張光遠(yuǎn)，胡 晉，文原勁，王亞偉，杜靜霜

(1.西南交通大學(xué) 交通運(yùn)輸與物流學(xué)院, 四川 成都 610031；2.西南交通大學(xué) 綜合交通運(yùn)輸智能化國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，四川 成都 610031；3.西南交通大學(xué) 綜合交通大數(shù)據(jù)應(yīng)用技術(shù)國(guó)家工程實(shí)驗(yàn)室，四川 成都 610031)

高速鐵路(以下簡(jiǎn)稱“高鐵”)調(diào)度員作為行車調(diào)度的直接決策者和指揮者，具備了車站及列車的控制權(quán)限，其決策行為在高鐵安全運(yùn)營(yíng)中發(fā)揮著重要作用[1-2]。相關(guān)研究表明[3-4]，調(diào)度員的疲勞度會(huì)隨著工作時(shí)間的延長(zhǎng)而增加。因此，檢測(cè)高鐵調(diào)度員疲勞程度是構(gòu)建高鐵調(diào)度員疲勞檢測(cè)預(yù)警系統(tǒng)的關(guān)鍵技術(shù)，亦是有效預(yù)防高鐵事故的關(guān)鍵因素。

目前國(guó)內(nèi)外關(guān)于高鐵調(diào)度員疲勞程度檢測(cè)的研究較為鮮見(jiàn)，現(xiàn)有研究主要針對(duì)空中管制員和機(jī)動(dòng)車駕駛員的疲勞檢測(cè)。文獻(xiàn)[5]利用眼動(dòng)儀和視頻記錄系統(tǒng)記錄空中管制員的面部特征信息，并通過(guò)融合算法計(jì)算出綜合疲勞度，在此基礎(chǔ)上開(kāi)發(fā)了管制員疲勞監(jiān)測(cè)系統(tǒng)。文獻(xiàn)[6-7]依據(jù)檢測(cè)疲勞的信息源，利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)何時(shí)達(dá)到指定的疲勞水平。文獻(xiàn)[8]利用神經(jīng)網(wǎng)絡(luò)和隨機(jī)優(yōu)化方法評(píng)估了幾種指標(biāo)的融合，并開(kāi)發(fā)了視覺(jué)系統(tǒng)以獲取駕駛員的面部特征信息。文獻(xiàn)[9]基于城市軌道交通調(diào)度員的作業(yè)行為及行車區(qū)段特征，利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建出調(diào)度員安全作業(yè)行為可靠度判定模型。以上研究通過(guò)參與者的個(gè)人行為特征及實(shí)驗(yàn)裝置操作特征等的量化，利用人工神經(jīng)網(wǎng)絡(luò)預(yù)判參與者的疲勞狀態(tài)，但未將參與者的操作時(shí)間作為變量進(jìn)行疲勞判別的研究?；谛睦韺W(xué)評(píng)價(jià)量表對(duì)疲勞程度的分級(jí)存在一定的模糊性，與高鐵行車調(diào)度員疲勞程度發(fā)展造成的決策與操作失誤行為間的關(guān)聯(lián)性低。

合理的分級(jí)可以有效提高模型的準(zhǔn)確性，適應(yīng)不同操作崗位應(yīng)用場(chǎng)景的工作特點(diǎn)。現(xiàn)有關(guān)于K-Means聚類的文獻(xiàn)主要是對(duì)特征數(shù)據(jù)進(jìn)行的分類。鮮有通過(guò)對(duì)客觀疲勞分級(jí)標(biāo)準(zhǔn)與操作績(jī)效進(jìn)行分類進(jìn)而指導(dǎo)研究對(duì)象的特征數(shù)據(jù)的分類標(biāo)準(zhǔn)。文獻(xiàn)[10-11] 通過(guò)脈搏信號(hào)主波波峰間隔、呼吸信號(hào)周期均值以及皮電信號(hào)的均值這3種特征參數(shù)對(duì)駕駛員的疲勞清醒狀態(tài)進(jìn)行聚類。文獻(xiàn)[12]利用K-Means均值聚類分析算法對(duì)腦電波特征參數(shù)值進(jìn)行分類，實(shí)現(xiàn)對(duì)駕駛員的負(fù)荷分類。

