高鐵司機行車前疲勞檢測系統設計與開發

黃志強，張芳芳，顧卓筠，陳 濤，顧 蘇，王靈眼

（1.復旦大學附屬華山醫院博士后流動站，上海 200040；2.華東師范大學心理與認知科學學院，上海 200062；3.上海惠誠科教器械股份有限公司研發中心，上海 201100；4.中國鐵路濟南局集團有限公司 濟南機務段，濟南 250023）

我國高速鐵路（簡稱“高鐵”）飛速發展，里程增加，速度提升，行車安全得到進一步重視。疲勞駕駛是行車事故的主要危險因素之一。高鐵司機供不應求，工作負荷大，又是單司機駕駛。解決高鐵司機的疲勞問題迫在眉睫。

交通安全領域的疲勞檢測技術主要有以下幾類：（1）基于駕駛員人體生理信號的疲勞檢測方法，如心率等[1]；（2）基于人眼閉合等行為特征[2]；（3）基于車輛運行特征的檢測方法，如側位移，這只能用于汽車司機的檢測；（4）多源信息融合的方法，如歐盟“AWAKE”系統，融合眼瞼、行車特征指標等[3]。

具體應用于鐵路交通的疲勞檢測技術還在不斷探索。近年有人基于不同算法，針對人臉部分特征監測疲勞狀態[4]，或針對人眼閉合度檢測疲勞[5]，這類方法監測指標較單一。文獻[6]研發多信息融合的鐵路司機疲勞檢測方法，采集司機駕駛圖像、腦電圖及手動信息進行綜合分析，檢測手段較全面，但司機對腦電采集帽的接受度較低。上述疲勞檢測方法還有個共同的缺點，就是檢測耗時較長，無法滿足高鐵司機派班的實際工作需要。

從駕駛員行車前的狀態入手，在檢測有無飲酒的同時增加疲勞程度檢測，也是防止疲勞駕駛的一種實用方法，而且是一種另辟蹊徑的方法，這尤其適用于高鐵司機。本研究基于多項生理、心理指標收集，全面分析評估以建立高鐵司機行車前疲勞檢測模型，開發相應產品。

1 疲勞檢測方法

1.1 確定相關指標

長時間駕駛以及單調的工作易致疲勞，弱化駕駛員的感知覺和操作能力等。這種弱化會體現在駕駛員的各項生理指標中[7]，還會體現在認知指標和主觀感受上。本文選擇以下生理、心理指標：

（1）閃光融合臨界頻率。 斷續的光刺激呈現于人眼時，會引起閃爍的感覺。隨著呈現頻率的增加，人會覺得光源不再閃爍，此為光的融合感覺。引起融合感覺的最小頻率稱為閃光融合臨界頻率（CFF，critical flicker-fusion frequency）。詹皓[8]研究了國內外數10篇相關文獻，認為CFF能很好地評價車輛駕駛員的綜合疲勞。

（2）心電信號。本研究選取心率值，LF/HF值，TP值進行測量。其中心率可作為測量駕駛員疲勞程度的有效證明[9]。低頻功率(LF，low frequency)，高頻功率(HF，high frequency)，屬于心率變異性（HRV，heart rate variability）的頻域指標。LF/HF反映了交感神經與副交感神經的相對活躍程度，會隨著疲勞程度增加而上升[10]。TP值為測量時間內的HRV總功率(total power)，隨著疲勞的加深而顯著增大[11]。

（3）體溫、呼吸等生理指標。通過與每位司機自身積累的數據比較，來輔助反應個體的疲勞狀況。研究顯示，當個體由清醒狀態轉疲勞時，體溫顯著下降[12]。王琳虹[7]等人將呼吸指標納入疲勞檢測系統很好的評估了駕駛員疲勞狀態。對這些指標的檢測還能發現司機的發燒等疾病狀態。

（4）主觀感受。本研究采用信、效度均較好的疲勞量表-14 （Fatigue Scale-14, FS-14）[13-14]，并結合高鐵司機實測結果對題目進行取舍，以節約測評時間。

（5）睡眠時間估計。在與自身數據比較的情況下，出乘前一晚睡眠時間越短，個體越容易疲勞。

1.2 參與測試的高鐵司機情況

某機務段291名高鐵司機，正確完成各檢測指標者180例，均為男性，平均年齡39.19±5.93歲。

1.3 工具

1.3.1 客觀指標采集

采用PC-304生理參數檢測儀，用于檢測心率、血壓、體溫和血氧飽和度。采用可調式腹式呼吸帶采集呼吸類相關指數，采集精度±3%，采集范圍0～50次/min，響應延遲時間≤0.01 s；采用閃光頻率融合儀器，采集范圍30～50 Hz，精度0.1 Hz。

1.3.2 自述指標采集

通過自我評估，收集高鐵司機出乘前一晚睡眠時間，分成＜5 h、5～6 h、6～7 h、7～8 h、＞8 h，共5個等級。

填寫主觀疲勞問卷。該問卷原版為14題，由英國King' s College Hospital心理醫學研究室于1992年編制。高鐵司機實測結果顯示，其中，4道題的項目鑒別力＜0.19，且進行題總相關時，點二列相關結果均＜0.4，因此予以刪除，以按照用戶需求盡量縮短測評時間。該量表得分越高，疲勞程度越嚴重。

