人機交互下智能倉儲物流揀選操作者腦力疲勞

邵舒羽, 吳錦濤, 張朋, 張立偉

(1.北京物資學院物流學院, 北京 101149; 2.北京航空航天大學生物與醫學工程學院, 北京 100083;3.北京機械設備研究所, 北京 100854; 4.中國科學院心理研究所行為科學重點實驗室, 北京 100101)

物流業對于加快市場經濟循環、提高流通效率具有極大的促進作用,也是推動經濟高質量發展不可或缺的重要力量[1]。特別是智能倉儲的出現極大地提高了物流業的運行效率[2],但依舊缺乏關于典型“貨到人”(goods-to-person, GTP)訂單揀選中人-機作業適配性及工效學的評價研究。

訂單揀選作為智能倉儲的重要組成部分,其效率的提高可以通過信息化、智能揀選任務來實現,但是項目和流程的異構性以及自動訂單揀選系統所需的高額投資,使得中小型公司很難完全依賴此類系統,所以訂單揀選依舊需要人的參與[3],甚至可占倉儲運營成本的50%以上。影響訂單揀選活動的因素包括存儲分配方法、布局設計、路線選擇、批處理和操作策略等,隨著研究者利用數學規劃模型[4],仿真方法[5]等研究訂單揀選的決策支持模型的出現[6],特別是“貨到人”訂單揀選系統的出現[7],降低了操作者在存儲區域行走需求,顯著提高了揀貨率、揀選準確率和設備內部利用率。

智能倉儲功能的增強使得人對流程的控制已從簡單的機械化發展到了計算機化的認知,所以倉儲的自動化程度必須依賴于操作者與系統間的高效交互[8-9]。智能倉儲的人-機交互設計取得了極大的進步[10],但是管理人員無法考慮人的特征(工作狀態、身體姿勢等)[11],這可能會導致系統性能異常使得現有交互成為新的技術問題,同時也給人-機交互帶來了新的挑戰。現有考慮人因工程的人-機交互研究優化了操作者的工作環境及績效,但依舊存在工作的重復性高、處理重負荷以及姿勢不當等因素使操作者面臨疲勞的風險[12-13]。因此,面對勞動力成本的上漲,必須更加關注在持續性、高強度的智能倉儲訂單揀選操作可能導致操作者的腦力疲勞、生理壓力及職業傷害等問題,從而提高訂單揀選操作的可靠性、舒適性及安全性。

人的疲勞一般分為體力疲勞和腦力疲勞,訂單揀選操作者密集的體力勞動容易使其身體疲勞。同時操作者需要對機器及環境的變化做出判斷,操作者的信息感知、決策和執行等過程都發生在其神經系統中,隨著不同操作類型及操作階段的進行,操作者所需的認知資源需要與腦力負荷相匹配[14],也伴隨著腦力疲勞的變化[15]。而智能倉儲的高度自動化使得操作者的認知負荷的增加從而引起腦力疲勞,腦力疲勞的產生則會削弱操作者識別風險因素及操作績效的能力。評估腦力疲勞和確定操作者大腦的功能狀態有助于優化任務和計劃作息節奏,以避免操作過程中的危險及錯誤[16]。腦力疲勞可以定義為個體能力與任務認知需求之間的差異[17],包括滿足客觀和主觀績效標準所需的注意力水平。腦力疲勞的另一個特點是自主神經系統內的生理變化,這種變化與處理任務的腦力投入有關,反映了大腦完成任務的努力程度[18-19]。

