基于心率變異性的高速列車乘員舒適度評價研究

彭勇，許迪雅，范超杰，譚勝玉，梁習鋒

(1. 中南大學 交通運輸工程學院，湖南 長沙 410075；2. 中南大學 湘雅二醫院，湖南 長沙 410011)

隨著我國高鐵運營里程以及乘坐人數的增長，提升公眾的出行舒適度與出行質量是高速列車發展中的重要環節。傳統的列車舒適度研究主要關注由振動引起的舒適度變化，然而列車的運行工況與車內環境特殊，除振動外，乘員的舒適度受到溫度、氣壓、座椅舒適度等多種因素的影響。國內外眾多學者對高速列車的舒適度評價進行了研究，針對綜合舒適度，劉璐[1]對影響高速列車舒適度的6個因素進行定義和劃分，通過實車環境數據采集，提出列車的綜合舒適度相關評價公式，并設計了列車綜合舒適度調查問卷；王海涌[2]結合模糊粗糙集等理論，建立了高速列車多元舒適度評價指標體系及權重。對于耳氣壓舒適度，XIE等[3]通過建立耳部的有限元模型并進行模擬仿真，研究高速列車氣壓對聽覺造成的不適；何德華[4]匯總了國內動車組壓力變化實驗結果并結合乘員主觀舒適反饋，對列車壓力變化及耳氣壓舒適度進行分析。針對振動舒適度，德英兩國提出的Sperling 指標、UIC513 標準主要依據列車的振動幅值及加速度[5-6]評價振動舒適度的優劣。PENG 等[7]根據高速列車綜合振動狀況并結合乘員舒適度評分，對在列車不同運行環境下，長時間乘坐的乘員振動舒適度進行研究。目前的列車的綜合舒適度、振動舒適度以及耳氣壓舒適度評估主要依據環境參數、模擬仿真或問卷調查結果，環境參數多采用既有標準，模擬仿真無法切實反映實車狀態，問卷調查結果具有主觀性過大的因素，因此不能有效地對乘員的生理狀態進行評估。生理參數作為人體狀態直接的反饋，可有效地反映人體舒適度狀態。心電信號(Electrocardiogram，ECG)是心臟在自發性的血液循環功能中產生的一系列電位變化[8]，且在采集過程中擁有無創性、便攜性的優點。心率變異性(Heart rate variability, HRV)是ECG中相鄰心跳間期時間間隔的變化情況，可反應人體自主神經的平衡狀態[9]，已應用至疲勞識別、情緒識別、舒適度識別等不同領域中。ABTAHI 等[10]的研究結果表明，心率變異性可反映受試者的疲倦狀態。NKURIKIYEYEZU 等[11]通過研究在不同熱環境下的心率變異性特征，所建立的模型對被試者的熱舒適狀態識別率達到93.7%。ZHANG等[12]提出將心率變異性作為路面平整度(IRI)和駕駛舒適度現有評估指標的補充，證明了使用心率變異性用來評估IRI 和駕駛舒適度的可行性。張祖懷[13]建立汽車駕駛虛擬試驗室，對心率、肌電和呼吸頻率的變化規律進行研究，驗證了使用這3項生理指標評價駕駛疲勞的有效性。祝榮欣[14]通過采集分析被試者的心電和肌電信號，對聯合收獲機駕駛員的疲勞檢測進行了研究。綜上所述，心率變異性作為反映人體舒適度的評價指標已在疲勞、振動舒適等領域有所應用，但在高速列車乘員舒適度領域的研究較缺乏，且缺少基于高速列車真實運行環境的研究。因此需要研究反映乘員舒適度的心率變異性特征，并采用機器學習模型，建立高速列車乘員舒適度評估模型。本研究開展高速列車實車試驗，基于心率變異性特征探究乘員舒適度劣化機理，并建立基于心率變異性的高速列車乘員舒適度評估模型，為有效評估高速列車乘員的綜合、振動及耳氣壓舒適度提供建議與方法。

