基于PPG技术的电动列车司机HRV分析

高婷，朱海燕，刘志钢，朱琳

(上海工程技术大学 城市轨道交通学院 人因工程实验室，201620 上海)

1 引言

城市轨道交通作为一种现代化的交通方式，以其充分利用土地资源、拥有方便、快捷和舒适的乘车环境而得到迅速发展，并进一步带动城市经济的综合发展。所有与轨道交通运输安全相关的人员中，电动列车司机是行车安全系统中的核心子系统。据国内外学者对轨道交通安全事故原因的分析与研究，电动列车司机的失误是最终要的影响因素累计权重高达80%[1]。马爱英[2]、李航天[3]、靳辉[4]、道仁·叶尔江[5]等学者均通过设计不同驾驶环境和驾驶条件实验，得出结论司机的驾驶状态变化在心率变异性(Heart Rate Variablity，HRV)的指标上有明显变化。城市轨道交通的驾驶环境单一，需长期在地下工作，工作环境相对比较恶劣，电动列车司机极易产生情绪上的倦怠。长期的轮班作业和夜间作业以及面对突发事故情况下注意力的高度集中极易产生身体上的疲劳。

光电容积脉搏波描记法(Photo PlethysmoGraphy，PPG)正是一种借光电手段获取心脏有关的心理参数信息的方法。当心脏处于舒张状态时，外周血液减少，检测到的光强较大；相反，当心脏收缩时，外周血液增加监测到的光强减少。相较于心电图(Electrocardiogram，ECG),PPG是一种无创检测方法，代表产品运动手环等具有便携和实时的优点。Bulte CSE等学者[6]经实验得出健康受试者在同一环境和条件，心率变异性和脉搏变异性的相关度大于0.99。徐胜礼等学者[7]同步采集健康青少年、老年人等脉搏和心电数据，通过比对健康青少年全部参数均具有一致性。因此，PPG技术可有效代替ECG进行心率变异性分析。

2 实验

2.1 实验目的

城市轨道交通电动列车司机是轨道交通运营生产的关键环节，为保证运营生产安全，有必要实时监测司机生理情况和作业状态来。本实验基于光电脉搏采集板(图1)提出一种适用于电动列车司机的便携式光电容积描记设备模型(图2)。实验借助轨道交通模拟仿真驾驶系统，通过该设备采集被试电动列车司机的脉搏信号，对司机心率变异性进行分析，以获得列车司机疲劳趋势，最终实现疲劳的监测和预警。

图1 光电脉搏采集板

图2 便携式PPG描记设备模型

2.2 实验设计

本实验在轨道交通模拟仿真驾驶系统三号线驾驶舱中进行，如图3所示。三号线线路图如图4所示，上海南站至江杨北路上行方向，全程驾驶时间1 h。利用光电脉搏描记设备模型采集被试司机脉搏波，采样频率为256 Hz。实验共选取6名电动列车司机作为实验对象，均为男性，平均年龄(22.83±1.17)岁，其中被试电动列车司机A、D、E具有一年模拟驾驶经验，B、C、F均为无驾驶经验的新进电动列车司机。所有被试者身体健康，无心血管病史。

图3 模拟驾驶舱

图4 三号线线路示意图

2.3 实验要求及过程

(1)要求被试者实验前一天晚上充分休息，24小时内未服用影响自主神经系统活动的药物和刺激性食品。

(2)因三号线大部分线路为地上线路，为避免天气因素干扰，统一设置模拟驾驶天气为晴天，能见度100%。车辆为6节编组，载重为AW2额定载荷状态，要求停车精度小于等于50 cm。

(3)依据《上海地铁电动列车司机正线运行作业指导书》，要求列车司机执行标准化作业。

(4)实验开始前，被试者静坐5 min。实验过程中，需关闭手机等通讯设备，工作人员撤离驾驶舱。驾驶时间为上午10-11时，共计一小时。

2.4 HRV参数

HRV是描述随时间变动的心搏周期性的变化，即指逐次心跳之间的RR间期的微小涨落变化。HRV的主要分析方法有线性分析方法和非线性分析。心脏系统是一个复杂的系统，仅用线性分析方法掩盖课瞬时心搏的变化[8]，故选取线性分析中频域领域指标和非线性分析指标相结合的方法。

2.4.1 频域指标

从PPG设备模型采集的原始信号中获取RR间期，频域指标依据RR间期计算。在进行频谱估计之前，RR间期需进行三次样条插值成为等距采样序列[9]。常用的频谱估计方法有韦尔奇周期图法和自回归模型(Autoregressive Model，AR)算法两种。韦尔奇周期图法将RR间期划分为重叠段，并将每段窗口化以减少泄露效应，通过平均窗口端的快速傅里叶变换(Fast Fourier Transform，FFT)谱来获得频率估计，算法简单、运行速度快，适用于较长数据的谱分析。在AR方法中，RR间期用16阶数的AR模型建模，从估计的模型谱中获得频率估计谱，频谱曲线光滑，谱分辨率高，适用于数据较短的谱分析。本文中将获取RR间期分段进行谱分析，故采用AR模型算法。

由信号分析理论可知[10]，RR间期序列信号x(n)的功率谱密度看成是由自由噪声ω(n)激励已无力网络所形成，可写成：

(1)

该形式称为p阶自回归模型，p=16。

为得到AR模型的传递函数，将其进行z变化，传递函数为：

(2)

(3)

通常设置低频(Low Frequence,LF)频带范围0.04-0.15 Hz，是反映神经系统交感神经活性的辅助信息；高频(High Frequence,HF)频带范围0.15-0.4 Hz，交感与副交感神经系统的活性。低频与高频的比值(LF/HF)反映了交感迷走神经平衡性。