由于腦電信號(electroencephalogram, EEG)不同頻帶的功率譜特征與腦力疲勞水平之間存在明顯的關系,因此腦電信號可以成為定性和定量地評估腦力疲勞有效的技術[20-21],來探索與腦力疲勞變化相關的綜合信息[14]。學者們基于EEG信號使用了各種各樣的方法來區分腦力疲勞,特別是EEG頻帶的頻譜功率δ(0.5～4 Hz)、θ(4～7 Hz)、α(8～13 Hz)、β(14～30 Hz)[4,14]。在腦力疲勞分類方面,Chai等[22]選擇了11個額葉電極,并使用基于自回歸(auto-regression,AR)模型的功率譜密度(power spectral density, PSD) 對腦力疲勞進行分類,11通道數據的影響稍低,但處理時間縮短。然后,Chai等[23]使用獨立成分分析(independent component correlation algorithm, ICA)和頭皮映射反投影選擇16個通道,并使用PSD提取特征,然后使用貝葉斯神經網絡進行分類,疲勞與警報分類結果的準確率為75.5%。Wu等[24]使用深度收縮自編碼網絡提取(α+θ)/(α+β)、(α+θ)/β、θ/β、α/β的功率譜比值作為腦力疲勞檢測特征的準確率達到了91.7%。郭孜政等[25]以腦電信號δ、θ、α、β頻譜幅值為輸入特征,結合支持向量機(support vector machine, SVM)模型構建了一種駕駛員腦力疲勞動態識別模型,但是該模型未考慮腦力疲勞的分級情況。張潔等[26]基于腦電功率譜密度分析了三種情景下操作者的腦電信號δ、θ、α、β,結果表明利用腦電信號和SVM的模型可以較精確地評估腦力疲勞。

上述研究多集中在持續任務下的腦力疲勞監測和狀態識別,缺乏在持續性復雜性任務下人-機交互過程中腦力疲勞的研究,也沒有關于體力疲勞與腦力疲勞神經生理學關系的研究。“貨到人”訂單揀選人-機系統的高效運行涉及操作者的重復性任務,操作者的上肢操作及不停面對“界面-傳送帶-揀選筐-界面”頻率的增加,可能會導致操作者產生由工作任務引起的工作負荷[27],進一步引起影響人員判斷、決策和執行能力的腦力疲勞[28]。因此,有必要采用有效的疲勞監測方法來檢測操作者的疲勞程度。

現按照感知、判斷和動作執行等認知步驟構建了三個不同難度的訂單揀選任務,然后采用主觀問卷、腦電信號綜合分析操作者的腦力疲勞變化特征,對于需要體力和認知兩方面努力的操作,分析體力疲勞和腦力疲勞之間的相互作用規律以及疲勞產生的機制。研究結果可以根據操作者的腦力疲勞情況動態分配作業任務,保證人-機系統運行的安全性和操作效率。

1 方法

1.1 受試者

實驗招募了21名右利手本科男生(平均年齡23.7歲,標準差2.43歲),正常或矯正視力在1.0以上,無神經系統疾病。在實驗之前,被要求清潔頭發,并確保充足睡眠時間。在實驗前24 h,他們不允許喝酒、喝茶、喝咖啡或服用任何藥物。

1.2 實驗任務

本研究涉及三種不同的訂單揀選任務,如圖1所示。

圖1 實驗流程Fig.1 Experimental process

任務1受試者在無體力疲勞狀態下完成15 min訂單貨到人揀選任務。

任務2受試者需要在跑步機上進行15 min的跑步任務,然后完成15 min訂單貨到人揀選任務。

任務3受試者需要在跑步機上進行35 min的跑步任務,然后完成15 min訂單貨到人揀選任務。

在每次實驗前,受試者被要求佩戴腦電采集設備,在上述任務過程中采集受試者腦電數據。在實驗前后,被要求填寫美國航空航天局任務疲勞指數量表(National Aeronautics and Space Administration-task load index, NASA-TLX)。所有受試者的三項任務都是隨機分配。

1.3 實驗設備

實驗設備包括用于任務和數據采集的計算機和Brain Products腦電設備,以及訂單揀選平臺。采樣頻率為1 000 Hz,采樣時帶通濾波范圍設定為0.05～100 Hz。在EEG數據采集過程中,頭皮和電極之間的電阻設置為5 kΩ。其中32導腦電帽采用國際通用的10～20電極位置標準放置,設置參考電極為Fz,且前額接地,使用腦電帽上的電極采集受試者的垂直眼電。

1.4 腦電信號預處理及分段

首先,將采樣頻率降低到200 Hz,并通過小波變換對信號進行處理。然后通過集成經驗模態分解將小波系數分解為固有模態函數,采用基于負熵準則的快速獨立分量分析算法,得到各小波系數的獨立分量。在獨立分類分析(independent component correlation algorithm,ICA)逆變換后,去除眼電偽跡后,將獨立分量投影回原始EEG信號的各個電極。最后,通過小波逆變換重構信號到腦電信號。

