煤矿监控调度作业疲劳程度分级与判定研究

徐超远，栗继祖，徐新华

（1.太原理工大学安全与应急管理工程学院，山西太原 030024；2.太原理工大学经济管理学院，山西太原 030024；3.晋能控股煤业集团李阳煤业，山西晋中 032700）

煤矿监控调度工作主要负责煤炭开采、生产的统一调度，确保煤炭生产井然有序地进行。同时也是煤炭事故预防的“眼睛”，在事故发生的第一时间进行事故紧急处理，预防灾害扩大。因此监控调度作业决策行为在煤矿安全生产中扮演着重要的角色。相关研究表明[1]，在监控调度工作中，作业者的疲劳程度与作业时长成正比。良好的工作模式是提高工作效率、降低工作失误的关键点。为了更好地搭建优良的工作模式，作业疲劳检测技术是必不可少的。目前国内外关于煤矿监控调度作业疲劳程度检测的研究较为罕见，现有研究主要针对航空和交通调度作业的疲劳检测。栗继祖等[2]进行了监控作业者不同工作时段多次实时采集生理数据，对建立基于神经网络的认知－行为－安全绩效综合评估模型做出了展望[2]；汪磊等[3]利用眼动仪和视频记录系统，确定了PERCLOS 值、平均闭眼时长、哈欠频率的疲劳判定阈值，通过融合计算的方法开发了可实用的疲劳检测系统；吴雪琴等[4]对VDT 作业过程进行分析，分析不同疲劳模式下的眼动指标，以此构建了合理的VDT 作业工间休息机制；吕庆文等[5]以时间占用率为主指标、能量代谢率为修正因子，基于DORATASK 方法构建了工作负荷评估量化模型。陈小强等[6]基于K-means 法提出一种基于面部多特征融合的列车司机疲劳检测方法；牛国庆等[7]通过眼动追踪技术，测试了不同脑力疲劳程度下的眼动指标值，发现了可以眼动指标可以用来判定人的疲劳状态；DE Naurois 等[8]根据采集的生理数据指标搭建了人工神经网络预测模型，利用模型预测被试多久达到生理疲劳。综上所述，将以眼动数据作为依据来实现对监控调度作业疲劳程度的预测，考虑到以工作强度作为变量引起的作业者不同疲劳程度具有太强的目的性，导致实验的应用性降低。因此，将使用大时间段的数据采集方法，收集作业者自然工作状态下因疲劳而引起的眼动数据特征变化；通过Kmeans 聚类与BP 神经网络的方法来构建煤矿监控作业疲劳程度判定模型，实现监控作业疲劳等级预测，为改进工作模式提供依据。

1 实验设计

1）实验人员选取。选取30 人参加，实验人员均为男性，平均年龄为26 岁。所有被试者精神正常，无肢体障碍与视力问题。每位被试在实验开始前没有疲劳状态出现。

2）实验过程设计。实验眼动指标数据采用Tobii眼动追踪系统，面部监督视频的录制采用logi 高清摄像头。实验开始前，被试者需要提前进入实验平台适应实验环境、熟悉试验任务操作流程。实验时长设定为1.5 h，实验内容为监控作业（设备运转状态、查看施工维修计划、查看现场监控、查看防灾安全监控系统、口头指示）、通话作业（口头指示、发布电话调度命令、联系其他工种发布调度命令）和作业操作记录（交班记录、调度命令登记簿、安监报记录）。30 位被试者需要在1.5 h 的实验内完成设计的任务内容，并且每15 min 填写1 次罗琳斯卡嗜睡量表（KSS）[9]。

2 评价模型构建

2.1 生理指标信息与疲劳程度评分的获取

煤矿监控作业是一个需要不断接受信息、判断问题、发出指令的工作，工作人员最易发生脑力疲劳。研究发现[10]，眼动指标因其实时性、无干扰性和有效性可以用来检测脑力疲劳程度。因此，根据已有研究结果，选取眨眼频率、注视时长、眼跳次数、眼跳幅度、平均瞳孔大小等5 种基本眼动指标作为生理测量维度指标。主观疲劳程度由被试人员自我评价填写，客观疲劳程度由专业评价者通过实验时录制的监督视频进行打分得出。

根据实验要求，30 名被试者将进行1.5 h 实验测试。实验过后将1.5 h 的实验数据以15 min 为1区间平均拆分为8 组数据。每组数据作为单独的实验数据存在，每组数据的眨眼频率、注视时长、眼跳次数、眼跳幅度、平均瞳孔大小等眼动指标将作为检测模型的输入端，主观KSS 值、监督KSS 值以及DORATASK 指数通过融合计算后将作为实验模型的输出端。

