基于GA-PSO混合優化SVM的火炮操作人員疲勞狀態檢測

武嘉偉，狄長安，王 鐳，廖仕軍，郭 穩

（1.南京理工大學 機械工程學院，南京210094；2.中國中原對外工程有限公司，北京100044；3.重慶長江電工工業集團有限公司，重慶401336）

火炮操作人員（以下簡稱，操作人員）的疲勞程度是影響火炮正常運作的一個重要因素。操作人員長期暴露于野外惡劣環境中， 高強度體能負荷，過高的操作心理壓力等諸多引發疲勞高風險因素。隨著操作人員的疲勞狀態得到重視，國內外學者也開始對此進行不斷深入的研究。文獻[1]引入了多種生理特征（如心電、眼動指標、腦電信號等），提出了一種基于動態貝葉斯網絡、信息融合和生理特征的駕駛員疲勞識別模型。并利用實驗驗證表明了該系統的有效性，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的重要因素；文獻[2]通過模擬駕駛，采集了肌電、心率、皮電、血氧飽和度等生理信號，將其融合基于神經網絡建立了駕駛疲勞檢測模型，結果表明，多源生理信號融合可以提高疲勞檢測模型的準確率；文獻[3]結合模糊邏輯理論融合多個生物特征建立疲勞檢測模型，將眼部特征和嘴部特征融合判斷駕駛員的疲勞狀況，以提高檢測方法的可靠性。

本文在已有的研究基礎上，通過對疲勞機理進行分析，選取出能有效反映人體疲勞狀態的生理參數，如心率、血壓、體溫、呼吸頻率等，從多種生理參數中提取特征值，通過支持向量機方法來實現多個生理特征參數的融合，建立疲勞檢測模型，對操作人員的疲勞狀態進行評價，通過GA-PSO 優化SVM疲勞檢測模型以提高疲勞檢測的準確性和可靠性。

1 生理參數選取

通過疲勞產生機理選取能有效反映操作人員疲勞狀態的生理參數。

疲勞產生的機理[4-6]主要分為能量消耗理論、中樞系統變化理論、物質積累理論和生物化學機理變化理論。能量消耗理論是指操作人員需要不斷消耗體內能量來進行體力勞動和腦力勞動，在勞動過程中，能量被持續消耗，一旦消耗過大，若不及時休息補充能量，就會產生疲勞現象；中樞系統變化理論是指人的中樞神經控制人的活動，在高強度、長時間勞動時， 引發中樞神經功能發生一定程度的變化，導致系統失調，產生疲勞；物質積累理論是指操作人員再勞動過程中消耗的腦力和體力，導致血液和肌肉中逐漸積累了乳酸，使得人體感覺到身體力竭，無法完成有效的勞動；生物化學機理變化理論是指操作人員在勞動過程中，由于作業強度和環境影響加速了新陳代謝的過程，一旦過程紊亂，會產生明顯的疲勞現象。

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

在昆明某部隊進行炮彈裝填試驗中，33 名戰士持續搬運重量為43.56 kg 的炮彈，共持續20 min。試驗結束后，操作人員全身產熱增加、出汗增多、心率和呼吸頻率加快等現象。除此之外，在密閉或野外環境下[7-9]，操作人員的心率、血壓、體溫、呼吸頻率均呈升高趨勢，血氧飽和度呈下降趨勢。

通過以上分析及試驗現象，能夠有效反映操作人員疲勞狀態的生理參數主要選擇以下參數：心率、血壓、血氧飽和濃度、呼吸頻率和體溫。

2 支持向量機理論

支持向量機（support vector machine，SVM）的核心思想是建立一個具有很好泛化能力的分類超平面，使得能夠將兩類樣本正確的分開，并且隔離邊緣最大化。相對傳統的機器學習方法，SVM 更適用于小樣本、非線性、高緯度模式分類識別問題，并具有較好的通用性和魯棒性。支持向量機的體系結構如圖1所示。

圖1 支持向量機的體系結構圖Fig.1 Architecture diagram of support vector machine

其中：x（i）為輸入的訓練樣本；y（i）為輸出的分類類別；K（x，xn）為核函數；b 為偏置。設裝備操作人員疲勞參數訓練樣本集為（xi，yi），i=1，2，3，…，n，其中xi∈Rn為訓練樣本個數；yi=｛-1，1｝為訓練樣本xi的類別，輸入SVM 的是生理參數數據特征值，需要對其進行預處理，采用式（1）進行無量綱化處理。

式中：

在線性分類支持向量機中，兩類樣本的判別函數為

式中：ω 為權值；b 為偏置項；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的分類超平面。

對優化目標取極值：

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劃問題，引入拉格朗日函數：

其中：αi稱為拉格朗日乘子，αi＞0， 解決上述約束最優化問題就是要求出拉格朗日函數關于ω 和b 的最小值問題，根據費馬條件，式（8）關于ω 和b 的最小值的充分必要條件是拉格朗日函數對ω 和b 的偏導數為0，再將原問題轉換為相對應的對偶問題，得到下式：

從而建立模型決策函數：

在非線性情況下，支持向量機的核心思想是引入核函數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，在這個空間中根據結構風險最小化原則選取適合的最優分類超平面，這樣就避免了計算復雜的非線性變換，而是計算核函數的復雜度和點積，從而有效簡化計算難度。核函數有多種，本文選擇高斯徑向基函數，如式（11）所示。

