邵舒羽, 吳錦濤, 張朋, 張立偉

(1.北京物資學(xué)院物流學(xué)院, 北京 101149; 2.北京航空航天大學(xué)生物與醫(yī)學(xué)工程學(xué)院, 北京 100083;3.北京機(jī)械設(shè)備研究所, 北京 100854; 4.中國(guó)科學(xué)院心理研究所行為科學(xué)重點(diǎn)實(shí)驗(yàn)室, 北京 100101)

物流業(yè)對(duì)于加快市場(chǎng)經(jīng)濟(jì)循環(huán)、提高流通效率具有極大的促進(jìn)作用,也是推動(dòng)經(jīng)濟(jì)高質(zhì)量發(fā)展不可或缺的重要力量[1]。特別是智能倉(cāng)儲(chǔ)的出現(xiàn)極大地提高了物流業(yè)的運(yùn)行效率[2],但依舊缺乏關(guān)于典型“貨到人”(goods-to-person, GTP)訂單揀選中人-機(jī)作業(yè)適配性及工效學(xué)的評(píng)價(jià)研究。

訂單揀選作為智能倉(cāng)儲(chǔ)的重要組成部分,其效率的提高可以通過(guò)信息化、智能揀選任務(wù)來(lái)實(shí)現(xiàn),但是項(xiàng)目和流程的異構(gòu)性以及自動(dòng)訂單揀選系統(tǒng)所需的高額投資,使得中小型公司很難完全依賴(lài)此類(lèi)系統(tǒng),所以訂單揀選依舊需要人的參與[3],甚至可占倉(cāng)儲(chǔ)運(yùn)營(yíng)成本的50%以上。影響訂單揀選活動(dòng)的因素包括存儲(chǔ)分配方法、布局設(shè)計(jì)、路線選擇、批處理和操作策略等,隨著研究者利用數(shù)學(xué)規(guī)劃模型[4],仿真方法[5]等研究訂單揀選的決策支持模型的出現(xiàn)[6],特別是“貨到人”訂單揀選系統(tǒng)的出現(xiàn)[7],降低了操作者在存儲(chǔ)區(qū)域行走需求,顯著提高了揀貨率、揀選準(zhǔn)確率和設(shè)備內(nèi)部利用率。

智能倉(cāng)儲(chǔ)功能的增強(qiáng)使得人對(duì)流程的控制已從簡(jiǎn)單的機(jī)械化發(fā)展到了計(jì)算機(jī)化的認(rèn)知,所以倉(cāng)儲(chǔ)的自動(dòng)化程度必須依賴(lài)于操作者與系統(tǒng)間的高效交互[8-9]。智能倉(cāng)儲(chǔ)的人-機(jī)交互設(shè)計(jì)取得了極大的進(jìn)步[10],但是管理人員無(wú)法考慮人的特征(工作狀態(tài)、身體姿勢(shì)等)[11],這可能會(huì)導(dǎo)致系統(tǒng)性能異常使得現(xiàn)有交互成為新的技術(shù)問(wèn)題,同時(shí)也給人-機(jī)交互帶來(lái)了新的挑戰(zhàn)?，F(xiàn)有考慮人因工程的人-機(jī)交互研究?jī)?yōu)化了操作者的工作環(huán)境及績(jī)效,但依舊存在工作的重復(fù)性高、處理重負(fù)荷以及姿勢(shì)不當(dāng)?shù)纫蛩厥共僮髡呙媾R疲勞的風(fēng)險(xiǎn)[12-13]。因此,面對(duì)勞動(dòng)力成本的上漲,必須更加關(guān)注在持續(xù)性、高強(qiáng)度的智能倉(cāng)儲(chǔ)訂單揀選操作可能導(dǎo)致操作者的腦力疲勞、生理壓力及職業(yè)傷害等問(wèn)題,從而提高訂單揀選操作的可靠性、舒適性及安全性。

人的疲勞一般分為體力疲勞和腦力疲勞,訂單揀選操作者密集的體力勞動(dòng)容易使其身體疲勞。同時(shí)操作者需要對(duì)機(jī)器及環(huán)境的變化做出判斷,操作者的信息感知、決策和執(zhí)行等過(guò)程都發(fā)生在其神經(jīng)系統(tǒng)中,隨著不同操作類(lèi)型及操作階段的進(jìn)行,操作者所需的認(rèn)知資源需要與腦力負(fù)荷相匹配[14],也伴隨著腦力疲勞的變化[15]。而智能倉(cāng)儲(chǔ)的高度自動(dòng)化使得操作者的認(rèn)知負(fù)荷的增加從而引起腦力疲勞,腦力疲勞的產(chǎn)生則會(huì)削弱操作者識(shí)別風(fēng)險(xiǎn)因素及操作績(jī)效的能力。評(píng)估腦力疲勞和確定操作者大腦的功能狀態(tài)有助于優(yōu)化任務(wù)和計(jì)劃作息節(jié)奏,以避免操作過(guò)程中的危險(xiǎn)及錯(cuò)誤[16]。腦力疲勞可以定義為個(gè)體能力與任務(wù)認(rèn)知需求之間的差異[17],包括滿足客觀和主觀績(jī)效標(biāo)準(zhǔn)所需的注意力水平。腦力疲勞的另一個(gè)特點(diǎn)是自主神經(jīng)系統(tǒng)內(nèi)的生理變化,這種變化與處理任務(wù)的腦力投入有關(guān),反映了大腦完成任務(wù)的努力程度[18-19]。

