武嘉偉，狄長(zhǎng)安，王 鐳，廖仕軍，郭 穩(wěn)

（1.南京理工大學(xué) 機(jī)械工程學(xué)院，南京210094；2.中國(guó)中原對(duì)外工程有限公司，北京100044；3.重慶長(zhǎng)江電工工業(yè)集團(tuán)有限公司，重慶401336）

火炮操作人員（以下簡(jiǎn)稱，操作人員）的疲勞程度是影響火炮正常運(yùn)作的一個(gè)重要因素。操作人員長(zhǎng)期暴露于野外惡劣環(huán)境中， 高強(qiáng)度體能負(fù)荷，過(guò)高的操作心理壓力等諸多引發(fā)疲勞高風(fēng)險(xiǎn)因素。隨著操作人員的疲勞狀態(tài)得到重視，國(guó)內(nèi)外學(xué)者也開始對(duì)此進(jìn)行不斷深入的研究。文獻(xiàn)[1]引入了多種生理特征（如心電、眼動(dòng)指標(biāo)、腦電信號(hào)等），提出了一種基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)、信息融合和生理特征的駕駛員疲勞識(shí)別模型。并利用實(shí)驗(yàn)驗(yàn)證表明了該系統(tǒng)的有效性，表明生理特征（特別是心電圖和腦電圖）是判斷駕駛員疲勞狀態(tài)的重要因素；文獻(xiàn)[2]通過(guò)模擬駕駛，采集了肌電、心率、皮電、血氧飽和度等生理信號(hào)，將其融合基于神經(jīng)網(wǎng)絡(luò)建立了駕駛疲勞檢測(cè)模型，結(jié)果表明，多源生理信號(hào)融合可以提高疲勞檢測(cè)模型的準(zhǔn)確率；文獻(xiàn)[3]結(jié)合模糊邏輯理論融合多個(gè)生物特征建立疲勞檢測(cè)模型，將眼部特征和嘴部特征融合判斷駕駛員的疲勞狀況，以提高檢測(cè)方法的可靠性。

本文在已有的研究基礎(chǔ)上，通過(guò)對(duì)疲勞機(jī)理進(jìn)行分析，選取出能有效反映人體疲勞狀態(tài)的生理參數(shù)，如心率、血壓、體溫、呼吸頻率等，從多種生理參數(shù)中提取特征值，通過(guò)支持向量機(jī)方法來(lái)實(shí)現(xiàn)多個(gè)生理特征參數(shù)的融合，建立疲勞檢測(cè)模型，對(duì)操作人員的疲勞狀態(tài)進(jìn)行評(píng)價(jià)，通過(guò)GA-PSO 優(yōu)化SVM疲勞檢測(cè)模型以提高疲勞檢測(cè)的準(zhǔn)確性和可靠性。

1 生理參數(shù)選取

通過(guò)疲勞產(chǎn)生機(jī)理選取能有效反映操作人員疲勞狀態(tài)的生理參數(shù)。

疲勞產(chǎn)生的機(jī)理[4-6]主要分為能量消耗理論、中樞系統(tǒng)變化理論、物質(zhì)積累理論和生物化學(xué)機(jī)理變化理論。能量消耗理論是指操作人員需要不斷消耗體內(nèi)能量來(lái)進(jìn)行體力勞動(dòng)和腦力勞動(dòng)，在勞動(dòng)過(guò)程中，能量被持續(xù)消耗，一旦消耗過(guò)大，若不及時(shí)休息補(bǔ)充能量，就會(huì)產(chǎn)生疲勞現(xiàn)象；中樞系統(tǒng)變化理論是指人的中樞神經(jīng)控制人的活動(dòng)，在高強(qiáng)度、長(zhǎng)時(shí)間勞動(dòng)時(shí)， 引發(fā)中樞神經(jīng)功能發(fā)生一定程度的變化，導(dǎo)致系統(tǒng)失調(diào)，產(chǎn)生疲勞；物質(zhì)積累理論是指操作人員再勞動(dòng)過(guò)程中消耗的腦力和體力，導(dǎo)致血液和肌肉中逐漸積累了乳酸，使得人體感覺(jué)到身體力竭，無(wú)法完成有效的勞動(dòng)；生物化學(xué)機(jī)理變化理論是指操作人員在勞動(dòng)過(guò)程中，由于作業(yè)強(qiáng)度和環(huán)境影響加速了新陳代謝的過(guò)程，一旦過(guò)程紊亂，會(huì)產(chǎn)生明顯的疲勞現(xiàn)象。

