人机交互下智能仓储物流拣选操作者脑力疲劳

邵舒羽, 吴锦涛, 张朋, 张立伟

(1.北京物资学院物流学院, 北京 101149; 2.北京航空航天大学生物与医学工程学院, 北京 100083;3.北京机械设备研究所, 北京 100854; 4.中国科学院心理研究所行为科学重点实验室, 北京 100101)

物流业对于加快市场经济循环、提高流通效率具有极大的促进作用,也是推动经济高质量发展不可或缺的重要力量[1]。特别是智能仓储的出现极大地提高了物流业的运行效率[2],但依旧缺乏关于典型“货到人”(goods-to-person, GTP)订单拣选中人-机作业适配性及工效学的评价研究。

订单拣选作为智能仓储的重要组成部分,其效率的提高可以通过信息化、智能拣选任务来实现,但是项目和流程的异构性以及自动订单拣选系统所需的高额投资,使得中小型公司很难完全依赖此类系统,所以订单拣选依旧需要人的参与[3],甚至可占仓储运营成本的50%以上。影响订单拣选活动的因素包括存储分配方法、布局设计、路线选择、批处理和操作策略等,随着研究者利用数学规划模型[4],仿真方法[5]等研究订单拣选的决策支持模型的出现[6],特别是“货到人”订单拣选系统的出现[7],降低了操作者在存储区域行走需求,显著提高了拣货率、拣选准确率和设备内部利用率。

智能仓储功能的增强使得人对流程的控制已从简单的机械化发展到了计算机化的认知,所以仓储的自动化程度必须依赖于操作者与系统间的高效交互[8-9]。智能仓储的人-机交互设计取得了极大的进步[10],但是管理人员无法考虑人的特征(工作状态、身体姿势等)[11],这可能会导致系统性能异常使得现有交互成为新的技术问题,同时也给人-机交互带来了新的挑战。现有考虑人因工程的人-机交互研究优化了操作者的工作环境及绩效,但依旧存在工作的重复性高、处理重负荷以及姿势不当等因素使操作者面临疲劳的风险[12-13]。因此,面对劳动力成本的上涨,必须更加关注在持续性、高强度的智能仓储订单拣选操作可能导致操作者的脑力疲劳、生理压力及职业伤害等问题,从而提高订单拣选操作的可靠性、舒适性及安全性。

人的疲劳一般分为体力疲劳和脑力疲劳,订单拣选操作者密集的体力劳动容易使其身体疲劳。同时操作者需要对机器及环境的变化做出判断,操作者的信息感知、决策和执行等过程都发生在其神经系统中,随着不同操作类型及操作阶段的进行,操作者所需的认知资源需要与脑力负荷相匹配[14],也伴随着脑力疲劳的变化[15]。而智能仓储的高度自动化使得操作者的认知负荷的增加从而引起脑力疲劳,脑力疲劳的产生则会削弱操作者识别风险因素及操作绩效的能力。评估脑力疲劳和确定操作者大脑的功能状态有助于优化任务和计划作息节奏,以避免操作过程中的危险及错误[16]。脑力疲劳可以定义为个体能力与任务认知需求之间的差异[17],包括满足客观和主观绩效标准所需的注意力水平。脑力疲劳的另一个特点是自主神经系统内的生理变化,这种变化与处理任务的脑力投入有关,反映了大脑完成任务的努力程度[18-19]。