由于腦電信號(hào)(electroencephalogram, EEG)不同頻帶的功率譜特征與腦力疲勞水平之間存在明顯的關(guān)系,因此腦電信號(hào)可以成為定性和定量地評(píng)估腦力疲勞有效的技術(shù)[20-21],來(lái)探索與腦力疲勞變化相關(guān)的綜合信息[14]。學(xué)者們基于EEG信號(hào)使用了各種各樣的方法來(lái)區(qū)分腦力疲勞,特別是EEG頻帶的頻譜功率δ(0.5～4 Hz)、θ(4～7 Hz)、α(8～13 Hz)、β(14～30 Hz)[4,14]。在腦力疲勞分類(lèi)方面,Chai等[22]選擇了11個(gè)額葉電極,并使用基于自回歸(auto-regression,AR)模型的功率譜密度(power spectral density, PSD) 對(duì)腦力疲勞進(jìn)行分類(lèi),11通道數(shù)據(jù)的影響稍低,但處理時(shí)間縮短。然后,Chai等[23]使用獨(dú)立成分分析(independent component correlation algorithm, ICA)和頭皮映射反投影選擇16個(gè)通道,并使用PSD提取特征,然后使用貝葉斯神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi),疲勞與警報(bào)分類(lèi)結(jié)果的準(zhǔn)確率為75.5%。Wu等[24]使用深度收縮自編碼網(wǎng)絡(luò)提取(α+θ)/(α+β)、(α+θ)/β、θ/β、α/β的功率譜比值作為腦力疲勞檢測(cè)特征的準(zhǔn)確率達(dá)到了91.7%。郭孜政等[25]以腦電信號(hào)δ、θ、α、β頻譜幅值為輸入特征,結(jié)合支持向量機(jī)(support vector machine, SVM)模型構(gòu)建了一種駕駛員腦力疲勞動(dòng)態(tài)識(shí)別模型,但是該模型未考慮腦力疲勞的分級(jí)情況。張潔等[26]基于腦電功率譜密度分析了三種情景下操作者的腦電信號(hào)δ、θ、α、β,結(jié)果表明利用腦電信號(hào)和SVM的模型可以較精確地評(píng)估腦力疲勞。

上述研究多集中在持續(xù)任務(wù)下的腦力疲勞監(jiān)測(cè)和狀態(tài)識(shí)別,缺乏在持續(xù)性復(fù)雜性任務(wù)下人-機(jī)交互過(guò)程中腦力疲勞的研究,也沒(méi)有關(guān)于體力疲勞與腦力疲勞神經(jīng)生理學(xué)關(guān)系的研究?！柏浀饺恕庇唵螔x人-機(jī)系統(tǒng)的高效運(yùn)行涉及操作者的重復(fù)性任務(wù),操作者的上肢操作及不停面對(duì)“界面-傳送帶-揀選筐-界面”頻率的增加,可能會(huì)導(dǎo)致操作者產(chǎn)生由工作任務(wù)引起的工作負(fù)荷[27],進(jìn)一步引起影響人員判斷、決策和執(zhí)行能力的腦力疲勞[28]。因此,有必要采用有效的疲勞監(jiān)測(cè)方法來(lái)檢測(cè)操作者的疲勞程度。

現(xiàn)按照感知、判斷和動(dòng)作執(zhí)行等認(rèn)知步驟構(gòu)建了三個(gè)不同難度的訂單揀選任務(wù),然后采用主觀問(wèn)卷、腦電信號(hào)綜合分析操作者的腦力疲勞變化特征,對(duì)于需要體力和認(rèn)知兩方面努力的操作,分析體力疲勞和腦力疲勞之間的相互作用規(guī)律以及疲勞產(chǎn)生的機(jī)制。研究結(jié)果可以根據(jù)操作者的腦力疲勞情況動(dòng)態(tài)分配作業(yè)任務(wù),保證人-機(jī)系統(tǒng)運(yùn)行的安全性和操作效率。

1 方法

1.1 受試者

實(shí)驗(yàn)招募了21名右利手本科男生(平均年齡23.7歲,標(biāo)準(zhǔn)差2.43歲),正?；虺C正視力在1.0以上,無(wú)神經(jīng)系統(tǒng)疾病。在實(shí)驗(yàn)之前,被要求清潔頭發(fā),并確保充足睡眠時(shí)間。在實(shí)驗(yàn)前24 h,他們不允許喝酒、喝茶、喝咖啡或服用任何藥物。

1.2 實(shí)驗(yàn)任務(wù)

本研究涉及三種不同的訂單揀選任務(wù),如圖1所示。

圖1 實(shí)驗(yàn)流程Fig.1 Experimental process

任務(wù)1受試者在無(wú)體力疲勞狀態(tài)下完成15 min訂單貨到人揀選任務(wù)。

任務(wù)2受試者需要在跑步機(jī)上進(jìn)行15 min的跑步任務(wù),然后完成15 min訂單貨到人揀選任務(wù)。

任務(wù)3受試者需要在跑步機(jī)上進(jìn)行35 min的跑步任務(wù),然后完成15 min訂單貨到人揀選任務(wù)。

在每次實(shí)驗(yàn)前,受試者被要求佩戴腦電采集設(shè)備,在上述任務(wù)過(guò)程中采集受試者腦電數(shù)據(jù)。在實(shí)驗(yàn)前后,被要求填寫(xiě)美國(guó)航空航天局任務(wù)疲勞指數(shù)量表(National Aeronautics and Space Administration-task load index, NASA-TLX)。所有受試者的三項(xiàng)任務(wù)都是隨機(jī)分配。