1 實驗與方法

1.1 實驗對象及試驗流程

實驗于長沙至貴陽的滬昆高鐵線路上進行，共采集了4 名女性乘員及4 名男性乘員(年齡22±1歲)的心電數據及主觀舒適度數據，被試者在實驗開始前了解本實驗的目的以及基本流程。在高速列車行駛過程中，對被試者的心電信號進行了全程采集，如圖1(a)所示。心電采用了改進的心電標準導聯Ⅱ方法。在實驗過程中，被試在調整座椅至舒適角度后，每10 min 填寫一次主觀調查問卷，每次實驗時長約為120 min。本文的技術路線如圖2所示。

圖1 生理信號數據采集Fig. 1 Physiological signal data acquisition

圖2 技術路線Fig. 2 Technology roadmap

1.2 測試儀器及調查問卷

本次實驗使用BIOPAC MP150 多導生理儀中的ECG 模塊對乘員的心電信號進行采集，采樣頻率為1 000 Hz，試驗設備如圖1(b)所示。

主觀調查問卷對被試乘員的綜合舒適度、振動舒適度、耳氣壓舒適度共計3 個問題進行了調查。為了使被試者能夠簡單且相對客觀地表述自己的舒適度感受，問卷采用視覺模擬量表，每個問題評分范圍由-50 分至50 分，-50 分表示“不舒適”，50 分表示當前狀態“舒適”，被試者依照當前自身的舒適度狀態對相關問題進行打分，如圖1(c)所示。對問卷獲得的舒適度評分進行歸一化處理，將評分劃分為5個等級：0～0.2分為不舒適，0.2～0.4 分為輕微不適，0.4～0.6 分為正常，0.6～0.8 分為稍舒適，0.8～1.0 分為舒適。在最終使用“0，0.25，0.5，0.75，1”5 個數字分別代表上述5 種舒適度狀態。

1.3 心率變異性指標計算

依據心電信號在采集過程中常見的信號干擾類型[15]及相關心電處理文獻[16]，對心電信號進行0.5~100 Hz 的帶通濾波以及50 Hz 的陷波作為預處理。一個完整的ECG波形由P波、QRS波群、T波及U 波組成，其中心跳間期是指2 次R 波之間的時間間隔，也稱RR 間期，如圖1(d)所示。在數據處理過程中取每次問卷填寫前3 min 和后2 min 共計5 min 的時間段，識別該時間段內心電信號的R 波峰值并提取心跳間期，通過四分位數法識別并篩選異常的心跳間期，通過線性插值進行修正。心率變異性特征提取時間窗口設置為30 s，滑動窗口長度為2 s，對時間段內獲得的特征值進行平均以作為該問卷對應的心率變異性特征值。本文中提取的心率變異性時域、頻域以及非線性等10 種特征如表1所示。

表1 心率變異性特征及計算方式Table 1 HRV characteristics and calculation methods

2 結果及分析

2.1 綜合舒適度影響分析

對被試者在問卷中綜合舒適度問題中“舒適”及“不舒適”2 種狀態下心率變異性特征的SDSD，SDNN， RMSSD， Mean_rr， pNN50， LF_norm，HF_norm，SD1，SD2 及ApEn特征進行計算，得到的散點圖、平均值及標準差如圖3所示。

圖3 綜合舒適度HRV特征變化Fig. 3 Changes in HRV characteristics about comprehensive comfort

進一步對被試的綜合舒適度狀態下的心率變異性特征進行Shapiro-Wilk 正態性測試，該正態測試方法適用于小樣本的正態分布檢驗。對符合正態分布的特征進行配對樣本T檢驗，對非正態分布的特征進行Wilcoxon符號秩檢驗。

表3 綜合舒適度下心率變異性特征T檢驗結果Table 3 HRV characteristics T-test results about comprehensive comfort

根據結果統計可得，對于綜合舒適度劣化，Mean_rr的顯著性概率為0.033 7，低于臨界值0.05，具有顯著性，該值在“舒適”和“不舒適”之間差異在α=0.05 的水平上具有統計學意義。在舒適階段Mean_rr值為(714.60±44.22) ms，在不舒適 階 段Mean_rr值 為(757.36±46.12) ms，即 更 低Mean_rr代表乘員的綜合舒適度良好，舒適狀態劣化時Mean_rr值的增長程度為(6.17%±6.38%)。而本次所統計的其他特征值，雖部分特征在“舒適”至“不舒適”狀態下數值有明顯變化趨勢，但在α=0.05的水平上差異不顯著。