根據(jù)操作人員疲勞的實(shí)際情況來(lái)看，其疲勞產(chǎn)生的機(jī)理是由上述4 種理論共同作用形成的。它不僅僅由于確定的、單一的因素產(chǎn)生的，而是生理、心理共同導(dǎo)致的。操作人員產(chǎn)生疲勞的主要原因是其在火炮裝填過(guò)程中，需要多次將大重量的炮彈從彈藥箱中取出來(lái)，并連續(xù)精準(zhǔn)的將炮彈放置到供彈機(jī)上。

在昆明某部隊(duì)進(jìn)行炮彈裝填試驗(yàn)中，33 名戰(zhàn)士持續(xù)搬運(yùn)重量為43.56 kg 的炮彈，共持續(xù)20 min。試驗(yàn)結(jié)束后，操作人員全身產(chǎn)熱增加、出汗增多、心率和呼吸頻率加快等現(xiàn)象。除此之外，在密閉或野外環(huán)境下[7-9]，操作人員的心率、血壓、體溫、呼吸頻率均呈升高趨勢(shì)，血氧飽和度呈下降趨勢(shì)。

通過(guò)以上分析及試驗(yàn)現(xiàn)象，能夠有效反映操作人員疲勞狀態(tài)的生理參數(shù)主要選擇以下參數(shù)：心率、血壓、血氧飽和濃度、呼吸頻率和體溫。

2 支持向量機(jī)理論

支持向量機(jī)（support vector machine，SVM）的核心思想是建立一個(gè)具有很好泛化能力的分類超平面，使得能夠?qū)深悩颖菊_的分開，并且隔離邊緣最大化。相對(duì)傳統(tǒng)的機(jī)器學(xué)習(xí)方法，SVM 更適用于小樣本、非線性、高緯度模式分類識(shí)別問(wèn)題，并具有較好的通用性和魯棒性。支持向量機(jī)的體系結(jié)構(gòu)如圖1所示。

圖1 支持向量機(jī)的體系結(jié)構(gòu)圖Fig.1 Architecture diagram of support vector machine

其中：x（i）為輸入的訓(xùn)練樣本；y（i）為輸出的分類類別；K（x，xn）為核函數(shù)；b 為偏置。設(shè)裝備操作人員疲勞參數(shù)訓(xùn)練樣本集為（xi，yi），i=1，2，3，…，n，其中xi∈Rn為訓(xùn)練樣本個(gè)數(shù)；yi=｛-1，1｝為訓(xùn)練樣本xi的類別，輸入SVM 的是生理參數(shù)數(shù)據(jù)特征值，需要對(duì)其進(jìn)行預(yù)處理，采用式（1）進(jìn)行無(wú)量綱化處理。

式中：

在線性分類支持向量機(jī)中，兩類樣本的判別函數(shù)為

式中：ω 為權(quán)值；b 為偏置項(xiàng)；φ（x）為低維空間到高維空間的非線性映射。

使得下式成立：

則稱分類平面為支持向量機(jī)的分類超平面。

對(duì)優(yōu)化目標(biāo)取極值：

約束條件為

式中：C 為懲罰因子；ξi為松弛因子。

為了解決高維二次規(guī)劃問(wèn)題，引入拉格朗日函數(shù)：

其中：αi稱為拉格朗日乘子，αi＞0， 解決上述約束最優(yōu)化問(wèn)題就是要求出拉格朗日函數(shù)關(guān)于ω 和b 的最小值問(wèn)題，根據(jù)費(fèi)馬條件，式（8）關(guān)于ω 和b 的最小值的充分必要條件是拉格朗日函數(shù)對(duì)ω 和b 的偏導(dǎo)數(shù)為0，再將原問(wèn)題轉(zhuǎn)換為相對(duì)應(yīng)的對(duì)偶問(wèn)題，得到下式：

從而建立模型決策函數(shù)：

在非線性情況下，支持向量機(jī)的核心思想是引入核函數(shù)K（x，xn），將線性不可分的樣本空間映射到高維線性可分空間，在這個(gè)空間中根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則選取適合的最優(yōu)分類超平面，這樣就避免了計(jì)算復(fù)雜的非線性變換，而是計(jì)算核函數(shù)的復(fù)雜度和點(diǎn)積，從而有效簡(jiǎn)化計(jì)算難度。核函數(shù)有多種，本文選擇高斯徑向基函數(shù)，如式（11）所示。