1.3 實(shí)驗(yàn)設(shè)備

實(shí)驗(yàn)設(shè)備包括用于任務(wù)和數(shù)據(jù)采集的計(jì)算機(jī)和Brain Products腦電設(shè)備,以及訂單揀選平臺(tái)。采樣頻率為1 000 Hz,采樣時(shí)帶通濾波范圍設(shè)定為0.05～100 Hz。在EEG數(shù)據(jù)采集過(guò)程中,頭皮和電極之間的電阻設(shè)置為5 kΩ。其中32導(dǎo)腦電帽采用國(guó)際通用的10～20電極位置標(biāo)準(zhǔn)放置,設(shè)置參考電極為Fz,且前額接地,使用腦電帽上的電極采集受試者的垂直眼電。

1.4 腦電信號(hào)預(yù)處理及分段

首先,將采樣頻率降低到200 Hz,并通過(guò)小波變換對(duì)信號(hào)進(jìn)行處理。然后通過(guò)集成經(jīng)驗(yàn)?zāi)B(tài)分解將小波系數(shù)分解為固有模態(tài)函數(shù),采用基于負(fù)熵準(zhǔn)則的快速獨(dú)立分量分析算法,得到各小波系數(shù)的獨(dú)立分量。在獨(dú)立分類(lèi)分析(independent component correlation algorithm,ICA)逆變換后,去除眼電偽跡后,將獨(dú)立分量投影回原始EEG信號(hào)的各個(gè)電極。最后,通過(guò)小波逆變換重構(gòu)信號(hào)到腦電信號(hào)。

受試者身體的運(yùn)動(dòng)可能會(huì)導(dǎo)致電極的運(yùn)動(dòng),進(jìn)而減緩電壓漂移,而出汗可能會(huì)導(dǎo)致緩慢的波動(dòng),兩者都可能干擾EEG信號(hào)的基線電壓。因此0.5 Hz以下的頻率分量被直接過(guò)濾掉。采用IIR(infinite impulse response)數(shù)字濾波器對(duì)腦電信號(hào)進(jìn)行0.5～40 Hz(48 dB/oct)帶通濾波和50 Hz陷波處理。

1.5 腦電信號(hào)功率譜特征分析

許多研究使用大腦不同區(qū)域的節(jié)律波作為測(cè)試腦力疲勞的具體值。各種EEG節(jié)律特征可以用來(lái)揭示各種狀態(tài)之間的內(nèi)在聯(lián)系。通過(guò)功率譜特征分析進(jìn)行的腦力疲勞檢測(cè)涉及每個(gè)節(jié)律的相對(duì)能量值和功率比。與經(jīng)典的快速傅里葉變換和周期圖相比,自回歸模型(AR)是一種更好的光譜表示方法,該模型由于信噪比高,有利于獲得高頻率分辨率,適合計(jì)算每個(gè)節(jié)律波的相對(duì)功率值和各種比例參數(shù)。計(jì)算式為

(1)

式(1)中:X(n)為時(shí)序數(shù)據(jù);P為模型的階數(shù);ai為權(quán)重;ε(n)為白噪聲序列。

AR表示模型的輸出,其作為P輸入X(n-1),X(n-2),…,X(n-p)和當(dāng)前輸入ε(n)。將z變換應(yīng)用于式(1)得

E(z)=C(z)X(z)

(2)

C(-1)(z)=X(z)/E(z)

(3)

式中:C(-1)(z)代表該傳遞函數(shù),一般用H(z)表示,在z平面單位圓上取z=ejw,從而得到頻率響應(yīng)H(w)。如果E(z)是方差σ2的白噪聲,則其頻譜是平的,輸出X(w)就是H(w)和σ2的乘積,公式為

(4)

如式(4)所示,EEG信號(hào)序列可以通過(guò)AR模型H(w)被視為白噪聲的輸出。因此,EEG信號(hào)的功率譜可以由σ2和所有ai確定。然后AR參數(shù)ai的估計(jì)方法可以定義為最小化預(yù)測(cè)誤差功率。本文采用伯格算法計(jì)算AR參數(shù)。根據(jù)本研究的特點(diǎn),選擇θ、α和β的腦電節(jié)律特征。

選取受試者大腦的2個(gè)典型頂區(qū)和額區(qū),利用AR功率譜算法計(jì)算各節(jié)律波的相對(duì)功率值和比例參數(shù),參數(shù)為θ、α、β、α/θ、β/θ和(α+θ)/β。每個(gè)腦電特征值由兩個(gè)因素組成:腦力疲勞和時(shí)間因素。前者是一個(gè)獨(dú)立因素,有3個(gè)難度等級(jí)。后者是對(duì)3個(gè)時(shí)間點(diǎn)的重復(fù)測(cè)量,每個(gè)任務(wù)時(shí)間分為3段。

