煤礦監控調度作業疲勞程度分級與判定研究

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.太原理工大學經濟管理學院，山西太原 030024；3.晉能控股煤業集團李陽煤業，山西晉中 032700）

煤礦監控調度工作主要負責煤炭開采、生產的統一調度，確保煤炭生產井然有序地進行。同時也是煤炭事故預防的“眼睛”，在事故發生的第一時間進行事故緊急處理，預防災害擴大。因此監控調度作業決策行為在煤礦安全生產中扮演著重要的角色。相關研究表明[1]，在監控調度工作中，作業者的疲勞程度與作業時長成正比。良好的工作模式是提高工作效率、降低工作失誤的關鍵點。為了更好地搭建優良的工作模式，作業疲勞檢測技術是必不可少的。目前國內外關于煤礦監控調度作業疲勞程度檢測的研究較為罕見，現有研究主要針對航空和交通調度作業的疲勞檢測。栗繼祖等[2]進行了監控作業者不同工作時段多次實時采集生理數據，對建立基于神經網絡的認知－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，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了可實用的疲勞檢測系統；吳雪琴等[4]對VDT 作業過程進行分析，分析不同疲勞模式下的眼動指標，以此構建了合理的VDT 作業工間休息機制；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，測試了不同腦力疲勞程度下的眼動指標值，發現了可以眼動指標可以用來判定人的疲勞狀態；DE Naurois 等[8]根據采集的生理數據指標搭建了人工神經網絡預測模型，利用模型預測被試多久達到生理疲勞。綜上所述，將以眼動數據作為依據來實現對監控調度作業疲勞程度的預測，考慮到以工作強度作為變量引起的作業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據采集方法，收集作業者自然工作狀態下因疲勞而引起的眼動數據特征變化；通過Kmeans 聚類與BP 神經網絡的方法來構建煤礦監控作業疲勞程度判定模型，實現監控作業疲勞等級預測，為改進工作模式提供依據。

1 實驗設計

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出現。

2）實驗過程設計。實驗眼動指標數據采用Tobii眼動追蹤系統，面部監督視頻的錄制采用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境、熟悉試驗任務操作流程。實驗時長設定為1.5 h，實驗內容為監控作業（設備運轉狀態、查看施工維修計劃、查看現場監控、查看防災安全監控系統、口頭指示）、通話作業（口頭指示、發布電話調度命令、聯系其他工種發布調度命令）和作業操作記錄（交班記錄、調度命令登記簿、安監報記錄）。30 位被試者需要在1.5 h 的實驗內完成設計的任務內容，并且每15 min 填寫1 次羅琳斯卡嗜睡量表（KSS）[9]。

2 評價模型構建

2.1 生理指標信息與疲勞程度評分的獲取

煤礦監控作業是一個需要不斷接受信息、判斷問題、發出指令的工作，工作人員最易發生腦力疲勞。研究發現[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，根據已有研究結果，選取眨眼頻率、注視時長、眼跳次數、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評價者通過實驗時錄制的監督視頻進行打分得出。

根據實驗要求，30 名被試者將進行1.5 h 實驗測試。實驗過后將1.5 h 的實驗數據以15 min 為1區間平均拆分為8 組數據。每組數據作為單獨的實驗數據存在，每組數據的眨眼頻率、注視時長、眼跳次數、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、監督KSS 值以及DORATASK 指數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

將基于實驗數據中的主觀KSS 值、監督KSS 值及DORATASK 值作為特征值進行K-Means 聚類分析，聚類算法實現基于Matlab 平臺。其步驟如下:

1）輸入360 組疲勞評價指數樣本X＝x1，x2，x3，…，x360。其中x＝［主觀KSS，監督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，直到分配穩定。

2.3 疲勞檢測模型輸出端數據處理

作業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重

利用層次分析法計算出3 項指標的權重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范標準、結合疫情防控實際經驗以及咨詢專家的意見后得出的，具有較好的科學依據。

接著對指標權重進行計算：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Yi（i＝1，2，…，n）。則Y＝（Y1，Y2，…，Yn）為對應判斷矩陣的權重向量。

最后，進行一致性檢驗。一致性系數CI 計算公式為：

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

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，保證數據處于同一維度，對采集的觀KSS 值、監督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：

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

2.4 基于BP 神經網絡的預測模型構建

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

3 實驗結果分析

3.1 數據采集與分組

使用Tobii 眼動儀共采集到360 組被試者的眼動指標數據，每組數據包含15 min 的眼動指標數據。利用Ergolab 人機環境平臺將360 組數據優化處理，得到眨眼頻率、注視時長、眼跳次數、眼跳幅度、平均瞳孔大小等5 種基本眼動指標。其中瞳孔數據選取為雙眼平均瞳孔直徑距離，數據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、后期視頻監督KSS 量表以及DORATASK 值作為每組數據作為標簽整合。為方便處理數據，將所有數據處理為同一緯度，利用SPSS20.0 對眨眼頻率、注視時長、眼跳次數、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見圖1，考慮到聚類數越多，聚類精確度越低。K 為輪廓數結合輪廓系數綜合考慮，當輸出數據聚類為4類時，聚類輪廓系數最大，聚類效果最好。因此采用K=4 作為疲勞程度值聚類數。根據Kmeans 聚類算法同時得到y1，y2，y3在聚類系數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，根據層次分析法計算出各指標權重, CR 為1 致性比率，輸出端因素權重見表2。

表2 輸出端因素權重Table 2 Factor weights at the output

將表內的數據代入式（5）計算得出疲勞程度分級值，經過比對，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 神經網絡檢測模型構建

實驗共360 組有效的眼動數據，設置訓練、驗證、測試比例為70∶15∶15。設定最大訓練次數6 000，學習速率0.01，誤差平方和0.001。隱含層神經元個數s 根據經驗公式s=+l 與實驗效果選取，其中：n 為輸入神經元個數；m 為輸出神經元個數；l 為1～10 的整數。運行Matlab 進行神經網絡訓練經訓練對比，確定隱含層神經元個數s=5，網絡結構為5－5－1。訓練后達到誤差要求，模式識別結果如圖2。

圖2 模式擬合效果圖Fig.2 Model fitting effect

訓練神經網絡對訓練樣本數據、驗證樣本數據及測試樣本數據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

對山西某煤礦監控作業模式進行測試，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、眼跳幅度、平均瞳孔大小等眼動數據，同時收集KSS 與DORATASK 評價值，根據式（4）計算出實際疲勞程度值ypS。根據作業者實測結果，確定輸入向量［x1，x2，x3，x4，x5］，利用訓練好的神經網絡，輸出模型預測識別結果ypY，得到測試數據和該煤礦監控作業疲勞程度預測數據分類結果，比較ypS與ypY，計算出模型實測誤差率見表3。

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

4 結 語

實現了基于主客觀疲勞程度判定值對疲勞程度的分級。通過眼動追蹤技術與面部視頻錄制的方法收集監控作業者眼動數據與面部特征，通過作業者自我評價與視頻監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，建立了以煤礦監控調度作業特征為背景的分級方法研究。以眼動數據為輸入值，疲勞程度值為輸出值，構建了基于BP 神經網絡的疲勞程度預測模型。該模型是以煤礦監控調度作業眼動行為基礎，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控作業人員進行測試, 測試模型平均誤差率6.26%，預測效果較好。構建疲勞程度預測模型為評價作業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，減少因疲勞而產生的不安全行為提供了技術支持。眼動追蹤技術使該方法具有快速、便捷的優勢，以客觀的生理數據作為支撐更具科學性，為進一步優化、設計合理的工作模式提供了依據。