徐超遠，栗繼祖，徐新華

（1.太原理工大學安全與應急管理工程學院，山西太原 030024；2.太原理工大學經(jīng)濟管理學院，山西太原 030024；3.晉能控股煤業(yè)集團李陽煤業(yè)，山西晉中 032700）

煤礦監(jiān)控調(diào)度工作主要負責煤炭開采、生產(chǎn)的統(tǒng)一調(diào)度，確保煤炭生產(chǎn)井然有序地進行。同時也是煤炭事故預防的“眼睛”，在事故發(fā)生的第一時間進行事故緊急處理，預防災害擴大。因此監(jiān)控調(diào)度作業(yè)決策行為在煤礦安全生產(chǎn)中扮演著重要的角色。相關(guān)研究表明[1]，在監(jiān)控調(diào)度工作中，作業(yè)者的疲勞程度與作業(yè)時長成正比。良好的工作模式是提高工作效率、降低工作失誤的關(guān)鍵點。為了更好地搭建優(yōu)良的工作模式，作業(yè)疲勞檢測技術(shù)是必不可少的。目前國內(nèi)外關(guān)于煤礦監(jiān)控調(diào)度作業(yè)疲勞程度檢測的研究較為罕見，現(xiàn)有研究主要針對航空和交通調(diào)度作業(yè)的疲勞檢測。栗繼祖等[2]進行了監(jiān)控作業(yè)者不同工作時段多次實時采集生理數(shù)據(jù)，對建立基于神經(jīng)網(wǎng)絡(luò)的認知－行為－安全績效綜合評估模型做出了展望[2]；汪磊等[3]利用眼動儀和視頻記錄系統(tǒng)，確定了PERCLOS 值、平均閉眼時長、哈欠頻率的疲勞判定閾值，通過融合計算的方法開發(fā)了可實用的疲勞檢測系統(tǒng)；吳雪琴等[4]對VDT 作業(yè)過程進行分析，分析不同疲勞模式下的眼動指標，以此構(gòu)建了合理的VDT 作業(yè)工間休息機制；呂慶文等[5]以時間占用率為主指標、能量代謝率為修正因子，基于DORATASK 方法構(gòu)建了工作負荷評估量化模型。陳小強等[6]基于K-means 法提出一種基于面部多特征融合的列車司機疲勞檢測方法；牛國慶等[7]通過眼動追蹤技術(shù)，測試了不同腦力疲勞程度下的眼動指標值，發(fā)現(xiàn)了可以眼動指標可以用來判定人的疲勞狀態(tài)；DE Naurois 等[8]根據(jù)采集的生理數(shù)據(jù)指標搭建了人工神經(jīng)網(wǎng)絡(luò)預測模型，利用模型預測被試多久達到生理疲勞。綜上所述，將以眼動數(shù)據(jù)作為依據(jù)來實現(xiàn)對監(jiān)控調(diào)度作業(yè)疲勞程度的預測，考慮到以工作強度作為變量引起的作業(yè)者不同疲勞程度具有太強的目的性，導致實驗的應用性降低。因此，將使用大時間段的數(shù)據(jù)采集方法，收集作業(yè)者自然工作狀態(tài)下因疲勞而引起的眼動數(shù)據(jù)特征變化；通過Kmeans 聚類與BP 神經(jīng)網(wǎng)絡(luò)的方法來構(gòu)建煤礦監(jiān)控作業(yè)疲勞程度判定模型，實現(xiàn)監(jiān)控作業(yè)疲勞等級預測，為改進工作模式提供依據(jù)。

1 實驗設(shè)計

1）實驗人員選取。選取30 人參加，實驗人員均為男性，平均年齡為26 歲。所有被試者精神正常，無肢體障礙與視力問題。每位被試在實驗開始前沒有疲勞狀態(tài)出現(xiàn)。

2）實驗過程設(shè)計。實驗眼動指標數(shù)據(jù)采用Tobii眼動追蹤系統(tǒng)，面部監(jiān)督視頻的錄制采用logi 高清攝像頭。實驗開始前，被試者需要提前進入實驗平臺適應實驗環(huán)境、熟悉試驗任務操作流程。實驗時長設(shè)定為1.5 h，實驗內(nèi)容為監(jiān)控作業(yè)（設(shè)備運轉(zhuǎn)狀態(tài)、查看施工維修計劃、查看現(xiàn)場監(jiān)控、查看防災安全監(jiān)控系統(tǒng)、口頭指示）、通話作業(yè)（口頭指示、發(fā)布電話調(diào)度命令、聯(lián)系其他工種發(fā)布調(diào)度命令）和作業(yè)操作記錄（交班記錄、調(diào)度命令登記簿、安監(jiān)報記錄）。30 位被試者需要在1.5 h 的實驗內(nèi)完成設(shè)計的任務內(nèi)容，并且每15 min 填寫1 次羅琳斯卡嗜睡量表（KSS）[9]。

