張潔，龐麗萍，完顏笑如,*，陳浩，王鑫，梁晉

1.北京航空航天大學(xué) 航空科學(xué)與工程學(xué)院，北京 100083 2.中國(guó)船舶工業(yè)綜合技術(shù)經(jīng)濟(jì)研究院 船舶人因工程實(shí)驗(yàn)室，北京 100081

隨著科學(xué)技術(shù)的發(fā)展，人-機(jī)系統(tǒng)中人的作用更多地趨于高級(jí)決策和監(jiān)控，使得現(xiàn)代人-機(jī)系統(tǒng)中體力勞動(dòng)不斷減少而腦力勞動(dòng)不斷增加，作業(yè)人員往往處于較高的腦力負(fù)荷狀態(tài)。研究表明，較高的腦力負(fù)荷會(huì)引起快速疲勞、失誤增加和決策錯(cuò)誤，是導(dǎo)致人因事故的重要原因；過(guò)低的腦力負(fù)荷會(huì)造成人力等資源浪費(fèi)、引起厭惡感，導(dǎo)致作業(yè)績(jī)效下降[1]。因此，作業(yè)人員腦力負(fù)荷的評(píng)估是人因工程領(lǐng)域一項(xiàng)重要的研究課題，對(duì)鐵路司機(jī)、飛行員等危險(xiǎn)崗位顯得尤為重要。

腦力負(fù)荷的測(cè)量方法主要有主觀測(cè)評(píng)法、行為績(jī)效測(cè)評(píng)法和生理測(cè)評(píng)法[2-3]。主觀測(cè)評(píng)法和行為績(jī)效測(cè)評(píng)法由于具有時(shí)間滯后性等特點(diǎn)[4]，難以應(yīng)用于腦力負(fù)荷狀態(tài)的實(shí)時(shí)評(píng)估?；谏硇盘?hào)的腦力負(fù)荷監(jiān)測(cè)由于客觀性、實(shí)時(shí)性和較小的任務(wù)侵入性等優(yōu)勢(shì)日益成為研究熱點(diǎn)[5-6]。采用的生理信號(hào)主要有3大類：腦電信號(hào)(EEG)、眼電信號(hào)(EOG)和心電信號(hào)(ECG)[7-8]。其中，分析腦電指標(biāo)隨腦力負(fù)荷變化的特點(diǎn)及規(guī)律并采用數(shù)學(xué)算法建立腦力負(fù)荷評(píng)估模型是腦力負(fù)荷研究中使用最多的方法[9-10]。

Garrett等[11]開(kāi)展了基于線性、非線性和特征選擇方法的EEG信號(hào)分類模型研究，結(jié)果表明非線性分類方法建模效果優(yōu)于線性分類方法建模效果?；贓EG信號(hào)的非線性分類方法中，支持向量機(jī)(SVM)和神經(jīng)網(wǎng)絡(luò)(NN)被廣泛關(guān)注。目前，NN模型是一個(gè)黑箱子模型，其推理過(guò)程和推理依據(jù)無(wú)法解釋，其理論和算法仍需進(jìn)一步完善和提高。SVM模型由于具備推導(dǎo)過(guò)程清晰、可避免陷入局部最優(yōu)值、性能好的優(yōu)勢(shì)吸引了眾多學(xué)者研究[12-15]。然而，現(xiàn)有研究關(guān)于利用EEG信號(hào)建立基于SVM的分類模型研究中未仔細(xì)討論模型參數(shù)確定方法，傾向于單個(gè)角度評(píng)價(jià)模型效果。因此，在MATB-Ⅱ平臺(tái)上通過(guò)設(shè)置航空情境任務(wù)的不同喚醒頻次誘發(fā)低負(fù)荷、中負(fù)荷和高負(fù)荷情境，記錄被試在不同腦力負(fù)荷水平下的NASA任務(wù)負(fù)荷指數(shù)(NASA-TLX)量表數(shù)據(jù)和EEG信號(hào)，通過(guò)NASA-TLX數(shù)據(jù)的重復(fù)測(cè)量方差分析結(jié)果驗(yàn)證實(shí)驗(yàn)任務(wù)設(shè)計(jì)的合理性，通過(guò)傅里葉變換提取EEG信號(hào)的功率譜密度特征，采用SVM建立基于功率譜密度的腦力負(fù)荷評(píng)估模型，并進(jìn)一步利用網(wǎng)格搜索法優(yōu)化模型參數(shù)，利用多指標(biāo)評(píng)價(jià)模型效果。

