基于機器學習的船員疲勞狀態監測系統研究

一、前言

全球貿易近年來蓬勃發展，海運作為貿易主要運輸方式也得到了長足發展，作為在航海一線的海員，因船上工作條件較為艱苦，難以避免地存在疲勞工作的情況。國際海事組織（IMO）發布了《疲勞指南》，提供關于疲勞的原因和后果，以及對船員的安全和健康、操作安全、保安和海洋環境保護造成的風險信息，幫助所有利益相關方減輕和管理疲勞。如何監測船員在航行過程中疲勞狀態并給予相應防控措施，是保證船舶安全運行措施中的關鍵一環。

二、基于機器學習的船員疲勞狀態監測技術

（一）監測指標選取

1.生理指標

生理指標作為反映船員疲勞狀態的關鍵依據，能夠較為直觀地反映出船員疲勞狀態。根據船員的工作情況，在不干擾船員正常作業的情況下，生理指標檢測方式主要用智能手環實時、連續采集數據。主要收集的生理指標包括腦電信號、心率、心率變異性（HRV）等，將數據傳輸至船舶監控終端，及時判斷預警與干預船員的疲勞情況。

2.行為指標

船員在航行中的行為表現一定程度體現出船員疲勞情況，尤其在船員值班期間的工作狀態直接影響到船舶的航線安全。據對船舶駕駛臺值班船員的觀察，常見的船員疲勞情況的特征呈現在： ① 眨眼頻率。正常情況下人每分鐘眨眼10至20次，而疲勞時，眨眼次數明顯增多，可達每分鐘25至30次甚至更高，且眨眼持續時間延長，閉眼間隔不規則，反映出注意力難以集中。 ② 面部表情。隨著疲勞加深，船員面部肌肉松弛，嘴角下拉，眼神呆滯，笑容減少，呈現萎靡神態。 ③ 肢體活動。疲勞的船員頭部常不自覺下垂、左右晃動或頻繁點頭，試圖緩解疲勞感。疲勞時，船員的肌肉力量下降，難以維持挺直的姿勢，就會出現彎腰駝背的情況。此類行為指標的疲勞狀態與汽車駕駛場景有一定的相似性，可通過攝像頭捕捉駕駛員眨眼、打哈欠、頭部下垂等行為，經機器學習模型分析，能實時判斷疲勞程度及時預警。

3.工作情況指標

常用的工作評價指標為操作失誤率、反應時間、任務完成效率等指標，但由于船上工作的復雜性，許多工作無法簡單以上述指標進行統計監測。目前，船員工作情況的判別，更多從長時間跨度的數據進行分析。例如，船員某航段頻繁參與緊急搶修任務，或是連續多日值班時長超標，同時全方位采集航行過程中的海況環境數據，包括風速、浪高、水溫、能見度等，以及船舶自身運行參數，這些都可作為評估工作強度的依據。

（二）機器學習疲勞程度判別模型算法應用

基于生理指標、行為指標以及工作情況指標開展的疲勞監測，能夠識別船員在航行過程中的疲勞狀況，但對于具體疲勞程度的判定尚未形成較為完善的理論模型。借助機器學習技術對采集到的特征數據進行預處理，并構建疲勞特征識別分類模型，可較為有效地識別船員的疲勞狀態，不僅能夠減少疲勞監測中人工觀察的工作量，還能提升識別效率與準確率。

不同的船員疲勞監測模型對比見表1示。

李程浩等人選取與疲勞相關的腦前額葉的3個通道腦電信號提取平均絕對值、標準差、均方根、香農熵等特征，構建基于雙向長短期記憶網絡（Bi-LSTM）的疲勞檢測模型。劉清等人[提取腦電信號的功率譜密度，將正常航行場景標定為低工作負荷狀態、突發事件處理場景標定為高工作負荷，發現 波與 β 波的功率之比可以作為判別人員工作負荷的特征，并利用支持向量機分類器構建了船舶駕駛人員工作負荷識別模型。MA等人[提出了一種基于腦電結合心電和復雜任務場景，提取心電圖的RR間隔差均方根（RMSSD）等特征，提出了一種基于腦電結合心電和復雜任務場景的改進海員工作量識別方法，并通過交叉驗證對機器學習算法的性能進行了評價。LiuYang等人收集了客船船員在真實航行環境中的心電圖、腦電圖和主觀疲勞數據，基于多源生理信號的順序Logistic回歸模型，年齡、心電圖指標、腦電指標和船舶離港間隔可用于預測海員的疲勞程度。馬雙福[5]采用視覺特征和數據挖掘來研究船舶駕駛員面部特征和生理表現等疲勞特征，通過模糊集理論的方法進行決策級融合判斷船員疲勞情況。