2.2 基于K-means 聚类分析的疲劳程度分级

将基于实验数据中的主观KSS 值、监督KSS 值及DORATASK 值作为特征值进行K-Means 聚类分析，聚类算法实现基于Matlab 平台。其步骤如下:

1）输入360 组疲劳评价指数样本X＝x1，x2，x3，…，x360。其中x＝［主观KSS，监督KSS，DORATASK］。

2）在样本X 中，随机选取n 个对象，每个对象代表1 个簇的初始均值（中心）a1，a2，…，an。

3）对剩下的每个对象，分别计算其与各个簇中心的欧式距离，将它分配到最相似的簇。

4）更新簇中心。对于每个簇来说，就是根据簇中的当前对象，来重新计算每个簇的均值aj，然后把该均值作为新的簇的中心。

式中：mj为属于该类别中心点j 下的所有样本。

5）重复第3）、第4）步骤，直到分配稳定。

2.3 疲劳检测模型输出端数据处理

作业疲劳程度判定模型输出端的确定需要对主客观KSS 值、DORATASK 值进行融合计算得出。

2.3.1 利用层次分析法得出权重

利用层次分析法计算出3 项指标的权重yp1、yp2、yp3。首先对指标的相对重要性做评判，引用1～9的比例标度来表示指标间的相对重要性。对指标层进行比较判断，并建立判断矩阵A＝（aij）mn，元素aij是ai与aj为相对于评判对象重要性的比例标度，aij取值为1～9 的比例标度表示，具体规则如下：若因素i 与因素j 一样重要，则取标准度为1；若因素i比因素j 稍微重要，则取标准度为3；若因素i 比因素j 明显重要，则取标准度为5；若因素i 比因素j强烈重要，则取标准度为7；若因素i 比因素j 极端重要，则取标准度为9。研究中，判断矩阵的最后赋值是在查阅大量文献和规范标准、结合疫情防控实际经验以及咨询专家的意见后得出的，具有较好的科学依据。

接着对指标权重进行计算：用式（2）求解判断矩阵A 每行所有值的平均值yˉi，然后对yˉi作归一化处理，得到Yi（i＝1，2，…，n）。则Y＝（Y1，Y2，…，Yn）为对应判断矩阵的权重向量。

最后，进行一致性检验。一致性系数CI 计算公式为：

式中：（A×Y）i为向量AY 的第i 个元素；Yi为权重向量Y 的第i 个元素；n 为矩阵阶数。

为了确定判断矩阵的一致性，引入平均随机指标RI，n 为1 时，RI 为0；n 为2 时，RI 为0；n 为3时，RI 为0.58；n 为4 时，RI 为0.90；n 为5 时，RI 为1.12；n 为6 时，RI 为1.24；n 为7 时，RI 为1.32；n为8 时，RI 为1.41。

当CR≤0.1 时，判断矩阵的一致性认为是可以接受的，否则需要对判断矩阵进行修正，直到可以通过一致性检验。

2.3.2 归一化处理和融合计算

进行归一化处理，为确检测准确度，保证数据处于同一维度，对采集的观KSS 值、监督KSS 值、DORATASK 值标归一化处理，处理后的指标值yz为：

式中：ymin、ymax为指标最小、最大值。

进行计算，将层次分析法得到的Ypi与该指标归一化后的yz相乘，再将其相加，得到疲劳程度数：

式中：Yp为输出端疲劳程度值；yzi为标准化后的输出值；ypi为输出值权重。

2.4 基于BP 神经网络的预测模型构建

BP 神经网络是通过误差反向传播训练的多层反馈神经网络，其基本思想是梯度下降法，利用梯度搜索技术，以最小化实际输出值之间的误差均方差。由于人的疲劳状态和眼动指标数据是一种无规则、非线性的指标数据，而BP 神经网络具有较强的非线性映射能力，这使得其特别适合于求解内部机制复杂的问题。因此将实验采集的监控调度作业人员眼动数据(眨眼频率、注视时长、眼跳次数、眼跳幅度、平均瞳孔大小)经过式（4）归一化后作为输入端，疲劳程度值Yp作为输出端，利用BP 神经网络构建监控作业疲劳程度判定模型，实现监控作业疲劳等级预测。

3 实验结果分析

3.1 数据采集与分组

使用Tobii 眼动仪共采集到360 组被试者的眼动指标数据，每组数据包含15 min 的眼动指标数据。利用Ergolab 人机环境平台将360 组数据优化处理，得到眨眼频率、注视时长、眼跳次数、眼跳幅度、平均瞳孔大小等5 种基本眼动指标。其中瞳孔数据选取为双眼平均瞳孔直径距离，数据补偿方式选取埃米特插值，信号降噪方式选取为滑动均值滤波。