本文分析高鐵調(diào)度員工作作業(yè)內(nèi)容，建立高鐵調(diào)度員人因可靠性模型，基于模型計(jì)算出432種人因失效概率并進(jìn)行聚類，以確定高鐵調(diào)度員疲勞分級(jí)數(shù)。綜合主客觀卡羅琳斯卡嗜睡量表(KSS)評(píng)價(jià)、DORATASK工作量與人因失效概率，將對(duì)調(diào)度員疲勞程度的客觀評(píng)價(jià)標(biāo)準(zhǔn)拓展至與疲勞相關(guān)的事故發(fā)生概率。然后基于分類數(shù)目對(duì)實(shí)驗(yàn)面部特征數(shù)據(jù)進(jìn)行分類以實(shí)現(xiàn)對(duì)調(diào)度員疲勞的判定。因此本文將首先基于認(rèn)知可靠性和CREAM法建立高鐵調(diào)度員人因可靠性模型，利用K-Means聚類模型對(duì)該模型計(jì)算出的調(diào)度員失效概率進(jìn)行聚類分析，得出最佳疲勞程度分級(jí)數(shù)。基于面部特征信息，利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建高鐵調(diào)度員疲勞程度判定模型，并探討有無(wú)工作時(shí)間對(duì)模型準(zhǔn)確度的影響。

1 實(shí)驗(yàn)方法

1.1 參與者的選擇

2019年從中國(guó)鐵路總公司調(diào)度員培訓(xùn)班的學(xué)生中招募32名男性參與者，年齡在28～38歲之間(平均34.7歲，標(biāo)準(zhǔn)差2.4歲)。入選標(biāo)準(zhǔn)：擁有熟練掌握高鐵調(diào)度操作的技能，身體健康，沒(méi)有與睡眠相關(guān)的疾病，不配戴眼鏡，在實(shí)驗(yàn)前一周內(nèi)沒(méi)有服用任何藥物。實(shí)驗(yàn)前一晚被要求保證充分的8 h睡眠且不攝入咖啡因等刺激類藥物。所有受試者均提供了書(shū)面同意參與實(shí)驗(yàn)。

1.2 實(shí)驗(yàn)裝置

1.2.1 高鐵模擬行車調(diào)度臺(tái)

采樣現(xiàn)場(chǎng)及布局見(jiàn)圖1(a)，實(shí)驗(yàn)在西南交通大學(xué)高速鐵路模擬調(diào)度臺(tái)進(jìn)行。參與者監(jiān)視左右布局的兩列屏幕，每列有兩塊屏幕，上下排布。在參與者面部前側(cè)方及側(cè)方分別放置兩個(gè)攝像頭。西南交通大學(xué)綜合調(diào)度指揮仿真實(shí)驗(yàn)系統(tǒng)見(jiàn)圖 1(b)，該設(shè)施有 8 臺(tái)顯示器，設(shè)有一個(gè)高鐵行車調(diào)度臺(tái)和一個(gè)行車調(diào)度助理調(diào)度臺(tái)，每臺(tái)分設(shè)4臺(tái)顯示器2×2 排布。行車調(diào)度臺(tái)上方2臺(tái)顯示器顯示區(qū)間及站場(chǎng)圖，下方2臺(tái)顯示器分別顯示列車運(yùn)行圖及調(diào)度命令界面。助理調(diào)度臺(tái)上方2臺(tái)顯示器顯示站場(chǎng)圖，下方2臺(tái)顯示器顯示站場(chǎng)信息及站場(chǎng)調(diào)度命令。

圖1 采樣布局及現(xiàn)場(chǎng)

1.2.2 眼動(dòng)儀

眼部數(shù)據(jù)通過(guò) The SMI Eye Tracking Glasses 2w(SMI ETG)眼動(dòng)儀記錄，該儀器采用自動(dòng)視差補(bǔ)償，瞳孔/CR，暗瞳追蹤的雙目視覺(jué)跟蹤原理對(duì)眼動(dòng)采樣追蹤，采用60 Hz的采樣頻率，場(chǎng)景相機(jī)分辨率：960×720P@30FPS。

