作业疲劳的生理测量方法研究综述

谢铠杰,刘君,刘骏发,熊先亮

(1.浙江理工大学理学院心理系，杭州 310018；2.国网辽宁省电力有限公司鞍山供电公司，辽宁 鞍山 114009；3.国网辽宁省电力有限公司安全监察部，沈阳 110004)

1 引言

随着社会的不断进步，人们对健康和安全的关注度也与日俱生。早在十九世纪，作业疲劳作为影响健康和人类表现的风险因素，就被生理学家，心理学家，工程师和社会改造者加以研究[1]。根据不同国家的作业疲劳人口学调查显示，20%的工作者报告存在作业疲劳[2]。目前，在学术界，作业疲劳涉及的不同领域对作业疲劳的定义各不相同，且至今没有一致的定义[1]。现有的比较完整的作业疲劳定义是：作业疲劳是由于劳累引起的次优的心理生理状况。作业疲劳的程度和维度依赖于努力的形式，努力的过程以及背景。作业疲劳状态会导致认知策略和资源使用的变化，用以维持原有的心理过程以及生理活动水平[3]。且具有以下特征：(1)作业疲劳是付诸努力的结果；(2)作业疲劳和身体和精神的精疲力竭相关；(3)作业疲劳包含着不舒适、令人厌恶的感觉，是一种惩罚；(4)作业疲劳造成暂时性功能的减退。

2 作业疲劳的测量方法

作业疲劳作为一种复杂的生理现象，能引起人体多种指标的变化，国际上也并没有一种公认有效的检测作业疲劳的方法。但通常可以从主观、行为和生理三方面进行判断[4]。主观上通过报告感觉到疲惫，缺乏动机和警觉性推测作业疲劳程度；行为上认知任务表现(反应时，错误率)的改变代表作业疲劳的程度；生理上大脑活动的改变也被证明是作业疲劳产生的表现。

2.1 作业疲劳自陈问卷

经典的作业疲劳测量方式就是作业疲劳自陈问卷。问卷可以搜集作业疲劳出现的时间以及导致作业疲劳的因素相关的信息，是作业疲劳检测的一种重要方式。现有文献中包含着大量的作业疲劳自陈问卷，这些作业疲劳问卷针对于不同的情景，目标和研究方案来设计，采用了不同的维度结构，评估不同方面的作业疲劳[5]。作业疲劳问卷的调查内容包括：(1)作业疲劳的主观量化；(2)作业疲劳引起的主观痛苦；(3)作业疲劳对日常活动的影响评估；(4)和作业疲劳相关的一些指标评估；(5)关键的生物学参数评估。因为各种作业疲劳问卷涉及了作业疲劳的不同方面和不同特征，使用不同作业疲劳问卷就可能导致不同的结论[6]。研究者在选择作业疲劳问卷时，首先需要根据自己的研究兴趣，确定研究作业疲劳的定义，选择合适的作业疲劳问卷。同时也需要联合其他客观的作业疲劳检测方式(如生理测量和认知任务表现)对研究结果进行综合的考评[7]。

2.2精神运动测试

精神运动测试通过测量知觉、认知表现和运动反应来评估作业疲劳状态[7]。测试方法包括模拟驾驶、打字测试和反应时间的测试。在需要工人保持精神警觉的行业中(如机场调度、长途驾驶和轮班等)，精神运动惊觉测试(Psychomotor Vigilance Test，PVT)常常被用来测试工人的精神警觉程度以及作业疲劳程度[8]。PVT使用了反应时间范式，通过让被试按键响应计算机上的视觉刺激来记录平均反应时和失误次数。但也有文献发现PVT只与被试的身体作业疲劳相关而与总体作业疲劳、精神作业疲劳关系不大[9]。精神运动测试往往会对被试提出较高的要求，唤醒了被试的大脑水平，从而掩盖了作业疲劳可能产生的信号[7]。

2.3 生理信号测量

近几年来在操作员精神作业疲劳检测领域和驾驶困倦检测领域，用生理信号来监视精神状态越来越受到研究者的欢迎[10]。大量的研究利用生理参数(如：脑电图、眼电图、录像监视)来对作业疲劳程度进行测量[11]。相对于问卷、精神运动测试等方式，生理信号是疲劳状态快速和直接的反应结果。

