高速铁路调度员疲劳程度分级及预测方法研究

张光远，胡 晋，文原劲，王亚伟，杜静霜

(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；3.西南交通大学 综合交通大数据应用技术国家工程实验室，四川 成都 610031)

高速铁路(以下简称“高铁”)调度员作为行车调度的直接决策者和指挥者，具备了车站及列车的控制权限，其决策行为在高铁安全运营中发挥着重要作用[1-2]。相关研究表明[3-4]，调度员的疲劳度会随着工作时间的延长而增加。因此，检测高铁调度员疲劳程度是构建高铁调度员疲劳检测预警系统的关键技术，亦是有效预防高铁事故的关键因素。

目前国内外关于高铁调度员疲劳程度检测的研究较为鲜见，现有研究主要针对空中管制员和机动车驾驶员的疲劳检测。文献[5]利用眼动仪和视频记录系统记录空中管制员的面部特征信息，并通过融合算法计算出综合疲劳度，在此基础上开发了管制员疲劳监测系统。文献[6-7]依据检测疲劳的信息源，利用人工神经网络预测何时达到指定的疲劳水平。文献[8]利用神经网络和随机优化方法评估了几种指标的融合，并开发了视觉系统以获取驾驶员的面部特征信息。文献[9]基于城市轨道交通调度员的作业行为及行车区段特征，利用BP神经网络构建出调度员安全作业行为可靠度判定模型。以上研究通过参与者的个人行为特征及实验装置操作特征等的量化，利用人工神经网络预判参与者的疲劳状态，但未将参与者的操作时间作为变量进行疲劳判别的研究。基于心理学评价量表对疲劳程度的分级存在一定的模糊性，与高铁行车调度员疲劳程度发展造成的决策与操作失误行为间的关联性低。

合理的分级可以有效提高模型的准确性，适应不同操作岗位应用场景的工作特点。现有关于K-Means聚类的文献主要是对特征数据进行的分类。鲜有通过对客观疲劳分级标准与操作绩效进行分类进而指导研究对象的特征数据的分类标准。文献[10-11] 通过脉搏信号主波波峰间隔、呼吸信号周期均值以及皮电信号的均值这3种特征参数对驾驶员的疲劳清醒状态进行聚类。文献[12]利用K-Means均值聚类分析算法对脑电波特征参数值进行分类，实现对驾驶员的负荷分类。

本文分析高铁调度员工作作业内容，建立高铁调度员人因可靠性模型，基于模型计算出432种人因失效概率并进行聚类，以确定高铁调度员疲劳分级数。综合主客观卡罗琳斯卡嗜睡量表(KSS)评价、DORATASK工作量与人因失效概率，将对调度员疲劳程度的客观评价标准拓展至与疲劳相关的事故发生概率。然后基于分类数目对实验面部特征数据进行分类以实现对调度员疲劳的判定。因此本文将首先基于认知可靠性和CREAM法建立高铁调度员人因可靠性模型，利用K-Means聚类模型对该模型计算出的调度员失效概率进行聚类分析，得出最佳疲劳程度分级数。基于面部特征信息，利用BP神经网络构建高铁调度员疲劳程度判定模型，并探讨有无工作时间对模型准确度的影响。

1 实验方法

1.1 参与者的选择

2019年从中国铁路总公司调度员培训班的学生中招募32名男性参与者，年龄在28～38岁之间(平均34.7岁，标准差2.4岁)。入选标准：拥有熟练掌握高铁调度操作的技能，身体健康，没有与睡眠相关的疾病，不配戴眼镜，在实验前一周内没有服用任何药物。实验前一晚被要求保证充分的8 h睡眠且不摄入咖啡因等刺激类药物。所有受试者均提供了书面同意参与实验。

1.2 实验装置

1.2.1 高铁模拟行车调度台

采样现场及布局见图1(a)，实验在西南交通大学高速铁路模拟调度台进行。参与者监视左右布局的两列屏幕，每列有两块屏幕，上下排布。在参与者面部前侧方及侧方分别放置两个摄像头。西南交通大学综合调度指挥仿真实验系统见图 1(b)，该设施有 8 台显示器，设有一个高铁行车调度台和一个行车调度助理调度台，每台分设4台显示器2×2 排布。行车调度台上方2台显示器显示区间及站场图，下方2台显示器分别显示列车运行图及调度命令界面。助理调度台上方2台显示器显示站场图，下方2台显示器显示站场信息及站场调度命令。

图1 采样布局及现场

1.2.2 眼动仪

眼部数据通过 The SMI Eye Tracking Glasses 2w(SMI ETG)眼动仪记录，该仪器采用自动视差补偿，瞳孔/CR，暗瞳追踪的双目视觉跟踪原理对眼动采样追踪，采用60 Hz的采样频率，场景相机分辨率：960×720P@30FPS。

