动车组司机持续性注意水平的脑电测评指标研究

郭孜政，吴志敏，肖　琼，潘雨帆，潘毅润，张　骏

(1. 西南交通大学 交通运输与物流学院，四川 成都　610031；2. 西南交通大学 综合交通运输智能化国家地方联合工程实验室，四川 成都　610031)

动车组司机的持续性注意水平成为影响司机作业可靠性的关键因素。目前国内外对机车司机作业的研究主要针对疲劳，而对持续性注意水平的研究则较为鲜见。高法灯采用人眼持续闭合时间比率和人眼平均闭合速度作为测评指标对机车司机的疲劳程度进行研究，结果表明人眼持续闭合时间比率越大、人眼平均闭合速度越低，则机车司机的疲劳程度越大，并在此基础上开发了机车司机疲劳检测系统[1]。何伟峰基于类似的3项眼动指标，提出1种基于贝叶斯网络信息融合的机车司机驾驶疲劳监测系统[2]。王莹则用机车司机驾驶状态监测视频文件，通过机车司机规定手势的完成状态判定司机的疲劳程度[3]。Cabon等利用脑电和心电2项指标对机车司机睡眠被剥夺与持续性注意水平间的关系进行了研究，结果表明睡眠时间不断减少将造成机车司机的持续性注意水平大幅下降[4]。

上述利用人的眼动、脑电与心电等生理特征进行的持续性注意水平研究未对持续性注意水平敏感性指标进行研究。研究表明，脑电信号作为敏感于大脑活动的神经生理信号，与机车司机的当前精神状态具有高度相关性[5-6]。对脑电信号经过熵处理之后发现，当大脑处于较高唤醒水平时，脑电熵值较大，反之脑电熵值较小[7]。因此本文基于动车模拟驾驶试验，采用Kruskal-Wallis检验方法与Relief算法，进行动车组司机持续性注意水平敏感性脑电熵指标的研究，为动车组司机持续性注意水平的量化测评及后期持续性注意水平识别模型的构建提供依据。

1　试验方法

1.1　被试人员

为满足人因工程常规试验类研究(如驾驶员、飞行员)需要被试在20人以上的要求，从中国铁路总公司93和94期动车组司机班学员中均匀抽取22人作为被试。他们分别来自北京、成都、上海、南宁、武汉和哈尔滨等铁路局，先前均为旅客列车司机(机车为韶山型电力机车)，年龄在34～38岁之间。

所选被试视力或矫正视力正常，无任何心理或精神疾病史，且在试验前24 h内禁止饮用含有酒精或咖啡因成分的功能性饮料，并自愿签订《知情同意书》。

1.2　试验设计

试验采用CRH1E型动车组操纵模拟器，该模拟器采用单通道大屏前向视景系统，其屏幕分辨率为(2 048×768) pix，7.1的数字音频发声系统可高仿真模拟动车运行时的背景声音环境。机车操作台由列车自动防护系统、列车自动运行系统、列车自动监控系统和乘客信息系统、列车运行监控记录装置、机车综合无线电通讯以及操作按钮、指示灯、速度设定控制器等组成，其布局如图1所示。

试验线路选取北京南站至上海虹桥站的京沪高铁线路，线路全长为1 463 km，最高限速为220 km·h-1，要求被试以低于限速5 km·h-1的速度(标准速度)驾驶列车运行。

为实时测试被试在连续驾驶过程中的持续性注意水平，试验时采用在列车运行前方随机显示红圆点的方式模拟列车运行中随机出现信号等随机事件。红圆点在5个可能位置按照不同的时间间隔(240±10)s随机出现(见图1)。要求被试在红圆点出现后立即点击反应键，系统将自动记录被试的反应时间。试验持续4 h，全程无休息。

图1　试验任务场景

1.3　试验流程

为保证试验开始前被试具有较高的持续性注意水平，试验从早上8:00开始。首先，8:00—8:15为试验准备阶段，主要做好设备调试、告知被试试验任务(主任务为动车组的模拟操纵，次任务为测试对随机红点的反应)等相关事宜。8:15—8:30预先进行15 min的模拟驾驶练习，以消除练习效应的影响，然后从8:30开始进行约4 h的正式试验。在正式试验进行至46 min时及试验结束后，采用主试口头询问的方式，要求被试填写卡罗林斯卡嗜睡量表[8-9](Karolinska Sleepiness Scale，KSS)，测试其疲劳程度。

