基于心率变异性的高速列车乘员舒适度评价研究

彭勇，许迪雅，范超杰，谭胜玉，梁习锋

(1. 中南大学 交通运输工程学院，湖南 长沙 410075；2. 中南大学 湘雅二医院，湖南 长沙 410011)

随着我国高铁运营里程以及乘坐人数的增长，提升公众的出行舒适度与出行质量是高速列车发展中的重要环节。传统的列车舒适度研究主要关注由振动引起的舒适度变化，然而列车的运行工况与车内环境特殊，除振动外，乘员的舒适度受到温度、气压、座椅舒适度等多种因素的影响。国内外众多学者对高速列车的舒适度评价进行了研究，针对综合舒适度，刘璐[1]对影响高速列车舒适度的6个因素进行定义和划分，通过实车环境数据采集，提出列车的综合舒适度相关评价公式，并设计了列车综合舒适度调查问卷；王海涌[2]结合模糊粗糙集等理论，建立了高速列车多元舒适度评价指标体系及权重。对于耳气压舒适度，XIE等[3]通过建立耳部的有限元模型并进行模拟仿真，研究高速列车气压对听觉造成的不适；何德华[4]汇总了国内动车组压力变化实验结果并结合乘员主观舒适反馈，对列车压力变化及耳气压舒适度进行分析。针对振动舒适度，德英两国提出的Sperling 指标、UIC513 标准主要依据列车的振动幅值及加速度[5-6]评价振动舒适度的优劣。PENG 等[7]根据高速列车综合振动状况并结合乘员舒适度评分，对在列车不同运行环境下，长时间乘坐的乘员振动舒适度进行研究。目前的列车的综合舒适度、振动舒适度以及耳气压舒适度评估主要依据环境参数、模拟仿真或问卷调查结果，环境参数多采用既有标准，模拟仿真无法切实反映实车状态，问卷调查结果具有主观性过大的因素，因此不能有效地对乘员的生理状态进行评估。生理参数作为人体状态直接的反馈，可有效地反映人体舒适度状态。心电信号(Electrocardiogram，ECG)是心脏在自发性的血液循环功能中产生的一系列电位变化[8]，且在采集过程中拥有无创性、便携性的优点。心率变异性(Heart rate variability, HRV)是ECG中相邻心跳间期时间间隔的变化情况，可反应人体自主神经的平衡状态[9]，已应用至疲劳识别、情绪识别、舒适度识别等不同领域中。ABTAHI 等[10]的研究结果表明，心率变异性可反映受试者的疲倦状态。NKURIKIYEYEZU 等[11]通过研究在不同热环境下的心率变异性特征，所建立的模型对被试者的热舒适状态识别率达到93.7%。ZHANG等[12]提出将心率变异性作为路面平整度(IRI)和驾驶舒适度现有评估指标的补充，证明了使用心率变异性用来评估IRI 和驾驶舒适度的可行性。张祖怀[13]建立汽车驾驶虚拟试验室，对心率、肌电和呼吸频率的变化规律进行研究，验证了使用这3项生理指标评价驾驶疲劳的有效性。祝荣欣[14]通过采集分析被试者的心电和肌电信号，对联合收获机驾驶员的疲劳检测进行了研究。综上所述，心率变异性作为反映人体舒适度的评价指标已在疲劳、振动舒适等领域有所应用，但在高速列车乘员舒适度领域的研究较缺乏，且缺少基于高速列车真实运行环境的研究。因此需要研究反映乘员舒适度的心率变异性特征，并采用机器学习模型，建立高速列车乘员舒适度评估模型。本研究开展高速列车实车试验，基于心率变异性特征探究乘员舒适度劣化机理，并建立基于心率变异性的高速列车乘员舒适度评估模型，为有效评估高速列车乘员的综合、振动及耳气压舒适度提供建议与方法。

