摘要：本文提出了一种判别重复作业中劳动人员疲劳状态，并指出易疲劳部位的方法。 该方法利用加速度传感器获取目标人的行为，以检测目标人没有注意到的疲劳。通过对采集到的数据进行作业特征的计算，将其交给机器学习生成的分类器，检测用户是否存在疲劳。实验结果表明，该方法对重复性作业的鉴别精度较高。其主要表现为长期使用的颈部和支撑身体重心的腿部的运动。
关键词：加速度传感器 机器学习 疲劳判定
1 背景
生活节奏的加快、工作压力的增大，都会使人的疲劳感频繁出现 ，对人们的日常生活等各个方面都将产生影响。因此，疲劳已被认为是一种严重的社会问题。传统的疲劳检测方法主要有下述 3 种：
(1)主观判断法。如自测、调查问卷，对被测试者的工作效率等方面进行评价性测定。[1]
(2)生理参数测定法。在人体不同位置皮肤上贴电极采集生理信号进行分析
(3)生物化学法。通过检查人的血液、、酶、等液体成分的变化进行疲劳判断。上述方法存在受主观因素影响、需要特定条件、易造成身体不适感等弊端，而且无法实现随时检测。
本文提出一种利用步态加速度数据特征值变化进行疲劳检测的方法，它的优势是给出了疲劳作用最明显的特征部位，大大减少了检测的复杂度 ，比较便捷准确。
2现存方法的一些不足
在第1节提到的传统的疲劳检测方法法易受主观因素影响、易造成身体不适感等弊端，很难做到客观定量，也无法实现连续动态测定，最大的问题就是在工厂等实际生活生产环境中很难普及，无论是设备复杂度，还是成本上。对于这种情况加速度传感器的优势就是不需要考虑工作环境价格低廉，加速度传感器的行为识别中，以重复动作、站立、等单纯动作为对象.从中检测出用户的疲劳负荷，并指出这里面疲劳特征最明显的部位。
3.1 从重复作业中判断疲劳的状态
.png)
图3.1:疲劳判别方法的整体图
在精神疲劳和精神压力的情况下，即使自己打算做同样的动作，实际动作的细小和迟钝的差异显现出来利用加速度传感器取得表现动作的特征。获得加速度数据 计算出特征量，判别疲劳状态。
3.2取得作业数据
本方法是通过在作业者的身体上安装三维加速度传感器，来实现取得作业中的加速度数据另外，手腕是人动作时大幅度移动的部位。沿着脊柱的5个部位（手腕，颈部，背部，腰，大腿前侧）安装传感器,取得动作数据。
3.3计算有效判断为疲劳的特征量
为了判别疲劳状态，从3.2节举起的5个部位开始
首先，从5个部位得到的加速度数据的特征，加速度3轴的范数(norm) 对3种加速度进行快速傅立叶变换
对于样本数据每10S为一个时间窗口进行快速傅里叶变换。，因为疲劳一旦发生是一个比较主观且持续的过程，所以10S的窗口是依次取值并进行分类标记，覆盖每个样本的全部数据。其次，因为取样率是每秒100次，着眼于波动变化的0～50Hz.每5Hz分割进行了分析. 然后是范式的平均,分散的计算
另外，为了获得各范数数据的波形特征，采用峰值法表示各部位的动作大小。本方法还设置了5个阈值定义.每个阈值取最大值，根据每个阈值的最大值的平均值和分散来检测波形的特征.如图3.3所示，阈值设定为数据的最大值和最小值之差的20%、40%、60%、80%、100%五个阶段。根据各阈值的最大值，可以看出作业中所有部位的活动方式的特征。
接着，在加速度的各范数值的峰谷中，计算5个阈值的最大值的平均·方差。因此，加速度的范数为8种，但是，加速度的阈值100%是最大值，所以不考虑方差，其他四个部位也可以计算出来，所以7×5部位=35种为特征计算出来。
在每个10S的窗口内，加速度3轴的范式，计算出每5Hz（范围是0-50Hz）的平均和分散，并计算出一个部位10×2=20种类的特征。脖子，背部，腰，腿总计80维数据，作为一条特征数据，然后以10S为一个窗口覆盖每位实验者的整个数据集
这样最后在快速傅里叶变换和峰值法，最终抽出485条特征值.
4.1实验概要
通过实验来验证是否能够从作业行为的不同中识别出人的疲劳状态.
实验者为20岁左右的健康男性6名女性2名，
在本次实验中，被试验者在脖子,腰,手腕,腿,背部的5部位安装了加速度传感器. 从各传感器取得了各自的加速度数据.
4.1所示是CRESCO Wireless, Inc公司制造的小型蓝牙混合传感器WAA-006传感器为39mm×40mmx12mm，重量为20g，用户负担小.手腕处有GOV公司的TECCO RFID传感器用于计数与检测错误。
在本实验中，特制了如图4.3的实验器材，每个杯子有相应的字母标记，被随机的固定在墙壁上，被子里装有“药片”，实验者需要对照手机里电子随机表格的“处方”从正确的杯子拿取正确数量的药品，墙壁上粘贴有RFID信标 这样当实验者手伸入杯子时可以识别操作的正误，这样实验虽然看似是重复的工作但是难度是相当大的，作业者很容易陷入不自觉地疲劳，每个实验者进行大约10分种 200次的操作。这样一个实验者提供4个部位作为一组数据 进行8组实验。
4.2疲劳评价
每个人的动作习惯也不尽相同，每个人对疲劳的忍耐阈值也不同，但是疲劳时脊柱和腿部的晃动是相似的
其中标签的标记是根据实验中对实验者的实时调查与对照录像，图片资料进行标记，即某一时刻起试验者声明感到疲劳，此时10S窗口的特征数据，持续到后10个窗口的特征值长度记为疲劳标签或持续到实验者声明的时长为止，同样的普通状态的特征数据就是非疲劳标签。
4.3实验结果
本实验使用Random Forest构成了识别器 为了公平的判断，进行4交叉检验，作业动作仅限于重复同一作业。
每一名实验者从4个样本中抽出大概50条左右80维的特征数据，共485个特征数据。
因此，训练数据数目为300，测试数据为150，结果如表4.3 与图4.3，图4.4。
从表4.4可以看到，可以推断在这种传感器布局下，基本可以判断实验者是否疲劳
.png)
如表4.4 表示在随机森林识别时得到的作业前10位的重要变量中，在重复作业中最重要的变量是脖子的范数，其次是腿部比较重要 前10重要变量种腿部也占了6个 背部占了2个 同时也可以看到在0-5Hz成分抽出的特征值比较多
5 从重要变量中检测疲劳的可能性
在实验的结果种 我们发现脖子的特征是最重要的，也是最容易发生疲劳的部位， 而出现这种结论也符合了实验过程中的实际情况，作业的工作台太低了，往往实验者都很高，他们需要低头，而操作的实验台横向距离也比较大，我们提出一个建议就是在实际生产操作中类似这种重复的精细作业，最好提供一个高度合适使得视线自然脖子放松的位置，与可以放松腿部的椅子，因为疲劳发生的速度是很快的。
参考文献
[1] Xing Y, Di C, Chen H, Design of wearable human fatigue detecting device based
on multi-sensor. Nanjing University of Science and Technology 210094, Research and
Development 2018,3(3): pp81-86