1.4　数据采集

1)主观疲劳及驾驶行为绩效测评数据的采集

试验中采用的KSS量表为9分量表，用于评估司机的疲劳状态：1分为极度清醒；2分为非常清醒；3分为清醒；4分为有些清醒；5分为既不清醒，也不困倦；6分为开始出现困倦的征兆；7分为困倦，容易控制；8分为困倦，困难但可以控制；9分为昏昏欲睡，无法控制。

对于驾驶行为绩效测评数据，试验主要记录列车当前限速、列车当前运行速度以及对红点的反应时间和有效检测率，其采样频率设置为10 Hz。

2)脑电数据采集

采用32导脑电仪采集脑电(EEG)数据，其中用10～20导联头皮电极系统记录水平和垂直眼电。脑电采样频率、频率带宽分别设置为1 000 Hz，0.5～100 Hz，且保持电极阻抗不得超过5 kΩ。试验中选取FCz电极作为参考电极，其分布如图2所示。

图2　脑电电极的分布

1.5　持续性注意水平的时段划分

选取试验中前后的2个时段分别作为高、低持续性注意水平的时段，是人因工程学中的常用方法[10-11]。为了去除被试在刚开始驾驶操作时练习效应对试验结果的影响，同时保证被试具有较高的持续性注意水平，故选取试验开始后的16～46 min时段作为被试的高持续性注意水平时段；随着驾驶时间逐渐增长，被试的疲劳程度逐渐增加并达到最高，故选取试验开始后的210～240 min时段作为被试的低持续性注意水平时段。

主观疲劳评估和速度偏差以及对随机信号探测所产生的客观指标是衡量动车组司机持续性注意水平的有效指标[12-13]，通过对上述2个时段内被试的KSS量表得分、速度偏差以及对随机信号探测所产生的客观指标(反应时间、有效检测率)的差异性进行对比分析，以验证试验中持续性注意水平时段划分的合理性。

2　持续性注意水平敏感性脑电熵指标的选取方法

2.1　基于脑电熵值的参数计算

选取脑电θ(4～8 Hz),α(8～13 Hz),β(13～30 Hz)3个频段的平均幅值作为脑电熵值计算参数。其计算处理步骤如下。

(1)以1 min的脑电信号为分析单元，对该信号以0～35 Hz的带宽进行整体滤波处理。滤波过后对脑电信号设定重叠率为50%、步长为s(s取2 000 ms)的时间窗，从左至右滑动将该段信号予以分割。

(2)对于1个窗口的脑电信号，为了消除旁瓣效应对快速傅里叶变换的影响，将其与等长度的汉明窗做内积，得到处理的信号f(n)。对f(n)进行快速傅里叶变换，得到脑电信号f(n)在频域上的幅值分布f(k)为

(1)

其中，

式中：WN为周期函数；k为任意整数；n为样本量；j为虚数；N为信号采样点数。

(3)从f(k)中分别提取θ(4～8 Hz),α(8～13 Hz),β(13～30 Hz)频段幅值序列，对各频段幅值系列去除其正负3倍标准差外的异常数据后求取均值，对其他时间窗也采用同样方法，得到3个频段在1 min脑电信号内的平均幅值序列。

(4)将θ，α和β频段的平均幅值序列分别记为μθ(o)，μα(o)，μβ(o)， 1≤o≤L，L为序列长度。

①以θ频段为例，计算样本熵和近似熵的步骤如下。

步骤1将平均幅值序列μθ(o)由1维构造成m维向量，即

Ym(o)=(μθ(o)μθ(o+1)…μθ(o+m-1))o=L-m+1

(2)

步骤2定义任意2个向量Ym(o)与Ym(u)之间的距离d(Ym(o),Ym(u))为

d(Ym(o),Ym(u))=

o=1,2,…,L-m+1

u=1,2,…，L-m+1

o≠u

(3)

步骤5将θ频段的幅值序列按顺序组成m+1维向量，按照步骤1—步骤4得出Bm+1(g)。

步骤6将Bm(g)与Bm+1(g)代入式(4)和式(5)中，分别求出θ频段的样本熵(SampEn)与近似熵(ApEn)，为

(4)

ApEn(m,g)=Bm(g)-Bm+1(g)

(5)

