基于隨機森林算法的叉車駕駛員情景意識水平分析

陳偉炯,馮 祥,李 新,羅雅彬,韓偉佳

(1. 上海海事大學 商船學院,上海 201306; 2. 上海海事大學 海洋科學與工程學院,上海 201306;3. 中遠海運重工有限公司,上海 200135)

0 引 言

隨著船舶制造業快速發展,以叉車為主的場內重物搬運載具呈滿荷作業的狀態,有別于飛行管制和汽車駕駛,叉車駕駛員需要在復雜環境下連續完成駕駛、堆垛和搬運等任務,安全事故時有發生。根據美國職業安全與健康管理局(OSHA)對全球近20年(2002—2022年)的特種設備事故統計,場內叉車安全事故共計2 375條,其中死亡事故816例,占事故總數的34.36%。我國市場監督總局關于2020年全國特種設備安全狀況的通告顯示:因使用、管理不當等原因導致叉車安全事故數約占特種設備事故總起數的73.83%[1]。學界在分析叉車事故原因發現:造成場內叉車事故主要涉及人、叉車、現場環境等3個綜合要素,且事故主要發生在叉車行駛、裝卸作業和叉車維修過程中;場內叉車事故與叉車駕駛員的工作態度、操作技能、應變能力和心情好壞等一系列因素息息相關[2]。從各類事故原因所占比例看,叉車行駛中發生事故占44%,裝卸過程中發生事故占23%,叉車檢修作業中發生事故占7.9%,據此可得出叉車事故主要與叉車駕駛員有關的結論。

情景意識理論已運用在空中管制、飛行績效和車輛駕駛等領域,且隨著新興技術出現,生理測量、數據融合和機器學習等方法在研究駕駛員工作績效和操作水平中效果明顯,成為情景意識評估的重要方法[3]。情景意識(situation awareness, SA)由前美國空軍首席科學家D．G．JONES等[4]最先提出,即“在一定時間和空間內,對環境各組成要素知覺的理解,及對近期未來狀態的預測”。D．B．KABER等[5]將情景意識分為3層水平:第1層次為線索知覺(感知),是情景意識最薄弱的環節;第2層次為理解,是對獲得信息進行整合與態勢研判;第3層次為預測,即預測未來情景事件的能力,是情景意識的最高層次。情景意識水平測量方法涵蓋主、客觀兩個基本方面,其中全面評估技術(SAGAT)、現狀評估技術(SPAM)、眼動追蹤技術和生理指標評估均被證明是可以用來測量SA的方法[3]。在駕駛與疲勞檢測研究中,以眼動追蹤技術為主的生理指標分析最為廣泛和有效。HU Xinyun等[6]利用虛擬實驗平臺對20名駕駛員開展了疲勞檢測試驗,通過分析被試者眨眼持續時間和掃視持續時間平均速度變化,發現超負荷駕駛會導致駕駛員警惕性降低,證明了眼動特征的不同生理反應與駕駛疲勞存在顯著差異關系。G．DI-FLUMERI等[7]將眼動技術與腦電圖(EEG)相結合,測試了20名汽車駕駛員在不同交通環境和道路類型下的指標參數,證明了生理指標在汽車駕駛員情景意識水平測量中具有顯著效果,揭示了眼動追蹤相對于主觀測量具備更高的敏感性。汪磊等[8]為探究飛行員的腦力負荷特征,以心率(heart rate, HR)、心率變異性(heart rate variability, HRV)、皮膚電活動(electrodermal activity, EDA)和眼動指標作為因變量,融合了飛行員生理特征指標,分析了不同任務情景下飛行員的腦力負荷特征與飛行經驗水平的相關性,為提高飛行安全水平,提高訓練效率提供了數據支撐。情景意識研究領域內涵豐富,但國內外關于駕駛員情景意識的研究主要集中在飛行員和汽車駕駛員的分心、疲勞方面,對以叉車為代表的特種設備研究較少,且多數實驗以模擬器為主,鮮見實際場景下的作業試驗分析。因此,研究叉車駕駛員操縱叉車過程中的情景意識變化,一方面需要關注叉車駕駛員生理指標因素與情景意識水平之間的相關性,另一方面要重視情景意識對安全駕駛的本質作用,尤其是在現場環境下叉車駕駛員情景意識變化對安全駕駛的作用。

