郭孜政，吳志敏，肖　瓊，潘雨帆，潘毅潤，張　駿

(1. 西南交通大學 交通運輸與物流學院，四川 成都　610031；2. 西南交通大學 綜合交通運輸智能化國家地方聯(lián)合工程實驗室，四川 成都　610031)

動車組司機的持續(xù)性注意水平成為影響司機作業(yè)可靠性的關鍵因素。目前國內外對機車司機作業(yè)的研究主要針對疲勞，而對持續(xù)性注意水平的研究則較為鮮見。高法燈采用人眼持續(xù)閉合時間比率和人眼平均閉合速度作為測評指標對機車司機的疲勞程度進行研究，結果表明人眼持續(xù)閉合時間比率越大、人眼平均閉合速度越低，則機車司機的疲勞程度越大，并在此基礎上開發(fā)了機車司機疲勞檢測系統(tǒng)[1]。何偉峰基于類似的3項眼動指標，提出1種基于貝葉斯網絡信息融合的機車司機駕駛疲勞監(jiān)測系統(tǒng)[2]。王瑩則用機車司機駕駛狀態(tài)監(jiān)測視頻文件，通過機車司機規(guī)定手勢的完成狀態(tài)判定司機的疲勞程度[3]。Cabon等利用腦電和心電2項指標對機車司機睡眠被剝奪與持續(xù)性注意水平間的關系進行了研究，結果表明睡眠時間不斷減少將造成機車司機的持續(xù)性注意水平大幅下降[4]。

上述利用人的眼動、腦電與心電等生理特征進行的持續(xù)性注意水平研究未對持續(xù)性注意水平敏感性指標進行研究。研究表明，腦電信號作為敏感于大腦活動的神經生理信號，與機車司機的當前精神狀態(tài)具有高度相關性[5-6]。對腦電信號經過熵處理之后發(fā)現(xiàn)，當大腦處于較高喚醒水平時，腦電熵值較大，反之腦電熵值較小[7]。因此本文基于動車模擬駕駛試驗，采用Kruskal-Wallis檢驗方法與Relief算法，進行動車組司機持續(xù)性注意水平敏感性腦電熵指標的研究，為動車組司機持續(xù)性注意水平的量化測評及后期持續(xù)性注意水平識別模型的構建提供依據(jù)。

1　試驗方法

1.1　被試人員

為滿足人因工程常規(guī)試驗類研究(如駕駛員、飛行員)需要被試在20人以上的要求，從中國鐵路總公司93和94期動車組司機班學員中均勻抽取22人作為被試。他們分別來自北京、成都、上海、南寧、武漢和哈爾濱等鐵路局，先前均為旅客列車司機(機車為韶山型電力機車)，年齡在34～38歲之間。

所選被試視力或矯正視力正常，無任何心理或精神疾病史，且在試驗前24 h內禁止飲用含有酒精或咖啡因成分的功能性飲料，并自愿簽訂《知情同意書》。

1.2　試驗設計

試驗采用CRH1E型動車組操縱模擬器，該模擬器采用單通道大屏前向視景系統(tǒng)，其屏幕分辨率為(2 048×768) pix，7.1的數(shù)字音頻發(fā)聲系統(tǒng)可高仿真模擬動車運行時的背景聲音環(huán)境。機車操作臺由列車自動防護系統(tǒng)、列車自動運行系統(tǒng)、列車自動監(jiān)控系統(tǒng)和乘客信息系統(tǒng)、列車運行監(jiān)控記錄裝置、機車綜合無線電通訊以及操作按鈕、指示燈、速度設定控制器等組成，其布局如圖1所示。

試驗線路選取北京南站至上海虹橋站的京滬高鐵線路，線路全長為1 463 km，最高限速為220 km·h-1，要求被試以低于限速5 km·h-1的速度(標準速度)駕駛列車運行。