由于脑电信号(electroencephalogram, EEG)不同频带的功率谱特征与脑力疲劳水平之间存在明显的关系,因此脑电信号可以成为定性和定量地评估脑力疲劳有效的技术[20-21],来探索与脑力疲劳变化相关的综合信息[14]。学者们基于EEG信号使用了各种各样的方法来区分脑力疲劳,特别是EEG频带的频谱功率δ(0.5～4 Hz)、θ(4～7 Hz)、α(8～13 Hz)、β(14～30 Hz)[4,14]。在脑力疲劳分类方面,Chai等[22]选择了11个额叶电极,并使用基于自回归(auto-regression,AR)模型的功率谱密度(power spectral density, PSD) 对脑力疲劳进行分类,11通道数据的影响稍低,但处理时间缩短。然后,Chai等[23]使用独立成分分析(independent component correlation algorithm, ICA)和头皮映射反投影选择16个通道,并使用PSD提取特征,然后使用贝叶斯神经网络进行分类,疲劳与警报分类结果的准确率为75.5%。Wu等[24]使用深度收缩自编码网络提取(α+θ)/(α+β)、(α+θ)/β、θ/β、α/β的功率谱比值作为脑力疲劳检测特征的准确率达到了91.7%。郭孜政等[25]以脑电信号δ、θ、α、β频谱幅值为输入特征,结合支持向量机(support vector machine, SVM)模型构建了一种驾驶员脑力疲劳动态识别模型,但是该模型未考虑脑力疲劳的分级情况。张洁等[26]基于脑电功率谱密度分析了三种情景下操作者的脑电信号δ、θ、α、β,结果表明利用脑电信号和SVM的模型可以较精确地评估脑力疲劳。

上述研究多集中在持续任务下的脑力疲劳监测和状态识别,缺乏在持续性复杂性任务下人-机交互过程中脑力疲劳的研究,也没有关于体力疲劳与脑力疲劳神经生理学关系的研究。“货到人”订单拣选人-机系统的高效运行涉及操作者的重复性任务,操作者的上肢操作及不停面对“界面-传送带-拣选筐-界面”频率的增加,可能会导致操作者产生由工作任务引起的工作负荷[27],进一步引起影响人员判断、决策和执行能力的脑力疲劳[28]。因此,有必要采用有效的疲劳监测方法来检测操作者的疲劳程度。

现按照感知、判断和动作执行等认知步骤构建了三个不同难度的订单拣选任务,然后采用主观问卷、脑电信号综合分析操作者的脑力疲劳变化特征,对于需要体力和认知两方面努力的操作,分析体力疲劳和脑力疲劳之间的相互作用规律以及疲劳产生的机制。研究结果可以根据操作者的脑力疲劳情况动态分配作业任务,保证人-机系统运行的安全性和操作效率。

1 方法

1.1 受试者

实验招募了21名右利手本科男生(平均年龄23.7岁,标准差2.43岁),正常或矫正视力在1.0以上,无神经系统疾病。在实验之前,被要求清洁头发,并确保充足睡眠时间。在实验前24 h,他们不允许喝酒、喝茶、喝咖啡或服用任何药物。

1.2 实验任务

本研究涉及三种不同的订单拣选任务,如图1所示。

图1 实验流程Fig.1 Experimental process

任务1受试者在无体力疲劳状态下完成15 min订单货到人拣选任务。

任务2受试者需要在跑步机上进行15 min的跑步任务,然后完成15 min订单货到人拣选任务。

任务3受试者需要在跑步机上进行35 min的跑步任务,然后完成15 min订单货到人拣选任务。

在每次实验前,受试者被要求佩戴脑电采集设备,在上述任务过程中采集受试者脑电数据。在实验前后,被要求填写美国航空航天局任务疲劳指数量表(National Aeronautics and Space Administration-task load index, NASA-TLX)。所有受试者的三项任务都是随机分配。

1.3 实验设备

实验设备包括用于任务和数据采集的计算机和Brain Products脑电设备,以及订单拣选平台。采样频率为1 000 Hz,采样时带通滤波范围设定为0.05～100 Hz。在EEG数据采集过程中,头皮和电极之间的电阻设置为5 kΩ。其中32导脑电帽采用国际通用的10～20电极位置标准放置,设置参考电极为Fz,且前额接地,使用脑电帽上的电极采集受试者的垂直眼电。

1.4 脑电信号预处理及分段

首先,将采样频率降低到200 Hz,并通过小波变换对信号进行处理。然后通过集成经验模态分解将小波系数分解为固有模态函数,采用基于负熵准则的快速独立分量分析算法,得到各小波系数的独立分量。在独立分类分析(independent component correlation algorithm,ICA)逆变换后,去除眼电伪迹后,将独立分量投影回原始EEG信号的各个电极。最后,通过小波逆变换重构信号到脑电信号。