在引入核函數之后，支持向量機的最優超平面問題轉化為

其對應的最優模型決策函數為

式中：αj*和b*為最優解。

3 GA-PSO 混合優化支持向量機

遺傳算法（genetic algorithm，GA）以達爾文生物進化論為理論基礎，模擬生物自然選擇和遺傳學機理的進化過程的一種計算模型，它通過模擬生物自然進化的過程來尋找最優解。遺傳算法將所解決問題的每一個可能解編碼成一個染色體，染色體是多個基因的集合，即個體。遺傳算法開始時，先從所要解決問題的潛在解集中選擇一個種群作為初始解，這個種群由多個帶有基因編碼的個體組成。然后根據預定的個體適應度選擇每一代的個體，然后模擬生物自然進化的過程， 將染色體基因的組合交叉、變異來生成新一代種群， 直到達到結束條件的要求，將末代種群的最優個體解碼輸出，就是我們所求問題的最優解。遺傳算法的優點同時處理多個個體減少了陷入局部最優解的風險但其也存在效率低、編碼不規范導致結果不準確等缺點。

粒子群優化算法 （particle swarm optimization，PSO）是通過模擬鳥群捕食行為而建立起來的，它的基本思想是基于群體中個體之間協作和信息共享來尋找所解決問題的最優解。在粒子群優化算法中，每一個所解決問題的解都被搜索空間中的一只鳥代表，被稱作粒子。目標函數決定了每一個粒子的適應值， 每個粒子又具有速度和位置兩個屬性。在粒子群優化算法開始時，先隨機生成一群隨機粒子（隨機解），確定每個粒子的初始位置和初始速度，并且在搜索空間中根據適應度函數單獨尋找最優解，作為當前個體極值，并且與整個粒子群的其他粒子共享， 找出整個粒子群的當前全局最優解，當代所有粒子根據當前個體極值和整個粒子群的當前全局最優解來更新自己的速度和位置，以此迭代更新，直到達到結束條件，得到所解決問題的全局最優解。粒子群優化算法的優點包括算法具有記憶性、收斂速度快以及結果簡單易于實現等優點，但同時也存在著局部搜索能力差、選取參數要求高等缺點。

遺傳算法和粒子群優化算法都是從隨機初始化的種群開始的，并且都是利用適應度函數來進行隨機的搜索。遺傳算法對其內部參數優化要求低，可以很好的找到全局最優解，避免了陷入局部最優解，同時具有很高的擴展性， 方便與其他算法結合；粒子群優化算法結構簡單，需要參數少，收斂速度快，可以利用各自優勢進行互補，鑒于此，本文提出一種將遺傳算法和粒子群優化算法結合的混合算法（GA-PSO 混合算法）對基于支持向量機的裝備操作人員疲勞檢測模型進行優化，選擇出最合適的模型參數，意圖快速找到全局最優解，避免了陷入局部最優解，又可以保證疲勞檢測模型有很高的準確率。

本文利用GA 和PSO 各自的優點，將遺傳算法的交叉、變異思想運用到粒子群算法中，在個體進行更新時，先選擇適應度較低的個體粒子與個體最優粒子進行交叉操作，如果新產生的粒子的適應度比之前的要高， 那就將新粒子代替原來的粒子，否則兩個粒子不進行交換。所有粒子交叉操作結束后，對新粒子進行變異操作，同樣的如果新產生的粒子的適應度比之前的要高，那就將新粒子代替原來的粒子，否則兩個粒子不進行交換。重復上述步驟，以此迭代更新粒子，直到達到結束條件，得到所解決問題的全局最優解，算法流程如圖2所示。

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

4 實驗驗證

本次實驗通過模擬火炮操作人員的搬運炮彈操作過程。隨機選取在校多名學生作為測試人員。測試人員通過穿戴生理采集儀后，需要將37.3 kg 的模擬炮彈從30 cm 高的位置搬運到100 cm 高的桌子上，搬運速度為2 次/min，持續10 min。實驗結束后，統一填寫疲勞評定量表得到測試人員的疲勞程度。利用LabVIEW 從原始數據里把訓練集和測試集提取出來， 并分別用GA 優化SVM 模型、PSO 優化SVM 模型和GA-PSO 混合優化SVM 模型對訓練集數據進行訓練，對測試集數據進行驗證，得到適應度曲線和疲勞分類結果（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 算法結果對比如表1所示。

圖3 GA-SVM 優化結果Fig.3 GA-SVM optimization result

圖4 PSO-SVM 優化結果Fig.4 PSO-SVM optimization result

圖5 GA-PSO 混合優化SVM 結果Fig.5 GA-PSO hybrid optimization SVM result

表1 GA-SVM，PSO-SVM，GA-PSO-SVM 算法結果對比Tab.1 Comparison of GA-SVM，PSO-SVM，GA-PSO-SVM algorithm results

5 結語

本文根據疲勞產生機理，選取有效生理參數心率、血壓、體溫、呼吸頻率和血氧濃度，以此建立支持向量機疲勞檢測模型， 利用GA-PSO 混合優化SVM 疲勞檢測模型參數，通過實驗驗證，對比GASVM，PSO-SVM，GA-PSO 混合優化后的SVM 疲勞檢測模型準確率高、收斂速度快。能夠有效檢測出操作人員的疲勞狀態，合理規劃休息時間。以此提高火炮操作人員作戰效率和作業能力，保障某型火炮操作的安全性，對今后的有效訓練和實戰具有重要意義。