1.6 腦力疲勞檢測(cè)方法

對(duì)疲勞狀態(tài)劃分通過(guò)定義一個(gè)合理的閾值,對(duì)閾值的兩側(cè)進(jìn)行分類(lèi),這種方法能夠?qū)Σ煌瑫r(shí)段的任務(wù)進(jìn)行等級(jí)劃分,進(jìn)而達(dá)到動(dòng)態(tài)監(jiān)測(cè)的目的。腦電信號(hào)中非線性動(dòng)力學(xué)特征計(jì)盒分形維數(shù)值對(duì)腦力疲勞的變化有較好的敏感性,對(duì)預(yù)處理后的腦電數(shù)據(jù)以步長(zhǎng)1 s為時(shí)間窗從左至右截取數(shù)據(jù)(每個(gè)時(shí)間窗有1 000個(gè)數(shù)據(jù)點(diǎn)),接下來(lái)計(jì)算每段時(shí)間窗的計(jì)盒分形維數(shù)值。

選用Fz、Cz導(dǎo)聯(lián)的計(jì)盒分形維數(shù)值均值作為閾值劃分參數(shù)來(lái)降低差異性,取21人次每個(gè)任務(wù)所有樣本的計(jì)盒分形維數(shù)均值的25%與75%的分位作為三類(lèi)任務(wù)狀態(tài)劃分的閾值,其中25%分位為1.408,75%分位為1.485。低于25%定義為低狀態(tài),標(biāo)簽為1;高于25%且低于75%的定義為中狀態(tài),標(biāo)簽為2;高于75%的定義為高狀態(tài),標(biāo)簽為3。如圖2所示某一人次的計(jì)盒分形維數(shù)值在整個(gè)任務(wù)過(guò)程的變化情況。

圖2 某受試者計(jì)盒分形維數(shù)在任務(wù)過(guò)程的變化情況Fig.2 Change of box-counting fractal dimension of a subject during the task

2 結(jié)果

2.1 主觀量表結(jié)果

表1所示為單因素重復(fù)測(cè)量方差分析結(jié)果,由表1可以看出權(quán)重比較后的總值、腦力需求、體力需求、時(shí)間需求都有明顯的顯著性差異(P<0.05),但績(jī)效表現(xiàn)、努力程度、受挫程度并沒(méi)有達(dá)到顯著性差異。這表明三種不同的體力疲勞在能夠較好地區(qū)分腦力疲勞水平,受試者在完成較高疲勞任務(wù)時(shí)需要較高的腦力需求及體力需求,并且需要承受較高的時(shí)間壓力,但是沒(méi)有感覺(jué)嚴(yán)重的受挫,且受試者對(duì)自己的績(jī)效表現(xiàn)并沒(méi)有隨著體力疲勞的增加而感覺(jué)明顯變差。

表1 NASA-TLX不同維度單因素重復(fù)測(cè)量方差分析結(jié)果Table 1 Analysis of variance of single factor repeated measurement in different dimensions of NASA-TLX

表2所示為NASA-TLX不同維度值在不同體力疲勞成對(duì)比較分析結(jié)果。可以看出,腦力需求及體力需求在不同體力疲勞之間的顯著性有著明顯的差異(P<0.05),而權(quán)重比較后的總值、時(shí)間需求只有在高疲勞與低疲勞之間存在顯著性差異(P<0.05),在低疲勞與中疲勞、中疲勞與高疲勞之間并沒(méi)有顯著性差異。

表2 NASA-TLX不同維度在不同體力疲勞成對(duì)比較分析結(jié)果Table 2 Paired comparison and analysis results of different dimensions of NASA-TLX in different task difficulties

可以看出雖然NASA-TLX不同維度在不同體力疲勞之間單調(diào)變化,但水平之間的差異反映了不同水平的腦力疲勞特征。在任務(wù)1中,由于受試者未進(jìn)行體力活動(dòng),此時(shí)其主觀感受并不明顯。在任務(wù)2中,受試者腦力疲勞的主觀感受明顯增加。在任務(wù)3中,受試者主觀感受進(jìn)一步增加,由此可以看出,不同程度的體力疲勞誘發(fā)對(duì)受試者的腦力需求及體力需求有不同程度的影響,從而影響操作績(jī)效。當(dāng)體力疲勞增加時(shí),誘發(fā)的認(rèn)知能力的改變較為明顯[29],這可能是由于體力疲勞導(dǎo)致受試者部分注意力難以集中,也表明了訂單揀選任務(wù)可能誘發(fā)受試者的腦力疲勞。

2.2 EEG頻譜分析

選取并分析典型的Fz和Cz電極上的α、β和θ功率譜進(jìn)行分析,平均電壓最大顯著效應(yīng)的平均頻譜如圖3所示。

圖3 不同任務(wù)下的腦電功率譜圖Fig.3 EEG power spectra under different tasks

電極Fz顯示α功率譜密度在13 Hz附近顯著降低,β功率譜密度在14～30 Hz顯著增加,θ功率譜密度在4～7 Hz較為穩(wěn)定。電極Pz顯示α功率譜密度在8～13 Hz穩(wěn)定降低,β功率譜密度在14～30 Hz緩慢增加,θ功率譜密度在4～7 Hz較為穩(wěn)定。而在不同的任務(wù)中,電極Fz和Pz的α、β的任務(wù)2和任務(wù)3增加較明顯,θ功率在三個(gè)任務(wù)中較為穩(wěn)定。上述結(jié)果可能與額區(qū)中線θ帶和頂區(qū)α帶的PSD會(huì)出現(xiàn)顯著的疲勞相關(guān)變化[20]。