受试者身体的运动可能会导致电极的运动,进而减缓电压漂移,而出汗可能会导致缓慢的波动,两者都可能干扰EEG信号的基线电压。因此0.5 Hz以下的频率分量被直接过滤掉。采用IIR(infinite impulse response)数字滤波器对脑电信号进行0.5～40 Hz(48 dB/oct)带通滤波和50 Hz陷波处理。

1.5 脑电信号功率谱特征分析

许多研究使用大脑不同区域的节律波作为测试脑力疲劳的具体值。各种EEG节律特征可以用来揭示各种状态之间的内在联系。通过功率谱特征分析进行的脑力疲劳检测涉及每个节律的相对能量值和功率比。与经典的快速傅里叶变换和周期图相比,自回归模型(AR)是一种更好的光谱表示方法,该模型由于信噪比高,有利于获得高频率分辨率,适合计算每个节律波的相对功率值和各种比例参数。计算式为

(1)

式(1)中:X(n)为时序数据;P为模型的阶数;ai为权重;ε(n)为白噪声序列。

AR表示模型的输出,其作为P输入X(n-1),X(n-2),…,X(n-p)和当前输入ε(n)。将z变换应用于式(1)得

E(z)=C(z)X(z)

(2)

C(-1)(z)=X(z)/E(z)

(3)

式中:C(-1)(z)代表该传递函数,一般用H(z)表示,在z平面单位圆上取z=ejw,从而得到频率响应H(w)。如果E(z)是方差σ2的白噪声,则其频谱是平的,输出X(w)就是H(w)和σ2的乘积,公式为

(4)

如式(4)所示,EEG信号序列可以通过AR模型H(w)被视为白噪声的输出。因此,EEG信号的功率谱可以由σ2和所有ai确定。然后AR参数ai的估计方法可以定义为最小化预测误差功率。本文采用伯格算法计算AR参数。根据本研究的特点,选择θ、α和β的脑电节律特征。

选取受试者大脑的2个典型顶区和额区,利用AR功率谱算法计算各节律波的相对功率值和比例参数,参数为θ、α、β、α/θ、β/θ和(α+θ)/β。每个脑电特征值由两个因素组成:脑力疲劳和时间因素。前者是一个独立因素,有3个难度等级。后者是对3个时间点的重复测量,每个任务时间分为3段。

1.6 脑力疲劳检测方法

对疲劳状态划分通过定义一个合理的阈值,对阈值的两侧进行分类,这种方法能够对不同时段的任务进行等级划分,进而达到动态监测的目的。脑电信号中非线性动力学特征计盒分形维数值对脑力疲劳的变化有较好的敏感性,对预处理后的脑电数据以步长1 s为时间窗从左至右截取数据(每个时间窗有1 000个数据点),接下来计算每段时间窗的计盒分形维数值。

选用Fz、Cz导联的计盒分形维数值均值作为阈值划分参数来降低差异性,取21人次每个任务所有样本的计盒分形维数均值的25%与75%的分位作为三类任务状态划分的阈值,其中25%分位为1.408,75%分位为1.485。低于25%定义为低状态,标签为1;高于25%且低于75%的定义为中状态,标签为2;高于75%的定义为高状态,标签为3。如图2所示某一人次的计盒分形维数值在整个任务过程的变化情况。

图2 某受试者计盒分形维数在任务过程的变化情况Fig.2 Change of box-counting fractal dimension of a subject during the task

2 结果

2.1 主观量表结果

表1所示为单因素重复测量方差分析结果,由表1可以看出权重比较后的总值、脑力需求、体力需求、时间需求都有明显的显著性差异(P<0.05),但绩效表现、努力程度、受挫程度并没有达到显著性差异。这表明三种不同的体力疲劳在能够较好地区分脑力疲劳水平,受试者在完成较高疲劳任务时需要较高的脑力需求及体力需求,并且需要承受较高的时间压力,但是没有感觉严重的受挫,且受试者对自己的绩效表现并没有随着体力疲劳的增加而感觉明显变差。