1.3 實(shí)驗(yàn)過(guò)程

將32名參與者分為兩組：一組20人，用以訓(xùn)練模型；另一組12人，用以探究模型對(duì)研究條件的適用性。對(duì)參與者進(jìn)行兩項(xiàng)實(shí)驗(yàn)條件變量的控制，見(jiàn)表1。分別對(duì)12名參與者按照表1中控制變量方案進(jìn)行實(shí)驗(yàn)，對(duì)每名參與者進(jìn)行4次，共計(jì)48次實(shí)驗(yàn)。實(shí)驗(yàn)過(guò)程中，對(duì)兩項(xiàng)條件變量中的一項(xiàng)變量進(jìn)行變換，其他條件變量不變，以此類推進(jìn)行實(shí)驗(yàn)。

表1 實(shí)驗(yàn)條件控制變量方案

實(shí)驗(yàn)開(kāi)始后，列車運(yùn)行任務(wù)不間斷，對(duì)32名參與者進(jìn)行控制變量實(shí)驗(yàn)。實(shí)驗(yàn)過(guò)程依據(jù)高鐵調(diào)度員工作環(huán)境與日班計(jì)劃的周期性，還原調(diào)度員在輪班工作制下的生理節(jié)律，以覆蓋更廣的調(diào)度員工作狀態(tài)。實(shí)驗(yàn)過(guò)程中記錄參與者在執(zhí)行調(diào)度任務(wù)過(guò)程中的面部特征信息。實(shí)驗(yàn)前24 h向被試人員講解實(shí)驗(yàn)區(qū)段的線路、車站、運(yùn)行圖、任務(wù)情況以及KSS的說(shuō)明解釋以便參與者了解實(shí)驗(yàn)任務(wù)，從而保證實(shí)驗(yàn)順利進(jìn)行。實(shí)驗(yàn)開(kāi)始前20 min被試人員進(jìn)入實(shí)驗(yàn)室，適應(yīng)包括眼動(dòng)儀、調(diào)度臺(tái)在內(nèi)的實(shí)驗(yàn)環(huán)境；實(shí)驗(yàn)開(kāi)始前10 min，被試人員開(kāi)始檢查實(shí)驗(yàn)系統(tǒng)初始狀態(tài)。實(shí)驗(yàn)開(kāi)始后，實(shí)績(jī)運(yùn)行圖模擬系統(tǒng)開(kāi)始工作，在實(shí)驗(yàn)正式開(kāi)始10 min后，系統(tǒng)隨機(jī)出現(xiàn)突發(fā)事件，突發(fā)事件總數(shù)保持8次(1次/20 min，SD 3.0)。每位被試人員將執(zhí)行相同情景下的任務(wù)，且依照相關(guān)行車組織細(xì)則[18-19]處理突發(fā)事件。被試人員操作任務(wù)主要包括：發(fā)布列車運(yùn)行計(jì)劃、調(diào)整列車運(yùn)行線、調(diào)整列車出發(fā)到達(dá)進(jìn)路、發(fā)布相關(guān)調(diào)度命令等。實(shí)驗(yàn)正式開(kāi)始后，利用2個(gè)攝像頭全程錄像。根據(jù)人體疲勞變化的時(shí)間特性，本研究設(shè)定15 min為疲勞程度判定單位時(shí)間。

2 高鐵調(diào)度員疲勞程度檢測(cè)模型

將上述實(shí)驗(yàn)獲取的32名高鐵調(diào)度員的眼部特征信息以及哈欠頻率作為BP神經(jīng)網(wǎng)絡(luò)的輸入端，將主觀KSS值、監(jiān)督KSS值、DORATASK值融合計(jì)算，得到綜合值?；谌艘蚴Ц怕室约癒-Means聚類得到疲勞程度的分級(jí)數(shù)，并對(duì)綜合值進(jìn)行分級(jí)，最后作為BP神經(jīng)網(wǎng)絡(luò)的輸出端，構(gòu)建高鐵調(diào)度員疲勞程度檢測(cè)模型。

