基于疲劳模式识别的VDT作业工间休息机制*

吴雪琴,廖 斌

(1.电子科技大学 成都学院 计算机系，四川 成都 611731; 2.四川师范大学 商学院，四川 成都 610101)

0 引言

工间休息指工作间歇中的短暂休息，可以有效缓解工作疲劳，提高工作效率。目前，我国仅针对部分特殊行业人群，制定工间休息相关法律法规[1-2]。随信息化不断发展，信息系统(Information System，IS)被广泛应用于各行业领域。人与信息系统交互主要通过视频显示终端(Visual Display Terminal，VDT)实现，VDT持续作业是1项具有特定姿势的脑力劳动，是当今社会主要劳动模式，过量劳动会引发心理与生理疲劳，降低作业效率。我国VDT持续作业工间休息制度和标准尚未完善。

上世纪90年代，西方国家展开VDT作业时间制度研究：Grajewski等[3]认为在持续作业过程中，定时休息有利于提高工作效率；彭晓武等[4]通过试验研究VDT阅读工间休息制度，利用绩效和主观疲劳评价指标进行评估，提出劳动者每60 min至少需安排1次休息；徐凯宏等[5]以文本输入为作业形式，研究VDT作业工间休息制度，通过分析作业绩效与主观疲劳评价指标，认为作业60 min后需要休息；廖斌等[6]结合主观疲劳评价指标，运用模糊综合评价方法，提出基于劳动时间的VDT作业自适应工间休息制度。VDT作业时间制度研究取得显著成果，但目前仍存在以下3点问题：1)试验任务以VDT阅读和文本输入为主，不符合VDT作业“人机交互、认知性高”特征。2)工间休息采用固定时间方法，未考虑作业难度及个体差异，存在“一刀切”等不合理现象。3)通过人为判断疲劳程度作为工间休息依据，研究结果主观态度影响较大。因此，通过将试验方法与综合作业绩效、主观评价和眼动指标，进行BP神经网络训练，构建认知性VDT持续作业疲劳模式识别模型，为制定和完善工间休息机制提供理论依据。

1 VDT持续作业疲劳评价指标初选

作业疲劳指劳动者因高强度或长时间持续作业,导致劳动能力减弱、工作效率下降的现象，是工间休息机制主要评价指标[7]。作业疲劳评价方法包括绩效测量、主观评价和生理测量3种:绩效测量和主观评价操作简单，但易受劳动者主观态度影响；生理测量评价客观，但数据采集难度较大。因此,综合使用3类指标进行疲劳模式识别。

任务绩效评价指标主要以作业正确反应时和正确率为主[8-10]，其次还包括选择反应时间和任务正确率。

作业疲劳主观评价涉及劳动者心理努力程度、任务难易程度、作业时间压力以及生理不适等方面。以主观疲劳综合指数作为备用主观评价指标，减少试验过程中主观问卷填写中断时间，确保试验连续性。采用likert 9分量表，以整数1～9代表主观疲劳感受，其中1表示非常轻松，9表示非常疲劳。

眼动指标因实时性、无干扰性和有效性被用于作业疲劳实时测量中，并将注视时间、注视次数、瞳孔直径、扫描频率、眨眼频率5种基本眼动指标[11-12]作为备用生理指标。

2 试验方法

2.1 试验设计

试验采用持续操作测试(Continue Performance Test，CPT)、任务范式和Go-Nogo反应范式，运用E-Prime软件设计心算任务，模拟VDT持续作业。每个循环单元依次呈现4个刺激数字：T1、T2、T3、T4，每个循环单元呈现方式如图1所示。