1 實(shí)驗(yàn)方法

1.1 被 試

實(shí)驗(yàn)的被試為16名北京航空航天大學(xué)的研究生(年齡(23.4± 0.8)歲，15名男性，1名女性)，身體健康，右利手，視力或矯正視力正常，記為Sub 1～Sub 16。為確保實(shí)驗(yàn)?zāi)X電數(shù)據(jù)的客觀性，要求被試在實(shí)驗(yàn)前24 h內(nèi)保證充分的睡眠及良好的精神狀態(tài)，不飲用含有咖啡因、酒精的飲料，不服用任何藥物。實(shí)驗(yàn)前，對(duì)被試進(jìn)行實(shí)驗(yàn)任務(wù)培訓(xùn)，使被試充分了解實(shí)驗(yàn)流程，熟悉任務(wù)操作。

1.2 實(shí)驗(yàn)測(cè)量

1.2.1 實(shí)驗(yàn)任務(wù)

采用基于多任務(wù)航空情境操作的MATB-Ⅱ平臺(tái)實(shí)現(xiàn)系統(tǒng)監(jiān)控任務(wù)、追蹤監(jiān)控任務(wù)、通信監(jiān)控任務(wù)和資源管理任務(wù)[16]，并采用萊仕達(dá)飛行搖桿、鍵盤(pán)和鼠標(biāo)完成與MATB-Ⅱ平臺(tái)的人機(jī)交互。通過(guò)不同的任務(wù)喚醒頻次設(shè)計(jì)3個(gè)實(shí)驗(yàn)水平：低負(fù)荷、中負(fù)荷和高負(fù)荷。低負(fù)荷、中負(fù)荷及高負(fù)荷水平下，每種任務(wù)分別呈現(xiàn)1、12、24次。為了平衡練習(xí)和疲勞效應(yīng)，實(shí)驗(yàn)采用拉丁方設(shè)計(jì)。

MATB-Ⅱ平臺(tái)任務(wù)界面如圖1所示。

圖1 MATB-Ⅱ平臺(tái)任務(wù)界面Fig.1 Task interface of MATB-Ⅱ

1.2.2 主觀測(cè)評(píng)方法

采用的主觀測(cè)評(píng)法為NASA-TLX量表。被試通過(guò)填寫(xiě)NASA-TLX量表從腦力需求、體力需求、時(shí)間需求、努力程度、業(yè)績(jī)等級(jí)和受挫程度這6個(gè)評(píng)價(jià)維度測(cè)評(píng)自身腦力負(fù)荷值。

采用NASA-TLX量表評(píng)價(jià)腦力負(fù)荷包括以下主要過(guò)程[2]：

1) 要求被試認(rèn)真閱讀NASA-TLX量表6個(gè)維度的詳細(xì)說(shuō)明，并根據(jù)自身實(shí)際情況對(duì)各維度進(jìn)行評(píng)分。

2) 采用兩兩比較的方法，要求被試選出每對(duì)中對(duì)腦力負(fù)荷貢獻(xiàn)更多的維度，確定NASA-TLX量表各維度對(duì)總腦力負(fù)荷的權(quán)重。

3) 總腦力負(fù)荷值為6個(gè)維度的加權(quán)平均值。分值越高表示腦力負(fù)荷越大。

1.2.3 腦電采集系統(tǒng)

采用國(guó)際腦電圖學(xué)會(huì)標(biāo)定的10-20電極導(dǎo)聯(lián)定位標(biāo)準(zhǔn)[17]，利用Neuroscan Neuamps系統(tǒng)(Synamps2,Scan4.3,EI Paso,USA)采集32導(dǎo)聯(lián)腦電(FP1、FP2、F7、F3、FZ、F4、F8、FT7、FC3、FCZ、FC4、FT8、A1、T3、C3、CZ、C4、T4、A2、TP7、CP3、CPZ、CP4、TP8、T5、P3、PZ、P4、T6、O1、OZ、O2)，同時(shí)記錄垂直眼電(VEOG)和水平眼電(HEOG)。在線參考電極設(shè)為單側(cè)乳突(A1)，離線分析轉(zhuǎn)換參考為雙側(cè)乳突(A1、A2)的平均[18]。實(shí)驗(yàn)過(guò)程中要求各導(dǎo)聯(lián)阻抗均小于5 kΩ，采樣率為1 000 Hz，記錄帶寬為0.1～200 Hz。腦電采集系統(tǒng)如圖2所示。