1.3 实验过程

将32名参与者分为两组：一组20人，用以训练模型；另一组12人，用以探究模型对研究条件的适用性。对参与者进行两项实验条件变量的控制，见表1。分别对12名参与者按照表1中控制变量方案进行实验，对每名参与者进行4次，共计48次实验。实验过程中，对两项条件变量中的一项变量进行变换，其他条件变量不变，以此类推进行实验。

表1 实验条件控制变量方案

实验开始后，列车运行任务不间断，对32名参与者进行控制变量实验。实验过程依据高铁调度员工作环境与日班计划的周期性，还原调度员在轮班工作制下的生理节律，以覆盖更广的调度员工作状态。实验过程中记录参与者在执行调度任务过程中的面部特征信息。实验前24 h向被试人员讲解实验区段的线路、车站、运行图、任务情况以及KSS的说明解释以便参与者了解实验任务，从而保证实验顺利进行。实验开始前20 min被试人员进入实验室，适应包括眼动仪、调度台在内的实验环境；实验开始前10 min，被试人员开始检查实验系统初始状态。实验开始后，实绩运行图模拟系统开始工作，在实验正式开始10 min后，系统随机出现突发事件，突发事件总数保持8次(1次/20 min，SD 3.0)。每位被试人员将执行相同情景下的任务，且依照相关行车组织细则[18-19]处理突发事件。被试人员操作任务主要包括：发布列车运行计划、调整列车运行线、调整列车出发到达进路、发布相关调度命令等。实验正式开始后，利用2个摄像头全程录像。根据人体疲劳变化的时间特性，本研究设定15 min为疲劳程度判定单位时间。

2 高铁调度员疲劳程度检测模型

将上述实验获取的32名高铁调度员的眼部特征信息以及哈欠频率作为BP神经网络的输入端，将主观KSS值、监督KSS值、DORATASK值融合计算，得到综合值。基于人因失效概率以及K-Means聚类得到疲劳程度的分级数，并对综合值进行分级，最后作为BP神经网络的输出端，构建高铁调度员疲劳程度检测模型。

2.1 面部特征信息的提取

本文面部特征信息主要包括：眼部特征信息、嘴部特征信息、视频监督下的脸部疲劳状态。眼部特征信息通过眼动仪采集，指标分为三组：注视组(闭眼时长、注视时长、瞳孔大小)、 眼跳组(眼跳持续时间、眼跳幅度、眼跳平均速度)、眨眼组(眨眼频率，眨眼时长)。嘴部特征信息通过哈欠频率反映。视频监督下的脸部疲劳状态是基于视频监督的KSS方法，并由两名受过训练的观察者对实验过程中视频记录下的被试人员的面部特征进行KSS值打分，两位观察者的打分平均值为监督KSS分值[4]。哈欠频率及监督KSS值都通过视频记录的方式提取。

2.2 高铁调度员人因失效概率

人因失效概率值作为疲劳程度分级的重要依据，对模型的科学性及准确度至关重要。首先在CREAM模型的基础上对高铁行车调度员的作业行为进行分析，确定其对应的认知功能、失效模式、失效概率。采用专家调查的方法确定认知功能的权重因子，并对数据进行模糊化处理以降低人为因素的不可靠性。最后基于可靠性原理得到人因失效概率，主要步骤为

Step1高铁调度员作业行为分析。参考高铁调度员的相关工作任务并记录分类，作业可分为4种类型：监控、操作、通讯和记录。

Step2情景环境评价。情景环境与调度员工作行为密切相关。结合参考文献[14]CPC因子对绩效可靠性的期望效应。根据控制模式算法，确定共同绩效条件下的控制模式为战略型，人因失效概率区间为(0.000 05,0.01)[14]。

Step3CPC权重因子。采取专家调查法，通过三角模糊数转化为可量化的数据[15]，以降低人为主观的模糊性。最后通过三角模糊数来描述评价结果。三角模糊数的隶属曲线见图2。

图2 三角模糊数的隶属曲线图

(1)

根据问卷调查的结果和三角模糊数的对应关系，计算出所有CPC因子对应的认知功能权重。

Step4调度员人因失效概率。根据失效概率基本值与CPC因子对应的权重因子，结合串联系统可靠性原理[14]得到最后的失效概率值。串联系统的可靠性为

(2)

式中：RS(t)为串联系统的可靠度：Ri(t)为系统中第pi个部件单独工作时的可靠度。

高铁调度员在作业过程中发生人为失误概率[13]为

(3)