綜上,筆者以提高叉車駕駛員安全水平作為研究目標,基于主成分分析法和精確預測眼動指標特征重要度的隨機森林算法,分析了叉車駕駛員眼動指標與SA水平關系,最終確定了眼動指標中最能反映駕駛員SA水平的注視總持續時間比(fixation duration proportion, FDP)、注視次數比(fixation count proportion, FCP)和平均注視持續時間(average fixation duration, AFD)作為研究指標;基于文獻[9-11],融合皮膚電導水平(skin conductivity level, SCL)和HR驗證了叉車駕駛員生理指標特征與SA水平的關聯性,探討了復雜現場環境下不同叉車駕駛員SA水平所表現的生理特性,并根據研究結果為客觀評估駕駛員技能水平提供建議,達到保障安全駕駛的目的。

1 試 驗

1.1 被試者

筆者選取14名男性叉車駕駛員(平均年齡M=42.28歲,標準差(SD)為2.5)參與試驗,正常視力或矯正視力1.0及以上,所有被試者均持有特種設備操作證書,實際駕齡至少3年。被試者均無肌肉方面遺傳問題,無色盲色弱,視力正常,聽力正常。

1.2 試驗設備

試驗設備主要包括內燃叉車和生理測量設備兩類。內燃叉車為合力K系列3 t柴油平衡重式CPC30型叉車。該型號叉車采用寬視野門架,視野寬闊,門架槽鋼截面加大,整體結構堅固可靠。起升系統配備防爆安全閥,內部框架筋板結構,強度高質量可靠。整體性能優越,符合實驗條件。該叉車具體參數如表1。

表1 內燃叉車參數

試驗采用眼動追蹤指標與皮膚電導水平指標融合的研究方法,選用帶有實時觀察功能的Tobii-Glasses2可穿戴眼動儀,搭配Ergo-LAB表面肌電測量系統,綜合測量叉車駕駛員的眼動、皮膚肌電數據。眼動儀的采樣頻率為50 Hz,重量超輕,可獲得自然的視覺行為數據;Ergo-LAB配置高精度傳感器,可采集肌電、心電、腦電等多種生理電信號,經Ergo-LAB人機環境同步云平臺,實現對人員姿態、疲勞、情緒喚醒及認知負荷等指標的實時評估,最終完成人員狀態識別與監測。

1.3 試驗設計

1.3.1 場景設計

本次試驗在某海工企業的國家標準考場進行,通過開展“路考”、“金字塔”、“堆垛”3項叉車代表性技能考試項目,分3個綜合場景對試驗人員的生理特征指標進行提取。叉車駕駛員需駕駛車輛行駛固定路線,根據場景任務完成相應的行為操作,并在試驗前后填寫情景意識主觀量表(situation awareness rating technique, SART)。場景設置如圖1。

圖1 叉車試驗場景示意Fig. 1 Forklift test scene

1.3.2 變量設計

試驗自變量為叉車駕駛員SA水平,因變量為眼動、皮膚肌電生理指標。根據問卷得分和試驗得分結果,劃分成兩組不同SA水平的叉車駕駛員試驗組。其中,問卷采用國際流行的SART,試驗前后叉車駕駛員填寫問卷,并對駕駛員SART得分進行排序。試驗得分包括績效水平、路考得分和專家打分,依據定性、定量結合原則,將收集到的SART與試驗得分綜合考量,運用二分法對主、客觀得分計算,最終確定叉車駕駛員SA水平?？紤]到數據誤差和試驗故障的可能性,筆者對14名被試者的最終得分進行兩極化分析,引入經濟學觀點“馬太效應”,將被試者情景意識水平進行量化,篩選出特征明顯的高低對比組[12]。其中:高SA水平組被試5人,低SA水平組被試6人。

采用隨機森林算法對影響SART主觀量表分數的眼動指標特征重要度進行排序。試驗采集的眼動指標包括:FDP、FCP、平均眼動追蹤轉移比(average track distract, ATD)、眼動追蹤轉移比(track distract, TD)、注視持續時間(fixation duration, FD)、AFD、總訪問時間(total visit time, TVT);采集皮膚肌電指標包括:SCL、HR。其中:FDP、FCP和AFD作為試驗首要因變量,SCL、HR作為試驗次要因變量。