1 实验与方法

1.1 实验对象及试验流程

实验于长沙至贵阳的沪昆高铁线路上进行，共采集了4 名女性乘员及4 名男性乘员(年龄22±1岁)的心电数据及主观舒适度数据，被试者在实验开始前了解本实验的目的以及基本流程。在高速列车行驶过程中，对被试者的心电信号进行了全程采集，如图1(a)所示。心电采用了改进的心电标准导联Ⅱ方法。在实验过程中，被试在调整座椅至舒适角度后，每10 min 填写一次主观调查问卷，每次实验时长约为120 min。本文的技术路线如图2所示。

图1 生理信号数据采集Fig. 1 Physiological signal data acquisition

图2 技术路线Fig. 2 Technology roadmap

1.2 测试仪器及调查问卷

本次实验使用BIOPAC MP150 多导生理仪中的ECG 模块对乘员的心电信号进行采集，采样频率为1 000 Hz，试验设备如图1(b)所示。

主观调查问卷对被试乘员的综合舒适度、振动舒适度、耳气压舒适度共计3 个问题进行了调查。为了使被试者能够简单且相对客观地表述自己的舒适度感受，问卷采用视觉模拟量表，每个问题评分范围由-50 分至50 分，-50 分表示“不舒适”，50 分表示当前状态“舒适”，被试者依照当前自身的舒适度状态对相关问题进行打分，如图1(c)所示。对问卷获得的舒适度评分进行归一化处理，将评分划分为5个等级：0～0.2分为不舒适，0.2～0.4 分为轻微不适，0.4～0.6 分为正常，0.6～0.8 分为稍舒适，0.8～1.0 分为舒适。在最终使用“0，0.25，0.5，0.75，1”5 个数字分别代表上述5 种舒适度状态。

1.3 心率变异性指标计算

依据心电信号在采集过程中常见的信号干扰类型[15]及相关心电处理文献[16]，对心电信号进行0.5~100 Hz 的带通滤波以及50 Hz 的陷波作为预处理。一个完整的ECG波形由P波、QRS波群、T波及U 波组成，其中心跳间期是指2 次R 波之间的时间间隔，也称RR 间期，如图1(d)所示。在数据处理过程中取每次问卷填写前3 min 和后2 min 共计5 min 的时间段，识别该时间段内心电信号的R 波峰值并提取心跳间期，通过四分位数法识别并筛选异常的心跳间期，通过线性插值进行修正。心率变异性特征提取时间窗口设置为30 s，滑动窗口长度为2 s，对时间段内获得的特征值进行平均以作为该问卷对应的心率变异性特征值。本文中提取的心率变异性时域、频域以及非线性等10 种特征如表1所示。

表1 心率变异性特征及计算方式Table 1 HRV characteristics and calculation methods

2 结果及分析

2.1 综合舒适度影响分析

对被试者在问卷中综合舒适度问题中“舒适”及“不舒适”2 种状态下心率变异性特征的SDSD，SDNN， RMSSD， Mean_rr， pNN50， LF_norm，HF_norm，SD1，SD2 及ApEn特征进行计算，得到的散点图、平均值及标准差如图3所示。

图3 综合舒适度HRV特征变化Fig. 3 Changes in HRV characteristics about comprehensive comfort

进一步对被试的综合舒适度状态下的心率变异性特征进行Shapiro-Wilk 正态性测试，该正态测试方法适用于小样本的正态分布检验。对符合正态分布的特征进行配对样本T检验，对非正态分布的特征进行Wilcoxon符号秩检验。

表3 综合舒适度下心率变异性特征T检验结果Table 3 HRV characteristics T-test results about comprehensive comfort

根据结果统计可得，对于综合舒适度劣化，Mean_rr的显著性概率为0.033 7，低于临界值0.05，具有显著性，该值在“舒适”和“不舒适”之间差异在α=0.05 的水平上具有统计学意义。在舒适阶段Mean_rr值为(714.60±44.22) ms，在不舒适 阶 段Mean_rr值 为(757.36±46.12) ms，即 更 低Mean_rr代表乘员的综合舒适度良好，舒适状态劣化时Mean_rr值的增长程度为(6.17%±6.38%)。而本次所统计的其他特征值，虽部分特征在“舒适”至“不舒适”状态下数值有明显变化趋势，但在α=0.05的水平上差异不显著。