2.3.1 脑电

脑电(Electroencephalogram,EEG)是从人类或动物的头皮上记录到的电位变化，主要反映大脑的电活动特性。在众多与精神疲劳相关的指标中，脑电图被认为是最可靠的预测方式之一。脑电频谱波形能显示出警觉性的变化，低频脑电波(θ和α波)增加和高频脑电波(β波)的成分减少代表警觉性的降低；脑电也能显示行为表现的改变，如θ活动的增加与任务表现的下降有关[12]。而疲劳的产生往往伴随着警觉性，行为表现的变化。精神作业疲劳的产生伴随着额叶θ和顶叶α的增加以及高频波段的减少[10]，而不同频率脑波的计算指标也能用于评估精神疲劳。Zhang等人发现前额叶和顶叶电极的β/α参数与所有脑区电极(α+θ)/β参数能用来测量精神疲劳[13]。θFz/αPz被作为一个指标来研究内部负荷(睡眠剥夺)和外部负荷(任务复杂性)下的精神疲劳[14]。这些结论都表明脑电是疲劳预测的极佳指标。在应用方面，Trejo等人(2015年)让被试持续3小时解决数学问题来引发作业疲劳，从搜集到的脑电功率谱密度中利用机器学习算法抽取有效的特征，建立了脑电预测作业疲劳模型，该模型的预测准确率在91%以上并且作业疲劳的时间预测精度为13 s[15]。

虽然θ，α、β以及θ/α等指标可以用来评估作业疲劳状态，但是脑电总体上还是与大脑的唤醒水平相关，对作业疲劳与认知加工深度无法做出解释[16]。事件相关电位(Event-related Potentials ,Erp)是人在进行认知活动时受到刺激时所有发出来的一种电位活动，最后经叠加平均而得到的一种平均诱发电位。因为具有较高的时间分辨率，常被作为反映认知加工过程的评价指标。而作业疲劳会导致心理和认知功能的下降，所以事件相关电位就是研究作业疲劳影响的一个优良工具[17]。Bokserm等人(2005年)的研究表明精神作业疲劳导致目标导向(自上而下)注意力减少而更受刺激驱动(自下而上)的影响。Erp的结果表现在N1振幅下降，相关和不相关刺激之间N2b振幅的差异(相关刺激会引起较大的N2b振幅)随着时间的推移而减少[18]。Uetake等人(2000年)发现精神作业疲劳和P300振幅降低以及P300潜伏期的的增加有关，这也代表作业疲劳和认知信息加工过程延缓以及认知信息加工活动减弱有关[19]。Murata等人(2005年)进一步对P300进行细分为P300a和P300b，发现两个成分在作业疲劳状态下的振幅都显著更低，τ的标准差代表着加和平均的P300成分与个体的EEG差异。两者波形的不一致也随着精神作业疲劳的累计而变大[16]。

2.3.2 眼电与眼动

由于眼睛和大脑之间有丰富的感觉和运动联系，眼部运动可以提供有价值的睡眠预警信号[7]。在驾驶模拟任务中，从清醒到作业疲劳状态快速眼动和典型的眨眼被无眼动以及小而快速地眨眼所取代，这也表明眼电图(Electrooculography,EOG)可以被作为一种作业疲劳的检测指标[20]。很多文献也发现从眼电图中抽取的特征信息与疲劳、困倦、警觉性有着密切的关系。Hu and Zheng等人通过垂直和水平眼电通道获得眨眼持续时间、眨眼速度和幅度来判断驾驶员是否疲劳[21]；Ma等人使用了慢速眼动来探测在单调任务中被试的警觉水平[22]。相对于脑电眼电之类需要物理接触的作业疲劳检测方式，眼动具有非侵入式的优势，能在线无接触的搜集图像信息而及时的探测作业疲劳。眼球快速眼动、瞳孔直径、眉眼扫视以及眨眼睛等都与作业疲劳的产生相关，而眼睑闭合百分比(PERCLOS)被认为是精神作业疲劳的最有效的检测方式[23]。PERCLOS是指在单位时间内眼睛闭合程度超过某一阈限(70%或80%间)的百分比，自美国联邦公路管理局首先提出把PERCLOS作为预测机动车驾驶员驾驶作业疲劳的可行方法后，大量关于PERCLOS的作业疲劳预测准确性以及PERCLOS在应用领域的研究得以进展。Horng等人(2004年)构建了一种基于视觉的驾驶员作业疲劳实时监测系统，通过每秒20帧的眼睛追踪数据计算PERCLOS，从而判断驾驶员的作业疲劳程度，准确率达到88.9%[24]。郑培等人(2002年)应用二位高斯模型、灰度直方图、灰度模式匹配等图像分析和识别手段定位追踪了眼睛睁开闭合的变化过程，统计出眼睛闭合时间，并构建了基于PERCLOS的机动车驾驶员驾驶作业疲劳的实验测评系统[25]。

2.3.3 心电

心电图(Electrocardiograph，ECG)也是疲劳的可靠测量方式。心电信号能被量化为时域和频率区间。随着认知负荷的增加，时域中的平均心搏间隙(Mean IBI)、心搏间隙标准差(Standard Deviation of IBIs，SDNN)和相邻心搏间隙的均方根差(Root mean Squared Difference of Adjacent IBIs，RMSSD)会降低，频率区间中的低频功率(Power in low Frequency，LF)和低频功率和高频功率的比值(LF/HF)增加[26]。甚至简单的记录心率变化都可以被用作疲劳检测的指标。Patel等人(2011年)使用心率变异性作为人体生理测量指标来检测驾驶员的早期作业疲劳，通过评价神经网络对作业疲劳探测的准确度有90%[11]。但是生理和行为的因素(如身体健康情况、抽烟、感到压力)会对心率变化造成巨大影响，并且每天的心率变化比较大，这对心率预测作业疲劳造成极大的挑战[8]。