受試者身體的運動可能會導致電極的運動,進而減緩電壓漂移,而出汗可能會導致緩慢的波動,兩者都可能干擾EEG信號的基線電壓。因此0.5 Hz以下的頻率分量被直接過濾掉。采用IIR(infinite impulse response)數字濾波器對腦電信號進行0.5～40 Hz(48 dB/oct)帶通濾波和50 Hz陷波處理。

1.5 腦電信號功率譜特征分析

許多研究使用大腦不同區域的節律波作為測試腦力疲勞的具體值。各種EEG節律特征可以用來揭示各種狀態之間的內在聯系。通過功率譜特征分析進行的腦力疲勞檢測涉及每個節律的相對能量值和功率比。與經典的快速傅里葉變換和周期圖相比,自回歸模型(AR)是一種更好的光譜表示方法,該模型由于信噪比高,有利于獲得高頻率分辨率,適合計算每個節律波的相對功率值和各種比例參數。計算式為

(1)

式(1)中:X(n)為時序數據;P為模型的階數;ai為權重;ε(n)為白噪聲序列。

AR表示模型的輸出,其作為P輸入X(n-1),X(n-2),…,X(n-p)和當前輸入ε(n)。將z變換應用于式(1)得

E(z)=C(z)X(z)

(2)

C(-1)(z)=X(z)/E(z)

(3)

式中:C(-1)(z)代表該傳遞函數,一般用H(z)表示,在z平面單位圓上取z=ejw,從而得到頻率響應H(w)。如果E(z)是方差σ2的白噪聲,則其頻譜是平的,輸出X(w)就是H(w)和σ2的乘積,公式為

(4)

如式(4)所示,EEG信號序列可以通過AR模型H(w)被視為白噪聲的輸出。因此,EEG信號的功率譜可以由σ2和所有ai確定。然后AR參數ai的估計方法可以定義為最小化預測誤差功率。本文采用伯格算法計算AR參數。根據本研究的特點,選擇θ、α和β的腦電節律特征。

選取受試者大腦的2個典型頂區和額區,利用AR功率譜算法計算各節律波的相對功率值和比例參數,參數為θ、α、β、α/θ、β/θ和(α+θ)/β。每個腦電特征值由兩個因素組成:腦力疲勞和時間因素。前者是一個獨立因素,有3個難度等級。后者是對3個時間點的重復測量,每個任務時間分為3段。

1.6 腦力疲勞檢測方法

對疲勞狀態劃分通過定義一個合理的閾值,對閾值的兩側進行分類,這種方法能夠對不同時段的任務進行等級劃分,進而達到動態監測的目的。腦電信號中非線性動力學特征計盒分形維數值對腦力疲勞的變化有較好的敏感性,對預處理后的腦電數據以步長1 s為時間窗從左至右截取數據(每個時間窗有1 000個數據點),接下來計算每段時間窗的計盒分形維數值。

選用Fz、Cz導聯的計盒分形維數值均值作為閾值劃分參數來降低差異性,取21人次每個任務所有樣本的計盒分形維數均值的25%與75%的分位作為三類任務狀態劃分的閾值,其中25%分位為1.408,75%分位為1.485。低于25%定義為低狀態,標簽為1;高于25%且低于75%的定義為中狀態,標簽為2;高于75%的定義為高狀態,標簽為3。如圖2所示某一人次的計盒分形維數值在整個任務過程的變化情況。

圖2 某受試者計盒分形維數在任務過程的變化情況Fig.2 Change of box-counting fractal dimension of a subject during the task

2 結果

2.1 主觀量表結果

表1所示為單因素重復測量方差分析結果,由表1可以看出權重比較后的總值、腦力需求、體力需求、時間需求都有明顯的顯著性差異(P<0.05),但績效表現、努力程度、受挫程度并沒有達到顯著性差異。這表明三種不同的體力疲勞在能夠較好地區分腦力疲勞水平,受試者在完成較高疲勞任務時需要較高的腦力需求及體力需求,并且需要承受較高的時間壓力,但是沒有感覺嚴重的受挫,且受試者對自己的績效表現并沒有隨著體力疲勞的增加而感覺明顯變差。

