其次，在疲劳评估时，综合姿态、生理和心理的指标，提高了评价的准确性和科学性。最后，对于生理指标，本发明能够利用其他生理数据对重点参评的目标生理数据进行校正，仅使用单一数据源的基础上，还排除了仪器、环境等对传感器采集精度的影响，提高了评价的精度，同时还降低了计算量，简化了评价的过程。

下面给出具体的实施例，用以详细介绍本申请的技术方案。

图1为本申请提供的人体疲劳度评估优化方法实施例一的流程图。请参照图1，本实施例提供的方法，可以包括：

S101、采集工作姿势数据、生理数据和主观评价数据，所述生理数据至少包括两种类型的数据。

本实施例提供的人体疲劳度评估优化方法以快递驿站入库工作为例进行说明。

需要说明的是，工作姿势数据是通过视频记录某一工作过程中的所有工作姿势并在电脑上回放分析记录的所有工作姿势，以形成的数据；生理数据通过心率带记录，对于心率带的选择本实施中不做限定，例如，一实施例中，选择的心率带为Polar H10心率带。具体的，Polar H10心率带用于捕获心率数据，其由心率传感器和胸带两部分组成，操作员在工作过程（实验过程）中在胸前佩戴该心率带，不会影响工作的正常进行。主观评价数据是通过纸质量表记录的，具体的，在工作过程终止后邀请操作员填写纸质量表。

S102、根据工作姿势拆分所述工作姿势数据为子工作姿势数据，根据所述子工作姿势数据计算姿势负荷指标；根据工作确定生理负荷指标，获取所述生理负荷指标的时域、频域和非线性特征，确定生理负荷指标的目标维度；根据所述主观评价数据确定心理负荷指标。

需要说明的是，可根据工作姿态数据确定指定姿势风险评估方法并按照指定姿势风险评估方法对子工作姿势数据进行评分，进而将所有子工作姿势数据的姿势风险平均评分作为姿势负荷指标。其中，指定姿势风险评估方法为属于表格类评估方法的RULA评估、REBA评估、OWAS评估，属于乘式类评估方法的NIOSH提举公式评估等方法中的任一种。

其中，所述根据所述工作姿态数据确定指定姿势风险评估方法具体包括：

根据所述工作姿态数据确定动作的重点部位；

基于所述重点部位的集中程度和集中部位匹配评估方法类型；

基于所述工作姿态数据确定动作类型；

根据所述动作类型确定指定姿态风险评估方法，所述指定姿态风险评估方法属于评估方法类型。

具体的，指定姿势风险评估方法的选择根据工作姿态数据确定，本实施例中不做限定。例如，在一实施例中，由于快递驿站入库工作中工作姿态数据以上肢活动比较多，因此选取RULA评估方法作为指定姿势风险评估方法。

其中，RULA评估方法常在人体功效评估领域用于预防肌肉骨骼疾病，RULA评估方法以人体姿势为主要评判依据，同时考虑施力/负荷情况和肌肉使用情况。具体的，其评分总体流程如图2所示。

需要说明的是，根据工作姿势拆分所述工作姿势数据为子工作姿势数据，至少包括以下内容：

（1）确定所述工作姿态数据中的代表性姿态，所述代表性姿态为高频率姿态，且所述代表性姿态为工作中子任务的完成姿态，其中，工作包括多个子任务。

例如，一实施例中，在快递驿站入库工作中，工作姿态数据中的代表性姿态可以为a类-抓取包裹、b类-摆放包裹、c类-扫描包裹、d类-扫描货架条码。

（2）基于所述代表性姿态拆分所述工作姿态数据，其中，所述工作姿态数据用于完成所述工作，所述子工作姿态数据用于完成所述多个子任务中的一个。

需要说明的是，根据上述代表性姿态拆分所述工作姿态数据，每个代表性姿态中包括多个子动作，例如：在快递驿站入库工作的过程中，代表性姿态a类-抓取包裹可以包括有a1、a2、a3和a4这四个子动作，具体的a1、a2、a3和a4代表的子动作的描述信息请参见表1。拆分获得的子工作姿态数据中，每个子动作姿态数据至少对应一个子动作。例如，一实施例中，在快递驿站的入库工作中，工作姿态可拆分为16种子动作姿态，具体的如表1所示：