2.1 面部特征信息的提取

本文面部特征信息主要包括：眼部特征信息、嘴部特征信息、視頻監(jiān)督下的臉部疲勞狀態(tài)。眼部特征信息通過(guò)眼動(dòng)儀采集，指標(biāo)分為三組：注視組(閉眼時(shí)長(zhǎng)、注視時(shí)長(zhǎng)、瞳孔大小)、 眼跳組(眼跳持續(xù)時(shí)間、眼跳幅度、眼跳平均速度)、眨眼組(眨眼頻率，眨眼時(shí)長(zhǎng))。嘴部特征信息通過(guò)哈欠頻率反映。視頻監(jiān)督下的臉部疲勞狀態(tài)是基于視頻監(jiān)督的KSS方法，并由兩名受過(guò)訓(xùn)練的觀察者對(duì)實(shí)驗(yàn)過(guò)程中視頻記錄下的被試人員的面部特征進(jìn)行KSS值打分，兩位觀察者的打分平均值為監(jiān)督KSS分值[4]。哈欠頻率及監(jiān)督KSS值都通過(guò)視頻記錄的方式提取。

2.2 高鐵調(diào)度員人因失效概率

人因失效概率值作為疲勞程度分級(jí)的重要依據(jù)，對(duì)模型的科學(xué)性及準(zhǔn)確度至關(guān)重要。首先在CREAM模型的基礎(chǔ)上對(duì)高鐵行車調(diào)度員的作業(yè)行為進(jìn)行分析，確定其對(duì)應(yīng)的認(rèn)知功能、失效模式、失效概率。采用專家調(diào)查的方法確定認(rèn)知功能的權(quán)重因子，并對(duì)數(shù)據(jù)進(jìn)行模糊化處理以降低人為因素的不可靠性。最后基于可靠性原理得到人因失效概率，主要步驟為

Step1高鐵調(diào)度員作業(yè)行為分析。參考高鐵調(diào)度員的相關(guān)工作任務(wù)并記錄分類，作業(yè)可分為4種類型：監(jiān)控、操作、通訊和記錄。

Step2情景環(huán)境評(píng)價(jià)。情景環(huán)境與調(diào)度員工作行為密切相關(guān)。結(jié)合參考文獻(xiàn)[14]CPC因子對(duì)績(jī)效可靠性的期望效應(yīng)。根據(jù)控制模式算法，確定共同績(jī)效條件下的控制模式為戰(zhàn)略型，人因失效概率區(qū)間為(0.000 05,0.01)[14]。

Step3CPC權(quán)重因子。采取專家調(diào)查法，通過(guò)三角模糊數(shù)轉(zhuǎn)化為可量化的數(shù)據(jù)[15]，以降低人為主觀的模糊性。最后通過(guò)三角模糊數(shù)來(lái)描述評(píng)價(jià)結(jié)果。三角模糊數(shù)的隸屬曲線見(jiàn)圖2。

圖2 三角模糊數(shù)的隸屬曲線圖

(1)

根據(jù)問(wèn)卷調(diào)查的結(jié)果和三角模糊數(shù)的對(duì)應(yīng)關(guān)系，計(jì)算出所有CPC因子對(duì)應(yīng)的認(rèn)知功能權(quán)重。

Step4調(diào)度員人因失效概率。根據(jù)失效概率基本值與CPC因子對(duì)應(yīng)的權(quán)重因子，結(jié)合串聯(lián)系統(tǒng)可靠性原理[14]得到最后的失效概率值。串聯(lián)系統(tǒng)的可靠性為

(2)

式中：RS(t)為串聯(lián)系統(tǒng)的可靠度：Ri(t)為系統(tǒng)中第pi個(gè)部件單獨(dú)工作時(shí)的可靠度。

高鐵調(diào)度員在作業(yè)過(guò)程中發(fā)生人為失誤概率[13]為

(3)