2.2 振动舒适度影响分析

对问卷中的振动舒适度问题中“舒适”和“不舒适”2 个状态下的10 个心率变异性特征进行计算分析，得到的各特征值散点图、平均值及标准差如图4所示。

图4 振动舒适度HRV特征变化Fig. 4 Changes in HRV characteristics about vibration comfort

进一步对该问卷对应的特征进行正态性测试与T 检验。T 检验的结果如表4 所示。根据检验结果可得，对于振动舒适度，SDNN和SD2 对“舒适”和“不舒适”之间的差异具有显著性。其中，在舒适阶段SDNN值为(36.14±10.67) ms，在不舒适阶段SDNN值为(43.66±6.55) ms，在舒适度劣化过程中SDNN值增长幅度为(25.99%±21.80%)；在舒适阶段SD2 值为(46.67±13.49) ms，在不舒适阶段SD2 值为(56.18±7.58) ms，在舒适度劣化过程中SD2 增长幅度为(25.67%±21.81%)。另8 种心率变异性特征值在α=0.05的水平上差异不显著。

表4 振动舒适度下心率变异性特征T检验结果Table 4 HRV characteristics T-test results about vibration comfort

2.3 耳气压舒适度影响分析

对问卷中的耳气压舒适度问题中“舒适”和“不舒适”2 个状态下的10 个心率变异性特征进行计算分析，得到的各特征值散点图、平均值及标准差如图5所示。

图5 耳气压舒适度HRV特征变化Fig. 5 Changes in HRV characteristics about ear pressure comfort

对该问卷对应的特征进行正态性测试及T 检验。T 检验的结果如表5 所示。根据检验结果可得，对于耳气压舒适度，本文中所使用的心率变异性特征于本次实验中在α=0.05 的水平上差异不显著。

表5 耳气压舒适度下心率变异性特征T检验结果Table 5 HRV characteristics T-test results about ear pressure comfort

2.4 基于随机森林的高速列车乘员舒适度评价模型

为进一步验证心率变异性特征在高速列车乘员舒适度评价中起到的作用，建立基于随机森林算法的高速列车乘员舒适度评价模型，以心率变异性特征值为模型输入，用于分类5 个舒适度等级。随机森林算法是一种集成机器学习模型，利用多颗决策树对样本进行训练并预测，是近年来流行的机器学习模型[17]。结果如表6 所示，综合舒适度的准确率最高，达到了74.32%，振动舒适度的准确率稍低，达到了70.67%。值得注意的是，虽然在前文分析中，耳气压舒适度与心率变异性特征未找到显著相关，但分类结果仍可达到68.27%。结果表明，利用心率变异性特征对高速列车乘员舒适度进行评价是可行的。

表6 高速列车乘员舒适度评价模型结果Table 6 High-speed train passenger comfort evaluation model results

3 讨论与分析

本研究通过采集高速列车列车运行过程中乘员的心电信号，并进行主观问卷调查，研究了心率变异性特征在综合舒适度、振动舒适度、耳气压舒适度劣化时的变化状态。生理信号参数不同的灵敏性特点决定了其应用范围，由心电信号分析得到的各类心率变异性特征值主要反映了人体神经的兴奋状态，因此主要对综合舒适度、振动舒适度以及耳气压舒适度问题进行分析研究。

