高铁司机行车前疲劳检测系统设计与开发

黄志强，张芳芳，顾卓筠，陈 涛，顾 苏，王灵眼

（1.复旦大学附属华山医院博士后流动站，上海 200040；2.华东师范大学心理与认知科学学院，上海 200062；3.上海惠诚科教器械股份有限公司研发中心，上海 201100；4.中国铁路济南局集团有限公司 济南机务段，济南 250023）

我国高速铁路（简称“高铁”）飞速发展，里程增加，速度提升，行车安全得到进一步重视。疲劳驾驶是行车事故的主要危险因素之一。高铁司机供不应求，工作负荷大，又是单司机驾驶。解决高铁司机的疲劳问题迫在眉睫。

交通安全领域的疲劳检测技术主要有以下几类：（1）基于驾驶员人体生理信号的疲劳检测方法，如心率等[1]；（2）基于人眼闭合等行为特征[2]；（3）基于车辆运行特征的检测方法，如侧位移，这只能用于汽车司机的检测；（4）多源信息融合的方法，如欧盟“AWAKE”系统，融合眼睑、行车特征指标等[3]。

具体应用于铁路交通的疲劳检测技术还在不断探索。近年有人基于不同算法，针对人脸部分特征监测疲劳状态[4]，或针对人眼闭合度检测疲劳[5]，这类方法监测指标较单一。文献[6]研发多信息融合的铁路司机疲劳检测方法，采集司机驾驶图像、脑电图及手动信息进行综合分析，检测手段较全面，但司机对脑电采集帽的接受度较低。上述疲劳检测方法还有个共同的缺点，就是检测耗时较长，无法满足高铁司机派班的实际工作需要。

从驾驶员行车前的状态入手，在检测有无饮酒的同时增加疲劳程度检测，也是防止疲劳驾驶的一种实用方法，而且是一种另辟蹊径的方法，这尤其适用于高铁司机。本研究基于多项生理、心理指标收集，全面分析评估以建立高铁司机行车前疲劳检测模型，开发相应产品。

1 疲劳检测方法

1.1 确定相关指标

长时间驾驶以及单调的工作易致疲劳，弱化驾驶员的感知觉和操作能力等。这种弱化会体现在驾驶员的各项生理指标中[7]，还会体现在认知指标和主观感受上。本文选择以下生理、心理指标：

（1）闪光融合临界频率。 断续的光刺激呈现于人眼时，会引起闪烁的感觉。随着呈现频率的增加，人会觉得光源不再闪烁，此为光的融合感觉。引起融合感觉的最小频率称为闪光融合临界频率（CFF，critical flicker-fusion frequency）。詹皓[8]研究了国内外数10篇相关文献，认为CFF能很好地评价车辆驾驶员的综合疲劳。

（2）心电信号。本研究选取心率值，LF/HF值，TP值进行测量。其中心率可作为测量驾驶员疲劳程度的有效证明[9]。低频功率(LF，low frequency)，高频功率(HF，high frequency)，属于心率变异性（HRV，heart rate variability）的频域指标。LF/HF反映了交感神经与副交感神经的相对活跃程度，会随着疲劳程度增加而上升[10]。TP值为测量时间内的HRV总功率(total power)，随着疲劳的加深而显著增大[11]。

（3）体温、呼吸等生理指标。通过与每位司机自身积累的数据比较，来辅助反应个体的疲劳状况。研究显示，当个体由清醒状态转疲劳时，体温显著下降[12]。王琳虹[7]等人将呼吸指标纳入疲劳检测系统很好的评估了驾驶员疲劳状态。对这些指标的检测还能发现司机的发烧等疾病状态。

（4）主观感受。本研究采用信、效度均较好的疲劳量表-14 （Fatigue Scale-14, FS-14）[13-14]，并结合高铁司机实测结果对题目进行取舍，以节约测评时间。

（5）睡眠时间估计。在与自身数据比较的情况下，出乘前一晚睡眠时间越短，个体越容易疲劳。

1.2 参与测试的高铁司机情况

某机务段291名高铁司机，正确完成各检测指标者180例，均为男性，平均年龄39.19±5.93岁。

1.3 工具

1.3.1 客观指标采集

采用PC-304生理参数检测仪，用于检测心率、血压、体温和血氧饱和度。采用可调式腹式呼吸带采集呼吸类相关指数，采集精度±3%，采集范围0～50次/min，响应延迟时间≤0.01 s；采用闪光频率融合仪器，采集范围30～50 Hz，精度0.1 Hz。

1.3.2 自述指标采集

通过自我评估，收集高铁司机出乘前一晚睡眠时间，分成＜5 h、5～6 h、6～7 h、7～8 h、＞8 h，共5个等级。

填写主观疲劳问卷。该问卷原版为14题，由英国King' s College Hospital心理医学研究室于1992年编制。高铁司机实测结果显示，其中，4道题的项目鉴别力＜0.19，且进行题总相关时，点二列相关结果均＜0.4，因此予以删除，以按照用户需求尽量缩短测评时间。该量表得分越高，疲劳程度越严重。