2.3 基于K-Means算法及人因失效概率的高鐵調(diào)度員疲勞分級(jí)

K-Means聚類分析作為對(duì)數(shù)據(jù)處理的一項(xiàng)重要技術(shù)手段，有著簡(jiǎn)化模型的作用，具有處理數(shù)據(jù)簡(jiǎn)單快速等的優(yōu)點(diǎn)[17]。本文將K-Means聚類分析作為高鐵調(diào)度員疲勞程度分級(jí)的基礎(chǔ)。K-Means算法是一種廣泛使用的聚類算法，其思想大致可以解釋為從數(shù)據(jù)對(duì)象當(dāng)中選擇k個(gè)作為初始聚類的中心，計(jì)算其他數(shù)據(jù)與初始聚類中心之間的距離，并劃分成距離聚類中心聚類最近的類。根據(jù)新生成的數(shù)據(jù)均值，更新聚類中心。若相鄰迭代次數(shù)內(nèi)聚類中心值的變化超過(guò)規(guī)定的閾值，則將通過(guò)新聚類中心對(duì)所有數(shù)據(jù)對(duì)象進(jìn)行重新劃分；若相鄰迭代次數(shù)內(nèi)聚類中心值的變化小于規(guī)定的閾值，表明收斂，即可輸出聚類結(jié)果。將人因失效概率樣本進(jìn)行聚類分析，其具體步驟如下：

Step1輸入人因失效概率樣本T=x1,x2,x3,…,x432。

Step2隨機(jī)選擇s個(gè)數(shù)據(jù)樣本點(diǎn)作為初始的聚類中心μ1,μ2,…，μs。

(4)

Step4將所有類別中心點(diǎn)更新為隸屬該類別所有樣本點(diǎn)的均值μj為

(5)

式中：mj為屬于該類別中心點(diǎn)j下的所有樣本。

Step5重復(fù)Step4、Step5，直到類別中心變化小于某閾值且滿足迭代次數(shù)。

2.4 疲勞檢測(cè)模型輸出端數(shù)據(jù)的確定

高鐵調(diào)度員疲勞程度判定模型的輸出端需要采集的數(shù)據(jù)包括主觀KSS值、監(jiān)督KSS值、DORATASK值。通過(guò)層次分析法計(jì)算出各指標(biāo)權(quán)重，然后融合計(jì)算出模型輸出端的疲勞程度值。具體步驟如下：

Step1利用層次分析法計(jì)算輸出端包含的3項(xiàng)指標(biāo)(主觀KSS值u1、監(jiān)督KSS值u2、DORATASK值u3)的權(quán)重。

Step2利用歸一化方法處理輸出端包含的原始指標(biāo)，該過(guò)程采用指數(shù)化處理方法，通過(guò)因素的最大、最小值進(jìn)行計(jì)算，標(biāo)準(zhǔn)化后的指標(biāo)值up為

(6)

式中：ui為指標(biāo)值，i=1,2,3；umax為指標(biāo)的最大值；umin為指標(biāo)的最小值。

通過(guò)該步驟指數(shù)化處理，原始數(shù)據(jù)可轉(zhuǎn)換為無(wú)量綱的數(shù)值。

Step3基于CREAM高鐵調(diào)度員人因可靠性K-Means聚類結(jié)果顯示，并考慮到疲勞分級(jí)越多，檢測(cè)精確度越低[15]，將疲勞等級(jí)劃分為3級(jí)：輕度疲勞、中度疲勞、重度疲勞。輸出端分級(jí)見(jiàn)表2。

表2 輸出端影響因素的疲勞等級(jí)

Step4結(jié)合層次分析法對(duì)3項(xiàng)指標(biāo)的權(quán)重，對(duì)每項(xiàng)指標(biāo)的標(biāo)準(zhǔn)化值與權(quán)重相乘，再將3項(xiàng)指標(biāo)對(duì)應(yīng)的結(jié)果相加，即

(7)