表1 NASA-TLX不同維度單因素重復測量方差分析結果Table 1 Analysis of variance of single factor repeated measurement in different dimensions of NASA-TLX

表2所示為NASA-TLX不同維度值在不同體力疲勞成對比較分析結果。可以看出,腦力需求及體力需求在不同體力疲勞之間的顯著性有著明顯的差異(P<0.05),而權重比較后的總值、時間需求只有在高疲勞與低疲勞之間存在顯著性差異(P<0.05),在低疲勞與中疲勞、中疲勞與高疲勞之間并沒有顯著性差異。

表2 NASA-TLX不同維度在不同體力疲勞成對比較分析結果Table 2 Paired comparison and analysis results of different dimensions of NASA-TLX in different task difficulties

可以看出雖然NASA-TLX不同維度在不同體力疲勞之間單調變化,但水平之間的差異反映了不同水平的腦力疲勞特征。在任務1中,由于受試者未進行體力活動,此時其主觀感受并不明顯。在任務2中,受試者腦力疲勞的主觀感受明顯增加。在任務3中,受試者主觀感受進一步增加,由此可以看出,不同程度的體力疲勞誘發對受試者的腦力需求及體力需求有不同程度的影響,從而影響操作績效。當體力疲勞增加時,誘發的認知能力的改變較為明顯[29],這可能是由于體力疲勞導致受試者部分注意力難以集中,也表明了訂單揀選任務可能誘發受試者的腦力疲勞。

2.2 EEG頻譜分析

選取并分析典型的Fz和Cz電極上的α、β和θ功率譜進行分析,平均電壓最大顯著效應的平均頻譜如圖3所示。

圖3 不同任務下的腦電功率譜圖Fig.3 EEG power spectra under different tasks

電極Fz顯示α功率譜密度在13 Hz附近顯著降低,β功率譜密度在14～30 Hz顯著增加,θ功率譜密度在4～7 Hz較為穩定。電極Pz顯示α功率譜密度在8～13 Hz穩定降低,β功率譜密度在14～30 Hz緩慢增加,θ功率譜密度在4～7 Hz較為穩定。而在不同的任務中,電極Fz和Pz的α、β的任務2和任務3增加較明顯,θ功率在三個任務中較為穩定。上述結果可能與額區中線θ帶和頂區α帶的PSD會出現顯著的疲勞相關變化[20]。

采用雙多元方差分析方法對Fz和Cz電極的α,β和θ的平均PSD和峰值進行分析,其中進行的變化以任務時間段為受試者內因素。結果表明頂區α測量時間的主效應顯著(t=2.18,P=0.012),α(8～13 Hz)頻段的平均功率在任務開始階段變化明顯,在任務后期及結束階段顯著降低,表明α隨任務時間的增加而減小,也表明不同任務的操作時間對α的變化具有漸進效應,特別是隨著體力疲勞增加時,α2(10～13 Hz)功率降低,進一步證明了α節律與記憶[14]和認知行為相關[30],額區β測量時間的主效應顯著(t=2.63,P=0.005),β(14～30 Hz)頻段的平均功率在任務開始階段增加明顯,在任務后期及結束階段顯著降低。額區θ(4～7 Hz)PSD顯著線性增加,雖然θ峰振幅增加且趨勢相似,但不顯著(t=2.32,P=0.574)。

2.3 EEG計盒分形維數特征

表3列出了與不同腦區各計盒分形維數的兩因素重復測量方差分析結果。在額葉區α、β、α/θ、(α+β)/θ和(α+θ)/β顯著(P<0.05),體力疲勞在其變化范圍內變化,α、β、θ、β/θ和α/β五個參數的組內效應顯著(P<0.05)。在頂區α、β、α/θ、(α+θ)/β和β/θ顯著(P<0.05),而任務差異在其變化范圍內變化,θ、β、α、β/θ、α/β和(α+θ)/β六個參數的組內效應顯著(P<0.05)。

表3 不同腦區各計盒分形維數的兩因素重復測量方差分析結果Table 3 Results of two factor repeated measurement ANOVA of fractal dimensions of each counting box in different brain regions

