特殊環境作業人員心理風險監測

賈誠棟，葉 寧，王汝傳

(南京郵電大學 計算機學院，江蘇 南京 210023)

0 引 言

特殊環境是對個體生理、情緒、認知和社交功能均提出較高要求并產生較強影響的復雜惡劣環境[1]。特殊環境主要包括高原、戈壁、沙漠以及極地等生態復雜惡劣的環境，其主要特點是非常態性。在此類環境下的作業人員，如極地科考人員、高原工作人員以及戈壁工作人員等，他們不僅要面對封閉、危險的自然環境，還要面對孤獨、焦慮以及社會資源匱乏的社會環境，同時在此類環境下的作業往往具有高風險和高挑戰的特點，因而對作業人員的生理和心理都提出了很高的要求[2]。許多研究都表明，在特殊環境下作業人員更容易出現心理方面的變化。在南極惡劣的氣候和長隔離的狀態下，科考隊員會出現“越冬綜合征”與“極地T3綜合征”，具體表現為睡眠障礙、認知損傷、負性情緒、人際間緊張和沖突的癥狀群[3-4]。在特殊的宇宙環境中，宇航員容易出現抑郁焦慮的現象[5]。綜上所述，特殊環境下的作業人員在工作的時候所承擔的心理壓力、認知負荷以及情緒不穩定性都高于其他職業，其心理風險也會明顯增加[6]。

為保障作業人員的身心健康，完成工作任務，有必要對其心理風險進行監測，從而實時調整作業人員的安排，對心理風險較大的作業人員進行及時的心理治療，從而將對作業人員的心理傷害及工作損失降到最低。目前大多數研究都是采用傳統心理學調查問卷方式對其心理進行研究。薛祚纮采用艾森克人格問卷(EPQ)對中山站科考隊員的心理活動進行了研究[7]。陳楠采用對中國南極科考隊員的心理狀態量表(POMS)，對其心理變化進行了研究[8]。然而問卷方式很大程度上會受到主觀因素的影響，腦電信號具有非侵入式的特點，可以客觀地反映人體的心理狀態，同時，由于其高性價比和高分辨律，腦電信號被廣泛應用于情緒檢測[9-11]。Ahmet Mert等人采用經驗模態分解的方式對高興與不高興兩種情緒實現了分類[12]。Bazgir等人采用機器學習的方式對Valence與Arousal兩個維度的情緒實現了分類，并取得了不錯的效果[13]。近年來國內外對于腦電信號與心理之間的研究也發展迅速，更為實現對作業人員心理風險進行監測提供了理論依據[14-15]。同時，心理學作為研究人體心理變化的傳統方式也為作業人員心理風險監測提供了基礎。

采用腦電信號進行心理風險的監測，對于腦電信號采集設備的要求也必不可少。近些年，國內外可穿戴技術也在飛速發展，更為實現特殊環境作業人員的心理風險監測提供了設備基礎。設備設計不斷朝輕便化方向發展，同時設備的功能也更加完善。輕便的智能手環、智能鞋墊等設備層出不窮，如2014年國際電子消費展的智能手環、3L Lab智能鞋墊。腦電采集設備也不斷朝輕便、便攜的方向發展，如Psytech公司的waveguard腦電帽，CUSOFT公司的腦電采集設備。同時針對可移動終端的通信方式也在不斷發展，傳輸距離不斷增大。劉磊等人提出了一種基于擴頻技術的低功耗廣域網(low-power wide-area network，LPWAN)技術，已成為物聯網應用的重要基礎網絡制式。

文中提出一種通過使用腦電信號與心理學融合對特殊環境作業人員的心理風險進行監測的方法。采用腦電信號識別個體的情緒，進而分析其心理風險，同時采用層次分析法進行心理風險計算，最終將兩種結果融合，得到作業人員的心理風險。腦電信號的處理分為預處理、特征提取、特征選擇和模式分類四個階段[16]；心理學測量主要采用心理學調查問卷的方式進行。通過對腦電信號進行預處理與特征提取，使用雙向搜索算法對提取的信號進行選擇，之后采用KNN算法對特征進行分類。心理學測量的方法采用計算機在線測評的方式進行，通過被試者所提供的結果進行心理的風險評級，采用層次分析法分析得到的數據，最終將兩種方式的結果融合得到最終的心理風險等級。在得知個體心理風險等級之后，可以根據實際情況對個體進行實時的調整，從而適應實際的需求。