2.2 振動舒適度影響分析

對問卷中的振動舒適度問題中“舒適”和“不舒適”2 個狀態下的10 個心率變異性特征進行計算分析，得到的各特征值散點圖、平均值及標準差如圖4所示。

圖4 振動舒適度HRV特征變化Fig. 4 Changes in HRV characteristics about vibration comfort

進一步對該問卷對應的特征進行正態性測試與T 檢驗。T 檢驗的結果如表4 所示。根據檢驗結果可得，對于振動舒適度，SDNN和SD2 對“舒適”和“不舒適”之間的差異具有顯著性。其中，在舒適階段SDNN值為(36.14±10.67) ms，在不舒適階段SDNN值為(43.66±6.55) ms，在舒適度劣化過程中SDNN值增長幅度為(25.99%±21.80%)；在舒適階段SD2 值為(46.67±13.49) ms，在不舒適階段SD2 值為(56.18±7.58) ms，在舒適度劣化過程中SD2 增長幅度為(25.67%±21.81%)。另8 種心率變異性特征值在α=0.05的水平上差異不顯著。

表4 振動舒適度下心率變異性特征T檢驗結果Table 4 HRV characteristics T-test results about vibration comfort

2.3 耳氣壓舒適度影響分析

對問卷中的耳氣壓舒適度問題中“舒適”和“不舒適”2 個狀態下的10 個心率變異性特征進行計算分析，得到的各特征值散點圖、平均值及標準差如圖5所示。

圖5 耳氣壓舒適度HRV特征變化Fig. 5 Changes in HRV characteristics about ear pressure comfort

對該問卷對應的特征進行正態性測試及T 檢驗。T 檢驗的結果如表5 所示。根據檢驗結果可得，對于耳氣壓舒適度，本文中所使用的心率變異性特征于本次實驗中在α=0.05 的水平上差異不顯著。

表5 耳氣壓舒適度下心率變異性特征T檢驗結果Table 5 HRV characteristics T-test results about ear pressure comfort

2.4 基于隨機森林的高速列車乘員舒適度評價模型

為進一步驗證心率變異性特征在高速列車乘員舒適度評價中起到的作用，建立基于隨機森林算法的高速列車乘員舒適度評價模型，以心率變異性特征值為模型輸入，用于分類5 個舒適度等級。隨機森林算法是一種集成機器學習模型，利用多顆決策樹對樣本進行訓練并預測，是近年來流行的機器學習模型[17]。結果如表6 所示，綜合舒適度的準確率最高，達到了74.32%，振動舒適度的準確率稍低，達到了70.67%。值得注意的是，雖然在前文分析中，耳氣壓舒適度與心率變異性特征未找到顯著相關，但分類結果仍可達到68.27%。結果表明，利用心率變異性特征對高速列車乘員舒適度進行評價是可行的。

表6 高速列車乘員舒適度評價模型結果Table 6 High-speed train passenger comfort evaluation model results

3 討論與分析

本研究通過采集高速列車列車運行過程中乘員的心電信號，并進行主觀問卷調查，研究了心率變異性特征在綜合舒適度、振動舒適度、耳氣壓舒適度劣化時的變化狀態。生理信號參數不同的靈敏性特點決定了其應用范圍，由心電信號分析得到的各類心率變異性特征值主要反映了人體神經的興奮狀態，因此主要對綜合舒適度、振動舒適度以及耳氣壓舒適度問題進行分析研究。