根據額區和頂區的計盒分形維數特征,選擇θ、α、β、α/θ、β/θ和(α+θ)/β,分析不同任務下相對腦力值的變化,如圖4和圖5所示。

*表示P<0.05,** 表示P<0.01,*** 表示P<0.001圖4 不同腦力疲勞下大腦額區不同參數相對值Fig.4 Relative values of different parameters in frontal region of brain under different mental fatigue

*表示P<0.05,** 表示P<0.01,*** 表示P<0.001圖5 不同腦力疲勞下大腦枕區不同參數相對值Fig.5 Relative values of different parameters of occipital region under different mental fatigue

θ是反映早期狀態下與大腦疲勞有關的嗜睡情況,由于本研究的受試者保證了充足的睡眠,在受試者枕區和額區的θ相對能量值變化不明顯。α隨著體力疲勞的增加,相對能力值減少,而β/θ和(α+β)/θ隨著體力疲勞的增加,相對能量值明顯增加,但α/θ并未表現出明顯的規律性變化。受試者枕區和額區的4個腦電圖參數α、β、β/θ和(α+β)/θ對腦力疲勞水平也相當敏感,高體力疲勞下可以成功誘發腦力疲勞,特別是α/θ、β/θ和(α+β)/θ增加了警覺狀態和腦力疲勞狀態之間腦電圖指標的差異指標[18]。

這些結果表明,腦電功率對體力疲勞和任務類型都很敏感,不同任務類型和操作時間之間的交互作用會引起相關腦區節律參數的變化,高體力疲勞下的認知所需任務明顯會導致腦力疲勞的上升趨勢,因此可以作為監測腦力疲勞的基礎。

2.4 基于機器學習的腦力疲勞分類

由分析可知,α、β、β/θ和(α+β)/θ四項指標對腦力疲勞比較敏感,由于其應用于動態監測腦力疲勞有著較為明顯的優勢。所以采用腦電功率譜特征值作為腦力疲勞狀態分類的特征參數。

為了去除與目標不相關的干擾信息進而提高正確率,同時減少特征維度,提高算法運行效率,需要對特征進行篩選。本文中采用逐步回歸分析對樣本特征進行篩選。①首先計算所有自變量(特征)與因變量(類別標簽)的相關系數,按絕對值大小排序;②排序自上而下依次新引入一個新的自變量與之前保留的自變量一同與因變量建立線性回歸模型,并檢驗回歸方程的顯著性,如果檢驗效果顯著(P<0.05)則保留新引入的自變量,如果不顯著則剔除新引入的自變量;③對每次更新后的回歸方程中的每個自變量仍需做顯著性檢驗、剔除、更新,直到回歸方程中的每一個自變量都顯著為止,再進一步引入之前未曾引入的新自變量,重復上述過程,直至無法剔除已經引入的自變量也無法再引入新的自變量。

逐步回歸可以只保留那些與類別相關性高,且不會影響其他自變量與因變量相關性的特征,從而達到優化特征集的目的。采用逐步回歸方法進行篩選后,將每個特征參數下的所有樣本進行歸一化到[0, 1]區間,處理方法表達式為

(5)

經過降維及歸一化處理后總共構成[7 846×59]維樣本數據,接下來將該樣本數據隨機劃分為訓練樣本和測試樣本兩部分。訓練樣本占75%[5 884×59],其用于訓練分類器,其中低狀態、中狀態、高狀態訓練樣本分別為[1 458×59]、[2 946×59]、[1 480×59]。測試樣本占25%[1 962×59],并對分類模型的性能進行驗證,其中低狀態、中狀態、高狀態測試樣本分別為[501×59]、[980×59]、[481×59]。

采用經逐步回歸保留的腦電特征,分別使用線性判別分析、樸素貝葉斯分類器[31]和支持向量機[32]機器學習方法進行分類。

在實際應用中SVM分類模型的數據大部分為線性不可分的,為了分類器更好的理解數據,SVM模型通過引入核函數的方式解決。本文中使用徑向基核函數對腦力疲勞模型進行訓練,最后分類效果和性能取決于徑向基核函數中的特定的參數,核函數最優參數主要分為懲罰因子C及核函數半徑g。利用網格搜索將懲罰因子C和核函數半徑g在特定的范圍內劃分成特定密度的網格,之后遍歷所有的網格節點,如果網格劃分區域足夠大,且步長足夠小時,就能獲取最優解。