2.3 基于K-Means算法及人因失效概率的高铁调度员疲劳分级

K-Means聚类分析作为对数据处理的一项重要技术手段，有着简化模型的作用，具有处理数据简单快速等的优点[17]。本文将K-Means聚类分析作为高铁调度员疲劳程度分级的基础。K-Means算法是一种广泛使用的聚类算法，其思想大致可以解释为从数据对象当中选择k个作为初始聚类的中心，计算其他数据与初始聚类中心之间的距离，并划分成距离聚类中心聚类最近的类。根据新生成的数据均值，更新聚类中心。若相邻迭代次数内聚类中心值的变化超过规定的阈值，则将通过新聚类中心对所有数据对象进行重新划分；若相邻迭代次数内聚类中心值的变化小于规定的阈值，表明收敛，即可输出聚类结果。将人因失效概率样本进行聚类分析，其具体步骤如下：

Step1输入人因失效概率样本T=x1,x2,x3,…,x432。

Step2随机选择s个数据样本点作为初始的聚类中心μ1,μ2,…，μs。

(4)

Step4将所有类别中心点更新为隶属该类别所有样本点的均值μj为

(5)

式中：mj为属于该类别中心点j下的所有样本。

Step5重复Step4、Step5，直到类别中心变化小于某阈值且满足迭代次数。

2.4 疲劳检测模型输出端数据的确定

高铁调度员疲劳程度判定模型的输出端需要采集的数据包括主观KSS值、监督KSS值、DORATASK值。通过层次分析法计算出各指标权重，然后融合计算出模型输出端的疲劳程度值。具体步骤如下：

Step1利用层次分析法计算输出端包含的3项指标(主观KSS值u1、监督KSS值u2、DORATASK值u3)的权重。

Step2利用归一化方法处理输出端包含的原始指标，该过程采用指数化处理方法，通过因素的最大、最小值进行计算，标准化后的指标值up为

(6)

式中：ui为指标值，i=1,2,3；umax为指标的最大值；umin为指标的最小值。

通过该步骤指数化处理，原始数据可转换为无量纲的数值。

Step3基于CREAM高铁调度员人因可靠性K-Means聚类结果显示，并考虑到疲劳分级越多，检测精确度越低[15]，将疲劳等级划分为3级：轻度疲劳、中度疲劳、重度疲劳。输出端分级见表2。

表2 输出端影响因素的疲劳等级

Step4结合层次分析法对3项指标的权重，对每项指标的标准化值与权重相乘，再将3项指标对应的结果相加，即

(7)

式中：Up为输出端疲劳程度值。

将层次分析法计算出的权值代入式(2)，即可得到输出端的疲劳程度值公式。

2.5 基于BP神经网络的高铁调度员疲劳程度检测模型构建

将高铁调度员疲劳程度作为输出端，眼动仪记录的各项指标以及哈欠频率共计10项作为输入端，输出端数量选择3，隐含层神经元个数根据实验效果选取，构建出高速铁路调度员疲劳程度判定模型，模型结构见图3。

图3 高速铁路调度员疲劳程度判定BP神经网络模型

在BP神经网络模型中，输出层节点a至隐含层任意节点t以及隐含层任意节点t至输出层节点e的传递可表示为

yat=f(ai.wait+θait)i=1,2,…,9t=1,2,…,s

(8)

(9)

式中：wait为神经元间的连接权值系数；θait为偏置：f为Sigmoid函数。

(10)

模型使用损失函数L使用交叉熵验证模型的准确度，定义为

(11)

通过寻找使模型交叉熵最小的超参数值，从而确定模型。

3 结果分析

(1)高铁调度员人因失效概率模型的建立

高速铁路调度员作业行为分析：参考高铁调度员的相关工作任务并记录分类。作业可分为4种类型：监控、操作、通讯和记录。其基本作业、认知活动及认知功能见表3。

表3 高铁调度员基本作业、认知活动及认知功能

(2)基于人因失效概率的高速铁路调度员疲劳状态分级数的确定

根据三角模糊数计算的权重因子，得到失效概率修正值CCFP。本文主要通过人因失效概率对评论等级进行划分，因此将失效概率相同的失效模式合并，调度作业失效概率见表4。

表4 调度作业失效概率

基于CREAM及高速铁路调度员操作流程计算出高速铁路调度作业人因失效概率的三角模糊数共计432项，利用K-Means聚类对432项不同的人因失效概率分类，从而实现疲劳程度的科学分类，分析结果见表5，聚类效果见图4。由图4可见，当聚类数为3时，其轮廓系数最大，为0.609，表示对高铁调度员人因失效概率的聚类效果最佳。因此疲劳分级采用3级分类。