1 腦電信號處理

腦電信號情感識別通常包含數據采集，數據預處理，特征提取，特征選擇和模式分類。其中，通過EEG通道采集腦電信號，對提取得到的腦電信號進行預處理與特征提取后，采用雙向搜索算法來選擇具有較少冗余特征的最優特征子集，最終，使用KNN算法對特征集進行模式分類。腦電信號情緒識別程序如圖1所示。

圖1 腦電信號情緒識別流程

1.1 預處理與特征提取

腦電信號是一種非平穩信號，其信號強度非常微弱，極易受到其他信號如心電、肌電等信號的影響，從而產生各種偽跡。因此，對腦電信號進行有效研究的前提就是對提取得到的信號進行偽跡的消除。

文中使用開放源Matlab EEG分析工具箱EEGLAB進行數據預處理。平均參比電極下采樣到128 Hz，然后使用截止頻率為0 Hz～45 Hz的帶通濾波消除工頻干擾，通過盲源分離技術消除眼部等其他部位的偽跡，之后對去噪數據進行分段，并提取與情緒相關的數據段以供進一步分析和處理。在對腦電信號進行預處理后，為了加強分類樣本之間的差異，進而提升分類性能，對32導聯的每段腦電信號采用2秒重疊和4秒滑動時間窗口分別來提取頻段的能量作為特征量，并且根據提取得到的特征來構建腦電信號特征向量。

1.2 特征選擇

通常，從EEG中提取的腦電特征可能存在大量的與情感識別不相關的特征，并且這些特征之間可能相互依賴，這會導致模型的泛化能力降低，造成模型的識別效率降低。通過特征選擇，可以去除大量的與情感識別不相關的特征，提高模型的運行效率和模型分類的準確率。根據特征選擇算法搜索策略的不同，可以將特征選擇算法分為三類：隨機算法、窮舉算法、序列算法。隨機算法屬于一種近似算法，可以找出問題的近似最優解，但是對于模型參數的選擇會很困難。窮舉算法對特征空間進行窮舉搜索，雖然可以得到全局最優解，但是時間復雜度相當高。序列算法屬于貪心算法，算法復雜度較低，運算速度快。為了降低算法時間復雜度，文中采用序列算法中的雙向搜索算法(BDS)進行特征選擇。

雙向搜索算法(BDS)融合了序列向前選擇(SFS)與序列向后選擇(SBS)的特點，時間復雜度比兩者都要小。BDS的算法過程如下：使用序列前向選擇算法(SFS)從空集開始搜索，同時使用序列后向選擇算法(SBS)從全集開始搜索，當兩者搜索到一個相同的特征子集C時停止搜索。SFS和SBS算法的具體過程如下，假定評價函數為J(x)：

序列前向選擇算法(SFS)的具體過程為：

步驟1：算法初始化(假設t=0，i=n，X為原始特征集，i為原始特征集的維度，X*為最優特征集，t為最優特征集的維度)；

步驟2：從原始特征集中找出滿足條件的x*:

(1)

其中，x∈Xi。

步驟3：將x*加入到最優特征集X*中：

(2)

將x*從原始特征集刪除:

Xi-1=Xi-x*

(3)

步驟4：如果t等于所需特征的數量，則算法結束，否則返回步驟2。

序列后向選擇算法(SFS)與SBS算法相反，其具體過程為：

步驟1：初始化算法(假設i=n，X為原始特征集，n為原始特征集的維度，i為最優特征集的維度)；

步驟2：從原始特征集中找出滿足條件的x*：

(4)

其中，x∈Xi。

步驟3：將x*從原始特征集刪除：

Xi-1=Xi-x*

(5)

步驟4：如果i等于所需特征的數量，則算法結束,否則返回步驟2。

1.3 模式分類

在情緒分類方面，支持向量機(SVM)、隨機森林(RF)、K近鄰(KNN)以及人工神經網絡(ANN)等算法都具有不錯的分類效果，文中旨在尋找一種快速相對準確的方式進行情緒分類，因此采用KNN算法對Valence維度和Arousal維度中的兩種情緒狀態進行分類。KNN算法是一種非參數的數據分類方法，因此其計算速度相對較快，其具體算法為：對于一個樣本，如果特征空間中的大多數k個最臨近屬于某個類別，則它也屬于此類別，并且具有此類別中的樣本的特征。換句話說，樣本的類別由其距離k最近的一個或多個樣本的距離確定。