1.4 試驗流程

試驗包括設備培訓、駕駛試驗、數據回訪這3個階段。設備培訓階段:被試者應閱讀試驗計劃書,熟悉試驗場景及任務,并在研究人員指導下佩戴眼動儀、皮膚電活動傳感器;熟悉實驗設備后,被試者進入駕駛試驗階段,操作前完成SART填寫,研究人員對實際測量的生理指標數據進行儲存和備份;試驗完成后,附加數據回訪階段,根據數據顯示類型,對被試者開展場景回憶,保證試驗過程的完整性。

1.5 試驗方法

使用SPSS24軟件對生理指標數據進行分析?；谙嚓P性分析、獨立樣本t檢驗和主成分分析等方法完成數據預處理。借助python3.8構建隨機森林(random forest, RF)回歸模型,采用袋裝法抽取眼動指標訓練,通過調整生成樹數量和樹的最大深度參數提高模型訓練精度。

2 結 果

2.1 數據預處理

在試驗過程中,有1名被試者的眼動指標數據在采集時因叉車中途熄火,無法精準劃分而數據不予采納;另有2名被試者未按照指定順序進行場景任務,故在補做后其數據作為備選樣本。經篩選誤差和刪除異常數據后,筆者選擇11名被試者的生理指標作為初始數據。

2.2 眼動指標結果

由于各指標之間存在不同程度的相關性,采用主成分分析法對采集到的指標進行數據降維,以選取具有代表性的評價指標,消除變量之間的相關性。筆者將隨機森林算法得出的眼動指標特征重要度結果與主成分分析法結果進行對比,綜合篩選出重要特征作為研究變量。

2.2.1 主成分分析法

考慮到不同眼動指標之間存在計量單位差異,采用SPSS軟件對眼動數據進行標準化處理。將標準化后的數據作為主成分分析實驗數據,其中,KMO值為0.765,p值為0.000。

表2為眼動指標主成分特征值及方差貢獻率,依據特征值大于1原則,提取2個主成分F1、F2,即第1、2主成分的特征值分別為4.021、1.087,其累計貢獻率分別為57.44%、72.96%,能較好反映眼動指標構成的原始信息。表3為主因子載荷矩陣。表3中:第1主成分中起主要作用的眼動指標為FDP、FCP,載荷絕對值分別為0.972和0.968;AFD指標對第2主成分起主導作用,載荷值為0.748。將標準化后的眼動指標FDP、FCP、ATD、TD、FD、AFD、TVT分別記為X1～X7。

表2 主成分特征值及方差貢獻率

表3 主因子載荷矩陣

由表3可得出主成分得分,如式(1)、式(2):

F1=0.242X1+0.241X2+0.18X3+0.112X4+0.214X5+ 0.096X6+ 0.179X7

(1)

F2=-0.039X1-0.075X2+0.075X3-0.605X4+0.206X5+ 0.688X6- 0.162X7

(2)

依據第1、2主成分的方差貢獻率為權重,可得叉車駕駛員眼動指標評價模型,如式(3):

F=0.574F1+ 0.155F2

(3)

將實際測量的眼動指標數據代入式(3),計算F得分并與SART得分對比。計算結果表明:主成分分析法計算結果與SART得分情況一致,符合叉車駕駛員情景意識水平分組規律,對比情況如表4。

表4 不同叉車駕駛員綜合得分及排名

綜上,主成分結果與實際試驗過程中叉車駕駛員表現得分趨于一致,說明了依據眼動指標測量叉車駕駛員情景意識水平的可行性。主成分1中FDP、FCP指標及主成分2中AFD指標對綜合得分結果影響較大,可作為評價叉車駕駛情景意識水平的重要眼動指標。

2.2.2 隨機森林算法

隨機森林是以分類樹為支撐的機器學習算法,具有回歸、分類、預測等功能,該模型能廣泛應用于參數優化、變量排序及分析解釋方面[13]。在眼動指標篩選過程中,依照分組結果將采集的眼動指標設置為訓練自變量,將SA得分設置為模型訓練因變量,選取70%的眼動數據作為訓練樣本,30%的數據作為測試樣本。圖2為轉化成百分制后的模型訓練數據樣本分布。

圖2 眼動指標訓練和驗證數據庫樣本分布Fig. 2 Eye movement indicators training and verification database sample distribution