圖2 腦電采集系統(tǒng)Fig.2 EEG acquisition system

1.3 實(shí)驗(yàn)流程

根據(jù)生物鐘時(shí)間表及主觀問(wèn)卷調(diào)查，確定實(shí)驗(yàn)時(shí)間為上午9:00～12:00[19]。被試到達(dá)實(shí)驗(yàn)室，先接受實(shí)驗(yàn)培訓(xùn)，之后佩戴腦電帽。實(shí)驗(yàn)準(zhǔn)備工作完畢，先進(jìn)行靜息實(shí)驗(yàn)，之后按著拉丁方設(shè)計(jì)順序依次開(kāi)展3種不同腦力負(fù)荷水平實(shí)驗(yàn)，同時(shí)記錄所有實(shí)驗(yàn)的EEG信號(hào)。每一水平的腦力負(fù)荷實(shí)驗(yàn)結(jié)束后，均要求被試填寫(xiě)NASA-TLX量表，并適當(dāng)休息。實(shí)驗(yàn)流程如表1所示。

表1 實(shí)驗(yàn)流程Table 1 Experimental process

2 建模及評(píng)估方法

2.1 SVM原理

SVM是建立在統(tǒng)計(jì)學(xué)習(xí)理論中結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的一種機(jī)器學(xué)習(xí)算法，通過(guò)核函數(shù)將數(shù)據(jù)投影到一個(gè)特征空間進(jìn)而尋找最優(yōu)超平面以建立模型，在解決小樣本、非線性問(wèn)題中具有一定的優(yōu)勢(shì)[20-21]。SVM的學(xué)習(xí)能力和泛化能力受核函數(shù)及參數(shù)影響。高斯核函數(shù)(RBF)由于其映射維度廣、決策邊界多樣和表現(xiàn)穩(wěn)定等優(yōu)點(diǎn)，被廣泛應(yīng)用于基于SVM的分類研究[22]。因此，選用RBF核函數(shù)開(kāi)展個(gè)體腦力負(fù)荷模型研究，懲罰系數(shù)C和核函數(shù)參數(shù)gamma的優(yōu)化選擇是建立個(gè)體腦力負(fù)荷評(píng)估模型的重要步驟之一?？紤]到網(wǎng)格搜索法具有可得到全局最優(yōu)解的優(yōu)點(diǎn)[22-23]，利用網(wǎng)格搜索法確定個(gè)體腦力負(fù)荷評(píng)估模型的C和gamma。

2.2 腦電特征提取

(1)

式中：P為功率譜密度；X為EEG信號(hào)；F為快速傅里葉變換；F*(X)為F(X)的共軛；fs為采樣頻率，這里取1 000 Hz；n為EEG信號(hào)采樣點(diǎn)個(gè)數(shù)，這里取1 024。

(2)

式中：Pf為頻率f下的功率譜密度值；fα、fβ、fθ、fδ分別為α、β、θ和δ節(jié)律頻率范圍。其中：

(3)

圖3展現(xiàn)了低負(fù)荷、中負(fù)荷和高負(fù)荷下16名被試平均能量的腦電地形圖?？芍?，隨著腦力負(fù)荷增加，4種節(jié)律的能量均不斷增大，且低負(fù)荷和中負(fù)荷之間的變化相較于中負(fù)荷和高負(fù)荷之間的變化更明顯，這可能與不同腦力負(fù)荷水平下任務(wù)喚醒頻次設(shè)計(jì)有關(guān)。

圖3 4種節(jié)律能量的腦電地形圖Fig.3 EEG maping of four rhythm activities

2.3 建模準(zhǔn)備

為建立個(gè)體腦力負(fù)荷評(píng)估模型，個(gè)體數(shù)據(jù)庫(kù)由單個(gè)被試3種腦力負(fù)荷實(shí)驗(yàn)的120個(gè)EEG特征(30個(gè)電極點(diǎn)×4維能量特征)和腦力負(fù)荷標(biāo)簽組成，其中，低負(fù)荷標(biāo)記為0，中負(fù)荷標(biāo)記為1，高負(fù)荷標(biāo)記為2。以75%∶25%的比例隨機(jī)劃分個(gè)體數(shù)據(jù)庫(kù)為訓(xùn)練集和測(cè)試集，并利用式(4)對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行歸一。利用四折交叉驗(yàn)證得到可靠穩(wěn)定的模型，利用測(cè)試集評(píng)估模型效果。