為實時測試被試在連續(xù)駕駛過程中的持續(xù)性注意水平，試驗時采用在列車運行前方隨機顯示紅圓點的方式模擬列車運行中隨機出現(xiàn)信號等隨機事件。紅圓點在5個可能位置按照不同的時間間隔(240±10)s隨機出現(xiàn)(見圖1)。要求被試在紅圓點出現(xiàn)后立即點擊反應鍵，系統(tǒng)將自動記錄被試的反應時間。試驗持續(xù)4 h，全程無休息。

圖1　試驗任務場景

1.3　試驗流程

為保證試驗開始前被試具有較高的持續(xù)性注意水平，試驗從早上8:00開始。首先，8:00—8:15為試驗準備階段，主要做好設備調試、告知被試試驗任務(主任務為動車組的模擬操縱，次任務為測試對隨機紅點的反應)等相關事宜。8:15—8:30預先進行15 min的模擬駕駛練習，以消除練習效應的影響，然后從8:30開始進行約4 h的正式試驗。在正式試驗進行至46 min時及試驗結束后，采用主試口頭詢問的方式，要求被試填寫卡羅林斯卡嗜睡量表[8-9](Karolinska Sleepiness Scale，KSS)，測試其疲勞程度。

1.4　數(shù)據(jù)采集

1)主觀疲勞及駕駛行為績效測評數(shù)據(jù)的采集

試驗中采用的KSS量表為9分量表，用于評估司機的疲勞狀態(tài)：1分為極度清醒；2分為非常清醒；3分為清醒；4分為有些清醒；5分為既不清醒，也不困倦；6分為開始出現(xiàn)困倦的征兆；7分為困倦，容易控制；8分為困倦，困難但可以控制；9分為昏昏欲睡，無法控制。

對于駕駛行為績效測評數(shù)據(jù)，試驗主要記錄列車當前限速、列車當前運行速度以及對紅點的反應時間和有效檢測率，其采樣頻率設置為10 Hz。

2)腦電數(shù)據(jù)采集

采用32導腦電儀采集腦電(EEG)數(shù)據(jù)，其中用10～20導聯(lián)頭皮電極系統(tǒng)記錄水平和垂直眼電。腦電采樣頻率、頻率帶寬分別設置為1 000 Hz，0.5～100 Hz，且保持電極阻抗不得超過5 kΩ。試驗中選取FCz電極作為參考電極，其分布如圖2所示。

圖2　腦電電極的分布

1.5　持續(xù)性注意水平的時段劃分

選取試驗中前后的2個時段分別作為高、低持續(xù)性注意水平的時段，是人因工程學中的常用方法[10-11]。為了去除被試在剛開始駕駛操作時練習效應對試驗結果的影響，同時保證被試具有較高的持續(xù)性注意水平，故選取試驗開始后的16～46 min時段作為被試的高持續(xù)性注意水平時段；隨著駕駛時間逐漸增長，被試的疲勞程度逐漸增加并達到最高，故選取試驗開始后的210～240 min時段作為被試的低持續(xù)性注意水平時段。

主觀疲勞評估和速度偏差以及對隨機信號探測所產生的客觀指標是衡量動車組司機持續(xù)性注意水平的有效指標[12-13]，通過對上述2個時段內被試的KSS量表得分、速度偏差以及對隨機信號探測所產生的客觀指標(反應時間、有效檢測率)的差異性進行對比分析，以驗證試驗中持續(xù)性注意水平時段劃分的合理性。

2　持續(xù)性注意水平敏感性腦電熵指標的選取方法

2.1　基于腦電熵值的參數(shù)計算

選取腦電θ(4～8 Hz),α(8～13 Hz),β(13～30 Hz)3個頻段的平均幅值作為腦電熵值計算參數(shù)。其計算處理步驟如下。

(1)以1 min的腦電信號為分析單元，對該信號以0～35 Hz的帶寬進行整體濾波處理。濾波過后對腦電信號設定重疊率為50%、步長為s(s取2 000 ms)的時間窗，從左至右滑動將該段信號予以分割。