表1 NASA-TLX不同维度单因素重复测量方差分析结果Table 1 Analysis of variance of single factor repeated measurement in different dimensions of NASA-TLX

表2所示为NASA-TLX不同维度值在不同体力疲劳成对比较分析结果。可以看出,脑力需求及体力需求在不同体力疲劳之间的显著性有着明显的差异(P<0.05),而权重比较后的总值、时间需求只有在高疲劳与低疲劳之间存在显著性差异(P<0.05),在低疲劳与中疲劳、中疲劳与高疲劳之间并没有显著性差异。

表2 NASA-TLX不同维度在不同体力疲劳成对比较分析结果Table 2 Paired comparison and analysis results of different dimensions of NASA-TLX in different task difficulties

可以看出虽然NASA-TLX不同维度在不同体力疲劳之间单调变化,但水平之间的差异反映了不同水平的脑力疲劳特征。在任务1中,由于受试者未进行体力活动,此时其主观感受并不明显。在任务2中,受试者脑力疲劳的主观感受明显增加。在任务3中,受试者主观感受进一步增加,由此可以看出,不同程度的体力疲劳诱发对受试者的脑力需求及体力需求有不同程度的影响,从而影响操作绩效。当体力疲劳增加时,诱发的认知能力的改变较为明显[29],这可能是由于体力疲劳导致受试者部分注意力难以集中,也表明了订单拣选任务可能诱发受试者的脑力疲劳。

2.2 EEG频谱分析

选取并分析典型的Fz和Cz电极上的α、β和θ功率谱进行分析,平均电压最大显著效应的平均频谱如图3所示。

图3 不同任务下的脑电功率谱图Fig.3 EEG power spectra under different tasks

电极Fz显示α功率谱密度在13 Hz附近显著降低,β功率谱密度在14～30 Hz显著增加,θ功率谱密度在4～7 Hz较为稳定。电极Pz显示α功率谱密度在8～13 Hz稳定降低,β功率谱密度在14～30 Hz缓慢增加,θ功率谱密度在4～7 Hz较为稳定。而在不同的任务中,电极Fz和Pz的α、β的任务2和任务3增加较明显,θ功率在三个任务中较为稳定。上述结果可能与额区中线θ带和顶区α带的PSD会出现显著的疲劳相关变化[20]。

采用双多元方差分析方法对Fz和Cz电极的α,β和θ的平均PSD和峰值进行分析,其中进行的变化以任务时间段为受试者内因素。结果表明顶区α测量时间的主效应显著(t=2.18,P=0.012),α(8～13 Hz)频段的平均功率在任务开始阶段变化明显,在任务后期及结束阶段显著降低,表明α随任务时间的增加而减小,也表明不同任务的操作时间对α的变化具有渐进效应,特别是随着体力疲劳增加时,α2(10～13 Hz)功率降低,进一步证明了α节律与记忆[14]和认知行为相关[30],额区β测量时间的主效应显著(t=2.63,P=0.005),β(14～30 Hz)频段的平均功率在任务开始阶段增加明显,在任务后期及结束阶段显著降低。额区θ(4～7 Hz)PSD显著线性增加,虽然θ峰振幅增加且趋势相似,但不显著(t=2.32,P=0.574)。

2.3 EEG计盒分形维数特征

表3列出了与不同脑区各计盒分形维数的两因素重复测量方差分析结果。在额叶区α、β、α/θ、(α+β)/θ和(α+θ)/β显著(P<0.05),体力疲劳在其变化范围内变化,α、β、θ、β/θ和α/β五个参数的组内效应显著(P<0.05)。在顶区α、β、α/θ、(α+θ)/β和β/θ显著(P<0.05),而任务差异在其变化范围内变化,θ、β、α、β/θ、α/β和(α+θ)/β六个参数的组内效应显著(P<0.05)。

表3 不同脑区各计盒分形维数的两因素重复测量方差分析结果Table 3 Results of two factor repeated measurement ANOVA of fractal dimensions of each counting box in different brain regions

