基于K-means 的地铁驾驶员工作负荷状态判别

顾传扬，杨聚芬，刘志钢

（上海工程技术大学 城市轨道交通学院，上海 201620）

城市轨道交通驾驶员的应急作业具有复杂性、突发性和不可预知性的特点，在应急作业过程中通常需要投入的精力较多，对负荷影响较大。因此，监测地铁驾驶员应急作业的工作负荷并对工作负荷状态进行判别，对提高城市轨道交通安全有重要意义。

1 心电信号与工作负荷

在驾驶过程中，驾驶员在对周围环境进行感知、对驾驶操作进行决策时会发生心脏电位变化，这种反应心脏活动的电信号称为心电信号。心电信号是一种客观、有效地反映驾驶员负荷水平的指标[1]。

现有成果中基于心电信号的地铁驾驶员工作负荷的研究中，在信号去噪处理方面，Seena V 等[2]采用了三种不同方式的小波变换处理方式，发现小波变换在分析心电信号时十分有效。在状态判别方面，Hwang B 等[3]提出了一种深度学习架构及其结构参数，用于识别超短期ECG 数据下的负荷。在数据融合方面，何金松等[4]通过提取和融合脑电、心电等生理信号，基于多模生理信号融合特征，利用支持向量机模型对飞行员的工作负荷进行识别。已有研究成果较少运用到对样本进行聚类的方法，且验证方法较多使用主观评价法。

为解决上述问题，本文设计实验对心电信号进行采集和处理，在对心电信号特征点进行提取并得到工作负荷的判别指标后，使用K-means 聚类的方法对应急作业下各指标构成的数据集样本进行处理，以聚类所得结果为依据对工作负荷状态进行判别，并设置两组对照组实验对工作负荷状态判别结果的准确性进行验证，为地铁驾驶员工作时的安全状态监测提供依据和建议。

2 基于心电信号的工作负荷评价原理

一个完整的心电信号周期包含QRS 波群、P 波、T 波和U 波，QRS 波群中的R 波峰为整个心电信号周期的峰值点，如图1 所示。通常把两个相邻R 波间的距离，即RR 间期，作为两个心电信号周期的时间间隔。

图1 ECG 周期信号图

不同人在不同工作状态下RR 间期会呈现出不同的变化规律，衡量RR 间期变化规律的常用指标为心率变异性时域指标，主要有：

（1） MEAN：记录期间样本中各相邻RR 间期的平均值，可以用来反映心率变异的平均水平。

（3） NN50：记录期间样本中各相邻RR 间期大于50ms 的个数。

（4） pNN50：NN50占总RR 间期个数的百分比。

（5） RMSSD：记录期间样本中各相邻RR 的差值的均方根。

心率变异性是逐次心跳周期之间时间上的微小变异特性，可以有效地表征驾驶员工作负荷的差异[4]。为了研究心率变异性指标与工作负荷状态之间的分类关系，首先应用Silhouette 指标检验法对所有的心率变异性指标样本进行评价，得到最佳分类数k；再应用K-means 聚类分析法对所有的心率变异性指标样本进行迭代求解，以每个样本与聚类中心之间的距离不变作为迭代终止条件，把每个样本分配给距离它最近的聚类中心所代表的类别中，直到满足终止条件。

3 实验设计

3.1 实验目的

实验通过对驾驶员在各实验场景下的心电信号进行采集和处理，为地铁驾驶员工作负荷状态判别提供数据基础。

3.2 实验设备

实验设备为模拟驾驶平台、Equivital 心电监测设备。

3.3 实验场景设计

根据前人研究结果，当作业量或疲劳程度增大时，会表现出更大的工作负荷[5]。实验对应急作业下被试的心电信号进行采集，并增加低负荷状态和高负荷状态两组对照组实验并采集其数据。

其中，应急作业实验指的是：在模拟驾驶过程中，通过设置突发应急情况，采集被试对应急情况进行排故作业时的心电信号的实验；低负荷状态实验指的是：被试经过充分的休息且没有任何身体和心理负担，采集被试处在未驾驶列车的平静状态时的心电信号的实验；高负荷状态实验指的是：被试处于疲劳，已进行较长时间的列车正常驾驶作业，此时设置连续两起突发应急情况由被试进行排故，采集被试处在疲劳状态中进行多次应急作业时的心电信号的实验。