(2)對于1個窗口的腦電信號，為了消除旁瓣效應對快速傅里葉變換的影響，將其與等長度的漢明窗做內積，得到處理的信號f(n)。對f(n)進行快速傅里葉變換，得到腦電信號f(n)在頻域上的幅值分布f(k)為

(1)

其中，

式中：WN為周期函數(shù)；k為任意整數(shù)；n為樣本量；j為虛數(shù)；N為信號采樣點數(shù)。

(3)從f(k)中分別提取θ(4～8 Hz),α(8～13 Hz),β(13～30 Hz)頻段幅值序列，對各頻段幅值系列去除其正負3倍標準差外的異常數(shù)據(jù)后求取均值，對其他時間窗也采用同樣方法，得到3個頻段在1 min腦電信號內的平均幅值序列。

(4)將θ，α和β頻段的平均幅值序列分別記為μθ(o)，μα(o)，μβ(o)， 1≤o≤L，L為序列長度。

①以θ頻段為例，計算樣本熵和近似熵的步驟如下。

步驟1將平均幅值序列μθ(o)由1維構造成m維向量，即

Ym(o)=(μθ(o)μθ(o+1)…μθ(o+m-1))o=L-m+1

(2)

步驟2定義任意2個向量Ym(o)與Ym(u)之間的距離d(Ym(o),Ym(u))為

d(Ym(o),Ym(u))=

o=1,2,…,L-m+1

u=1,2,…，L-m+1

o≠u

(3)

步驟5將θ頻段的幅值序列按順序組成m+1維向量，按照步驟1—步驟4得出Bm+1(g)。

步驟6將Bm(g)與Bm+1(g)代入式(4)和式(5)中，分別求出θ頻段的樣本熵(SampEn)與近似熵(ApEn)，為

(4)

ApEn(m,g)=Bm(g)-Bm+1(g)

(5)

②對原有θ頻段的平均幅值序列μθ(o)按升序排列，將序列中的平均幅值視為1個元素，元素大小相同的為同類元素、不同的為異類元素。其中各個元素所出現(xiàn)的概率分布為{y1,y2,…，ys}，s為元素類型的個數(shù)。將其代入式(6)中，得到θ頻段平均幅值序列μθ(o)的香農熵(H(p))為

(6)

同理，分別求取α和β頻段平均幅值序列μα(o)和μβ(o)的樣本熵、近似熵和香農熵3種腦電熵，作為1 min腦電信號的持續(xù)性注意水平腦電熵值參數(shù)。對q個電極的腦電信號，均采用步驟(1)—步驟(4)，得到9q項腦電熵值參數(shù)，記為xi(i=1,2,…,9q)。

2.2　熵指標敏感性分析及選取

對于所獲取的腦電熵值參數(shù)樣本集合E={E1,E2,…,Ei,…,El}，每個樣本為1 min內腦電信號經熵處理后所得到的9q項腦電熵值參數(shù)，即Ei={x1,x2,…,x9q}，l為采集信號的時長。Ei的類型為fi∈F，F(xiàn)={f1,f2}，即f1為高持續(xù)性注意水平，f2為低持續(xù)性注意水平。本文分別采用Kruskal-Wallis檢驗與Relief算法，選取敏感于不同持續(xù)性注意水平的指標集合。

1) 基于Kruskal-Wallis檢驗的敏感性指標選取

將任意一項腦電熵值參數(shù)xi在高持續(xù)性注意水平與低持續(xù)性注意水平下得到的熵值序列中進行Kruskal-Wallis檢驗，構造統(tǒng)計量H為

(7)

式中：Q為2類參數(shù)樣本的總量；Ri為在第i類持續(xù)性注意水平下，參數(shù)樣本中所有元素的平均秩。

由于統(tǒng)計量H服從自由度為1的χ2分布，查表可得相應的p值(為衡量兩樣本差異顯著性的判別指標)。在給定的顯著性水平α下，若p>α，則表明該項參數(shù)在兩類持續(xù)性注意水平下無差異顯著；若p<α，則表明該項參數(shù)在兩類持續(xù)性注意水平下差異顯著，p值越小差異越顯著。