表1 快递驿站入库操作子动作

需要说明的是，在选取指定姿势风险评估方法后，当涉及到动作频率项得分时，按照表格类评估方法该项得分记为0分，乘式类评估方法该项得分记为1分进行操作。

本实施例中，由于选择的是RULA评估方法，属于表格类评估方法，因此，针对各个子动作评分时，将动作频率项得分记为0分，以避免重复考虑动作频率的影响。

具体实现时，需要统计每个子动作出现的次数及总动作次数和记录每个子动作的RULA得分及次数；一实施例中，以快递驿站入库工作的时间为20分钟为例，记录操作员入库工作的动作得分及次数，如表2所示：

表2 操作员L的动作得分及次数统计

优选的，为简化动作次数统计，本申请提出了可根据工作高重复性的特点研究该工作与各子动作之间动作频率关系的方法。具体的简化过程可以结合下面的步骤：

（1）根据工作姿态中的代表性姿态将工作姿态划分为多个代表性姿态。

（2）针对每个代表性姿态，根据工作的操作流程和操作员的操作习惯，将代表性姿态划分为多个子动作（子工作姿态）。

（3）根据各代表性姿态出现的次数，以及各代表性姿态的子动作划分的数量，得出子动作的频率占比。

例如，结合表1的内容，可以知道快递驿站的入库工作中的所有动作可以分为a，b，c，d共4类（具体的，a，b，c，d的分类信息请参见上面的例子）。

具体实现时，例如，在本实施例中，以快递入库工作中入库1000个包裹为例进行说明。

对于a类动作，根据该工作的操作流程，一个包裹需要完成一次抓取，故共发生1000次a类动作。又由于包裹在筐中的位置是随机分布的，故可近似认为从较满的筐且靠近自己的一端（a1）、从较满的筐且远离自己的一端（a2）、从较空的筐且靠近自己的一端（a3）、从较空的筐且远离自己的一端（a4）抓取的包裹数量相等，故a类动作有a1~a4这4个子动作，且根据操作流程分析可知，4个子动作得次数占比为1:1:1:1，因此在1000次a类动作中，a1~a4这4个子动作出现的次数各有250次；

对于b类动作，根据包裹分布情况，按照将包裹入库到1~5层将b类动作划分为b1~b5这5个子动作，当需要入库到第1~5层的包裹分别有669个、2804个、3451个、2109个和967个时，则b1有669次，b2有2804次，b3有3451次，b4有2109次，b5有967次。其中，上述数据是根据实验得出的。

对于c类动作，可根据被试（操作员）的工作习惯将c类动作划分为c1~c3这3个子动作，实验发现不同的被试具有不同的操作偏好（工作习惯），需结合视频分析被试的操作偏好以决定c1~c3的次数，优选的，利用视频段确定被试的操作偏好，获得c1、c2、c3的次数比值，根据次数比值和c类动作出现的总次数确定c1~c3的次数。

对于d类动作，根据该工作的操作流程，可将d类动作划分为d1~d4这4个子动作，根据工作流程计算出各个子动作的出现次数。具体来说，由于放置在同一层货架的相邻顺序入库的包裹无需重复扫描货架条码，根据本实验制定的要求，观察到被试扫描货架条码的次数约为该层所有包裹数的80%，故需扫描第1~5层的货架条码535次（b1×80%）、2243次（b2×80%）、2761次（b3×80%）、1687（b4×80%）次和774（b5×80%）次。由于第四层和第五层的货架条码贴在同一高度的左右两侧，故认为扫描第四层货架条码和扫描第五层货架条码动作相同，可以合并次数，故d1有535次，d2有2243次，d3有2761次，d4有2461次。需要说明的是，其中的得到的数据为b类动作的次数乘以80%四舍五入的值。