采用雙多元方差分析方法對(duì)Fz和Cz電極的α,β和θ的平均PSD和峰值進(jìn)行分析,其中進(jìn)行的變化以任務(wù)時(shí)間段為受試者內(nèi)因素。結(jié)果表明頂區(qū)α測(cè)量時(shí)間的主效應(yīng)顯著(t=2.18,P=0.012),α(8～13 Hz)頻段的平均功率在任務(wù)開(kāi)始階段變化明顯,在任務(wù)后期及結(jié)束階段顯著降低,表明α隨任務(wù)時(shí)間的增加而減小,也表明不同任務(wù)的操作時(shí)間對(duì)α的變化具有漸進(jìn)效應(yīng),特別是隨著體力疲勞增加時(shí),α2(10～13 Hz)功率降低,進(jìn)一步證明了α節(jié)律與記憶[14]和認(rèn)知行為相關(guān)[30],額區(qū)β測(cè)量時(shí)間的主效應(yīng)顯著(t=2.63,P=0.005),β(14～30 Hz)頻段的平均功率在任務(wù)開(kāi)始階段增加明顯,在任務(wù)后期及結(jié)束階段顯著降低。額區(qū)θ(4～7 Hz)PSD顯著線性增加,雖然θ峰振幅增加且趨勢(shì)相似,但不顯著(t=2.32,P=0.574)。

2.3 EEG計(jì)盒分形維數(shù)特征

表3列出了與不同腦區(qū)各計(jì)盒分形維數(shù)的兩因素重復(fù)測(cè)量方差分析結(jié)果。在額葉區(qū)α、β、α/θ、(α+β)/θ和(α+θ)/β顯著(P<0.05),體力疲勞在其變化范圍內(nèi)變化,α、β、θ、β/θ和α/β五個(gè)參數(shù)的組內(nèi)效應(yīng)顯著(P<0.05)。在頂區(qū)α、β、α/θ、(α+θ)/β和β/θ顯著(P<0.05),而任務(wù)差異在其變化范圍內(nèi)變化,θ、β、α、β/θ、α/β和(α+θ)/β六個(gè)參數(shù)的組內(nèi)效應(yīng)顯著(P<0.05)。

表3 不同腦區(qū)各計(jì)盒分形維數(shù)的兩因素重復(fù)測(cè)量方差分析結(jié)果Table 3 Results of two factor repeated measurement ANOVA of fractal dimensions of each counting box in different brain regions

根據(jù)額區(qū)和頂區(qū)的計(jì)盒分形維數(shù)特征,選擇θ、α、β、α/θ、β/θ和(α+θ)/β,分析不同任務(wù)下相對(duì)腦力值的變化,如圖4和圖5所示。

*表示P<0.05,** 表示P<0.01,*** 表示P<0.001圖4 不同腦力疲勞下大腦額區(qū)不同參數(shù)相對(duì)值Fig.4 Relative values of different parameters in frontal region of brain under different mental fatigue

*表示P<0.05,** 表示P<0.01,*** 表示P<0.001圖5 不同腦力疲勞下大腦枕區(qū)不同參數(shù)相對(duì)值Fig.5 Relative values of different parameters of occipital region under different mental fatigue

θ是反映早期狀態(tài)下與大腦疲勞有關(guān)的嗜睡情況,由于本研究的受試者保證了充足的睡眠,在受試者枕區(qū)和額區(qū)的θ相對(duì)能量值變化不明顯。α隨著體力疲勞的增加,相對(duì)能力值減少,而β/θ和(α+β)/θ隨著體力疲勞的增加,相對(duì)能量值明顯增加,但α/θ并未表現(xiàn)出明顯的規(guī)律性變化。受試者枕區(qū)和額區(qū)的4個(gè)腦電圖參數(shù)α、β、β/θ和(α+β)/θ對(duì)腦力疲勞水平也相當(dāng)敏感,高體力疲勞下可以成功誘發(fā)腦力疲勞,特別是α/θ、β/θ和(α+β)/θ增加了警覺(jué)狀態(tài)和腦力疲勞狀態(tài)之間腦電圖指標(biāo)的差異指標(biāo)[18]。

這些結(jié)果表明,腦電功率對(duì)體力疲勞和任務(wù)類(lèi)型都很敏感,不同任務(wù)類(lèi)型和操作時(shí)間之間的交互作用會(huì)引起相關(guān)腦區(qū)節(jié)律參數(shù)的變化,高體力疲勞下的認(rèn)知所需任務(wù)明顯會(huì)導(dǎo)致腦力疲勞的上升趨勢(shì),因此可以作為監(jiān)測(cè)腦力疲勞的基礎(chǔ)。

2.4 基于機(jī)器學(xué)習(xí)的腦力疲勞分類(lèi)

由分析可知,α、β、β/θ和(α+β)/θ四項(xiàng)指標(biāo)對(duì)腦力疲勞比較敏感,由于其應(yīng)用于動(dòng)態(tài)監(jiān)測(cè)腦力疲勞有著較為明顯的優(yōu)勢(shì)。所以采用腦電功率譜特征值作為腦力疲勞狀態(tài)分類(lèi)的特征參數(shù)。