式中：Up為輸出端疲勞程度值。

將層次分析法計(jì)算出的權(quán)值代入式(2)，即可得到輸出端的疲勞程度值公式。

2.5 基于BP神經(jīng)網(wǎng)絡(luò)的高鐵調(diào)度員疲勞程度檢測(cè)模型構(gòu)建

將高鐵調(diào)度員疲勞程度作為輸出端，眼動(dòng)儀記錄的各項(xiàng)指標(biāo)以及哈欠頻率共計(jì)10項(xiàng)作為輸入端，輸出端數(shù)量選擇3，隱含層神經(jīng)元個(gè)數(shù)根據(jù)實(shí)驗(yàn)效果選取，構(gòu)建出高速鐵路調(diào)度員疲勞程度判定模型，模型結(jié)構(gòu)見(jiàn)圖3。

圖3 高速鐵路調(diào)度員疲勞程度判定BP神經(jīng)網(wǎng)絡(luò)模型

在BP神經(jīng)網(wǎng)絡(luò)模型中，輸出層節(jié)點(diǎn)a至隱含層任意節(jié)點(diǎn)t以及隱含層任意節(jié)點(diǎn)t至輸出層節(jié)點(diǎn)e的傳遞可表示為

yat=f(ai.wait+θait)i=1,2,…,9t=1,2,…,s

(8)

(9)

式中：wait為神經(jīng)元間的連接權(quán)值系數(shù)；θait為偏置：f為Sigmoid函數(shù)。

(10)

模型使用損失函數(shù)L使用交叉熵驗(yàn)證模型的準(zhǔn)確度，定義為

(11)

通過(guò)尋找使模型交叉熵最小的超參數(shù)值，從而確定模型。

3 結(jié)果分析

(1)高鐵調(diào)度員人因失效概率模型的建立

高速鐵路調(diào)度員作業(yè)行為分析：參考高鐵調(diào)度員的相關(guān)工作任務(wù)并記錄分類。作業(yè)可分為4種類型：監(jiān)控、操作、通訊和記錄。其基本作業(yè)、認(rèn)知活動(dòng)及認(rèn)知功能見(jiàn)表3。

表3 高鐵調(diào)度員基本作業(yè)、認(rèn)知活動(dòng)及認(rèn)知功能

(2)基于人因失效概率的高速鐵路調(diào)度員疲勞狀態(tài)分級(jí)數(shù)的確定

根據(jù)三角模糊數(shù)計(jì)算的權(quán)重因子，得到失效概率修正值CCFP。本文主要通過(guò)人因失效概率對(duì)評(píng)論等級(jí)進(jìn)行劃分，因此將失效概率相同的失效模式合并，調(diào)度作業(yè)失效概率見(jiàn)表4。

表4 調(diào)度作業(yè)失效概率

基于CREAM及高速鐵路調(diào)度員操作流程計(jì)算出高速鐵路調(diào)度作業(yè)人因失效概率的三角模糊數(shù)共計(jì)432項(xiàng)，利用K-Means聚類對(duì)432項(xiàng)不同的人因失效概率分類，從而實(shí)現(xiàn)疲勞程度的科學(xué)分類，分析結(jié)果見(jiàn)表5，聚類效果見(jiàn)圖4。由圖4可見(jiàn)，當(dāng)聚類數(shù)為3時(shí)，其輪廓系數(shù)最大，為0.609，表示對(duì)高鐵調(diào)度員人因失效概率的聚類效果最佳。因此疲勞分級(jí)采用3級(jí)分類。

表5 基于K-Means聚類對(duì)高速鐵路調(diào)度員人因失效概率分類結(jié)果

圖4 因失效概率三角模糊數(shù)聚類效果

(3)疲勞檢測(cè)模型輸出端數(shù)據(jù)模型建立結(jié)果

根據(jù)2.4節(jié)，首先利用層次分析法計(jì)算主觀KSS值u1、監(jiān)督KSS值u2、DORATASK值u3的權(quán)重；層次分析法下的輸出端各指標(biāo)權(quán)重值見(jiàn)表6。