开始计算姿势负荷指标，具体的，在按照指定姿势风险评估方法对所述子工作姿势数据进行评分后，将所有所述子工作姿势数据的平均评分作为所述姿势负荷指标。

具体的，所有所述子工作姿势数据的平均评分的计算方式为：

，

其中，i表示第i个子动作类型，n表示子动作类型的总数。

在本实施例中，结合表2和上述公式，可计算出操作员的姿势负荷指标为4.183。

需要说明的是，在获取生理数据后，根据所述生理数据确定生理负荷指标，根据所述生理负荷指标计算所述生理数据的多维度特征，所述多维度特征至少包括时域、频域和非线性特征，分别计算所述多维度特征中各个维度特征与所述姿势负荷指标及所述心理负荷指标的斯皮尔曼相关系数，选取斯皮尔曼相关系数最高的维度特征作为所述生理负荷指标的目标维度；其中，所述生理负荷指标类型为心电指标、脑电指标、皮肤电指标、呼吸指标、瞳孔指标中的任一种。

具体的，在本实施例中通过对比三项疲劳评估中常见的心电指标：心率（HeartRate，简称HR）、NN间期的标准差（Standard Deviation of NN intervals，简称SDNN）以及低频与高频的比值（Low Frequency/High Frequency，简称LF/HF），计算斯皮尔曼相关系数。得到这三项心电指标的斯皮尔曼相关系数如表3所示：

表3 斯皮尔曼相关系数计算

根据表3可知，这三项心电指标中，心率指标与姿势负荷指标及心理负荷指标的斯皮尔曼相关系数最高，因此选则心率指标作为生理负荷指标。

需要说明的是，斯皮尔曼相关系数（Spearman’s rank）是用于衡量两个变量的依赖性的非参数指标。

在一实施例中，可通过Polar H10心率带测得的RR间期（R-R Interval）时间序列，采用Kubios HRV Standard版对RR间期时间序列进行分析得到心率数据。其中，RR间期是连续两个R波之间的时间间隔，它用于分析心脏的节奏和变异性。例如，一实施例中，以20分钟为例测得操作员在快递驿站入库操作期间的平均心率为90次/分钟。

需要说明的是，心理数据可通过NASA-TLX量表、Borg疲劳量表、RPE量表等获取。

优选的，在本实施例中，生理数据选择NASA-TLX量表获取。其中，NASA-TLX量表由6个评价维度组成，当工作任务结束后，操作员被要求在6个维度中各选择一个从0到100的数字代表该维度对其负荷的程度，分值越高表示任务负荷越大，采用纸笔记录并由实验人员导入电子表格。

具体的，将得到的各维度的平均得分作为心理负荷得分。例如，在一实施例中，操作员对各维度的打分分别为30，30，25，70，25，20，则其心理负荷得分为33.333。

S103、根据所述生理负荷指标对应的参考数据校正所述生理负荷指标对应的目标数据。

其中，所述根据所述生理负荷指标对应的参考数据校正所述生理负荷指标对应的目标数据，具体包括：

确定所述生理负荷指标对应的目标数据和所述目标数据的参考数据，所述参考数据为所述生理数据中除所述目标数据以外的生理数据，所述参考数据与所述目标数据的类型不同；

例如，选择生理负荷指标为心电指标，则在采集心电指标、脑电指标和皮肤电指标作为生理数据的基础上，心电指标对应的心电数据为目标数据，脑电指标和皮肤电指标对应的脑电数据和皮肤电数据为参考数据。

基于所述目标数据和所述参考数据的时域信息对齐所述目标数据和所述参考数据；

目标数据和参考数据都包括时域特征、频域特征和非线性特征，首先基于时域特征中的时间信息将目标数据和参考数据对齐。

分别提取对齐后的所述目标数据和所述参考数据的对应的目标维度的特征；

将对齐后的数据进行特征提取，目标维度可以为时域、频域和非线性中的一种。如果目标维度为时域，提取对齐后的目标数据和参考数据的时域特征；如果目标维度为频域，提取对齐后的目标数据和参考数据的频域特征；如果目标维度为非线性，提取对齐后的目标数据和参考数据的非线性特征。