(4)

2.4 模型評(píng)估

分類模型最常用的性能度量之一為正確率?？紤]到正確率只能反映單個(gè)分類閾值下的建模結(jié)果，采用正確率、受試者工作特征(ROC)曲線和ROC曲線下的面積(AUC)兩種分類模型性能度量以更充分全面地展現(xiàn)模型效果。

正確率是分類正確的樣本數(shù)占樣本總數(shù)的比例[20]。ROC曲線以真正例率(TPR)為縱坐標(biāo)、假正例率(FPR)為橫坐標(biāo)，描述了靈敏度和特異度與分類閾值的關(guān)系[20]，越靠近左上角，模型越可靠。AUC是ROC曲線的衡量指標(biāo)[20]，AUC越大，模型整體效果越佳。

由于本研究為三分類模型，采用宏平均受試者工作特征(Macro-ROC)曲線和Macro-ROC曲線下的面積(Macro-AUC)描述多分類模型效果。

3 結(jié)果與分析

3.1 主觀測(cè)評(píng)

NASA-TLX量表數(shù)據(jù)分析結(jié)果如下：

1) 低負(fù)荷、中負(fù)荷和高負(fù)荷下，NASA-TLX得分分別為39.8±15.0、51.5±10.0和63.7±8.2。這表明隨著實(shí)驗(yàn)設(shè)計(jì)腦力負(fù)荷水平增加，NASA-TLX得分均值不斷升高，標(biāo)準(zhǔn)差不斷降低。

2) 重復(fù)測(cè)量的方差分析表明，負(fù)荷水平對(duì)NASA-TLX得分的主效應(yīng)具有統(tǒng)計(jì)學(xué)意義(F=35.587，p<0.001)。事后最小顯著性差異(LSD)法分析表明，低負(fù)荷水平的NASA-TLX得分顯著低于中負(fù)荷水平(p<0.001)和高負(fù)荷水平(p<0.001)；中負(fù)荷水平的NASA-TLX得分顯著低于高負(fù)荷水平(p<0.001)。

上述結(jié)果表明該實(shí)驗(yàn)成功地誘發(fā)了不同的腦力負(fù)荷情境，為后續(xù)生理數(shù)據(jù)的分析奠定基礎(chǔ)。

3.2 參數(shù)優(yōu)化

由2.1節(jié)可知，SVM有兩個(gè)關(guān)鍵參數(shù)，分別為C和gamma。通過(guò)四折交叉驗(yàn)證和網(wǎng)格搜索分別確定16名被試個(gè)體腦力負(fù)荷評(píng)估模型的優(yōu)化參數(shù)。其中，C的網(wǎng)格搜索序列為{0.01,0.05,0.1,0.5,1,5,10,50,100,500,1 000,2 000,3 000,4 000,5 000,6 000,7 000,8 000,9 000,10 000}，gamma的網(wǎng)格搜索序列為{0.000 01,0.000 05,0.000 1,0.000 5,0.001,0.005,0.01,0.05,0.1,0.5,1,5,10,20,30,40,50,60,70,80}。進(jìn)一步考慮到實(shí)際應(yīng)用方便，通過(guò)對(duì)16名被試個(gè)體腦力負(fù)荷評(píng)估模型的網(wǎng)格搜索結(jié)果進(jìn)行疊加平均以確定一組適用于多被試的優(yōu)化參數(shù)。

最終確定個(gè)體腦力負(fù)荷評(píng)估模型的統(tǒng)一優(yōu)化參數(shù)為C=3 000、gamma=0.000 1，如圖4所示，其中正確率為由四折交叉驗(yàn)證的平均驗(yàn)證正確率。

圖4 SVM網(wǎng)格搜索結(jié)果與統(tǒng)一優(yōu)化參數(shù)Fig.4 SVM grid search results and unified optimization parameters