表6 輸出端考慮因素的權(quán)重計(jì)算

因此，輸出端的疲勞程度值為

將表6的輸出端包含的各項(xiàng)指標(biāo)的等級(jí)閾值代入式(15)，得出輸出端的疲勞程度分級(jí)值對(duì)應(yīng)表，見(jiàn)表7。

表7 輸出端綜合疲勞程度級(jí)別與Up對(duì)應(yīng)表

(4)構(gòu)建高鐵調(diào)度員疲勞程度檢測(cè)模型

將實(shí)驗(yàn)獲取的樣本70%用于訓(xùn)練，30%用于測(cè)試。將記錄的數(shù)據(jù)作為高鐵調(diào)度員疲勞程度判定BP神經(jīng)網(wǎng)絡(luò)模型的輸入端，并根據(jù)有無(wú)工作時(shí)間參與到輸入端的訓(xùn)練。

根據(jù)有無(wú)工作時(shí)間，在不同神經(jīng)元數(shù)量下進(jìn)行兩組實(shí)驗(yàn)，結(jié)果見(jiàn)圖5。對(duì)比無(wú)工作時(shí)間及含工作時(shí)間下最佳效果的ROC曲線圖，見(jiàn)圖6。

圖5 不同神經(jīng)元數(shù)量下有無(wú)工作時(shí)間對(duì)交叉熵及誤差百分?jǐn)?shù)的影響

圖6 無(wú)工作時(shí)間下的擬合最佳效果ROC曲線圖

由圖6可見(jiàn)，對(duì)比交叉熵下，無(wú)工作時(shí)間平均交叉熵為2.789，有工作時(shí)間平均交叉熵為6.354，且在神經(jīng)元個(gè)數(shù)為15時(shí)，有無(wú)工作時(shí)間下交叉熵值均達(dá)到最低；無(wú)工作時(shí)間平均誤差達(dá)到40.805%。而有工作時(shí)間平均誤差則達(dá)到了13.322%，且在神經(jīng)元數(shù)量為20時(shí)達(dá)到最低9.317%。當(dāng)工作時(shí)間參與到模型的訓(xùn)練中時(shí)，其ROC曲線3類分級(jí)較無(wú)工作時(shí)間下的曲線均明顯遠(yuǎn)離對(duì)角線，說(shuō)明分類效果最優(yōu)。從總體上看，雖然無(wú)工作時(shí)間下的分類交叉熵低于有工作時(shí)間下的分類，但是在誤差百分?jǐn)?shù)及ROC曲線效果上，有工作時(shí)間明顯可以使模型分類效果達(dá)到最優(yōu)。

(5)驗(yàn)證模型的適用性

綜上所述，建立的高鐵調(diào)度員疲勞程度判定模型選用考慮工作時(shí)間條件變量下的，具有20個(gè)隱含層節(jié)點(diǎn)數(shù)的BP模式識(shí)別神經(jīng)網(wǎng)絡(luò)模型。對(duì)第二組12名參與者分別在兩種不同的條件變量下進(jìn)行實(shí)驗(yàn)，驗(yàn)證模型的適用性，不同條件變量的模型判定疲勞程度的誤差百分?jǐn)?shù)見(jiàn)表8。

表8 實(shí)驗(yàn)條件控制變量方案

表8可見(jiàn)，不同的條件變量工作時(shí)長(zhǎng)與工作機(jī)制對(duì)疲勞程度判定的平均誤差為10.40%。因此，該模型對(duì)不同的工作時(shí)長(zhǎng)與工作機(jī)制下的疲勞程度判定準(zhǔn)確度基本不變，有良好的適用性。

4 結(jié)論

本文基于高鐵模擬調(diào)度實(shí)驗(yàn)，根據(jù)調(diào)度員人因失效概率對(duì)其疲勞狀態(tài)的分級(jí)進(jìn)行研究，并建立疲勞判定模型主要成果及結(jié)論如下：