基于所述目标数据的目标维度的特征确定误差特征范围，基于所述误差特征范围的时间信息确定所述参考数据的目标维度的特征的校正特征范围；

基于所述校正特征范围识别误差特征范围的误差概率；

其中，所述基于所述目标数据的目标维度的特征确定误差特征范围，基于所述误差特征范围的时间信息确定所述参考数据的目标维度的特征的校正特征范围，具体包括：

基于所述目标数据中相邻数据点发生跳变的周期确定识别周期；

在对齐后的所述目标数据的目标维度的特征中，确定相邻数据点发生跳变的周期，作为优选的，若周期不一致，则以相邻数据点发生跳变的平均周期作为周期值，将周期作为识别周期进行数据异常的识别。

基于所述识别周期确定数据跳变异常的特征范围，以作为误差特征范围；以识别周期为时间间隔，对变换后的特征进行识别，找到数据最低值和数据最高值相差值大于预设值的数据跳变异常的特征范围。如果是时域特征，则该特征范围是一个时间段内的特征；如果是频域特征，则该特征范围是一个频率范围内的特征；如果是非线性特征，则该特征范围是一个特征范围区域。

基于所述误差特征范围对应的时域信号的时间信息确定与之对齐的参考数据的校正特征范围，所述校正特征范围的时间信息与所述误差特征范围的时间信息对齐；

确定了误差特征范围后，不论是哪个维度的特征，都可以根据这个范围确定其对应的时域下的时间范围，然后利用时间范围确定校正特征范围。本发明提供的方法首先根据特定维度下的特征确定疑似异常的范围，然后利用时域对齐的特点，找到时间信息相同的参考数据的范围，从而找到该范围对应的参考数据的特征。即本发明无需进行数据的融合和复杂计算，通过时间对齐的方式，使得所有维度下的特征都利用时域信息作为桥梁，找到与之对应的参考特征，从而进行校正，提高了单信号疲劳识别的准确性，同时又降低了计算量。

所述基于所述校正特征范围识别误差特征范围的误差概率，具体包括：

基于所述校正特征范围特征的特征跳变程度和误差特征范围的特征跳变程度计算误差概率。

优选的，可以以特征跳变程度比值计算误差概率，特征跳变程度为特征的最高值与特征最低值的差值。

基于所述误差概率矫正误差特征范围中的所述目标数据的目标维度的特征，获得校正后的所述目标数据的目标维度的特征，作为校正后的所述生理负荷指标对应的目标数据。

本发明提供的方法，相对于现有技术中使用单一指标评估疲劳状态的方法，能够使用多个指标统一评估疲劳状态，提高了疲劳状态的准确性。其中，在生理负荷指标评估时，相较于现有技术中仅使用一个维度的数据评估或使用多个维度的数据进行评估，一方面，仍然以一个维度的数据为评估的主要来源，减少了数据融合、结果融合的计算过程，降低了整体的计算量和计算时间，提高了评价的效率；另一方面，先对齐，再利用对齐的信息找到各个特征下的对应范围，最终利用相同范围、不同维度的数据进行修正，提高了单一维度的数据的准确性，从而提高了评价的准确性。因此在提高准确性的同时，还降低了计算量，简化了评价的过程，提高了评价的效率。

S104、根据所述姿势负荷指标、所述生理负荷指标的目标维度和所述心理负荷指标以及所述姿势负荷指标的权重、所述生理负荷指标的权重、所述心理负荷指标的权重和校正后的所述生理负荷指标对应的目标数据，计算人体疲劳度。

优选的，可通过客观赋权法中的基于“指标差异”的赋权方法确定姿势负荷指标、生理负荷指标和心理负荷指标的权重。

具体的，通过客观赋权法中的基于“指标差异”的赋权方法，并通过均方差法确定权重系数：取第j项评价指标x

，

其中

在本实施例中共涉及三项权重系数，即姿势负荷指标

例如，在一实施例中，计算十名操作员的采集工作姿势数据、生理数据和主观评价数据得到

计算人体疲劳度，具体包括：

，

其中，HFL表示人体疲劳度；

在一实施例中，

需要说明的是在计算所述人体疲劳度后，得到人体疲劳度和疲劳度等级；其中，所述人体疲劳度大于指定值则所述疲劳度等级为疲劳；所述人体疲劳度小于指定值则所述疲劳度等级为不疲劳。