在引入核函數(shù)之后，支持向量機(jī)的最優(yōu)超平面問(wèn)題轉(zhuǎn)化為

其對(duì)應(yīng)的最優(yōu)模型決策函數(shù)為

式中：αj*和b*為最優(yōu)解。

3 GA-PSO 混合優(yōu)化支持向量機(jī)

遺傳算法（genetic algorithm，GA）以達(dá)爾文生物進(jìn)化論為理論基礎(chǔ)，模擬生物自然選擇和遺傳學(xué)機(jī)理的進(jìn)化過(guò)程的一種計(jì)算模型，它通過(guò)模擬生物自然進(jìn)化的過(guò)程來(lái)尋找最優(yōu)解。遺傳算法將所解決問(wèn)題的每一個(gè)可能解編碼成一個(gè)染色體，染色體是多個(gè)基因的集合，即個(gè)體。遺傳算法開始時(shí)，先從所要解決問(wèn)題的潛在解集中選擇一個(gè)種群作為初始解，這個(gè)種群由多個(gè)帶有基因編碼的個(gè)體組成。然后根據(jù)預(yù)定的個(gè)體適應(yīng)度選擇每一代的個(gè)體，然后模擬生物自然進(jìn)化的過(guò)程， 將染色體基因的組合交叉、變異來(lái)生成新一代種群， 直到達(dá)到結(jié)束條件的要求，將末代種群的最優(yōu)個(gè)體解碼輸出，就是我們所求問(wèn)題的最優(yōu)解。遺傳算法的優(yōu)點(diǎn)同時(shí)處理多個(gè)個(gè)體減少了陷入局部最優(yōu)解的風(fēng)險(xiǎn)但其也存在效率低、編碼不規(guī)范導(dǎo)致結(jié)果不準(zhǔn)確等缺點(diǎn)。

粒子群優(yōu)化算法 （particle swarm optimization，PSO）是通過(guò)模擬鳥群捕食行為而建立起來(lái)的，它的基本思想是基于群體中個(gè)體之間協(xié)作和信息共享來(lái)尋找所解決問(wèn)題的最優(yōu)解。在粒子群優(yōu)化算法中，每一個(gè)所解決問(wèn)題的解都被搜索空間中的一只鳥代表，被稱作粒子。目標(biāo)函數(shù)決定了每一個(gè)粒子的適應(yīng)值， 每個(gè)粒子又具有速度和位置兩個(gè)屬性。在粒子群優(yōu)化算法開始時(shí)，先隨機(jī)生成一群隨機(jī)粒子（隨機(jī)解），確定每個(gè)粒子的初始位置和初始速度，并且在搜索空間中根據(jù)適應(yīng)度函數(shù)單獨(dú)尋找最優(yōu)解，作為當(dāng)前個(gè)體極值，并且與整個(gè)粒子群的其他粒子共享， 找出整個(gè)粒子群的當(dāng)前全局最優(yōu)解，當(dāng)代所有粒子根據(jù)當(dāng)前個(gè)體極值和整個(gè)粒子群的當(dāng)前全局最優(yōu)解來(lái)更新自己的速度和位置，以此迭代更新，直到達(dá)到結(jié)束條件，得到所解決問(wèn)題的全局最優(yōu)解。粒子群優(yōu)化算法的優(yōu)點(diǎn)包括算法具有記憶性、收斂速度快以及結(jié)果簡(jiǎn)單易于實(shí)現(xiàn)等優(yōu)點(diǎn)，但同時(shí)也存在著局部搜索能力差、選取參數(shù)要求高等缺點(diǎn)。

遺傳算法和粒子群優(yōu)化算法都是從隨機(jī)初始化的種群開始的，并且都是利用適應(yīng)度函數(shù)來(lái)進(jìn)行隨機(jī)的搜索。遺傳算法對(duì)其內(nèi)部參數(shù)優(yōu)化要求低，可以很好的找到全局最優(yōu)解，避免了陷入局部最優(yōu)解，同時(shí)具有很高的擴(kuò)展性， 方便與其他算法結(jié)合；粒子群優(yōu)化算法結(jié)構(gòu)簡(jiǎn)單，需要參數(shù)少，收斂速度快，可以利用各自優(yōu)勢(shì)進(jìn)行互補(bǔ)，鑒于此，本文提出一種將遺傳算法和粒子群優(yōu)化算法結(jié)合的混合算法（GA-PSO 混合算法）對(duì)基于支持向量機(jī)的裝備操作人員疲勞檢測(cè)模型進(jìn)行優(yōu)化，選擇出最合適的模型參數(shù)，意圖快速找到全局最優(yōu)解，避免了陷入局部最優(yōu)解，又可以保證疲勞檢測(cè)模型有很高的準(zhǔn)確率。