②对原有θ频段的平均幅值序列μθ(o)按升序排列，将序列中的平均幅值视为1个元素，元素大小相同的为同类元素、不同的为异类元素。其中各个元素所出现的概率分布为{y1,y2,…，ys}，s为元素类型的个数。将其代入式(6)中，得到θ频段平均幅值序列μθ(o)的香农熵(H(p))为

(6)

同理，分别求取α和β频段平均幅值序列μα(o)和μβ(o)的样本熵、近似熵和香农熵3种脑电熵，作为1 min脑电信号的持续性注意水平脑电熵值参数。对q个电极的脑电信号，均采用步骤(1)—步骤(4)，得到9q项脑电熵值参数，记为xi(i=1,2,…,9q)。

2.2　熵指标敏感性分析及选取

对于所获取的脑电熵值参数样本集合E={E1,E2,…,Ei,…,El}，每个样本为1 min内脑电信号经熵处理后所得到的9q项脑电熵值参数，即Ei={x1,x2,…,x9q}，l为采集信号的时长。Ei的类型为fi∈F，F={f1,f2}，即f1为高持续性注意水平，f2为低持续性注意水平。本文分别采用Kruskal-Wallis检验与Relief算法，选取敏感于不同持续性注意水平的指标集合。

1) 基于Kruskal-Wallis检验的敏感性指标选取

将任意一项脑电熵值参数xi在高持续性注意水平与低持续性注意水平下得到的熵值序列中进行Kruskal-Wallis检验，构造统计量H为

(7)

式中：Q为2类参数样本的总量；Ri为在第i类持续性注意水平下，参数样本中所有元素的平均秩。

由于统计量H服从自由度为1的χ2分布，查表可得相应的p值(为衡量两样本差异显著性的判别指标)。在给定的显著性水平α下，若p>α，则表明该项参数在两类持续性注意水平下无差异显著；若p<α，则表明该项参数在两类持续性注意水平下差异显著，p值越小差异越显著。

经过上述计算，选取差异性最为显著的h项脑电熵值参数作为持续性注意水平敏感性指标，即Z={z1,z2,…,zh}。

2) 基于Relief算法的敏感性指标选取

样本Ei与任意样本Ev在脑电熵值参数xr(1≤r≤9q)上的差定义为

(8)

式中：Emax与Emin为脑电熵值参数xr在样本集E中的最大值与最小值；Ei(xr)与Ev(xr)为样本Ei与Ev中脑电熵值参数xr的数值。

(9)

式中：p(·)为与Ei同类的样本在总样本中所占的比率；T为迭代次数。

最终选取基于上述2种方法的敏感性指标的交集G作为持续性注意水平的特征指标。

G={(Z∩Z*)}={(z1,z2,…,ze)}

(10)

3　试验结果及分析

3.1　持续性注意水平时段划分的合理性验证

为验证1.5节中选取试验开始后16～46和210～240 min 2个时段对应被试不同持续性注意水平时段的假设是否合理，采用配对样本t检验对上述2个时段所得到的KSS量表得分和驾驶行为绩效测评数据进行差异性检验，其结果见表1。

表1　主观疲劳、驾驶行为绩效测评数据及检验结果

注：括号外数值表示均值，括号内数值表示方差。

由表1可见：与第1时段相比，被试在第2时段的疲劳程度显著增加(KSS量表得分上升)，反映在主任务中对列车运行速度的控制能力也显著下降(速度偏差增大)，在次任务中对随机红点的反应能力显著下降(反应时间增加，有效检测率下降)，这表明试验中以第1时段作为高持续性注意水平时段、第2时段作为低持续性注意水平时段的划分是合理的。

3.2　持续性注意水平熵指标的敏感性分析及确定

对于试验所采集的脑电数据，基于2.1节处理方法对其进行快速傅里叶变换，然后对θ(4～8 Hz),α(8～13 Hz),β(13～30 Hz)3个频段的平均幅值序列计算样本熵、近似熵和香农熵3种脑电熵值，共得到288组特征指标。采用2.2节中Kruskal-Wallis检验，得出在32个电极上两阶段脑电数据间的p值，如图3所示。

图3　p值分布脑地形图

由此选出对持续性注意水平最敏感的10个指标，其结果见表2。

表2　基于Kruskal-Wallis检验的敏感性指标

基于2.2节中Relief算法，得到各个脑电熵指标的权重均值，从中选取权重值最大的10个熵指标作为持续性注意水平的敏感性指标，其结果见表3。

表3　基于Relief算法的敏感性指标

以Kruskal-Wallis检验和Relief算法筛选所得到的敏感性指标交集作为持续性注意水平的特征指标，即位于FP1，F7电极处β频段的香农熵以及位于FZ电极处α频段的样本熵。