图1 每个单元呈现方式Fig.1 Presentation of single trail

心算任务分D1、D2、D33个难度等级，试验水平设计见表1。综合考虑心算条件复杂度及完成心算时对刺激数字的记忆难度发现，D1难度最低，D2次之，D3难度最高。

表1 试验水平设计表Table 1 Design of experimental levels

为消除个体差异，难度等级采用被试内设计。被试根据每个单元中依次呈现的4个刺激数字，按照任务要求完成心算。若满足Go条件，回车键enter完成反应；若不满足Go条件(即No-go)，敲击space键完成反应。每个难度等级测试时间均为60 min，约350个单元。

2.2 被试

试验被试共30名，包括15名男生和15名女生；被试年龄介于19～23岁，平均年龄20.4岁。所有被试视力或矫正视力正常，无精神或心理疾病史，均为右利手。

2.3 试验设备与测量工具

试验主设备为电脑，连接22英寸LED显示器。任务绩效指标(正确反应时和正确率)由E-prime软件自动记录；主观疲劳综合指数通过likert9分量表测量；眼动指标由Tobii X2-30测量采集。

2.4 试验程序

试验前通知被试保证充足睡眠；测试前,被试需认真阅读任务界面指导语并进行2分钟适应性练习。测试时，被试需认真完成每个单元心算测试。测试全程持续60 min，期间主试人员需在10，20，30，40，50，60 min 6个时间点暂停测试，并让被试完成主观疲劳综合指数评价。由于暂停时间较短，对测试连续性影响可忽略不计。

每名被试需完成3个难度等级测试，每次测试间隔时间大于5 d。

2.5 数据采集与整理

测试完成后，统计所有被试在10，20，30，40，50，60 min 6个时间点的8个备选指标值。

1)正确反应时和正确率：E-prime软件记录每个单元数据，计算每个时间点前10 min内平均值。例如：被试第20 min正确反应时为10～20 min内该被试正确反应时均值。

2)主观疲劳综合指数：每名被试在6个时间点主观评价值。

3)由Tobii X2-30记录注视时间、注视次数、瞳孔直径、扫描频率、眨眼频率，并计算每个时间点前10 min内均值。

3 VDT持续作业疲劳评价指标体系

利用SPSS软件对8个备选指标的难度等级和持续时间均值进行方差分析，结果见表2。

表2 方差分析结果Table 2 ANOVA results

由表2可知，正确反应时、主观疲劳综合指数、注视时间、瞳孔直径、眨眼频率5个指标均值在难度等级和持续时间2个维度差异显著(p<0.05)，说明这5个指标对VDT持续作业疲劳变化较敏感;正确率和注视次数仅在持续时间维度差异显著，在不同难度等级中无明显差异；扫描频率在难度等级和持续时间维度均无显著差异。VDT持续作业疲劳综合评价指标体系如图2所示。

图2 VDT持续作业疲劳评价指标体系Fig.2 Index system for fatigue evaluation of VDT continuous operation

4 基于BP神经网络的作业疲劳模式识别及应用

4.1 BP神经网络基本工作原理

BP网络为多层前馈神经网络，输入信号前向传递，误差后向传递[13]。输入信号X[x1,x2,…,xn]由输入层经隐含层逐层处理，直至输出层。每层神经元状态仅对下层神经元状态有影响。如果输出层得不到期望输出项Y[y1,y2,…,ym]，则转入反向传播，根据预测误差调整网络权值和阈值，使BP网络预测输出逼近期望输出[13-15]。BP神经网络基本工作原理如图3所示。

图3 BP神经网络基本工作原理Fig.3 Basic working principle of BP neural network

4.2 构建作业疲劳模式识别神经网络

作业疲劳是作业强度和作业时间对人体机能消耗的积累，作业疲劳直接影响作业效率和生理指标，所以绩效指标与生理指标能客观反映人体疲劳程度;作业疲劳是主观性非常强的生理机能自我反馈，在相同劳动负荷下，不同个体之间存在较大差异。基于“以人为本”的管理理念，作业疲劳判断、工间休息安排应服从劳动者生理机能自我反馈(主观评价)[14]。实际作业管理中,劳动者主观疲劳判断存在多种问题，所以研究将被试绩效指标与生理指标作为输入，主观评价指标作为输出(试验中要求被试真实评价)，训练BP神经网络对作业疲劳进行模式识别，分析主观疲劳与客观绩效指标、生理指标之间映射关系[15]。