利用(K-fold cross validation, K-CV)法對訓練樣本展開交叉驗證,并進行網格尋優獲取最佳的(C,g)組合,即滿足C盡量小,準確率盡量高的標準。其中,C和g的取值范圍設為[2-10,210],步長分別設為0.5。交叉驗證K=5,其是將訓練集分成5份,輪流將其中的4份做訓練而另外1份做驗證,最后將這5次結果的平均值作為模型正確率的估計。將劃分好的訓練集進行網格尋優得到如圖6所示的網格搜索法尋優得到的結果C=1 024,g=0.011 049,訓練模型的識別準確率可達96.82%。

圖6 網格搜索法參數尋優結果Fig.6 Optimized parameters obtained by the grid search method

接下來使用這對參數對腦力疲勞模型進行訓練,并使用測試樣本對模型進行測試。通過線性判別分析,線性判別分析測試數據集、樸素貝葉斯分類器和支持向量機的識別準確率分別為84.2%、77.78%和96.89%。采用三種分類方法對獲得的有效腦電指標進行訓練、預測和分類。將經過降維和歸一化處理的樣本數據隨機分為訓練數據集和測試數據集,通過網格優化和交叉驗證得到最優參數。在分類效果方面,支持向量機明顯優于線性分類器和樸素貝葉斯分類器,但線性分類器優于樸素貝葉斯分類器,三種分類器的準確率都高于70%,基于支持向量機的腦力疲勞動態分類模型取得了較好的分類效果。

為了更好地驗證本文方法的可行性,與其他方法得到的結果進行對比分析,其結果如表4所示。由表4可以看出采用AR模型+SVM方法對腦電信號的腦力疲勞分類識別準確率較高,特別是本文中選取了較少的腦區及較少的腦電參數,計算速度得到了極大的提升,進一步證明了本文方法對典型腦力疲勞特征提取及分類識別的有效性。

表4 本文方法與其他分類方法準確率比較Table 4 Comparison of accuracy with other classification methods

3 討論

現階段智能倉儲的人-機交互設計集中在成本效益目標及其直接決定因素,在設計最終決定倉儲績效和長期安全的系統時,缺乏人因工程方面的綜合考慮,操作者的個體因素往往被忽略或假定為具有恒定作用,即忽略了操作者的具體特征,并假設操作者的績效隨著時間的推移是恒定的,以及由此導致的操作者在系統中的績效和健康安全問題。為保證訂單揀選效率及倉儲的高效運行,減少操作者體力疲勞誘發的腦力疲勞,同時為了提高智能倉儲的整體運行效率,有必要分析操作者在訂單揀選操作過程中的生理心理指標。

本研究基于腦力疲勞與任務要求、任務效率、環境情境敏感性和操作者的個體能力有關。首先分析了主觀問卷獲得的體力疲勞誘發的腦力疲勞特征。其次,采用合理的腦電信號處理方法,分析不同訂單揀選任務產生的腦電信號的功率譜特征。

從主觀問卷方面分析腦力疲勞動態變化趨勢結果表明,隨著體力疲勞的增加,受試者腦力疲勞水平提高,尤其從低疲勞到中疲勞狀態下腦力疲勞水平提升最為顯著,說明了主觀問卷可以獨立驗證任務導致腦力疲勞的能力,但低疲勞的實驗并沒有誘發受試者的腦力疲勞。通過探索身體疲勞對腦力疲勞誘導的影響,可以看出智能倉儲操作者的體力疲勞狀態是影響操作績效的主要因素,當工作時間較長或者任務難度增加時,操作者的腦力疲勞顯著增加,特別是體現在腦電信號上面。