表5 基于K-Means聚类对高速铁路调度员人因失效概率分类结果

图4 因失效概率三角模糊数聚类效果

(3)疲劳检测模型输出端数据模型建立结果

根据2.4节，首先利用层次分析法计算主观KSS值u1、监督KSS值u2、DORATASK值u3的权重；层次分析法下的输出端各指标权重值见表6。

表6 输出端考虑因素的权重计算

因此，输出端的疲劳程度值为

将表6的输出端包含的各项指标的等级阈值代入式(15)，得出输出端的疲劳程度分级值对应表，见表7。

表7 输出端综合疲劳程度级别与Up对应表

(4)构建高铁调度员疲劳程度检测模型

将实验获取的样本70%用于训练，30%用于测试。将记录的数据作为高铁调度员疲劳程度判定BP神经网络模型的输入端，并根据有无工作时间参与到输入端的训练。

根据有无工作时间，在不同神经元数量下进行两组实验，结果见图5。对比无工作时间及含工作时间下最佳效果的ROC曲线图，见图6。

图5 不同神经元数量下有无工作时间对交叉熵及误差百分数的影响

图6 无工作时间下的拟合最佳效果ROC曲线图

由图6可见，对比交叉熵下，无工作时间平均交叉熵为2.789，有工作时间平均交叉熵为6.354，且在神经元个数为15时，有无工作时间下交叉熵值均达到最低；无工作时间平均误差达到40.805%。而有工作时间平均误差则达到了13.322%，且在神经元数量为20时达到最低9.317%。当工作时间参与到模型的训练中时，其ROC曲线3类分级较无工作时间下的曲线均明显远离对角线，说明分类效果最优。从总体上看，虽然无工作时间下的分类交叉熵低于有工作时间下的分类，但是在误差百分数及ROC曲线效果上，有工作时间明显可以使模型分类效果达到最优。

(5)验证模型的适用性

综上所述，建立的高铁调度员疲劳程度判定模型选用考虑工作时间条件变量下的，具有20个隐含层节点数的BP模式识别神经网络模型。对第二组12名参与者分别在两种不同的条件变量下进行实验，验证模型的适用性，不同条件变量的模型判定疲劳程度的误差百分数见表8。

表8 实验条件控制变量方案

表8可见，不同的条件变量工作时长与工作机制对疲劳程度判定的平均误差为10.40%。因此，该模型对不同的工作时长与工作机制下的疲劳程度判定准确度基本不变，有良好的适用性。

4 结论

本文基于高铁模拟调度实验，根据调度员人因失效概率对其疲劳状态的分级进行研究，并建立疲劳判定模型主要成果及结论如下：

(1)确定了主客观评价方法融合的高速铁路调度员综合疲劳分级标准。建立高速铁路调度员人因可靠性模型CREAM，并计算出基于高铁调度员作业行为的共计432项人因失效概率，基于K-Means聚类算法实现对人因失效概率进行分类，计算得出基于调度员作业行为下的疲劳分类的最佳数目为3类。。该方法基于高速铁路调度员作业行为建立的人因可靠性模型，将调度员工作特征与疲劳分级相结合，有效避免了仅通过面部特征对高速铁路调度员疲劳分级的非针对性。

(2)基于高铁调度员眼部数据、哈欠频率作为输入端，监督KSS值、DORATASK值经过融合计算及最佳分类数得出疲劳分级阈值并作为输出端，构建一种基于BP模式识别神经网络的高铁调度员疲劳状态分级判定模型。该模型是以高铁调度员作业行为为基础，人因可靠性为指导，面部特征为分类对象的疲劳分级判定模型。

(3)研究结果表明，在高铁调度员工作时间参与模型输入的前提下，平均误差为13.322%，当隐含层节点数为20时，达到最佳效果，误差仅为9.317%，表明当输入端包含工作时间时，模型达到较高精度且在不同工作时长及工作机制下的判定误差平均误差为10.401%。证明了将工作时间作为输入特征的方法，对研究工作特点为长时间工作的高铁调度员疲劳度具有重要作用，且该模型对不同工作时长与工作机制有良好适用性，适用于高铁调度员正常工作条件。同时根据最优模型的ROC曲线图显示，对I级疲劳有着高于II、III级疲劳的准确度，这对疲劳初始状态起到很好的预防作用。

本文实现了基于高铁调度员人因可靠性模型对疲劳程度分级的指导作用，建立了以高铁调度员工作特征为背景的分级方法研究。通过K-Means聚类算法对高铁调度员人因可靠性概率进行分类，从而得到基于高铁调度员可靠性的疲劳分级数。通过将面部特征信息作为疲劳判定模型的输入端进行训练，同时考虑将工作时间作为另一变量参与到模型的训练当中，研究结果表明在调度员工作时间参与模型的训练可以有效提高疲劳程度分级判定的准确度，且该模型对I级疲劳的判定准确度最高，为调度员工作状态下的疲劳预防提供研究基础。因此，在未来的应用过程中，通过在记录调度员面部特征信息的基础上，增加对工作时间的记录可以提高对疲劳判定的准确度。研究成果对高铁调度员疲劳工作预警干预提供了理论依据。后期可在实际的工作环境下对该方法的适用性及指标等做进一步选取与验证。