2 評價模型構(gòu)建

2.1 生理指標信息與疲勞程度評分的獲取

煤礦監(jiān)控作業(yè)是一個需要不斷接受信息、判斷問題、發(fā)出指令的工作，工作人員最易發(fā)生腦力疲勞。研究發(fā)現(xiàn)[10]，眼動指標因其實時性、無干擾性和有效性可以用來檢測腦力疲勞程度。因此，根據(jù)已有研究結(jié)果，選取眨眼頻率、注視時長、眼跳次數(shù)、眼跳幅度、平均瞳孔大小等5 種基本眼動指標作為生理測量維度指標。主觀疲勞程度由被試人員自我評價填寫，客觀疲勞程度由專業(yè)評價者通過實驗時錄制的監(jiān)督視頻進行打分得出。

根據(jù)實驗要求，30 名被試者將進行1.5 h 實驗測試。實驗過后將1.5 h 的實驗數(shù)據(jù)以15 min 為1區(qū)間平均拆分為8 組數(shù)據(jù)。每組數(shù)據(jù)作為單獨的實驗數(shù)據(jù)存在，每組數(shù)據(jù)的眨眼頻率、注視時長、眼跳次數(shù)、眼跳幅度、平均瞳孔大小等眼動指標將作為檢測模型的輸入端，主觀KSS 值、監(jiān)督KSS 值以及DORATASK 指數(shù)通過融合計算后將作為實驗模型的輸出端。

2.2 基于K-means 聚類分析的疲勞程度分級

將基于實驗數(shù)據(jù)中的主觀KSS 值、監(jiān)督KSS 值及DORATASK 值作為特征值進行K-Means 聚類分析，聚類算法實現(xiàn)基于Matlab 平臺。其步驟如下:

1）輸入360 組疲勞評價指數(shù)樣本X＝x1，x2，x3，…，x360。其中x＝［主觀KSS，監(jiān)督KSS，DORATASK］。

2）在樣本X 中，隨機選取n 個對象，每個對象代表1 個簇的初始均值（中心）a1，a2，…，an。

3）對剩下的每個對象，分別計算其與各個簇中心的歐式距離，將它分配到最相似的簇。

4）更新簇中心。對于每個簇來說，就是根據(jù)簇中的當前對象，來重新計算每個簇的均值aj，然后把該均值作為新的簇的中心。

式中：mj為屬于該類別中心點j 下的所有樣本。

5）重復第3）、第4）步驟，直到分配穩(wěn)定。

2.3 疲勞檢測模型輸出端數(shù)據(jù)處理

作業(yè)疲勞程度判定模型輸出端的確定需要對主客觀KSS 值、DORATASK 值進行融合計算得出。

2.3.1 利用層次分析法得出權(quán)重

利用層次分析法計算出3 項指標的權(quán)重yp1、yp2、yp3。首先對指標的相對重要性做評判，引用1～9的比例標度來表示指標間的相對重要性。對指標層進行比較判斷，并建立判斷矩陣A＝（aij）mn，元素aij是ai與aj為相對于評判對象重要性的比例標度，aij取值為1～9 的比例標度表示，具體規(guī)則如下：若因素i 與因素j 一樣重要，則取標準度為1；若因素i比因素j 稍微重要，則取標準度為3；若因素i 比因素j 明顯重要，則取標準度為5；若因素i 比因素j強烈重要，則取標準度為7；若因素i 比因素j 極端重要，則取標準度為9。研究中，判斷矩陣的最后賦值是在查閱大量文獻和規(guī)范標準、結(jié)合疫情防控實際經(jīng)驗以及咨詢專家的意見后得出的，具有較好的科學依據(jù)。

接著對指標權(quán)重進行計算：用式（2）求解判斷矩陣A 每行所有值的平均值yˉi，然后對yˉi作歸一化處理，得到Y(jié)i（i＝1，2，…，n）。則Y＝（Y1，Y2，…，Yn）為對應判斷矩陣的權(quán)重向量。

最后，進行一致性檢驗。一致性系數(shù)CI 計算公式為：

式中：（A×Y）i為向量AY 的第i 個元素；Yi為權(quán)重向量Y 的第i 個元素；n 為矩陣階數(shù)。

為了確定判斷矩陣的一致性，引入平均隨機指標RI，n 為1 時，RI 為0；n 為2 時，RI 為0；n 為3時，RI 為0.58；n 為4 時，RI 為0.90；n 為5 時，RI 為1.12；n 為6 時，RI 為1.24；n 為7 時，RI 為1.32；n為8 時，RI 為1.41。