根据额区和顶区的计盒分形维数特征,选择θ、α、β、α/θ、β/θ和(α+θ)/β,分析不同任务下相对脑力值的变化,如图4和图5所示。

*表示P<0.05,** 表示P<0.01,*** 表示P<0.001图4 不同脑力疲劳下大脑额区不同参数相对值Fig.4 Relative values of different parameters in frontal region of brain under different mental fatigue

*表示P<0.05,** 表示P<0.01,*** 表示P<0.001图5 不同脑力疲劳下大脑枕区不同参数相对值Fig.5 Relative values of different parameters of occipital region under different mental fatigue

θ是反映早期状态下与大脑疲劳有关的嗜睡情况,由于本研究的受试者保证了充足的睡眠,在受试者枕区和额区的θ相对能量值变化不明显。α随着体力疲劳的增加,相对能力值减少,而β/θ和(α+β)/θ随着体力疲劳的增加,相对能量值明显增加,但α/θ并未表现出明显的规律性变化。受试者枕区和额区的4个脑电图参数α、β、β/θ和(α+β)/θ对脑力疲劳水平也相当敏感,高体力疲劳下可以成功诱发脑力疲劳,特别是α/θ、β/θ和(α+β)/θ增加了警觉状态和脑力疲劳状态之间脑电图指标的差异指标[18]。

这些结果表明,脑电功率对体力疲劳和任务类型都很敏感,不同任务类型和操作时间之间的交互作用会引起相关脑区节律参数的变化,高体力疲劳下的认知所需任务明显会导致脑力疲劳的上升趋势,因此可以作为监测脑力疲劳的基础。

2.4 基于机器学习的脑力疲劳分类

由分析可知,α、β、β/θ和(α+β)/θ四项指标对脑力疲劳比较敏感,由于其应用于动态监测脑力疲劳有着较为明显的优势。所以采用脑电功率谱特征值作为脑力疲劳状态分类的特征参数。

为了去除与目标不相关的干扰信息进而提高正确率,同时减少特征维度,提高算法运行效率,需要对特征进行筛选。本文中采用逐步回归分析对样本特征进行筛选。①首先计算所有自变量(特征)与因变量(类别标签)的相关系数,按绝对值大小排序;②排序自上而下依次新引入一个新的自变量与之前保留的自变量一同与因变量建立线性回归模型,并检验回归方程的显著性,如果检验效果显著(P<0.05)则保留新引入的自变量,如果不显著则剔除新引入的自变量;③对每次更新后的回归方程中的每个自变量仍需做显著性检验、剔除、更新,直到回归方程中的每一个自变量都显著为止,再进一步引入之前未曾引入的新自变量,重复上述过程,直至无法剔除已经引入的自变量也无法再引入新的自变量。

逐步回归可以只保留那些与类别相关性高,且不会影响其他自变量与因变量相关性的特征,从而达到优化特征集的目的。采用逐步回归方法进行筛选后,将每个特征参数下的所有样本进行归一化到[0, 1]区间,处理方法表达式为

(5)

经过降维及归一化处理后总共构成[7 846×59]维样本数据,接下来将该样本数据随机划分为训练样本和测试样本两部分。训练样本占75%[5 884×59],其用于训练分类器,其中低状态、中状态、高状态训练样本分别为[1 458×59]、[2 946×59]、[1 480×59]。测试样本占25%[1 962×59],并对分类模型的性能进行验证,其中低状态、中状态、高状态测试样本分别为[501×59]、[980×59]、[481×59]。

采用经逐步回归保留的脑电特征,分别使用线性判别分析、朴素贝叶斯分类器[31]和支持向量机[32]机器学习方法进行分类。

在实际应用中SVM分类模型的数据大部分为线性不可分的,为了分类器更好的理解数据,SVM模型通过引入核函数的方式解决。本文中使用径向基核函数对脑力疲劳模型进行训练,最后分类效果和性能取决于径向基核函数中的特定的参数,核函数最优参数主要分为惩罚因子C及核函数半径g。利用网格搜索将惩罚因子C和核函数半径g在特定的范围内划分成特定密度的网格,之后遍历所有的网格节点,如果网格划分区域足够大,且步长足够小时,就能获取最优解。