確定眼動指標的數據集和測試集后,采用袋裝法隨機抽取眼動指標進行模型訓練。袋裝法工作原理為:從樣本集中多次放回采樣大小為N的K個訓練集,對每個訓練集建立回歸模型;假設樣本容量為N,則每次放回抽樣的樣本不被抽中概率為(1-1/N)N,未被選中樣本稱為袋外數據(out of bag, OOB);由于訓練樣本集元素各不相同,因此保證了回歸樹模型的差異性。圖3為隨機森林袋裝法的抽樣流程。

圖3 隨機森林袋裝法抽樣流程Fig. 3 Random forest bagging sampling process

在分析眼動指標與SA得分關聯性的過程中,基于OOB誤差可得到各眼動指標變量重要性。假設xj為輸入變量,則在第k棵樹上的重要性Ik為隨機置換變量前后袋外數據估測誤差的差值,如式(4):

(4)

變量xj在整個隨機森林中的重要性得分如式(5):

(5)

隨機森林回歸模型可以根據變量重要性程度進行排序,同時基于gini節點分裂評價準則和袋裝法誤差完成變量重要性的評分統計,實現輸入對輸出的可視化功能[14]。圖4為隨機森林創建多個決策樹模型實現的眼動指標特征重要度預測。由于不同方案的參數設定會影響模型泛化誤差和運行時間,通過調整生成樹的數量n和樹的最大深度m來提高模型訓練精度,如圖5。圖5中:當n=189,m=9時,模型均方誤差較小,模型精度(accuracy, ACC)為0.82,分類性能較好。

圖4 眼動指標特征重要度預測決策樹Fig.4 Decision tree for predicting the importance of eye movement indicator feature

圖5 不同參數下模型誤差情況Fig. 5 Model error under different parameters

考慮到預測模型的隨機性,取模型訓練的20次結果來計算平均值,圖6反映了隨機森林模型訓練的眼動指標特征重要度。根據預測結果,選取特征重要度排名前3的眼動指標(FDP、FCP和AFD)作為測量叉車駕駛員情景意識水平的影響因素。

圖6 隨機森林預測的眼動指標特征重要度Fig. 6 Important degree of eye movement indicator feature of random forest prediction

文獻[15, 16]指出:眼睛注視時間、凝視分散時間都可對風險情況進行預測,注視次數、注視方向的高頻率改變有利于更好地識別車輛駕駛過程中的突發事故。根據叉車駕駛員眼動指標的主成分分析結果及隨機森林的特征重要度結果,提取FDP、FCP和AFD作為研究叉車駕駛員情景意識水平的對比指標。

圖7反映叉車駕駛員眼動指標的SA水平對比組情況,其中圖7(a)為叉車駕駛員眼動指標經隨機森林算法預測后的特征重要度結果,圖7(b)～圖7(c)分別為不同SA水平下3個場景的FDP、FCP和AFD指標變化。高SA水平組叉車駕駛員的FDP、FCP、AFD數值均高于低SA水平組。

圖7 眼動指標不同SA水平對比Fig. 7 Comparison of eye movement indicators with different SA levels

2.3 EDA與HRV指標結果

基于隨機森林算法的分析過程,選取皮膚電活動EDA指標中特征重要度最高的SCL值作為評價叉車駕駛員SA水平的對比指標;選取影響心率變異性HRV指標權重最大的HR值來驗證不同SA水平的差異性。SCL是跨越皮膚兩點間的皮膚電導的絕對值,其基礎水平存在個體差異,并與個性特征相關。一般而言,SCL基礎水平越高者,越傾向于內向、緊張、焦慮不安、情緒不穩定、反應過分敏感;而基礎水平越低者,越傾向于開朗、外向,心態比較平衡、自信,心理適應較好;SCL值越高,被試者腦力負荷壓力越大,易引發疲勞特性,識別危險能力下降[17]。HRV是指逐次心跳周期差異的變化情況,在影響叉車駕駛員SA水平的生理指標中,HR作為反映HRV的重要生理指標,被證明是影響SA水平的有效指標[17]。當叉車駕駛員處于工作狀態,HR值越高,表明身體處于來自于運動、心理事件或其他內部或外部壓力源的壓力越大,且過高的心率變化會引起駕駛員操作失誤率增加,不利于駕駛過程中的安全操作。圖8為3個試驗場景下不同SA水平的SCL、HR值,其中高SA水平組的指標均值低于低SA水平組。