當CR≤0.1 時，判斷矩陣的一致性認為是可以接受的，否則需要對判斷矩陣進行修正，直到可以通過一致性檢驗。

2.3.2 歸一化處理和融合計算

進行歸一化處理，為確檢測準確度，保證數(shù)據(jù)處于同一維度，對采集的觀KSS 值、監(jiān)督KSS 值、DORATASK 值標歸一化處理，處理后的指標值yz為：

式中：ymin、ymax為指標最小、最大值。

進行計算，將層次分析法得到的Ypi與該指標歸一化后的yz相乘，再將其相加，得到疲勞程度數(shù)：

式中：Yp為輸出端疲勞程度值；yzi為標準化后的輸出值；ypi為輸出值權(quán)重。

2.4 基于BP 神經(jīng)網(wǎng)絡(luò)的預測模型構(gòu)建

BP 神經(jīng)網(wǎng)絡(luò)是通過誤差反向傳播訓練的多層反饋神經(jīng)網(wǎng)絡(luò)，其基本思想是梯度下降法，利用梯度搜索技術(shù)，以最小化實際輸出值之間的誤差均方差。由于人的疲勞狀態(tài)和眼動指標數(shù)據(jù)是一種無規(guī)則、非線性的指標數(shù)據(jù)，而BP 神經(jīng)網(wǎng)絡(luò)具有較強的非線性映射能力，這使得其特別適合于求解內(nèi)部機制復雜的問題。因此將實驗采集的監(jiān)控調(diào)度作業(yè)人員眼動數(shù)據(jù)(眨眼頻率、注視時長、眼跳次數(shù)、眼跳幅度、平均瞳孔大小)經(jīng)過式（4）歸一化后作為輸入端，疲勞程度值Yp作為輸出端，利用BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建監(jiān)控作業(yè)疲勞程度判定模型，實現(xiàn)監(jiān)控作業(yè)疲勞等級預測。

3 實驗結(jié)果分析

3.1 數(shù)據(jù)采集與分組

使用Tobii 眼動儀共采集到360 組被試者的眼動指標數(shù)據(jù)，每組數(shù)據(jù)包含15 min 的眼動指標數(shù)據(jù)。利用Ergolab 人機環(huán)境平臺將360 組數(shù)據(jù)優(yōu)化處理，得到眨眼頻率、注視時長、眼跳次數(shù)、眼跳幅度、平均瞳孔大小等5 種基本眼動指標。其中瞳孔數(shù)據(jù)選取為雙眼平均瞳孔直徑距離，數(shù)據(jù)補償方式選取埃米特插值，信號降噪方式選取為滑動均值濾波。

將實驗時被試填寫的KSS 量表、后期視頻監(jiān)督KSS 量表以及DORATASK 值作為每組數(shù)據(jù)作為標簽整合。為方便處理數(shù)據(jù)，將所有數(shù)據(jù)處理為同一緯度，利用SPSS20.0 對眨眼頻率、注視時長、眼跳次數(shù)、眼跳幅度、平均瞳孔、主觀KSS、客觀KSS、DORATASK 進行歸一化處理。

3.2 K-Means 聚類分析

將360 組數(shù)導入Matlab 平臺進行K-means 聚類分析，軟件輸出聚類效果圖與聚類輪廓系數(shù)見圖1，考慮到聚類數(shù)越多，聚類精確度越低。K 為輪廓數(shù)結(jié)合輪廓系數(shù)綜合考慮，當輸出數(shù)據(jù)聚類為4類時，聚類輪廓系數(shù)最大，聚類效果最好。因此采用K=4 作為疲勞程度值聚類數(shù)。根據(jù)Kmeans 聚類算法同時得到y(tǒng)1，y2，y3在聚類系數(shù)K=4 時的聚類閾值見表1。

圖1 聚類分析效果圖與輪廓系數(shù)Fig.1 Cluster analysis effect diagrams and contour coefficients

表1 分級閾值Table 1 Grading thresholds

3.3 疲勞等級劃分

對3 項指標進行打分，根據(jù)層次分析法計算出各指標權(quán)重, CR 為1 致性比率，輸出端因素權(quán)重見表2。

表2 輸出端因素權(quán)重Table 2 Factor weights at the output

將表內(nèi)的數(shù)據(jù)代入式（5）計算得出疲勞程度分級值，經(jīng)過比對，類別2 與類別3 疲勞程度值基本重合，因此將疲勞等級劃分為3 級：Ⅰ級疲勞、Ⅱ級疲勞、Ⅲ級疲勞。其中Ⅰ級疲勞代表不疲勞和稍微疲勞，疲勞程度Yp為［0，0.28）；Ⅱ級疲勞代表一般疲勞，疲勞程度Yp為［0.29，0.63）；Ⅲ級疲勞代表非常疲勞，疲勞程度Yp為［0.64，1.00）。