2 層次分析法

針對特殊環境的非常態性，文中采用層次分析法(AHP)分析主觀問卷數據對作業人員的心理狀態進行分析，針對特殊環境下心理常見問題各層次提出相應的心理指標體系，通過指標權重的計算對作業人員的心理風險進行定量分析。層次分析法是通過對目標的分層將目標分成若干個相互作用的層，確定層次內各準則因素的關系，通過各準則因素對上層準則因素的作用，以及對總目標的作用來確定準則因素的權重，通過對權重的計算進行風險計算的一種方法。通過層次分析法分析主觀問卷數據，步驟為：目標分層；構造判斷矩陣；層次排序及一致性檢驗；層次總排序及一致性檢驗。AHP方法的具體步驟為：

(1)目標分層。根據目標之間的包含關系，根據目標的功能，將目標分為一個多層次遞階模型。

采用層次分析法進行心理風險計算，需要從眾多的復雜因素中篩選出關鍵性的指標。通過對特殊環境心理的研究，文中將心理綜合素質總目標依次分為基本素質、心理智力、應激能力和人際交往四個中間層因素。基本素質是一個合格的作業人員應當具有的基礎素質，文中將其分為身體素質、工作技能、意志品質和團隊協作四個最低層因素。心理智力是個體認識并解決問題的能力，體現在工作中就是快速準確解決工作中遇到的實際問題。文中將其劃分為問題把握、問題分析、問題解決和創新思維四個最低層因素。應激能力是衡量一名作業人員處理突發緊急情況時的心理承受能力，文中將其劃分為應激反應、情緒控制、環境適應和感官適應四個最低層因素。人際交往是衡量作業人員在長時間封閉環境下的人際交往能力。文中將其劃分為四個最低層因素，分別為：人際感受、人事理解、人際表達和合作協調。作業人員心理綜合素質分層如圖2所示。

(2)構造判斷矩陣。根據如下規則，對同一層次上的各目標關于上一層中的某目標構造兩兩比較的判斷矩陣。標度1表示兩個目標i、j相比，i、j重要性相同；標度3表示兩個目標i、j相比，i比j稍微重要；標度5表示兩個目標i、j相比，i比j較為重要；標度7表示兩個目標i、j相比，i比j非常重要；標度9表示兩個目標i、j相比，i比j絕對重要；標度2、4、6、8表示標度中間的重要性值；倒數的含義為若目標i與目標j的重要性之比為aij，那么目標j與目標i的重要性之比為:aji=1/aij。

圖2 心理基本素質各準則要素

(3)層次排序及一致性檢驗。對得到的判斷矩陣，根據以下公式，計算其最大特征根λmax對應的特征向量F:

AF=λmaxF

(6)

其中，A為判斷矩陣。之后對F進行歸一化處理就可以作為權重向量，即同一層次目標對上一層次某目標的重要性權值排序。之后對權重向量進行一致性檢驗來確定權重排序的合理性。具體計算方法如下：

CI=(λmax-n)/(n-1)

(7)

CR=CI/RI

(8)

對于1-10階判斷矩陣，RI的值可從表1得出，其中n為判斷矩陣的維度。

表1 隨機一致性指標RI

對于計算得到的CR，如果CR<0.1,則表明矩陣具備一致性，如果CR≥0.1，則需要對矩陣進行修正來達到一致性。

F(k)=G(k)F(k-1)

(9)

(10)

(11)

CR(k)=CI(k)/RI(k)

(12)

當CR(k)<0.1時,則認為層次結構滿足整體一致性。

3 實 驗

3.1 實驗環境及數據源

實驗在64位Windows7系統上進行數據的采集與處理工作，采用MATLAB R2015b和Python 2.7對采集得到的數據進行處理。為驗證所提方法的有效性，選取10名成年男性進行仿真實驗。實驗環境為模擬特殊環境作業環境采集腦電信號，同時進行在線問卷測評。對于腦電信號，考慮到實驗的時間和方便性，太多的電極會導致數據發生重疊的情況，所以數據集人員在32個引導中只收集128個導電帽，并且電極位置分布參考國際10～20標準體系。同時對每一名受測人員在測試過后進行計算機測評，測評環境為計算機問卷。計算機采集信息的特點在于計算機避免了人為采集帶來的心理逃避因素，其采集真實性高于人為采集。數據采集的方法是按照心理綜合素質各基準層的要素建立試題庫，通過對試題的作答采集作業個人各個心理要素的成績。試題列出的基本原則是按照心理基本素質各準則要素的相關性和先后銜接性來出題。