為了去除與目標(biāo)不相關(guān)的干擾信息進(jìn)而提高正確率,同時(shí)減少特征維度,提高算法運(yùn)行效率,需要對(duì)特征進(jìn)行篩選。本文中采用逐步回歸分析對(duì)樣本特征進(jìn)行篩選。①首先計(jì)算所有自變量(特征)與因變量(類(lèi)別標(biāo)簽)的相關(guān)系數(shù),按絕對(duì)值大小排序;②排序自上而下依次新引入一個(gè)新的自變量與之前保留的自變量一同與因變量建立線性回歸模型,并檢驗(yàn)回歸方程的顯著性,如果檢驗(yàn)效果顯著(P<0.05)則保留新引入的自變量,如果不顯著則剔除新引入的自變量;③對(duì)每次更新后的回歸方程中的每個(gè)自變量仍需做顯著性檢驗(yàn)、剔除、更新,直到回歸方程中的每一個(gè)自變量都顯著為止,再進(jìn)一步引入之前未曾引入的新自變量,重復(fù)上述過(guò)程,直至無(wú)法剔除已經(jīng)引入的自變量也無(wú)法再引入新的自變量。

逐步回歸可以只保留那些與類(lèi)別相關(guān)性高,且不會(huì)影響其他自變量與因變量相關(guān)性的特征,從而達(dá)到優(yōu)化特征集的目的。采用逐步回歸方法進(jìn)行篩選后,將每個(gè)特征參數(shù)下的所有樣本進(jìn)行歸一化到[0, 1]區(qū)間,處理方法表達(dá)式為

(5)

經(jīng)過(guò)降維及歸一化處理后總共構(gòu)成[7 846×59]維樣本數(shù)據(jù),接下來(lái)將該樣本數(shù)據(jù)隨機(jī)劃分為訓(xùn)練樣本和測(cè)試樣本兩部分。訓(xùn)練樣本占75%[5 884×59],其用于訓(xùn)練分類(lèi)器,其中低狀態(tài)、中狀態(tài)、高狀態(tài)訓(xùn)練樣本分別為[1 458×59]、[2 946×59]、[1 480×59]。測(cè)試樣本占25%[1 962×59],并對(duì)分類(lèi)模型的性能進(jìn)行驗(yàn)證,其中低狀態(tài)、中狀態(tài)、高狀態(tài)測(cè)試樣本分別為[501×59]、[980×59]、[481×59]。

采用經(jīng)逐步回歸保留的腦電特征,分別使用線性判別分析、樸素貝葉斯分類(lèi)器[31]和支持向量機(jī)[32]機(jī)器學(xué)習(xí)方法進(jìn)行分類(lèi)。

在實(shí)際應(yīng)用中SVM分類(lèi)模型的數(shù)據(jù)大部分為線性不可分的,為了分類(lèi)器更好的理解數(shù)據(jù),SVM模型通過(guò)引入核函數(shù)的方式解決。本文中使用徑向基核函數(shù)對(duì)腦力疲勞模型進(jìn)行訓(xùn)練,最后分類(lèi)效果和性能取決于徑向基核函數(shù)中的特定的參數(shù),核函數(shù)最優(yōu)參數(shù)主要分為懲罰因子C及核函數(shù)半徑g。利用網(wǎng)格搜索將懲罰因子C和核函數(shù)半徑g在特定的范圍內(nèi)劃分成特定密度的網(wǎng)格,之后遍歷所有的網(wǎng)格節(jié)點(diǎn),如果網(wǎng)格劃分區(qū)域足夠大,且步長(zhǎng)足夠小時(shí),就能獲取最優(yōu)解。

利用(K-fold cross validation, K-CV)法對(duì)訓(xùn)練樣本展開(kāi)交叉驗(yàn)證,并進(jìn)行網(wǎng)格尋優(yōu)獲取最佳的(C,g)組合,即滿足C盡量小,準(zhǔn)確率盡量高的標(biāo)準(zhǔn)。其中,C和g的取值范圍設(shè)為[2-10,210],步長(zhǎng)分別設(shè)為0.5。交叉驗(yàn)證K=5,其是將訓(xùn)練集分成5份,輪流將其中的4份做訓(xùn)練而另外1份做驗(yàn)證,最后將這5次結(jié)果的平均值作為模型正確率的估計(jì)。將劃分好的訓(xùn)練集進(jìn)行網(wǎng)格尋優(yōu)得到如圖6所示的網(wǎng)格搜索法尋優(yōu)得到的結(jié)果C=1 024,g=0.011 049,訓(xùn)練模型的識(shí)別準(zhǔn)確率可達(dá)96.82%。

圖6 網(wǎng)格搜索法參數(shù)尋優(yōu)結(jié)果Fig.6 Optimized parameters obtained by the grid search method

接下來(lái)使用這對(duì)參數(shù)對(duì)腦力疲勞模型進(jìn)行訓(xùn)練,并使用測(cè)試樣本對(duì)模型進(jìn)行測(cè)試。通過(guò)線性判別分析,線性判別分析測(cè)試數(shù)據(jù)集、樸素貝葉斯分類(lèi)器和支持向量機(jī)的識(shí)別準(zhǔn)確率分別為84.2%、77.78%和96.89%。采用三種分類(lèi)方法對(duì)獲得的有效腦電指標(biāo)進(jìn)行訓(xùn)練、預(yù)測(cè)和分類(lèi)。將經(jīng)過(guò)降維和歸一化處理的樣本數(shù)據(jù)隨機(jī)分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集,通過(guò)網(wǎng)格優(yōu)化和交叉驗(yàn)證得到最優(yōu)參數(shù)。在分類(lèi)效果方面,支持向量機(jī)明顯優(yōu)于線性分類(lèi)器和樸素貝葉斯分類(lèi)器,但線性分類(lèi)器優(yōu)于樸素貝葉斯分類(lèi)器,三種分類(lèi)器的準(zhǔn)確率都高于70%,基于支持向量機(jī)的腦力疲勞動(dòng)態(tài)分類(lèi)模型取得了較好的分類(lèi)效果。