结合图2设计BP神经网络。输入指标：正确反应时(x1)、注视时间(x2)、瞳孔直径(x3)、眨眼频率(x4)，输入向量为[xi](i=1,2,3,4)，神经元个数为4；输出指标：主观疲劳综合指数，指标采用9标度评价，输出向量为[yj](j=1,2,…,9)，神经元个数为9。构建9种输出状态：Y1，Y2，Y3,…,Y9，9种状态分别对应9标度评价值1～9，Y1表示最低疲劳模式，Y9表示最高疲劳模式。隐含层神经元个数由经验公式确定，如式(1)所示：

(1)

式中：b为输入神经元个数；c为输出神经元个数；a为1～10的整数。

经训练对比，确定隐含层神经元个数d=12，网络结构为4-12-9。

4.3 训练神经网络

利用试验数据训练神经网络：隐含层和输出层传递函数分别采用logsig和tansig，训练采用trainscg函数。设定最大训练次数6 000，学习速率0.01，误差平方和0.001。每名被试采集18组数据(3个难度等级×6个时间点)，试验共生成540组有效数据，其中训练数据、验证数据和测试数据分别占70%，15%，15%。运行Matlab R2013a，训练489次后达到误差要求，模式识别结果如图4所示。

由图4可知，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92.6%，92.6%，95.1%，全体样本识别正确率达93.0%，识别效果较好。

图4 模式识别结果Fig.4 Results of patterns recognition

4.4 基于疲劳模式识别的工间休息机制与方法

根据作业者实测结果，确定输入向量[x1,x2,x3,x4]，利用训练好的神经网络，输出模式识别结果向量[y1，y2，y3，y4，y5，y6，y7，y8，y9]，根据结果向量确定疲劳等级指数k，如式(2)～(3)所示：

k=z(yz=max{yj,j=1,2,…,9},z=1,2,…,9)

(2)

(3)

式中:k为疲劳等级指数；y为输出结果向量。

式(2)～(3)均可确定疲劳等级指数k。其中，式(2)为最大隶属度原则，9标度整数赋值，精度相对较低，可用于粗略简易判断；式(3)为加权法连续赋值，精度相对较高，可进行精确评判。

根据疲劳等级指数k确定疲劳模式Mk。参考likert 9分量测评定，当k≥5时，建议进行工间休息。具体工间休息机制见表3。

表3 工间休息机制Table 3 Break mechanism

4.5 方法检验

在原试验方案基础上，调整部分试验参数：Go条件T2×T4+1=奇数，Go:No-go=5∶1，持续时间50 min。重新甄选2名被试进行试验，记为检验被试1、检验被试2。

采集2名被试正确反应时、注视时间、瞳孔直径、眨眼频率4个指标值，计算4个指标在时间段40～50 min内均值，构建输入向量，运用神经网络进行模式识别，检验结果见表4。

表4 检验结果Table 4 Text results

由表4可知，由于2种疲劳等级指数计算方法精度不同，检验结果存在较小差异，但与被试主观疲劳综合指数较吻合。因此，基于该方法提出的工间休息机制适用性较好。在相同作业工况下，不同被试疲劳模式不同，工间休息机制也存在一定差异，说明采用“一刀切”的工间休息制度不合理。

5 结论

1)构建适用于VDT作业的疲劳综合评价指标体系结合BP神经网络模式识别技术，能有效识别劳动者的疲劳状态。

2)VDT持续作业工间休息机制能解决实际工间休息管理中主观性强、“一刀切”等问题。

3)模式识别采用输入指标为客观性绩效指标和生理指标，在实际应用中数据采集难度较高；但随无干扰生理探测技术不断进步，能有效降低数据采集难度。