圖8 多場景下不同SA水平EDA、HRV箱線圖Fig. 8 EDA and HRV box plots with different SA levels in multiple scenarios

3 分 析

選取FDP、FCP、AFD這3項眼動指標來分析叉車駕駛員注意力分配情況,并結合HRV、EDA指標中的HR、SCL值對被試駕駛員疲勞壓力狀態進一步探討。對比國內外生理指標測量情景意識的方法研究,筆者采用主成分分析法和隨機森林算法結合的方法,在研究眼動指標與叉車駕駛員情景意識水平基礎上,通過分析皮電、心率等指標驗證情景意識水平分組的合理性,更加全面的反映了不同情景意識水平叉車駕駛員進行駕駛作業時的差異性。

3.1 眼動指標與SA關系

高SA水平組的叉車駕駛員興趣區(area of interest, AOI)的FDP、FCP和AFD均高于低SA水平組,而總注視時間越長,表明被試者對該區域的關注程度越高,相應的信息處理能力越強[18]。相對于低SA水平組,高SA水平組呈現出對任務處理的關注度更高,對駕駛作業興趣區注視次數更頻繁,對危險情況發生感知更敏感的特性。同時,叉車駕駛員AOI的AFD與駕駛員情緒狀態存在相關性,良好情緒下駕駛員注視到AOI的次數更多且注視到的區域更多;在AOI注視下時間越長,注視點個數越多[19]。

筆者以SA得分作為駕駛員SA水平高低的分組依據,采用數理統計方法和機器學習相結合的思路開展眼動指標與SA水平的相關性研究。研究結果表明:眼動指標能較好地體現駕駛員SA水平,高SA水平組駕駛員在分辨危險、安全駕駛能力方面要強于低SA水平組,在實際駕駛過程中更容易保持安全駕駛狀態,安全水平更高。

3.2 SCL與SA關系

試驗中采用SCL和HR作為叉車駕駛員SA生理測量指標。研究結果顯示:高SA水平組駕駛員的SCL和HR均低于低SA水平組。同時,被試者的SCL值越高,其情緒越容易呈現出焦躁、疲勞和緊張等狀態,相應駕駛行為發生危險的概率越高。在叉車駕駛過程中,高SA水平組駕駛員表現出更為積極的情緒特征,對試驗場景任務完成情況更好,呈現出高水平的安全駕駛能力,且工作過程中極少出現失誤情況;而低SA水平組完成任務時間較長且容易發生失誤。

在SA影響生理喚醒方面,HR能敏感地表現出任務難度,且伴隨任務難度增加有增長趨勢。筆者選擇HR作為評價SA水平的重要指標,一方面驗證了眼動指標與SA水平的顯著性差異,達到不同類型生理指標評價情景意識水平效果;另一方面補充了HR反映SA水平的可行性,旨在打破現有研究中關于生理指標選取僅關注眼動指標的局限性。隨著叉車試驗中場景切換,不同SA水平的叉車駕駛員表現出差異顯著的生理變化,高SA水平組的HR值在3個試驗場景下始終小于低SA水平組。叉車駕駛員SA水平越高,面對復雜任務和危險情況時能保持良好的心理狀態和駕駛行為,問題處理能力越強,安全駕駛的水平越高。被試人員的生理指標可較好體現出自身壓力和工作狀態,不同SA水平對安全行為發生及危險狀況的感知存在差異,HR差異性證明了高SA水平有助于提高叉車駕駛員對危險行為感知,有利于為駕駛員開展技能培訓提供建議和幫助。

4 結 論

1)叉車駕駛員SA水平與眼動指標FDP、FCP、AFD存在顯著相關性,具體表現為高SA水平駕駛員的FDP、FCP、AFD總體高于低SA水平駕駛員,即高SA水平駕駛員更容易對任務集中注意,有利于安全駕駛、高效完成工作任務。

2)SCL和HR與叉車駕駛員SA水平呈負相關關系,即高SA水平駕駛員的SCL和HR均值較低,在試驗過程中更偏向于舒適、自信的情緒狀態,表現為高SA水平叉車駕駛員任務完成率高、試驗時間短且安全穩定等特點。

3)基于隨機森林算法對眼動指標特征重要度進行排序,替代了原有的主觀選取指標機制,并融合SCL,構建了多指標影響因素評價體系,增強了叉車駕考培訓中技能評價的客觀性。