2.3.4 生理方法的比较与结合

相较于其他生理测量方式，脑电直接反映了大脑的本身的状态，且对疲劳的判定最为准确，是生理测量疲劳中的黄金准则。但是脑电设备操作复杂，造价昂贵。眼电设备复杂并且有可能阻碍操作者的视野。心电具有携带方便，操作简单的特点，但是容易受到个体心率的影响且灵敏度较低。

当前很多文献都只关注用单一的测量方式对疲劳进行检测，但最有前景的检测疲劳方式必须基于多生理信号的融合计算。越多的生理特征会涵盖更多的疲劳信息，获得更准确的疲劳预测[27]。疲劳是一种复杂且个体化的生理现象，单一的疲劳探测方式很容易受到干扰(外界环境和个体状态的变化)而降低预测效果。而信息融合能充分利用多个传感器的信息，结合多个疲劳相关指标做一个综合的分析判断。Khushaba等人搜集了被试在模拟驾驶期间三种不同的生理指标(脑电、眼电和心电)并使用特征提取的方式对当前驾驶员困倦水平进行分类。相较于心电图和眼电图，单独抽取脑电图的信息就已经能对疲劳水平进行很好的预测(90%以上)，而心电图中的心率信号对疲劳预测效率优于眼电图。增加眼电图和心电图的通道信号能够进一步的增加准确性。三者信号通道的结合预测效果最优[28]。Ahn等人同时搜集了脑电、心电、眼电和功能性近红外光谱(Functional Near-infrared Spectroscopy，fNIRS)数据，使用神经生理相关性和分类方法区分高低疲劳状态的驾驶员。功能性近红外光谱是一种新兴的非侵入式脑功能成像技术，可用于监测模拟环境中的认知工作负荷或疲劳。研究发现眼电信号在不同驾驶状态时并没有显著差异，而脑电、心电和功能性近红外光谱数据能产生明显的特征用以区分驾驶状态。且这三种数据特征的组合会获得更高的准确性[27]。

3 总结与展望

经常性的长时间工作会导致作业疲劳，而作业疲劳反过来也会导致更低的生产绩效并提高潜在事故发生的概率。作业疲劳也被认为是导致许多重大事故发生的最主要原因。因此，实时监测员工的作业疲劳状态并能做出对作业疲劳的预测就极为重要[29]。在测量工具方面，作业疲劳问卷和精神运动测试在作业疲劳测量时需要打断测试者当前的工作状态，脑电、心电、眼电这类生理指标虽然与作业疲劳的相关度较高，但测量时需要佩戴测量仪器，这就限制了测量场景。PERCLOS需要从图像中识别眼部状态，识别的准确性和效率也是需要考虑的一个问题。

3.1 可穿戴设备的发展

随着对健康问题的关注，可穿戴智能设备也逐步普及。可穿戴技术的发展以及配套的通讯能力、计算水平的进步，让实施评估、预测作业疲劳状态变得可行。现有的可穿戴传感器几乎能测量传统人因学评价中的所有相关指标，且具有经济、无线、侵入性低等特点。虽然在实验室研究疲劳探测会测量多个脑电位，但在应用中少量几个通道就以能对疲劳状态做出预测。如Li等人(2015年)设计了一款搜集脑电信号的可穿戴耳机对被试的作业疲劳状态进行探测，准确率达96.4%[30]；Lee等人(2015年)从汽车方向盘上搜集心电信号，结合手指上的脉冲信号对驾驶作业疲劳进行预测，具有97.28%的正确率[31]；眼镜型设备作为一种最容易被用户接受的可穿戴设备，也可通过外部摄像头或者近红外光来获取测试者眼部运动进而评估作业疲劳状态[32]。

3.2 机器算法预测作业疲劳

在数据预测方面，机器学习算法的发展，能从大量样本集训练和学习后自动找出运算需要的参数和模式，且相比于传统算法有着更好的准确性[33]。现已有大量研究利用机器学习算法从脑电、心电中抽取关键参数对作业疲劳进行预测[15,34]，使用的机器学习算法包括支持向量机(Support Vector Machine)、贝叶斯网络(Bayesian Network)、小波分析(Wavelet Analysis)等。机器学习创建了一个神经网络来模拟人脑解释数据的机制，能有效地提取数据特征。不同来源的数据也可以结合起来共同对疲劳进行预测。今后需要比较不同测量方式的预测精确度以及稳健性以及相同方式下不同机器学习算法的预测效果；分类探究在不同的工作环境下，如何选择适合的测量方式；在能达到一定准确性的条件下，如何使用经济成本更低的数据特征和算法。