4　结　论

(1)相比第1时段，动车组司机在第2时段的疲劳程度显著增加(KSS量表得分上升)，在次任务中对随机红点的反应能力显著下降验证了长时间连续驾驶会引发动车组司机精神疲劳及持续性注意水平下降。

(2)提出将基于Kruskal-Wallis检验和Relief算法得到的敏感性指标的交集，作为对动车组司机持续性注意水平敏感的脑电熵指标。

(3)试验表明，位于FP1，F7电极处β频段的香农熵以及FZ电极处α频段的样本熵对持续性注意水平十分敏感。

(4)选出的敏感于动车组司机持续性注意水平脑电特征指标，为今后对动车组司机持续性注意水平的识别与测评提供了依据。

[1]高法灯.基于图像的机车司机疲劳检测系统研究[D].杭州：浙江大学，2010.

(GAO Fadeng. Study on the Detection System of Locomotive Driver Fatigue Based on Image [D].Hangzhou： Zhejiang University，2010.in Chinese)

[2]何伟峰.机车司机行车安全监控中疲劳监测和无线传输研究[D].长沙：中南大学，2009.

(HE Weifeng. Fatigue Detection and Wireless Transmission of Monitored Control System for Safe Driving of Locomotive Engineer [D].Changsha：Central South University，2009.in Chinese)

[3]王莹.基于表情及姿态的机车司机疲劳驾驶监测技术[D].北京：北京交通大学，2012.

(WANG Ying.Locomotive Driver’s Fatigue Detecting Based on Expression and Gestures [D].Beijing：Beijing Jiaotong University，2012.in Chinese)

[4]CABON P H，COBLENTZ A， MOLLARD R，et al.Human Vigilance in Railway and Long-Haul Flight Operation [J].Ergonomics，1993，36(9)：1019-1033.

[5]SZALMA J L，WARM J S，MATTHEWS G，et al.Effects of Sensory Modality and Task Duration on Perfor-mance，Workload，and Stress in Sustained Attention [J].The Journal of the Human Factors and Ergonomics Society，2004，46(2)：219-233.

[6]GRIER R A，WARM J S，DEMBER W N，et al.The Vigilance Decrement Reflects Limitations in Effortful Attention，Not Mindlessness [J].The Journal of the Human Factors and Ergonomics Society， 2003，45(3)：349-359.

[7]VENABLES L，FAIRCLOUGH S H.The Influence of Performance Feedback on Goal-Setting and Mental Effort Regulation [J].Motivation and Emotion，2009，33(1)：63-74.

[8]WATSON N F，JACOBSEN C，GOLDBERG J，et al.Subjective and Objective Sleepiness in Monozygotic Twins Discordant for Chronic Fatigue Syndrome [J].Sleep，2004，27(5)：973-977.

[9]SCHMIDT E A，SCHRAUF M，SIMON M，et al.Drivers’ Misjudgement of Vigilance State during Prolonged Monotonous Daytime Driving [J].Accident Analysis & Prevention，2009，41(5)：1087-1093.

[10]TING P H，HWANG J R，DOONG J L，et al.Driver Fatigue and Highway Driving：a Simulator Study[J].Physiology & Behavior，2008，94(3)：448-453.

[11]郭孜政，潘毅润，吴志敏，等.疲劳对高铁司机持续性注意影响机制的ERP试验研究[J].中国安全科学学报，2015，25(8)：81-86.

(GUO Zizheng, PAN Yirun,WU Zhimin,et al.EPR-Based Study on Influencing Mechanism of Fatigue on High-Speed Drivers’ Sustained Attention[J]. Chinese Safety Science Journal,2015，25(8)：81-86.in Chinese)

[12]QIAN S，LI M，LI G，et al.Environmental Heat Stress Enhances Mental Fatigue during Sustained Attention Task Performing: Evidence from an ASL Perfusion Study [J].Behavioural Brain Research，2015，280：6-15.

[13]BROOKHUIS K A，DE WAARD D.Monitoring Drivers’ Mental Workload in Driving Simulators Using Physiological Measures [J].Accident Analysis & Prevention，2010，42(3)：898-903.