3.4 神經(jīng)網(wǎng)絡(luò)檢測模型構(gòu)建

實驗共360 組有效的眼動數(shù)據(jù)，設(shè)置訓練、驗證、測試比例為70∶15∶15。設(shè)定最大訓練次數(shù)6 000，學習速率0.01，誤差平方和0.001。隱含層神經(jīng)元個數(shù)s 根據(jù)經(jīng)驗公式s=+l 與實驗效果選取，其中：n 為輸入神經(jīng)元個數(shù)；m 為輸出神經(jīng)元個數(shù)；l 為1～10 的整數(shù)。運行Matlab 進行神經(jīng)網(wǎng)絡(luò)訓練經(jīng)訓練對比，確定隱含層神經(jīng)元個數(shù)s=5，網(wǎng)絡(luò)結(jié)構(gòu)為5－5－1。訓練后達到誤差要求，模式識別結(jié)果如圖2。

圖2 模式擬合效果圖Fig.2 Model fitting effect

訓練神經(jīng)網(wǎng)絡(luò)對訓練樣本數(shù)據(jù)、驗證樣本數(shù)據(jù)及測試樣本數(shù)據(jù)的模式識別正確率分別為89.3%，92.5%，93.95%，全體樣本擬合率達90.58%，擬合效果較好。

3.5 預測模型實用性檢驗

對山西某煤礦監(jiān)控作業(yè)模式進行測試，測試總量為10 人次，收集測試者眨眼頻率、注視時長、眼跳次數(shù)、眼跳幅度、平均瞳孔大小等眼動數(shù)據(jù)，同時收集KSS 與DORATASK 評價值，根據(jù)式（4）計算出實際疲勞程度值ypS。根據(jù)作業(yè)者實測結(jié)果，確定輸入向量［x1，x2，x3，x4，x5］，利用訓練好的神經(jīng)網(wǎng)絡(luò)，輸出模型預測識別結(jié)果ypY，得到測試數(shù)據(jù)和該煤礦監(jiān)控作業(yè)疲勞程度預測數(shù)據(jù)分類結(jié)果，比較ypS與ypY，計算出模型實測誤差率見表3。

分析測試結(jié)果可知，ypS與ypY的平均誤差為6.26%，ypS與ypY的平均數(shù)值均在0.305，屬于一般疲勞，該煤礦監(jiān)控作業(yè)整體的疲勞程度評價良好，測試結(jié)果未出現(xiàn)Ⅲ級疲勞，其中Ⅰ級疲勞人次為5 人次，Ⅱ級疲勞為5 人次，作業(yè)負擔適中，不易發(fā)生人因失誤。

4 結(jié) 語

實現(xiàn)了基于主客觀疲勞程度判定值對疲勞程度的分級。通過眼動追蹤技術(shù)與面部視頻錄制的方法收集監(jiān)控作業(yè)者眼動數(shù)據(jù)與面部特征，通過作業(yè)者自我評價與視頻監(jiān)控評價得出測試者疲勞程度評分。利用層次分析法、融合算法以及K-means 均值聚類算法對疲勞程度值進行聚類分析，最終將疲勞等級劃分為3 級，并得出指標劃分閾值，建立了以煤礦監(jiān)控調(diào)度作業(yè)特征為背景的分級方法研究。以眼動數(shù)據(jù)為輸入值，疲勞程度值為輸出值，構(gòu)建了基于BP 神經(jīng)網(wǎng)絡(luò)的疲勞程度預測模型。該模型是以煤礦監(jiān)控調(diào)度作業(yè)眼動行為基礎(chǔ)，主客觀疲勞程度值為分類對象的分級預測模型。模型綜合擬合度為90.58%，擬合效果較好。用預測模型對山西某煤礦監(jiān)控作業(yè)人員進行測試, 測試模型平均誤差率6.26%，預測效果較好。構(gòu)建疲勞程度預測模型為評價作業(yè)模式負荷提供了一種新思路。對改善工作模式，緩解工作倦怠，減少因疲勞而產(chǎn)生的不安全行為提供了技術(shù)支持。眼動追蹤技術(shù)使該方法具有快速、便捷的優(yōu)勢，以客觀的生理數(shù)據(jù)作為支撐更具科學性，為進一步優(yōu)化、設(shè)計合理的工作模式提供了依據(jù)。