将实验时被试填写的KSS 量表、后期视频监督KSS 量表以及DORATASK 值作为每组数据作为标签整合。为方便处理数据，将所有数据处理为同一纬度，利用SPSS20.0 对眨眼频率、注视时长、眼跳次数、眼跳幅度、平均瞳孔、主观KSS、客观KSS、DORATASK 进行归一化处理。

3.2 K-Means 聚类分析

将360 组数导入Matlab 平台进行K-means 聚类分析，软件输出聚类效果图与聚类轮廓系数见图1，考虑到聚类数越多，聚类精确度越低。K 为轮廓数结合轮廓系数综合考虑，当输出数据聚类为4类时，聚类轮廓系数最大，聚类效果最好。因此采用K=4 作为疲劳程度值聚类数。根据Kmeans 聚类算法同时得到y1，y2，y3在聚类系数K=4 时的聚类阈值见表1。

图1 聚类分析效果图与轮廓系数Fig.1 Cluster analysis effect diagrams and contour coefficients

表1 分级阈值Table 1 Grading thresholds

3.3 疲劳等级划分

对3 项指标进行打分，根据层次分析法计算出各指标权重, CR 为1 致性比率，输出端因素权重见表2。

表2 输出端因素权重Table 2 Factor weights at the output

将表内的数据代入式（5）计算得出疲劳程度分级值，经过比对，类别2 与类别3 疲劳程度值基本重合，因此将疲劳等级划分为3 级：Ⅰ级疲劳、Ⅱ级疲劳、Ⅲ级疲劳。其中Ⅰ级疲劳代表不疲劳和稍微疲劳，疲劳程度Yp为［0，0.28）；Ⅱ级疲劳代表一般疲劳，疲劳程度Yp为［0.29，0.63）；Ⅲ级疲劳代表非常疲劳，疲劳程度Yp为［0.64，1.00）。

3.4 神经网络检测模型构建

实验共360 组有效的眼动数据，设置训练、验证、测试比例为70∶15∶15。设定最大训练次数6 000，学习速率0.01，误差平方和0.001。隐含层神经元个数s 根据经验公式s=+l 与实验效果选取，其中：n 为输入神经元个数；m 为输出神经元个数；l 为1～10 的整数。运行Matlab 进行神经网络训练经训练对比，确定隐含层神经元个数s=5，网络结构为5－5－1。训练后达到误差要求，模式识别结果如图2。

图2 模式拟合效果图Fig.2 Model fitting effect

训练神经网络对训练样本数据、验证样本数据及测试样本数据的模式识别正确率分别为89.3%，92.5%，93.95%，全体样本拟合率达90.58%，拟合效果较好。

3.5 预测模型实用性检验

对山西某煤矿监控作业模式进行测试，测试总量为10 人次，收集测试者眨眼频率、注视时长、眼跳次数、眼跳幅度、平均瞳孔大小等眼动数据，同时收集KSS 与DORATASK 评价值，根据式（4）计算出实际疲劳程度值ypS。根据作业者实测结果，确定输入向量［x1，x2，x3，x4，x5］，利用训练好的神经网络，输出模型预测识别结果ypY，得到测试数据和该煤矿监控作业疲劳程度预测数据分类结果，比较ypS与ypY，计算出模型实测误差率见表3。

分析测试结果可知，ypS与ypY的平均误差为6.26%，ypS与ypY的平均数值均在0.305，属于一般疲劳，该煤矿监控作业整体的疲劳程度评价良好，测试结果未出现Ⅲ级疲劳，其中Ⅰ级疲劳人次为5 人次，Ⅱ级疲劳为5 人次，作业负担适中，不易发生人因失误。

4 结 语

实现了基于主客观疲劳程度判定值对疲劳程度的分级。通过眼动追踪技术与面部视频录制的方法收集监控作业者眼动数据与面部特征，通过作业者自我评价与视频监控评价得出测试者疲劳程度评分。利用层次分析法、融合算法以及K-means 均值聚类算法对疲劳程度值进行聚类分析，最终将疲劳等级划分为3 级，并得出指标划分阈值，建立了以煤矿监控调度作业特征为背景的分级方法研究。以眼动数据为输入值，疲劳程度值为输出值，构建了基于BP 神经网络的疲劳程度预测模型。该模型是以煤矿监控调度作业眼动行为基础，主客观疲劳程度值为分类对象的分级预测模型。模型综合拟合度为90.58%，拟合效果较好。用预测模型对山西某煤矿监控作业人员进行测试, 测试模型平均误差率6.26%，预测效果较好。构建疲劳程度预测模型为评价作业模式负荷提供了一种新思路。对改善工作模式，缓解工作倦怠，减少因疲劳而产生的不安全行为提供了技术支持。眼动追踪技术使该方法具有快速、便捷的优势，以客观的生理数据作为支撑更具科学性，为进一步优化、设计合理的工作模式提供了依据。