本文利用GA 和PSO 各自的優(yōu)點(diǎn)，將遺傳算法的交叉、變異思想運(yùn)用到粒子群算法中，在個(gè)體進(jìn)行更新時(shí)，先選擇適應(yīng)度較低的個(gè)體粒子與個(gè)體最優(yōu)粒子進(jìn)行交叉操作，如果新產(chǎn)生的粒子的適應(yīng)度比之前的要高， 那就將新粒子代替原來(lái)的粒子，否則兩個(gè)粒子不進(jìn)行交換。所有粒子交叉操作結(jié)束后，對(duì)新粒子進(jìn)行變異操作，同樣的如果新產(chǎn)生的粒子的適應(yīng)度比之前的要高，那就將新粒子代替原來(lái)的粒子，否則兩個(gè)粒子不進(jìn)行交換。重復(fù)上述步驟，以此迭代更新粒子，直到達(dá)到結(jié)束條件，得到所解決問(wèn)題的全局最優(yōu)解，算法流程如圖2所示。

圖2 GA-PSO 混合優(yōu)化算法流程Fig.2 GA-PSO hybrid optimization algorithm flow chart

4 實(shí)驗(yàn)驗(yàn)證

本次實(shí)驗(yàn)通過(guò)模擬火炮操作人員的搬運(yùn)炮彈操作過(guò)程。隨機(jī)選取在校多名學(xué)生作為測(cè)試人員。測(cè)試人員通過(guò)穿戴生理采集儀后，需要將37.3 kg 的模擬炮彈從30 cm 高的位置搬運(yùn)到100 cm 高的桌子上，搬運(yùn)速度為2 次/min，持續(xù)10 min。實(shí)驗(yàn)結(jié)束后，統(tǒng)一填寫疲勞評(píng)定量表得到測(cè)試人員的疲勞程度。利用LabVIEW 從原始數(shù)據(jù)里把訓(xùn)練集和測(cè)試集提取出來(lái)， 并分別用GA 優(yōu)化SVM 模型、PSO 優(yōu)化SVM 模型和GA-PSO 混合優(yōu)化SVM 模型對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)測(cè)試集數(shù)據(jù)進(jìn)行驗(yàn)證，得到適應(yīng)度曲線和疲勞分類結(jié)果（1：疲勞不明顯；2：輕度疲勞；3：中度疲勞；4：重度疲勞）如圖3～圖5所示。GA-SVM，PSO-SVM，GA-PSO-SVM 算法結(jié)果對(duì)比如表1所示。

圖3 GA-SVM 優(yōu)化結(jié)果Fig.3 GA-SVM optimization result

圖4 PSO-SVM 優(yōu)化結(jié)果Fig.4 PSO-SVM optimization result

圖5 GA-PSO 混合優(yōu)化SVM 結(jié)果Fig.5 GA-PSO hybrid optimization SVM result

表1 GA-SVM，PSO-SVM，GA-PSO-SVM 算法結(jié)果對(duì)比Tab.1 Comparison of GA-SVM，PSO-SVM，GA-PSO-SVM algorithm results

5 結(jié)語(yǔ)

本文根據(jù)疲勞產(chǎn)生機(jī)理，選取有效生理參數(shù)心率、血壓、體溫、呼吸頻率和血氧濃度，以此建立支持向量機(jī)疲勞檢測(cè)模型， 利用GA-PSO 混合優(yōu)化SVM 疲勞檢測(cè)模型參數(shù)，通過(guò)實(shí)驗(yàn)驗(yàn)證，對(duì)比GASVM，PSO-SVM，GA-PSO 混合優(yōu)化后的SVM 疲勞檢測(cè)模型準(zhǔn)確率高、收斂速度快。能夠有效檢測(cè)出操作人員的疲勞狀態(tài)，合理規(guī)劃休息時(shí)間。以此提高火炮操作人員作戰(zhàn)效率和作業(yè)能力，保障某型火炮操作的安全性，對(duì)今后的有效訓(xùn)練和實(shí)戰(zhàn)具有重要意義。