經過上述計算，選取差異性最為顯著的h項腦電熵值參數(shù)作為持續(xù)性注意水平敏感性指標，即Z={z1,z2,…,zh}。

2) 基于Relief算法的敏感性指標選取

樣本Ei與任意樣本Ev在腦電熵值參數(shù)xr(1≤r≤9q)上的差定義為

(8)

式中：Emax與Emin為腦電熵值參數(shù)xr在樣本集E中的最大值與最小值；Ei(xr)與Ev(xr)為樣本Ei與Ev中腦電熵值參數(shù)xr的數(shù)值。

(9)

式中：p(·)為與Ei同類的樣本在總樣本中所占的比率；T為迭代次數(shù)。

最終選取基于上述2種方法的敏感性指標的交集G作為持續(xù)性注意水平的特征指標。

G={(Z∩Z*)}={(z1,z2,…,ze)}

(10)

3　試驗結果及分析

3.1　持續(xù)性注意水平時段劃分的合理性驗證

為驗證1.5節(jié)中選取試驗開始后16～46和210～240 min 2個時段對應被試不同持續(xù)性注意水平時段的假設是否合理，采用配對樣本t檢驗對上述2個時段所得到的KSS量表得分和駕駛行為績效測評數(shù)據(jù)進行差異性檢驗，其結果見表1。

表1　主觀疲勞、駕駛行為績效測評數(shù)據(jù)及檢驗結果

注：括號外數(shù)值表示均值，括號內數(shù)值表示方差。

由表1可見：與第1時段相比，被試在第2時段的疲勞程度顯著增加(KSS量表得分上升)，反映在主任務中對列車運行速度的控制能力也顯著下降(速度偏差增大)，在次任務中對隨機紅點的反應能力顯著下降(反應時間增加，有效檢測率下降)，這表明試驗中以第1時段作為高持續(xù)性注意水平時段、第2時段作為低持續(xù)性注意水平時段的劃分是合理的。

3.2　持續(xù)性注意水平熵指標的敏感性分析及確定

對于試驗所采集的腦電數(shù)據(jù)，基于2.1節(jié)處理方法對其進行快速傅里葉變換，然后對θ(4～8 Hz),α(8～13 Hz),β(13～30 Hz)3個頻段的平均幅值序列計算樣本熵、近似熵和香農熵3種腦電熵值，共得到288組特征指標。采用2.2節(jié)中Kruskal-Wallis檢驗，得出在32個電極上兩階段腦電數(shù)據(jù)間的p值，如圖3所示。

圖3　p值分布腦地形圖

由此選出對持續(xù)性注意水平最敏感的10個指標，其結果見表2。

表2　基于Kruskal-Wallis檢驗的敏感性指標

基于2.2節(jié)中Relief算法，得到各個腦電熵指標的權重均值，從中選取權重值最大的10個熵指標作為持續(xù)性注意水平的敏感性指標，其結果見表3。

表3　基于Relief算法的敏感性指標

以Kruskal-Wallis檢驗和Relief算法篩選所得到的敏感性指標交集作為持續(xù)性注意水平的特征指標，即位于FP1，F(xiàn)7電極處β頻段的香農熵以及位于FZ電極處α頻段的樣本熵。

4　結　論

(1)相比第1時段，動車組司機在第2時段的疲勞程度顯著增加(KSS量表得分上升)，在次任務中對隨機紅點的反應能力顯著下降驗證了長時間連續(xù)駕駛會引發(fā)動車組司機精神疲勞及持續(xù)性注意水平下降。

(2)提出將基于Kruskal-Wallis檢驗和Relief算法得到的敏感性指標的交集，作為對動車組司機持續(xù)性注意水平敏感的腦電熵指標。

(3)試驗表明，位于FP1，F(xiàn)7電極處β頻段的香農熵以及FZ電極處α頻段的樣本熵對持續(xù)性注意水平十分敏感。

(4)選出的敏感于動車組司機持續(xù)性注意水平腦電特征指標，為今后對動車組司機持續(xù)性注意水平的識別與測評提供了依據(jù)。

[1]高法燈.基于圖像的機車司機疲勞檢測系統(tǒng)研究[D].杭州：浙江大學，2010.