自主神经系统由交感神经系统及副交感神经系统组成，受大脑支配而非意志支配。其中交感神经系统在人体处于紧张状态时占主导地位，副交感神经在人体在平静时占主导地位，两者之间一般呈拮抗状态，但也有研究表明两者并非简单的零和系统[18]。综合舒适度中，在95%的置信度下显著相关的Mean_rr在舒适状态下主要分布在[677.01, 805.85] ms，在不舒适状态下主要分布在[704.57, 824.47] ms，即Mean_rr在综合舒适劣化中呈上升趋势。表明在乘坐过程中乘员的RR 间期时长增加，心率下降，心脏搏动次数减小。在一些实验中，压力或烦躁等造成的不舒适会引起心率上升。但在本次实验中，问卷调查结果显示乘员综合舒适度中的“不舒适”评价多出现在试验的后半阶段，即综合舒适度受到乘坐时长的影响较大。8 名被试乘员的综合舒适度主观评价等级及Mean_rr随时间的变化如图6 所示。被试乘员的综合舒适度主观评价等级随时间增长有下降趋势，Mean_rr随时间增长呈上升趋势，且与主观评价等级基本呈反比状态。说明在长时间乘坐过程中乘员疲劳累积，导致疲倦、困乏状态占主导地位，副交感神经的活性增强，造成心率下降，与文献[19]中长时间驾驶疲劳试验中的结论相一致。振动舒适度中，在95%置信度下显著相关的SDNN与SD2分别反映心率变化中的慢变化成分与整体的长期变异性。文献[20, 21]表明振动会影响人体的各个器官与神经系统，导致大脑皮层兴奋过度、能量消耗过度，引起人体的加速疲劳。SDNN在振动舒适的劣化中呈上升趋势，反映了乘员疲劳程度的加深，与文献[14, 22]中的结论相一致；而振动舒适度劣化引起SD2 的上升，可能是不舒适及疲倦状态下人体交感神经活性减少所引起。在文献[12]中RMSSD随着路面平整度的下降而有所下降，即振动的增加造成了RMSSD下降，而在本次高速列车乘坐实验中RMSSD虽与振动舒适度无显著相关，但随着振动舒适度劣化呈上升趋势。文献[12]中为较短时间内的实验，而本文中的实验时间多为120 min 以上，实验结果的不同可能说明短时间内的振动与长时间振动积累对人体HRV 的影响具有差异。耳气压舒适度中，在95%的置信度下暂无显著特征，但在90%的置信度下显著相关的Ap-En随耳气压舒适度劣化呈下降趋势。由于高速列车为不完全密封环境，因此当高速列车进出隧道、列车交会或是加减速时列车周围的表面气压出现变化，导致车厢外的气压变化传递至车厢内部，使车厢内部的气压发生变化。由于外耳的压力随车厢内部变化，导致与中耳形成了压差，令乘员产生耳鸣或耳痛的现象。ApEn下降表明在耳气压不舒适引起HRV 的复杂度下降，心脏的神经系统调节能力下降，心率的波动降低。但是现阶段关于耳气压舒适度与HRV 的研究较少，其相关机理仍有待进一步研究。

图6 综合舒适度等级及Mean_rr时间变化Fig. 6 Comprehensive comfort level and Mean_ rrtime variation

此外，对比舒适等级与不舒适等级下心率变异性特征值，可以发现某些特征值指标存在相同的变化趋势，但显著性程度有所差异。为了更准确地区别判定不同舒适度等级，应进一步有针对性地选取并综合多种心率变异性特征作为判别依据。机器学习模型取得了较好的效果，在舒适度等级五分类的综合舒适度、振动舒适度和耳气压舒适度问题下分别取得了74.32%，70.67% 和68.27%的分类结果，证明了心率变异性中含有足够的高速列车乘员舒适度相关信息，且机器学习模型能有效提取其中的关键因素并用于准确评估。

4 结论

1)Mean_rr与综合舒适度等级在95%的置信度下显著正相关，表明长时间乘坐引发的疲劳困乏是综合舒适度劣化的主要原因。

2)SDNN及SD2 在振动不舒适状态下呈上升趋势，与振动舒适度在95%的置信度下显著相关。

3) 建立了基于心率变异性的舒适度识别模型，对综合舒适度、振动舒适度及耳气压舒适度的识别准确率分别为74.32%，70.67%和68.27%。