3.2 情緒模型及標準

通過腦電信號進行情緒識別，文中采用愉悅度(Vanlence)—喚醒度(Arouse)二維情緒模型。Vanlence表示的是人們情緒從低迷逐漸過渡到興奮，而Arouse表示的是人們情緒由不高興逐漸過渡到高興。采用KNN算法對情緒的Vanlence—Arouse進行識別，以不同頻段的能量值作為評定標準，同時采用層次分析法對情緒的風險度進行評判。二維情緒模型如圖3所示。

圖3 二維情緒模型

實驗結果中，情緒狀態在Vanlence—Arouse水平上被評定為1到10，如果維度上的分數越高，表示Vanlence—Arouse高，情緒更為積極，情緒表現更為強烈，否則定義為低，情緒更為消極，情緒表現更為壓抑。將兩個維度的分值相乘即為腦電情緒識別的心理風險。在層次分析法心理測評方面，分值為百分制，分值越低表示心理風險越高。對于最終的兩種心理風險評測結果將其進行融合，通過層次分析法的修補來彌補腦電識別的誤差，最終結果的計算公式為：腦電心計算值×0.7+層次分析法計算值×0.3。如果最后總得分越高，則表示心理風險越低。

3.3 層次分析法排序

設最高層為A，中間層為B，最底層為C。設計判斷矩陣如圖4所示。經一致性檢驗，各矩陣CR均小于0.1，即滿足一致性要求。對各元素的總排序結果如表2所示。

3.4 實驗結果

對10名受測人員進行測評的Vanlence與Arouse水平結果如表3所示。

圖4 各判斷矩陣

表2 各元素總排序

表3 Vanlence與Arouse水平識別結果

從表3可以看出，對于Vanlence水平，1、2、4、6、9、10號受測人員的Vanlence水平較高，情緒較為愉悅；3、8號受測人員的Vanlence水平適中，情緒較為平靜；5、7號受測人員的Vanlence水平較低，情緒較為低沉、緊張。對于Arouse水平1、3、4、5、7、8號受測人員的Arouse水平較高，表明情緒的激活程度較高，情緒的表達最為明顯；2、6、9號受測人員的Arouse水平適中，表明情緒激活程度適中，情緒表達正常；10號受測人員的Arouse水平較低，表明情緒激活程度較低，情緒表達不明顯。對10名受測人員通過層次分析法進行測評的心理風險計算結果如表4所示。

表4 層次分析法評價結果

從表4中可以看出，1、2、3、4、6、10號受測人員的心理風險評價得分較高；8、9號受測人員的心理風險評價得分一般；5、7號受測人員的心理風險評價得分較低。將兩種方法的結果按照前述方法進行融合，得到表5所示的心理風險數據。

表5 心理風險計算結果

當風險值處于81～100區間時屬于低風險，當風險值處于61～80區間時，屬于一般風險，當風險值處于31～60區間時屬于中等風險，當風險值處于11～30區間時屬于重大風險，當風險值處于0～10區間時，屬于特大風險。

綜合以上數據，可以看出編號為4的受測人員情緒較為高興，心理風險屬于低，適合繼續作業；編號為1、2的受測人員，情緒較為平靜，心理風險屬于一般風險，需要適度的自我調控；編號為3、5、6、8、9、10的受測人員情緒較為緊張，心理風險屬于中等，需要進行一定的心理指導；編號為7的受測人員情緒非常緊張，心理風險屬于重大風險，需要及時充分的心理治療之后才可以繼續作業。在該實驗中無特大風險受測者。

4 結束語

面向特殊環境，針對作業人員工作當中的心理風險問題，提出融合腦電信號分析與心理學測量的方法來進行作業人員心理風險的監測。利用腦電信號對作業人員Vanlence和Arouse兩個維度的狀態進行評定，同時采用層次分析法對作業人員的心理風險進行評級，能夠更有效地把握作業人員的心理狀態。該研究對于調整作業人員結構，降低針對作業人員的傷害以及降低作業損失具有現實意義。最后實驗表明該算法性能可靠，具有較高的可行性。當然，如何使得腦電信號的處理更加迅速便捷，處理結果更加準確，將是下一步工作的重點。