利用(K-fold cross validation, K-CV)法对训练样本展开交叉验证,并进行网格寻优获取最佳的(C,g)组合,即满足C尽量小,准确率尽量高的标准。其中,C和g的取值范围设为[2-10,210],步长分别设为0.5。交叉验证K=5,其是将训练集分成5份,轮流将其中的4份做训练而另外1份做验证,最后将这5次结果的平均值作为模型正确率的估计。将划分好的训练集进行网格寻优得到如图6所示的网格搜索法寻优得到的结果C=1 024,g=0.011 049,训练模型的识别准确率可达96.82%。

图6 网格搜索法参数寻优结果Fig.6 Optimized parameters obtained by the grid search method

接下来使用这对参数对脑力疲劳模型进行训练,并使用测试样本对模型进行测试。通过线性判别分析,线性判别分析测试数据集、朴素贝叶斯分类器和支持向量机的识别准确率分别为84.2%、77.78%和96.89%。采用三种分类方法对获得的有效脑电指标进行训练、预测和分类。将经过降维和归一化处理的样本数据随机分为训练数据集和测试数据集,通过网格优化和交叉验证得到最优参数。在分类效果方面,支持向量机明显优于线性分类器和朴素贝叶斯分类器,但线性分类器优于朴素贝叶斯分类器,三种分类器的准确率都高于70%,基于支持向量机的脑力疲劳动态分类模型取得了较好的分类效果。

为了更好地验证本文方法的可行性,与其他方法得到的结果进行对比分析,其结果如表4所示。由表4可以看出采用AR模型+SVM方法对脑电信号的脑力疲劳分类识别准确率较高,特别是本文中选取了较少的脑区及较少的脑电参数,计算速度得到了极大的提升,进一步证明了本文方法对典型脑力疲劳特征提取及分类识别的有效性。

表4 本文方法与其他分类方法准确率比较Table 4 Comparison of accuracy with other classification methods

3 讨论

现阶段智能仓储的人-机交互设计集中在成本效益目标及其直接决定因素,在设计最终决定仓储绩效和长期安全的系统时,缺乏人因工程方面的综合考虑,操作者的个体因素往往被忽略或假定为具有恒定作用,即忽略了操作者的具体特征,并假设操作者的绩效随着时间的推移是恒定的,以及由此导致的操作者在系统中的绩效和健康安全问题。为保证订单拣选效率及仓储的高效运行,减少操作者体力疲劳诱发的脑力疲劳,同时为了提高智能仓储的整体运行效率,有必要分析操作者在订单拣选操作过程中的生理心理指标。

本研究基于脑力疲劳与任务要求、任务效率、环境情境敏感性和操作者的个体能力有关。首先分析了主观问卷获得的体力疲劳诱发的脑力疲劳特征。其次,采用合理的脑电信号处理方法,分析不同订单拣选任务产生的脑电信号的功率谱特征。

从主观问卷方面分析脑力疲劳动态变化趋势结果表明,随着体力疲劳的增加,受试者脑力疲劳水平提高,尤其从低疲劳到中疲劳状态下脑力疲劳水平提升最为显著,说明了主观问卷可以独立验证任务导致脑力疲劳的能力,但低疲劳的实验并没有诱发受试者的脑力疲劳。通过探索身体疲劳对脑力疲劳诱导的影响,可以看出智能仓储操作者的体力疲劳状态是影响操作绩效的主要因素,当工作时间较长或者任务难度增加时,操作者的脑力疲劳显著增加,特别是体现在脑电信号上面。