2 系统设计

2.1 系统总体架构

2台PC机分别用于疲劳检测、系统管理，部署在同一房间内。服务器（包括数据库服务器）部署在用于疲劳检测的PC机上。2台PC机通过路由器实现网络互通、访问服务器、数据一体化。软件系统包括操作系统、数据库系统、.NET Framework运行环境、硬件驱动、应用程序可执行文件。其中，操作系统为Windows 7，数据库系统为SQL Server 2008 R2，.NET Framework版本为4.0。

2.2 系统功能设计

各指标检测设备在5 min内完成全部检测，将数据上传至主机，并完成疲劳指数的计算和分级。此外设有保健知识推送和按摩放松功能，同时建立个人档案，以便自身对照，有利于可持续性调整驾驶员身心状况。

高铁司机行车前疲劳检测系统工作流程,如图1所示。

图1 高铁司机行车前疲劳检测系统工作流程

3 系统实现

3.1 计算综合疲劳指数

综合疲劳指数不是直接测得的，而是间接推算的，所以无法通过常规的回归分析来建模。

因子分析是一种通过具体指标评估抽象因子的统计方法，可以将抽象因子表示成具体变量的线性组合。本研究用SPSS第23版对各变量进行预分析，发现KMO值为0.442，偏低，但是Bartlett球形检验的显著性＜0.001，说明变量间相关性较好，可尝试因子分析。选取α因子分解方法进行因子抽取和旋转，得到若干因子，在其中寻找符合医学及心理学理论预期者。因子得分系数矩阵,如表1所示。

从表1可见，因子4各指标的系数都与疲劳状态一致，TP、LF/HF、FS10和血压等为正值；睡眠时间、闪光融合等为负值（睡眠不足易疲劳，疲劳时闪光融合频率下降）。因此选取因子4，按照各指标得分系数建立模型：综合疲劳指数 = 0.283×TP -0.203×昨晚睡眠时间 - 0.158×心率 - 0.152×闪光融合 + 0.14×体温 + 0.133×FS10 + 0.108×收缩压+ 0.097×呼吸 + 0.073×舒张压 + 0.031×(LF/HF) -0.027×血氧饱和度。

继续采用SPSS第23版，运用K折交叉验证的方式，将样本随机分割为K个等样本量的子样本，重复K次拟合计算：每次使用其中任意K-1个样本拟合模型，再用剩余的1个样本计算拟合误差。将K个误差平均即为某个模型的估计误差。最终通过比较不同模型的估计误差（预测标准误差），越小证明模型拟合程度越高。本研究采用10折交叉验证，模型采用分类回归决策树，对比前面建立的综合疲劳指数模型与单一指标模型检测疲劳的拟合度。SPSS软件在“分析”下拉菜单“分类”之“决策树”中设置相应变量，将生长法选为分类回归树（CRT，Classification Regression Tree），即可输出采用决策树的K折交叉验证的拟合度，结果显示，综合疲劳指数模型拟合度最好，优于单个指标反映疲劳状态的效果。具体结果汇总，如表2所示。

表1 因子得分系数矩阵

表2 疲劳检测各模型10折交叉验证结果

3.2 划分疲劳等级

使用K-均值聚类分析法对所得疲劳指标进行分类，得到5类。为了在实际应用中便于分级，将这5类的最低两类合并，得到4个疲劳等级。以疲劳等级为因变量，以综合疲劳指数为自变量，建立决策分类树。决策树算法选择CART算法。SPSS中模型设置如下：自变量疲劳指标被离散为4个区间，根据聚类分析结果，最小样本为10，因此根节点的最大深度取5，父节点和子节点各取20和10，交叉检验样本群树为10。最终分级，如表3所示。

表3 疲劳等级区间

3.3 附加干预功能的实现

将所建立的高铁驾驶员疲劳检测模型，配备立体控制台和智能按摩沙发座椅，生产出“高铁动车组乘务员多道身心检测系统”，可在5 min内完成全部指标的检测，并提供按摩放松操作和保健知识推送。同时建立个人档案，以便自身对照，有利于可持续性调整驾驶员身心状况。

4 系统应用

该系统已在中国铁路济南机务段试用，具有指标较全面、检测速度快、即刻出报告等特点，还能促使司机出乘前注意休息，以保证出乘时的良好状态。

5 结束语

在检索国内外文献之后，确定了检测指标，通过实验获得数据之后，建立了反映疲劳程度的模型，在此基础上开发出高铁司机行车前疲劳检测系统。经过验证，本系统检测速度快，是预防高铁司机疲劳驾驶的有效途径。作为一种探索和尝试，后续改进可从两方面展开：（1）完善检测指标。近年来，研究发现脑电信号能较好地预测驾驶员疲劳程度[15-17]，可考虑将其纳入模型。（2）当前该系统应用于行车前检测，未检测驾驶过程中的疲劳状况。以后可做到行车前、行车中、行车后的全面监控，更好地保障高铁行车安全。