自主神經系統由交感神經系統及副交感神經系統組成，受大腦支配而非意志支配。其中交感神經系統在人體處于緊張狀態時占主導地位，副交感神經在人體在平靜時占主導地位，兩者之間一般呈拮抗狀態，但也有研究表明兩者并非簡單的零和系統[18]。綜合舒適度中，在95%的置信度下顯著相關的Mean_rr在舒適狀態下主要分布在[677.01, 805.85] ms，在不舒適狀態下主要分布在[704.57, 824.47] ms，即Mean_rr在綜合舒適劣化中呈上升趨勢。表明在乘坐過程中乘員的RR 間期時長增加，心率下降，心臟搏動次數減小。在一些實驗中，壓力或煩躁等造成的不舒適會引起心率上升。但在本次實驗中，問卷調查結果顯示乘員綜合舒適度中的“不舒適”評價多出現在試驗的后半階段，即綜合舒適度受到乘坐時長的影響較大。8 名被試乘員的綜合舒適度主觀評價等級及Mean_rr隨時間的變化如圖6 所示。被試乘員的綜合舒適度主觀評價等級隨時間增長有下降趨勢，Mean_rr隨時間增長呈上升趨勢，且與主觀評價等級基本呈反比狀態。說明在長時間乘坐過程中乘員疲勞累積，導致疲倦、困乏狀態占主導地位，副交感神經的活性增強，造成心率下降，與文獻[19]中長時間駕駛疲勞試驗中的結論相一致。振動舒適度中，在95%置信度下顯著相關的SDNN與SD2分別反映心率變化中的慢變化成分與整體的長期變異性。文獻[20, 21]表明振動會影響人體的各個器官與神經系統，導致大腦皮層興奮過度、能量消耗過度，引起人體的加速疲勞。SDNN在振動舒適的劣化中呈上升趨勢，反映了乘員疲勞程度的加深，與文獻[14, 22]中的結論相一致；而振動舒適度劣化引起SD2 的上升，可能是不舒適及疲倦狀態下人體交感神經活性減少所引起。在文獻[12]中RMSSD隨著路面平整度的下降而有所下降，即振動的增加造成了RMSSD下降，而在本次高速列車乘坐實驗中RMSSD雖與振動舒適度無顯著相關，但隨著振動舒適度劣化呈上升趨勢。文獻[12]中為較短時間內的實驗，而本文中的實驗時間多為120 min 以上，實驗結果的不同可能說明短時間內的振動與長時間振動積累對人體HRV 的影響具有差異。耳氣壓舒適度中，在95%的置信度下暫無顯著特征，但在90%的置信度下顯著相關的Ap-En隨耳氣壓舒適度劣化呈下降趨勢。由于高速列車為不完全密封環境，因此當高速列車進出隧道、列車交會或是加減速時列車周圍的表面氣壓出現變化，導致車廂外的氣壓變化傳遞至車廂內部，使車廂內部的氣壓發生變化。由于外耳的壓力隨車廂內部變化，導致與中耳形成了壓差，令乘員產生耳鳴或耳痛的現象。ApEn下降表明在耳氣壓不舒適引起HRV 的復雜度下降，心臟的神經系統調節能力下降，心率的波動降低。但是現階段關于耳氣壓舒適度與HRV 的研究較少，其相關機理仍有待進一步研究。

圖6 綜合舒適度等級及Mean_rr時間變化Fig. 6 Comprehensive comfort level and Mean_ rrtime variation

此外，對比舒適等級與不舒適等級下心率變異性特征值，可以發現某些特征值指標存在相同的變化趨勢，但顯著性程度有所差異。為了更準確地區別判定不同舒適度等級，應進一步有針對性地選取并綜合多種心率變異性特征作為判別依據。機器學習模型取得了較好的效果，在舒適度等級五分類的綜合舒適度、振動舒適度和耳氣壓舒適度問題下分別取得了74.32%，70.67% 和68.27%的分類結果，證明了心率變異性中含有足夠的高速列車乘員舒適度相關信息，且機器學習模型能有效提取其中的關鍵因素并用于準確評估。

4 結論

1)Mean_rr與綜合舒適度等級在95%的置信度下顯著正相關，表明長時間乘坐引發的疲勞困乏是綜合舒適度劣化的主要原因。

2)SDNN及SD2 在振動不舒適狀態下呈上升趨勢，與振動舒適度在95%的置信度下顯著相關。

3) 建立了基于心率變異性的舒適度識別模型，對綜合舒適度、振動舒適度及耳氣壓舒適度的識別準確率分別為74.32%，70.67%和68.27%。