3.3 建模結(jié)果

在C=3 000、gamma=0.000 1的參數(shù)設(shè)置下，分別建立16名被試的個(gè)體腦力負(fù)荷評(píng)估模型。模型正確率如表2所示，Macro-ROC曲線如圖5所示，Macro-AUC如表3所示。

表3 個(gè)體腦力負(fù)荷評(píng)估模型Macro-AUCTable 3 Macro-AUC of subject-specified mental workload discrimination models

圖5 個(gè)體腦力負(fù)荷評(píng)估模型Macro-ROC曲線Fig.5 Macro-ROC curves of subject-specified mental workload discrimination models

由表2可知：

表2 個(gè)體腦力負(fù)荷評(píng)估模型效果Table 2 Modeling results of subject-specified mental workload discrimination

1) 個(gè)體腦力負(fù)荷評(píng)估模型訓(xùn)練集正確率在0.969 5～1.000 0之間，平均值為0.994 3，標(biāo)準(zhǔn)差為0.009 3。測(cè)試集正確率在0.887 9～0.993 1之間，平均值為0.966 5，標(biāo)準(zhǔn)差為0.029 8?？傮w來(lái)看，個(gè)體腦力負(fù)荷評(píng)估模型正確率遠(yuǎn)遠(yuǎn)大于概率水平33%。

2) 個(gè)體腦力負(fù)荷評(píng)估模型之間的模型效果不同，其中，被試5和被試14的模型分類正確率最高，被試3的模型分類正確率最低，這可能與個(gè)體對(duì)任務(wù)負(fù)荷的感知差異等因素相關(guān)。

由圖5和表3可知：

1) 個(gè)體腦力負(fù)荷評(píng)估模型的Macro-ROC曲線大多十分靠近左上角(完美分類點(diǎn)為FPR=0、TPR=1)。由于Macro-ROC曲線越靠近左上角，模型越可靠，被試3的模型可靠性相對(duì)最低，其次是被試13。

2) 個(gè)體腦力負(fù)荷評(píng)估模型的Macro-AUC在0.957 3～0.999 8之間，平均值為0.991 0，標(biāo)準(zhǔn)差為0.011 4。除Macro-ROC曲線中觀察到的現(xiàn)象外，可觀察到被試1的模型可靠性相對(duì)最高，其次是被試4。

綜合多指標(biāo)的模型評(píng)價(jià)結(jié)果表明針對(duì)16名被試的個(gè)體腦力負(fù)荷評(píng)估模型均取得了較佳的建模效果。值得說(shuō)明的是，建立的評(píng)估模型均基于MATB-Ⅱ平臺(tái)的EEG信號(hào)，考慮真實(shí)作業(yè)環(huán)境任務(wù)的復(fù)雜性和多變性，針對(duì)跨任務(wù)的腦力負(fù)荷評(píng)估技術(shù)仍值得進(jìn)一步的研究。

4 結(jié) 論

綜合采用主觀測(cè)評(píng)法和腦電測(cè)量法，在MATB-Ⅱ平臺(tái)對(duì)16名被試分別開(kāi)展了低、中、高腦力負(fù)荷水平下的實(shí)驗(yàn)測(cè)量和個(gè)體腦力負(fù)荷評(píng)估模型的建模研究，結(jié)果表明：

1) 通過(guò)設(shè)置MATB-Ⅱ平臺(tái)航空情境任務(wù)喚醒頻次可誘發(fā)不同的腦力負(fù)荷情境。

2) 即使EEG信號(hào)存在較大的個(gè)體差異性，基于EEG的多被試個(gè)體腦力負(fù)荷評(píng)估模型可以實(shí)現(xiàn)SVM優(yōu)化參數(shù)統(tǒng)一，極大地方便了實(shí)際應(yīng)用。確定16名被試個(gè)體腦力負(fù)荷評(píng)估模型的統(tǒng)一優(yōu)化參數(shù)為C=3 000、gamma=0.000 1。

3) 針對(duì)16名被試建立的個(gè)體腦力負(fù)荷評(píng)估模型，訓(xùn)練正確率達(dá)到0.994 3±0.009 3，測(cè)試正確率達(dá)到0.966 5±0.029 8，Macro-AUC達(dá)到0.991 0±0.011 4?？傮w看來(lái)，利用EEG信號(hào)和SVM建立腦力負(fù)荷評(píng)估模型為作業(yè)人員腦力負(fù)荷的客觀評(píng)估提供了一種高精度的新方法。