(GAO Fadeng. Study on the Detection System of Locomotive Driver Fatigue Based on Image [D].Hangzhou： Zhejiang University，2010.in Chinese)

[2]何偉峰.機車司機行車安全監(jiān)控中疲勞監(jiān)測和無線傳輸研究[D].長沙：中南大學，2009.

(HE Weifeng. Fatigue Detection and Wireless Transmission of Monitored Control System for Safe Driving of Locomotive Engineer [D].Changsha：Central South University，2009.in Chinese)

[3]王瑩.基于表情及姿態(tài)的機車司機疲勞駕駛監(jiān)測技術[D].北京：北京交通大學，2012.

(WANG Ying.Locomotive Driver’s Fatigue Detecting Based on Expression and Gestures [D].Beijing：Beijing Jiaotong University，2012.in Chinese)

[4]CABON P H，COBLENTZ A， MOLLARD R，et al.Human Vigilance in Railway and Long-Haul Flight Operation [J].Ergonomics，1993，36(9)：1019-1033.

[5]SZALMA J L，WARM J S，MATTHEWS G，et al.Effects of Sensory Modality and Task Duration on Perfor-mance，Workload，and Stress in Sustained Attention [J].The Journal of the Human Factors and Ergonomics Society，2004，46(2)：219-233.

[6]GRIER R A，WARM J S，DEMBER W N，et al.The Vigilance Decrement Reflects Limitations in Effortful Attention，Not Mindlessness [J].The Journal of the Human Factors and Ergonomics Society， 2003，45(3)：349-359.

[7]VENABLES L，F(xiàn)AIRCLOUGH S H.The Influence of Performance Feedback on Goal-Setting and Mental Effort Regulation [J].Motivation and Emotion，2009，33(1)：63-74.

[8]WATSON N F，JACOBSEN C，GOLDBERG J，et al.Subjective and Objective Sleepiness in Monozygotic Twins Discordant for Chronic Fatigue Syndrome [J].Sleep，2004，27(5)：973-977.

[9]SCHMIDT E A，SCHRAUF M，SIMON M，et al.Drivers’ Misjudgement of Vigilance State during Prolonged Monotonous Daytime Driving [J].Accident Analysis & Prevention，2009，41(5)：1087-1093.

[10]TING P H，HWANG J R，DOONG J L，et al.Driver Fatigue and Highway Driving：a Simulator Study[J].Physiology & Behavior，2008，94(3)：448-453.

[11]郭孜政，潘毅潤，吳志敏，等.疲勞對高鐵司機持續(xù)性注意影響機制的ERP試驗研究[J].中國安全科學學報，2015，25(8)：81-86.

(GUO Zizheng, PAN Yirun,WU Zhimin,et al.EPR-Based Study on Influencing Mechanism of Fatigue on High-Speed Drivers’ Sustained Attention[J]. Chinese Safety Science Journal,2015，25(8)：81-86.in Chinese)

[12]QIAN S，LI M，LI G，et al.Environmental Heat Stress Enhances Mental Fatigue during Sustained Attention Task Performing: Evidence from an ASL Perfusion Study [J].Behavioural Brain Research，2015，280：6-15.

[13]BROOKHUIS K A，DE WAARD D.Monitoring Drivers’ Mental Workload in Driving Simulators Using Physiological Measures [J].Accident Analysis & Prevention，2010，42(3)：898-903.