具体的，指定值是根据实际需要设定的，本实施例中不对其进行限定，例如，一实施例中指定值为1.000。则当

需要注意的是，在得到人体疲劳度和疲劳度等级后，若疲劳等级为疲劳，则会根据疲劳等级和工作确定作业改善方案。

具体的，本申请提供的人体疲劳度评估优化方法的框架图请参照图3。

本申请提供的人体疲劳度评估优化方法，这样，通过关注以低负荷、多姿势、高重复性为特征的劳动任务，通过综合考虑多种数据和因素并构建一个主客观结合的多参数综合评价的人体疲劳模型，适用范围广且可实现对人体疲劳的全面、精确和快速评估，以确保工作者能够在安全和健康的工作环境中工作。具体来说，本发明即考虑了工作姿态和生理又考虑了心理负荷，综合了主观和客观的因素，提高了评价的准确性；在计算各个因素时，根据工作类型的不同，又提供了不同的评价方法和评价维度，对于工作姿态而言，根据具体的工作确定代表性姿态，从而划分各个子动作，对于生理负荷指标而言，提供了心电、脑电等多种类型，每个类型又具有多个维度供选用，一方面提高本发明评价方法的通用性，即可以完成任意工作的评价，另一方面为每一个评价对象选择最与之适配的评价方法，提高了评价的准确度。

与前述一种人体疲劳度评估优化方法的实施例相对应，本申请还提供了一种人体疲劳度评估优化装置的实施例。

本申请一种人体疲劳度评估优化装置的实施例可以应用在人体疲劳度评估优化设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在人体疲劳度评估优化设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本申请人体疲劳度评估优化装置所在人体疲劳度评估优化设备的一种硬件结构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的人体疲劳度评估优化设备通常根据该人体疲劳度评估优化装置的实际功能，还可以包括其他硬件，对此不再赘述。

图5为本申请提供的人体疲劳度评估优化装置实施例一的结构示意图，请参考图5，本实施例提供的装置，可以包括采集模块510、处理模块520和计算模块530，其中，

所述采集模块510，用于采集工作姿势数据、生理数据和主观评价数据；

所述处理模块520，用于根据工作姿势拆分所述工作姿势数据为子工作姿势数据，根据所述子工作姿势数据计算姿势负荷指标；获取所述生理数据中的时域、频域和非线性特征，确定生理负荷指标；根据所述主观评价数据确定心理负荷指标；

所述计算模块530，用于根据所述生理负荷指标对应的参考数据校正所述生理负荷指标对应的目标数据；

所述计算模块，还用于根据所述姿势负荷指标、所述生理负荷指标的目标维度和所述心理负荷指标以及所述姿势负荷指标的权重、所述生理负荷指标的权重、所述心理负荷指标的权重和校正后的所述生理负荷指标对应的目标数据，计算人体疲劳度；

其中，所述根据所述生理负荷指标对应的参考数据校正所述生理负荷指标对应的目标数据，具体包括：

确定所述生理负荷指标对应的目标数据和所述目标数据的参考数据，所述参考数据为所述生理数据中除所述目标数据以外的生理数据，所述参考数据与所述目标数据的类型不同；

基于所述目标数据和所述参考数据的时域信息对齐所述目标数据和所述参考数据；

分别提取对齐后的所述目标数据和所述参考数据的对应的目标维度的特征；

基于所述目标数据的目标维度的特征确定误差特征范围，基于所述误差特征范围的时间信息确定所述参考数据的目标维度的特征的校正特征范围；

基于所述校正特征范围识别误差特征范围的误差概率；

基于所述误差概率矫正误差特征范围中的所述目标数据的目标维度的特征，获得校正后的所述目标数据的目标维度的特征，作为校正后的所述生理负荷指标对应的目标数据。

本实施例提供的装置，可用于执行图1所示方法的步骤，其实现原理和实现过程与前文所述类似，此处不再赘述。

请继续参照图4，本申请还提供一种人体疲劳度评估优化设备，包括存储器、处理器及存储在所述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程序时实现本申请第一方面提供的任一项所述方法的步骤。

本申请还提供一种存储介质，其上存储有程序，所述程序被处理器执行时实现本申请第一方面提供的任一项所述方法的步骤。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述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，作为单元显示的部件可以是或者也可以不是物理单元，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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。