為了更好地驗(yàn)證本文方法的可行性,與其他方法得到的結(jié)果進(jìn)行對(duì)比分析,其結(jié)果如表4所示。由表4可以看出采用AR模型+SVM方法對(duì)腦電信號(hào)的腦力疲勞分類(lèi)識(shí)別準(zhǔn)確率較高,特別是本文中選取了較少的腦區(qū)及較少的腦電參數(shù),計(jì)算速度得到了極大的提升,進(jìn)一步證明了本文方法對(duì)典型腦力疲勞特征提取及分類(lèi)識(shí)別的有效性。

表4 本文方法與其他分類(lèi)方法準(zhǔn)確率比較Table 4 Comparison of accuracy with other classification methods

3 討論

現(xiàn)階段智能倉(cāng)儲(chǔ)的人-機(jī)交互設(shè)計(jì)集中在成本效益目標(biāo)及其直接決定因素,在設(shè)計(jì)最終決定倉(cāng)儲(chǔ)績(jī)效和長(zhǎng)期安全的系統(tǒng)時(shí),缺乏人因工程方面的綜合考慮,操作者的個(gè)體因素往往被忽略或假定為具有恒定作用,即忽略了操作者的具體特征,并假設(shè)操作者的績(jī)效隨著時(shí)間的推移是恒定的,以及由此導(dǎo)致的操作者在系統(tǒng)中的績(jī)效和健康安全問(wèn)題。為保證訂單揀選效率及倉(cāng)儲(chǔ)的高效運(yùn)行,減少操作者體力疲勞誘發(fā)的腦力疲勞,同時(shí)為了提高智能倉(cāng)儲(chǔ)的整體運(yùn)行效率,有必要分析操作者在訂單揀選操作過(guò)程中的生理心理指標(biāo)。

本研究基于腦力疲勞與任務(wù)要求、任務(wù)效率、環(huán)境情境敏感性和操作者的個(gè)體能力有關(guān)。首先分析了主觀問(wèn)卷獲得的體力疲勞誘發(fā)的腦力疲勞特征。其次,采用合理的腦電信號(hào)處理方法,分析不同訂單揀選任務(wù)產(chǎn)生的腦電信號(hào)的功率譜特征。

從主觀問(wèn)卷方面分析腦力疲勞動(dòng)態(tài)變化趨勢(shì)結(jié)果表明,隨著體力疲勞的增加,受試者腦力疲勞水平提高,尤其從低疲勞到中疲勞狀態(tài)下腦力疲勞水平提升最為顯著,說(shuō)明了主觀問(wèn)卷可以獨(dú)立驗(yàn)證任務(wù)導(dǎo)致腦力疲勞的能力,但低疲勞的實(shí)驗(yàn)并沒(méi)有誘發(fā)受試者的腦力疲勞。通過(guò)探索身體疲勞對(duì)腦力疲勞誘導(dǎo)的影響,可以看出智能倉(cāng)儲(chǔ)操作者的體力疲勞狀態(tài)是影響操作績(jī)效的主要因素,當(dāng)工作時(shí)間較長(zhǎng)或者任務(wù)難度增加時(shí),操作者的腦力疲勞顯著增加,特別是體現(xiàn)在腦電信號(hào)上面。

分析不同難度任務(wù)誘發(fā)的腦電信號(hào)的目的是識(shí)別隨著腦力疲勞的產(chǎn)生,腦電圖特征的有序的變化規(guī)律。同時(shí)分析執(zhí)行不同任務(wù)時(shí)額區(qū)和枕區(qū)θ、α、β、α/θ、β/θ和(α+β)/θ等參數(shù)能量值。結(jié)果表明,任務(wù)差異的變化不會(huì)導(dǎo)致θ的能量值發(fā)生明顯變化。α和β這兩個(gè)參數(shù)對(duì)體力疲勞相當(dāng)敏感。當(dāng)涉及三個(gè)比例參數(shù)α/θ、β/θ和(α+β)/θ時(shí),額葉和枕葉的中等疲勞與低疲勞沒(méi)有明顯區(qū)別。額葉區(qū)的β/θ不隨體力疲勞的變化而變化。相對(duì)而言,α/θ和(α+β)/θ這兩個(gè)參數(shù)對(duì)體力疲勞的變化比較敏感。此外,三個(gè)階段的β相對(duì)能量值是腦電能量的主要組成部分,占腦電總能量的絕大多數(shù)。在3種任務(wù)下隨著任務(wù)的進(jìn)行,受試者的腦力疲勞程度的加深,β節(jié)律的相對(duì)值都顯著降低,這與功率譜的變化趨勢(shì)一致,β節(jié)律通常與大腦的興奮狀態(tài)有關(guān)(例如情緒和腦力活動(dòng))。當(dāng)大腦從靜息狀態(tài)轉(zhuǎn)變?yōu)槿蝿?wù)狀態(tài)時(shí),β需要保持高濃度來(lái)完成任務(wù)[33],同時(shí)根據(jù)枕區(qū)和額區(qū)的統(tǒng)計(jì)結(jié)果,β節(jié)律在描述簡(jiǎn)單任務(wù)下的腦力疲勞的效果略好于復(fù)雜任務(wù)狀態(tài)。