2.4.2 非线性指标

心脏系统是一个复杂的控制系统，线性分析方法掩盖了瞬时心搏的变化，故HRV分析还需采用非线性分析方法辅助论证。本文中的非线性分析基于RR间期绘制庞加莱散点图(Poincaré Plot)，该图以图形方式显示了连续RR区间之间的相关性，是描述心脏系统动力学的重构吸引子的投影。它以RRn/ms为横坐标，RRn+1/ms为纵坐标，沿着θ=π/4标识线方向呈现细长点云，每一个基于RR间期绘制的Poincaré散点图均可将一个椭圆适配于标志线上，椭圆的宽度和长度分别由垂直和沿着标志线的点的标准差SD1和SD2决定，如图5所示。

图5 连续RR间期Poincaré散点图

垂直于该直线方向上的稀疏散点，表示相邻RR间期的差异，代表HRV的瞬时改变，沿该直线方向上的长度代表记录时间段心率的总体变异度。同时，统计数据SD1可以用来衡量司机短期应对压力的能力，而SD2可以衡量长期应对压力的能力。为便于计算，将该图坐标系逆时针旋转θ=π/4，在旋转坐标系下[11]：

(4)

(5)

(6)

3 结果

(1)便携式光电容积描记设备模型所获取的PPG数据不可避免的受到高频噪声、基线漂移、运动伪影等噪声的影响，分别根据低通滤波器、基线波动趋势和PPG数据周期重复性去除噪声，原始PPG信号和去噪后PPG信号对比如图6所示。

(a)原始PPG信号 (b)去噪后PPG信号

图6原始PPG信号和去噪后PPG信号对比图

(2)将1小时PPG数据按5 min/段进行划分，计算6位被试电动列车司机的LF/HF比值趋势线如图7所示。

图7 6名被试电动列车司机LF/HF趋势线

由图7可见，驾驶前30 min，被试电动列车司机B、C、F的LF/HF趋势幅度明显大于A、D、E，说明新进司机在驾驶初期交感神经和迷走神经交替作用明显。相关研究表明，当机体处于紧张、情绪改变或不良环境中时,引起精神负荷增大,交感神经活性强度占优势,它使机体的应激水平上升，机体器官活性增强。

在40-45 min期间，6名被试司机LH/HF的比值呈现明显上身趋势，是由于该段时间内，车辆经宝山路由地面线路进入地下线路。

(3)被试电列车司机的1 h心率变异性非线性指标SD1、SD2按公式(4)-(6)计算，SD1和SD2指标可有效反应被试司机短期HRV和长期HRV变化水平。6名被试电动列车司机连续RR间期Poincaré 散点图如图8所示，统计数据汇总于表1。

(A) (B)

(C) (D)

(E) (F)

图8 6名被试电动列车司机连续RR间期Poincaré 散点图

SD1反应被试电动列车司机迷走神经活性，由结果可知B、C、E和F的SD1值>A和D，RR间期瞬时变化程度较大，对于健康被试多由于呼吸造成瞬时心搏变异变大。SD1指标反映A和D较其他被试短期行驶压力较大。

SD2反应被试电动列车司机交感神经活性，通常需记录24小时以反应心率的总体变异度。本实验记录的一小时数据表明，F的SD2最大，F的整体驱动应力最高，行驶压力最小。

正常窦性心律的心电散点图其一般SD1/SD2约等于0.25[12]。结果显示驾驶状态下SD1/SD2>0.25，说明驾驶作业中，需着重关注迷走神经对神经系统的调节作用。

4 讨论

(1)对实验数据进行分析中，基于PPG技术获取的LF/HF有效反应电动列车司机在驾驶过程中交感神经和迷走神经对机体的调节反应，特别是驾驶环境改变时波动明显。随着驾驶时间的增加，LF/HF值呈现上升趋势，交感神经持续活跃极易产生驾驶疲劳。由于疲劳的累积，身体负荷和精神负荷逐渐增大，被试司机交感神经和迷走神经复杂性降低。

(2)在实际驾驶作业中，非线性分析指标SD1在被试群体中处于较大者，考虑是否过度疲劳、情绪紧张、严重失眠或者大量吸烟、饮酒、过饮浓茶、咖啡等；SD2横向比较被试电动列车司机的整体驱动应力和长期驾驶作业下压力大小。

(3)HRV是定量评估自主神经功能的有效指标，在国内已广泛应用于临床。在脉搏描记技术愈加成熟的今天，相比脑电图(Electroencephalograph，EEG)、心电图，光电脉搏描记技术在分析列车司机心率变异性时，达到相同效果的前提下，更具有便携性和推广前景。但无论是线性或非线性分析，临床试验均基于被试24小时监测结果，被试电动列车司机均为体检合格入职的健康员工，光电脉搏描记是否可以描述病理状态还未得到验证。

5 结论

本文基于PPG技术和轨道交通模拟驾驶系统对电动列车司机正线驾驶下的心率变异性进行分析，研究结论如下：

基于PPG技术的LF/HF指标有效反应电动列车司机疲劳趋势，并为实现疲劳的实时监测提供了技术支撑。建立适用于电动列车司机SD1、SD2常模，可为电动列车司机选遴选提供指导。若条件允许，在不影响司机正常行车作业的前提下，建议实验采集平峰期、高峰期、列车故障处置等实际工作中列车司机的PPG数据，进一步确保数据的多样性和可靠性。上海轨道交通新三线14、15和18号线为无人驾驶线路，要求列车司机为多职能列控队员。相比安装面部识别等多融合监测设备与驾驶舱，光电脉搏描记成本更低，将更易于既有线路实现应用。该设备的应用将有效实现对多职能列控队员的监测。