2 系統設計

2.1 系統總體架構

2臺PC機分別用于疲勞檢測、系統管理，部署在同一房間內。服務器（包括數據庫服務器）部署在用于疲勞檢測的PC機上。2臺PC機通過路由器實現網絡互通、訪問服務器、數據一體化。軟件系統包括操作系統、數據庫系統、.NET Framework運行環境、硬件驅動、應用程序可執行文件。其中，操作系統為Windows 7，數據庫系統為SQL Server 2008 R2，.NET Framework版本為4.0。

2.2 系統功能設計

各指標檢測設備在5 min內完成全部檢測，將數據上傳至主機，并完成疲勞指數的計算和分級。此外設有保健知識推送和按摩放松功能，同時建立個人檔案，以便自身對照，有利于可持續性調整駕駛員身心狀況。

高鐵司機行車前疲勞檢測系統工作流程,如圖1所示。

圖1 高鐵司機行車前疲勞檢測系統工作流程

3 系統實現

3.1 計算綜合疲勞指數

綜合疲勞指數不是直接測得的，而是間接推算的，所以無法通過常規的回歸分析來建模。

因子分析是一種通過具體指標評估抽象因子的統計方法，可以將抽象因子表示成具體變量的線性組合。本研究用SPSS第23版對各變量進行預分析，發現KMO值為0.442，偏低，但是Bartlett球形檢驗的顯著性＜0.001，說明變量間相關性較好，可嘗試因子分析。選取α因子分解方法進行因子抽取和旋轉，得到若干因子，在其中尋找符合醫學及心理學理論預期者。因子得分系數矩陣,如表1所示。

從表1可見，因子4各指標的系數都與疲勞狀態一致，TP、LF/HF、FS10和血壓等為正值；睡眠時間、閃光融合等為負值（睡眠不足易疲勞，疲勞時閃光融合頻率下降）。因此選取因子4，按照各指標得分系數建立模型：綜合疲勞指數 = 0.283×TP -0.203×昨晚睡眠時間 - 0.158×心率 - 0.152×閃光融合 + 0.14×體溫 + 0.133×FS10 + 0.108×收縮壓+ 0.097×呼吸 + 0.073×舒張壓 + 0.031×(LF/HF) -0.027×血氧飽和度。

繼續采用SPSS第23版，運用K折交叉驗證的方式，將樣本隨機分割為K個等樣本量的子樣本，重復K次擬合計算：每次使用其中任意K-1個樣本擬合模型，再用剩余的1個樣本計算擬合誤差。將K個誤差平均即為某個模型的估計誤差。最終通過比較不同模型的估計誤差（預測標準誤差），越小證明模型擬合程度越高。本研究采用10折交叉驗證，模型采用分類回歸決策樹，對比前面建立的綜合疲勞指數模型與單一指標模型檢測疲勞的擬合度。SPSS軟件在“分析”下拉菜單“分類”之“決策樹”中設置相應變量，將生長法選為分類回歸樹（CRT，Classification Regression Tree），即可輸出采用決策樹的K折交叉驗證的擬合度，結果顯示，綜合疲勞指數模型擬合度最好，優于單個指標反映疲勞狀態的效果。具體結果匯總，如表2所示。

表1 因子得分系數矩陣

表2 疲勞檢測各模型10折交叉驗證結果

3.2 劃分疲勞等級

使用K-均值聚類分析法對所得疲勞指標進行分類，得到5類。為了在實際應用中便于分級，將這5類的最低兩類合并，得到4個疲勞等級。以疲勞等級為因變量，以綜合疲勞指數為自變量，建立決策分類樹。決策樹算法選擇CART算法。SPSS中模型設置如下：自變量疲勞指標被離散為4個區間，根據聚類分析結果，最小樣本為10，因此根節點的最大深度取5，父節點和子節點各取20和10，交叉檢驗樣本群樹為10。最終分級，如表3所示。

表3 疲勞等級區間

3.3 附加干預功能的實現

將所建立的高鐵駕駛員疲勞檢測模型，配備立體控制臺和智能按摩沙發座椅，生產出“高鐵動車組乘務員多道身心檢測系統”，可在5 min內完成全部指標的檢測，并提供按摩放松操作和保健知識推送。同時建立個人檔案，以便自身對照，有利于可持續性調整駕駛員身心狀況。

4 系統應用

該系統已在中國鐵路濟南機務段試用，具有指標較全面、檢測速度快、即刻出報告等特點，還能促使司機出乘前注意休息，以保證出乘時的良好狀態。

5 結束語

在檢索國內外文獻之后，確定了檢測指標，通過實驗獲得數據之后，建立了反映疲勞程度的模型，在此基礎上開發出高鐵司機行車前疲勞檢測系統。經過驗證，本系統檢測速度快，是預防高鐵司機疲勞駕駛的有效途徑。作為一種探索和嘗試，后續改進可從兩方面展開：（1）完善檢測指標。近年來，研究發現腦電信號能較好地預測駕駛員疲勞程度[15-17]，可考慮將其納入模型。（2）當前該系統應用于行車前檢測，未檢測駕駛過程中的疲勞狀況。以后可做到行車前、行車中、行車后的全面監控，更好地保障高鐵行車安全。