分析不同難度任務誘發的腦電信號的目的是識別隨著腦力疲勞的產生,腦電圖特征的有序的變化規律。同時分析執行不同任務時額區和枕區θ、α、β、α/θ、β/θ和(α+β)/θ等參數能量值。結果表明,任務差異的變化不會導致θ的能量值發生明顯變化。α和β這兩個參數對體力疲勞相當敏感。當涉及三個比例參數α/θ、β/θ和(α+β)/θ時,額葉和枕葉的中等疲勞與低疲勞沒有明顯區別。額葉區的β/θ不隨體力疲勞的變化而變化。相對而言,α/θ和(α+β)/θ這兩個參數對體力疲勞的變化比較敏感。此外,三個階段的β相對能量值是腦電能量的主要組成部分,占腦電總能量的絕大多數。在3種任務下隨著任務的進行,受試者的腦力疲勞程度的加深,β節律的相對值都顯著降低,這與功率譜的變化趨勢一致,β節律通常與大腦的興奮狀態有關(例如情緒和腦力活動)。當大腦從靜息狀態轉變為任務狀態時,β需要保持高濃度來完成任務[33],同時根據枕區和額區的統計結果,β節律在描述簡單任務下的腦力疲勞的效果略好于復雜任務狀態。

持續性、高強度作業會使得操作者保持警惕,從而導致體力負荷和腦力負荷的增加,高負荷則會影響操作者訂單揀選任務的警覺性和注意力,從而影響其認知能力。而枕區與視覺認知功能有關,而額葉區與運動控制和推理有關,因此額葉和枕區的腦電參數α、β、α/θ、β/θ和(α+β)/θ應該對腦力疲勞相當敏感。定量描述了不同時期體力疲勞水平的變化或恒定所導致的腦力疲勞動態變化趨勢。此外,腦電特征與腦力疲勞相互對應,從而建立了不同任務的腦力疲勞評價指標體系。

最后,將腦力疲勞監測轉化為一種分類模式,并與腦力疲勞敏感性指數相結合。在合理選擇閾值的情況下,采用線性分類器、樸素貝葉斯分類器和支持向量機對腦力疲勞狀態進行分類識別。結果表明,支持向量機的分類準確率為96.89%,分類效果優于其他兩種分類模型。通過逐步回歸篩選樣本特征,有效地去除了與目標無關的干擾信息,降低了特征維數,縮短了識別模型的訓練時間,加快了學習速度,從而提高了識別精度。基于AR功率譜,提取θ、α、β、α/θ和β/θ特征參數,可以作為腦力疲勞評估的有效指標。在計算速度更快、耗時更少的特征提取過程中,通過定義合理的閾值,對閾值的兩側進行分類,這種方法能夠對不同時段的任務進行等級劃分,進而消除局部特征的波動性,所以AR功率譜可以作為動態腦力疲勞監測的指標。

本研究表明在智能倉儲的訂單揀選系統中,不僅要求操作者具有較好的身體機能,同時也需要保持較高的認知功能來識別規劃和完成揀選任務。對于研究操作者的腦力疲勞,特別是對腦力疲勞狀態的實時監測具有重要意義,可以通過操作者對揀選任務的反應重新調整體力疲勞來合理規劃操作任務,提高智能倉儲運行效率,對人-機交互下物流揀選操作現場的全面性、差異化疲勞管理措施的制定具有很高的理論和實際意義。

4 結論

本研究考慮了不同體力疲勞下操作者的腦力疲勞的不同,突破了以往對單一操作任務或操作時長的疲勞監測的研究,進一步明確了影響訂單揀選任務的操作者疲勞的類型。同時本研究確定了不同腦力疲勞下的操作者的腦力疲勞腦電指標閾值,充分考慮了不同任務下操作者的腦力需求的不同,提出定量化科學化的腦力疲勞評價體系,可以提高訂單揀選系統人-機交互的效率,最后探索了體力疲勞和腦力疲勞的相互作用規律以及疲勞的發展機制,通過分析不同疲勞程度的操作者的腦電指標的差異性,為有針對性的疲勞管理提供理論和技術依據。得到如下結論。

(1)腦電信號的功率譜特征的α、β、β/θ和(α+β)/θ四項指標比較敏感,能有效區分不同體力疲勞誘發下的腦力疲勞。可以有效區分操作者的體力疲勞與腦力疲勞。確定智能倉儲操作者的疲勞類型,并根據疲勞制定合適的任務。

(2)不同體力疲勞下的訂單揀選任務誘發的操作者的大腦額區及枕區的腦電信號參數變化不同。基于AR功率譜和支持向量機方法能快速識別腦力疲勞,該方法計算量小準確率高。算法有效解決了腦電信號測量的脆弱性以及實時監測的高效性。