(1)確定了主客觀評(píng)價(jià)方法融合的高速鐵路調(diào)度員綜合疲勞分級(jí)標(biāo)準(zhǔn)。建立高速鐵路調(diào)度員人因可靠性模型CREAM，并計(jì)算出基于高鐵調(diào)度員作業(yè)行為的共計(jì)432項(xiàng)人因失效概率，基于K-Means聚類算法實(shí)現(xiàn)對(duì)人因失效概率進(jìn)行分類，計(jì)算得出基于調(diào)度員作業(yè)行為下的疲勞分類的最佳數(shù)目為3類。。該方法基于高速鐵路調(diào)度員作業(yè)行為建立的人因可靠性模型，將調(diào)度員工作特征與疲勞分級(jí)相結(jié)合，有效避免了僅通過(guò)面部特征對(duì)高速鐵路調(diào)度員疲勞分級(jí)的非針對(duì)性。

(2)基于高鐵調(diào)度員眼部數(shù)據(jù)、哈欠頻率作為輸入端，監(jiān)督KSS值、DORATASK值經(jīng)過(guò)融合計(jì)算及最佳分類數(shù)得出疲勞分級(jí)閾值并作為輸出端，構(gòu)建一種基于BP模式識(shí)別神經(jīng)網(wǎng)絡(luò)的高鐵調(diào)度員疲勞狀態(tài)分級(jí)判定模型。該模型是以高鐵調(diào)度員作業(yè)行為為基礎(chǔ)，人因可靠性為指導(dǎo)，面部特征為分類對(duì)象的疲勞分級(jí)判定模型。

(3)研究結(jié)果表明，在高鐵調(diào)度員工作時(shí)間參與模型輸入的前提下，平均誤差為13.322%，當(dāng)隱含層節(jié)點(diǎn)數(shù)為20時(shí)，達(dá)到最佳效果，誤差僅為9.317%，表明當(dāng)輸入端包含工作時(shí)間時(shí)，模型達(dá)到較高精度且在不同工作時(shí)長(zhǎng)及工作機(jī)制下的判定誤差平均誤差為10.401%。證明了將工作時(shí)間作為輸入特征的方法，對(duì)研究工作特點(diǎn)為長(zhǎng)時(shí)間工作的高鐵調(diào)度員疲勞度具有重要作用，且該模型對(duì)不同工作時(shí)長(zhǎng)與工作機(jī)制有良好適用性，適用于高鐵調(diào)度員正常工作條件。同時(shí)根據(jù)最優(yōu)模型的ROC曲線圖顯示，對(duì)I級(jí)疲勞有著高于II、III級(jí)疲勞的準(zhǔn)確度，這對(duì)疲勞初始狀態(tài)起到很好的預(yù)防作用。

本文實(shí)現(xiàn)了基于高鐵調(diào)度員人因可靠性模型對(duì)疲勞程度分級(jí)的指導(dǎo)作用，建立了以高鐵調(diào)度員工作特征為背景的分級(jí)方法研究。通過(guò)K-Means聚類算法對(duì)高鐵調(diào)度員人因可靠性概率進(jìn)行分類，從而得到基于高鐵調(diào)度員可靠性的疲勞分級(jí)數(shù)。通過(guò)將面部特征信息作為疲勞判定模型的輸入端進(jìn)行訓(xùn)練，同時(shí)考慮將工作時(shí)間作為另一變量參與到模型的訓(xùn)練當(dāng)中，研究結(jié)果表明在調(diào)度員工作時(shí)間參與模型的訓(xùn)練可以有效提高疲勞程度分級(jí)判定的準(zhǔn)確度，且該模型對(duì)I級(jí)疲勞的判定準(zhǔn)確度最高，為調(diào)度員工作狀態(tài)下的疲勞預(yù)防提供研究基礎(chǔ)。因此，在未來(lái)的應(yīng)用過(guò)程中，通過(guò)在記錄調(diào)度員面部特征信息的基礎(chǔ)上，增加對(duì)工作時(shí)間的記錄可以提高對(duì)疲勞判定的準(zhǔn)確度。研究成果對(duì)高鐵調(diào)度員疲勞工作預(yù)警干預(yù)提供了理論依據(jù)。后期可在實(shí)際的工作環(huán)境下對(duì)該方法的適用性及指標(biāo)等做進(jìn)一步選取與驗(yàn)證。