3.4 实验过程

实验前，告知被试实验的注意事项及流程并进行相关培训。为充分模拟应急作业的突发性和不可预知性，在实验前事先不告知被试将进行何种应急作业。实验过程中，采用心电监测设备测量驾驶员的生理指标信息。

本次实验在测试并安装实验仪器、正确佩戴心电设备后，对应急作业、低负荷状态和高负荷状态三种场景下被试的心电信号进行采集。实验情况如图2 所示。

图2 实验情况

4 基于K-means 的驾驶员工作负荷状态判别

4.1 心率变异性时域指标计算

QRS 波上的RR 间期的准确提取是心率变异性时域分析的基础，在采集到的心电数据中，由驾驶员动作导致的肌电干扰、呼吸频率的干扰及设备本身的工频干扰较多，需要对心电信号进行预处理来滤除干扰，降低R 波波峰识别的错误率。

本文应用小波变换在去噪处理中的优势[6]，考虑所测得的心电信号信噪比的前提下，选取合适的db 小波基函数及对应的尺度函数波形进行小波变换，对心电信号进行分解并重构；使用滤波器的方法对ECG 信号由于电位值偏离心脏处于静息时的电位值而产生的基线漂移进行抑制；对信号进行平滑滤波处理，去除强干扰信号对波形的影响，减少极值点错检的概率。

首先，应用上述方法对心电信号进行处理，处理前后效果对比如图3 所示；其次，提取RR 间期；最后，计算心率变异性时域指标。

图3 ECG 信号处理前后对比图

将经处理的ECG 信号划分为多个片段，运用MATLAB 中的Findpeak 函数求信号的局部极值点，对心电信号波峰进行识别，完成特征点的提取。R 波识别效果如图4 所示。

图4 特征值提取效果图

本文分别对实验采集的每组驾驶员的ECG 信号进行了处理和R 波提取，其中，随机选取6 段3 分钟的实验数据结果如表1 所示，R 波特征提取的正确率达到99.75%。

以30s 为分析间隔，对应急作业下的实验数据进行心率变异性时域指标计算，如表2 所示。

表1 R 波特征提取效果

表2 心率变异性指标值

4.2 基于K-means 的工作负荷状态分类

Silhouette 指标是检验聚类有效性的常用指标，以其易用和评价能力良好而得到广泛的应用，其值的范围为[-1, ]1 ，指标值越大表示聚类质量越好，其最大值对应的类数为最佳聚类数。

Silhouette 指标Si的计算公式如下：

其中：k 表示设定的聚类数，ci代表数据yi距离k 个分类中最近的一类。

步骤3 重复迭代步骤2 直至收敛。

经过12 次迭代后得到的各指标聚类中心值如表3 所示。由聚类结果，72 组应急作业样本中，聚类1 中的个案数目为15，聚类2 中的个案数目为57。

表3 最终聚类中心

4.3 判别效果验证

本文通过计算低负荷状态下各样本至聚类1 与聚类2 的聚类中心的距离，将各样本的工作负荷状态判定为距其最近距离的聚类中心所属的工作负荷状态，得到低负荷状态下的样本97.6%归类于聚类1，高负荷状态下的样本85.19%归类于聚类2，由此可将聚类1、聚类2 分别认定为低负荷状态和高负荷状态，在72 组应急样本中，有20.83%的样本处于低负荷状态，79.17%处于高负荷状态。表明判别结果的有效性，最终划分的低负荷状态与高负荷状态的聚类中心如图5 所示。

图5 聚类中心分布图

5 结束语

本文对应急作业下地铁驾驶员的心电信号进行采集与处理，实现了应急作业下的工作负荷状态判别，所得数据与结论可以有效地反映地铁驾驶员的工作负荷状态，为地铁驾驶员的工作负荷状态监测提供数据支撑。