系統實踐

當前，船員疲勞監測模型主要從各類特征提取各類機器學習分類器上進行探索創新，旨在提升疲勞檢測判斷的準確率。大部分的研究都是采用模擬實驗數據集進行模型的構建和驗證，缺少對外公開開源數據集進行校準驗證。另外，目前疲勞監測的研究已經從單一特征信號研究向多元信號特征融合發展，但由于目前多在模擬駕駛室內收集信號，往往僅針對駕駛人員進行必要的監測，對于全船人員的疲勞監測研究還較少，同時模擬設備便攜性和適用性還未被充分考慮，對于信號進行分類機器學習的算法使用還較為簡單，導致了模型往往缺乏泛化性和普適性。

三、船員疲勞監測系統設計

本研究設計的船員疲勞監測系統旨在實現對全船人員工作強度的判斷、疲勞狀態的實時監測，以及提供全工作周期的健康管理服務，保障船舶航行安全，提升船員工作、生活質量，系統架構如圖1所示。

（一）數據采集

為實現對全船人員工作強度和疲勞狀態的有效監測，在全船范圍內進行多種傳感器的全面部署。在公共區域、輪機艙以及甲板等關鍵位置，安裝具備人臉特征識別功能的高清攝像頭。這些攝像頭不僅能夠實時捕捉船員的面部表情、眼部狀態等關鍵信息，還可通過人臉識別技術精準記錄船員的活動軌跡，為后續的工作強度分析提供數據支持。同時，在上述區域安裝工作環境傳感器，用于全方位監測噪音、溫度、濕度以及船身顛簸等環境因素。另外，為全船船員配備智能手環，以收集船員的基本生理信息和活動信息。智能手環可實時監測船員的心率變化，通過心率數據判斷船員身體的應激程度；記錄睡眠情況，了解船員的休息恢復狀況；追蹤活動情況，如步數、運動強度等，從而綜合評估船員的日常活動量和體能消耗。

（二）數據分析

搭建專門的數據接入平臺，支持多種數據格式和傳輸協議，確保高清攝像頭、工作環境傳感器、智能手環等設備采集的數據能夠穩定、快速地接入系統。例如，對于通過Wi-Fi傳輸的智能手環數據，采用標準的藍牙低功耗（BLE）協議解析數據；對于攝像頭的視頻流數據，利用RTSP（實時流傳輸協議）進行實時讀取。

（三）實現功能

甲板部主要借助人臉狀態識別攝像頭來實時精準捕捉值班人員的面部表情、眼部狀態等關鍵信息。主要觀察皺眉、嘴角下垂等可能暗示值班人員正處于疲勞或承受著精神壓力狀態的表情變化。對于眼部狀態的監測，使用PERCLOS算法精確測量眼部閉合程度，以此判斷是否存在疲勞性閉眼現象，追蹤眼球的運動軌跡，當發現眼球運動遲緩、頻繁出現凝視不動等異常情況時，便將其視為疲勞的潛在跡象。同時，綜合分析連續工作時長、工作時間段等數據，并與人臉狀態識別數據相互結合，從而更為準確地判斷值班疲勞情況。

輪機部則利用安裝在輪機艙出入口的高精度人臉識別設備，詳細記錄人員進出輪機艙的時間，統計出每個船員在輪機艙內的累計工作時間，為后續評估工作強度提供堅實的基礎數據。此外，在輪機艙內部署多種環境識別傳感器，涵蓋噪音傳感器、溫度傳感器、濕度傳感器等。將這些環境數據與人員進出時間數據進行有機結合，能夠更加全面地評估輪機部船員的工作強度。

四、結語

在海運業的持續發展進程中，船員疲勞問題始終是不容忽視的關鍵節點。本研究圍繞基于機器學習的船員疲勞狀態監測系統展開多方面探究，雖在數據獲取、模型構建等方面取得一定成果，但也明晰地認識到當前研究的局限性。未來研究可著眼于構建大規模、公開且多樣化的開源數據集，深度融合多元數據特征，并積極探尋更先進、復雜且適配性強的機器學習算法，以全方位提升疲勞監測模型的精準度與普適性，切實保障船舶航行安全，有力促進海運事業穩健發展，為船員的海上作業提供堅實可靠的安全保障與健康支持。

參考文獻

[1]李程浩，付玉慧.基于EEG的船舶駕駛員疲勞程度識別[J]中國航海，2023，46（03）：22-28.

[2]劉清，萬志遠，楊柳，等.基于EEG的船舶駕駛員工作負荷識別研究[J].武漢理工大學學報（交通科學與工程版），2022，46（05）：759-763.

[3]MaY，LiuQ，YangL.Exploringseafarers'workload recognition model with EEG，ECG and task scenarios' complexity：a bridge simulation study[J]. Journal of Marine Science and Engineering， 2022，10（10）： 1438.

[4]YangL，LiL，LiuQ，etal.Influenceofphysiological， psychological and environmental factors on passenger ship seafarer fatigue in real navigation environment[J].Safety science，2o23，168： 106293.

[5]馬雙福.基于多源異構數據的船員疲勞檢測研究[D].大連：大連海事大學，2022.

基金項目：2022年度福建省中青年教師教育科研項目（科技類）“基于機器學習的船員航行過程疲勞狀態監測與防控研究”（項目編號：JAT220548）

作者單位：福建船政交通職業學院航海學院責任編輯：王穎振鄭凱津