分析不同难度任务诱发的脑电信号的目的是识别随着脑力疲劳的产生,脑电图特征的有序的变化规律。同时分析执行不同任务时额区和枕区θ、α、β、α/θ、β/θ和(α+β)/θ等参数能量值。结果表明,任务差异的变化不会导致θ的能量值发生明显变化。α和β这两个参数对体力疲劳相当敏感。当涉及三个比例参数α/θ、β/θ和(α+β)/θ时,额叶和枕叶的中等疲劳与低疲劳没有明显区别。额叶区的β/θ不随体力疲劳的变化而变化。相对而言,α/θ和(α+β)/θ这两个参数对体力疲劳的变化比较敏感。此外,三个阶段的β相对能量值是脑电能量的主要组成部分,占脑电总能量的绝大多数。在3种任务下随着任务的进行,受试者的脑力疲劳程度的加深,β节律的相对值都显著降低,这与功率谱的变化趋势一致,β节律通常与大脑的兴奋状态有关(例如情绪和脑力活动)。当大脑从静息状态转变为任务状态时,β需要保持高浓度来完成任务[33],同时根据枕区和额区的统计结果,β节律在描述简单任务下的脑力疲劳的效果略好于复杂任务状态。

持续性、高强度作业会使得操作者保持警惕,从而导致体力负荷和脑力负荷的增加,高负荷则会影响操作者订单拣选任务的警觉性和注意力,从而影响其认知能力。而枕区与视觉认知功能有关,而额叶区与运动控制和推理有关,因此额叶和枕区的脑电参数α、β、α/θ、β/θ和(α+β)/θ应该对脑力疲劳相当敏感。定量描述了不同时期体力疲劳水平的变化或恒定所导致的脑力疲劳动态变化趋势。此外,脑电特征与脑力疲劳相互对应,从而建立了不同任务的脑力疲劳评价指标体系。

最后,将脑力疲劳监测转化为一种分类模式,并与脑力疲劳敏感性指数相结合。在合理选择阈值的情况下,采用线性分类器、朴素贝叶斯分类器和支持向量机对脑力疲劳状态进行分类识别。结果表明,支持向量机的分类准确率为96.89%,分类效果优于其他两种分类模型。通过逐步回归筛选样本特征,有效地去除了与目标无关的干扰信息,降低了特征维数,缩短了识别模型的训练时间,加快了学习速度,从而提高了识别精度。基于AR功率谱,提取θ、α、β、α/θ和β/θ特征参数,可以作为脑力疲劳评估的有效指标。在计算速度更快、耗时更少的特征提取过程中,通过定义合理的阈值,对阈值的两侧进行分类,这种方法能够对不同时段的任务进行等级划分,进而消除局部特征的波动性,所以AR功率谱可以作为动态脑力疲劳监测的指标。

本研究表明在智能仓储的订单拣选系统中,不仅要求操作者具有较好的身体机能,同时也需要保持较高的认知功能来识别规划和完成拣选任务。对于研究操作者的脑力疲劳,特别是对脑力疲劳状态的实时监测具有重要意义,可以通过操作者对拣选任务的反应重新调整体力疲劳来合理规划操作任务,提高智能仓储运行效率,对人-机交互下物流拣选操作现场的全面性、差异化疲劳管理措施的制定具有很高的理论和实际意义。

4 结论

本研究考虑了不同体力疲劳下操作者的脑力疲劳的不同,突破了以往对单一操作任务或操作时长的疲劳监测的研究,进一步明确了影响订单拣选任务的操作者疲劳的类型。同时本研究确定了不同脑力疲劳下的操作者的脑力疲劳脑电指标阈值,充分考虑了不同任务下操作者的脑力需求的不同,提出定量化科学化的脑力疲劳评价体系,可以提高订单拣选系统人-机交互的效率,最后探索了体力疲劳和脑力疲劳的相互作用规律以及疲劳的发展机制,通过分析不同疲劳程度的操作者的脑电指标的差异性,为有针对性的疲劳管理提供理论和技术依据。得到如下结论。

(1)脑电信号的功率谱特征的α、β、β/θ和(α+β)/θ四项指标比较敏感,能有效区分不同体力疲劳诱发下的脑力疲劳。可以有效区分操作者的体力疲劳与脑力疲劳。确定智能仓储操作者的疲劳类型,并根据疲劳制定合适的任务。

(2)不同体力疲劳下的订单拣选任务诱发的操作者的大脑额区及枕区的脑电信号参数变化不同。基于AR功率谱和支持向量机方法能快速识别脑力疲劳,该方法计算量小准确率高。算法有效解决了脑电信号测量的脆弱性以及实时监测的高效性。