持續(xù)性、高強(qiáng)度作業(yè)會(huì)使得操作者保持警惕,從而導(dǎo)致體力負(fù)荷和腦力負(fù)荷的增加,高負(fù)荷則會(huì)影響操作者訂單揀選任務(wù)的警覺(jué)性和注意力,從而影響其認(rèn)知能力。而枕區(qū)與視覺(jué)認(rèn)知功能有關(guān),而額葉區(qū)與運(yùn)動(dòng)控制和推理有關(guān),因此額葉和枕區(qū)的腦電參數(shù)α、β、α/θ、β/θ和(α+β)/θ應(yīng)該對(duì)腦力疲勞相當(dāng)敏感。定量描述了不同時(shí)期體力疲勞水平的變化或恒定所導(dǎo)致的腦力疲勞動(dòng)態(tài)變化趨勢(shì)。此外,腦電特征與腦力疲勞相互對(duì)應(yīng),從而建立了不同任務(wù)的腦力疲勞評(píng)價(jià)指標(biāo)體系。

最后,將腦力疲勞監(jiān)測(cè)轉(zhuǎn)化為一種分類(lèi)模式,并與腦力疲勞敏感性指數(shù)相結(jié)合。在合理選擇閾值的情況下,采用線性分類(lèi)器、樸素貝葉斯分類(lèi)器和支持向量機(jī)對(duì)腦力疲勞狀態(tài)進(jìn)行分類(lèi)識(shí)別。結(jié)果表明,支持向量機(jī)的分類(lèi)準(zhǔn)確率為96.89%,分類(lèi)效果優(yōu)于其他兩種分類(lèi)模型。通過(guò)逐步回歸篩選樣本特征,有效地去除了與目標(biāo)無(wú)關(guān)的干擾信息,降低了特征維數(shù),縮短了識(shí)別模型的訓(xùn)練時(shí)間,加快了學(xué)習(xí)速度,從而提高了識(shí)別精度?；贏R功率譜,提取θ、α、β、α/θ和β/θ特征參數(shù),可以作為腦力疲勞評(píng)估的有效指標(biāo)。在計(jì)算速度更快、耗時(shí)更少的特征提取過(guò)程中,通過(guò)定義合理的閾值,對(duì)閾值的兩側(cè)進(jìn)行分類(lèi),這種方法能夠?qū)Σ煌瑫r(shí)段的任務(wù)進(jìn)行等級(jí)劃分,進(jìn)而消除局部特征的波動(dòng)性,所以AR功率譜可以作為動(dòng)態(tài)腦力疲勞監(jiān)測(cè)的指標(biāo)。

本研究表明在智能倉(cāng)儲(chǔ)的訂單揀選系統(tǒng)中,不僅要求操作者具有較好的身體機(jī)能,同時(shí)也需要保持較高的認(rèn)知功能來(lái)識(shí)別規(guī)劃和完成揀選任務(wù)。對(duì)于研究操作者的腦力疲勞,特別是對(duì)腦力疲勞狀態(tài)的實(shí)時(shí)監(jiān)測(cè)具有重要意義,可以通過(guò)操作者對(duì)揀選任務(wù)的反應(yīng)重新調(diào)整體力疲勞來(lái)合理規(guī)劃操作任務(wù),提高智能倉(cāng)儲(chǔ)運(yùn)行效率,對(duì)人-機(jī)交互下物流揀選操作現(xiàn)場(chǎng)的全面性、差異化疲勞管理措施的制定具有很高的理論和實(shí)際意義。

4 結(jié)論

本研究考慮了不同體力疲勞下操作者的腦力疲勞的不同,突破了以往對(duì)單一操作任務(wù)或操作時(shí)長(zhǎng)的疲勞監(jiān)測(cè)的研究,進(jìn)一步明確了影響訂單揀選任務(wù)的操作者疲勞的類(lèi)型。同時(shí)本研究確定了不同腦力疲勞下的操作者的腦力疲勞腦電指標(biāo)閾值,充分考慮了不同任務(wù)下操作者的腦力需求的不同,提出定量化科學(xué)化的腦力疲勞評(píng)價(jià)體系,可以提高訂單揀選系統(tǒng)人-機(jī)交互的效率,最后探索了體力疲勞和腦力疲勞的相互作用規(guī)律以及疲勞的發(fā)展機(jī)制,通過(guò)分析不同疲勞程度的操作者的腦電指標(biāo)的差異性,為有針對(duì)性的疲勞管理提供理論和技術(shù)依據(jù)。得到如下結(jié)論。

(1)腦電信號(hào)的功率譜特征的α、β、β/θ和(α+β)/θ四項(xiàng)指標(biāo)比較敏感,能有效區(qū)分不同體力疲勞誘發(fā)下的腦力疲勞。可以有效區(qū)分操作者的體力疲勞與腦力疲勞。確定智能倉(cāng)儲(chǔ)操作者的疲勞類(lèi)型,并根據(jù)疲勞制定合適的任務(wù)。

(2)不同體力疲勞下的訂單揀選任務(wù)誘發(fā)的操作者的大腦額區(qū)及枕區(qū)的腦電信號(hào)參數(shù)變化不同?；贏R功率譜和支持向量機(jī)方法能快速識(shí)別腦力疲勞,該方法計(jì)算量小準(zhǔn)確率高。算法有效解決了腦電信號(hào)測(cè)量的脆弱性以及實(shí)時(shí)監(jiān)測(cè)的高效性。