基于面部特征的高速鐵路調(diào)度員疲勞程度判定方法研究

張光遠(yuǎn)，胡 晉，章子睿，胡 悅，張 帆

(1.西南交通大學(xué) 交通運(yùn)輸與物流學(xué)院, 四川 成都 610031；2.西南交通大學(xué) 綜合交通運(yùn)輸智能化國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，四川 成都 610031；3.西南交通大學(xué) 綜合交通大數(shù)據(jù)應(yīng)用技術(shù)國(guó)家工程實(shí)驗(yàn)室, 四川 成都 610031)

高速鐵路(以下簡(jiǎn)稱(chēng)高鐵)行車(chē)調(diào)度員是高鐵運(yùn)行的直接指揮者，其決策行為直接影響高鐵的安全運(yùn)營(yíng)。研究表明調(diào)度員的疲勞水平會(huì)隨著工作時(shí)間的延長(zhǎng)而增加[1-2]。疲勞狀態(tài)下作業(yè)可能對(duì)高鐵列車(chē)的運(yùn)行安全造成威脅。因此，建立高鐵調(diào)度員疲勞程度檢測(cè)模型，實(shí)現(xiàn)調(diào)度員疲勞程度判定預(yù)警，并針對(duì)較高疲勞程度予以及時(shí)有效的干預(yù)，對(duì)于保障高鐵運(yùn)行安全具有重要的理論價(jià)值與現(xiàn)實(shí)意義。

困倦作為疲勞的一種外在體現(xiàn)[3-4]，當(dāng)調(diào)度員過(guò)于困倦而無(wú)法安全作業(yè)時(shí)，則通知調(diào)度員。而疲勞程度的增加又表現(xiàn)為眨眼潛伏期、閉眼時(shí)長(zhǎng)、注視時(shí)間、瞳孔擴(kuò)張和認(rèn)知活動(dòng)指數(shù)(Index of Cognitive Activity,ICA)的增加[5]。調(diào)度員長(zhǎng)時(shí)間在單調(diào)環(huán)境中工作，并從事較為繁重的腦力工作，腦力疲勞是調(diào)度員疲勞的主要部分，腦力疲勞受到工作量，譬如最小行車(chē)間隔、列車(chē)數(shù)量等的影響[6]，工作時(shí)間的增加也會(huì)造成疲勞的不斷積累[7-8]。對(duì)面部特征的疲勞檢測(cè)中，通過(guò)視頻記錄下的圖像識(shí)別技術(shù)測(cè)量眼部、嘴部等面部特征譬如眨眼率、眨眼時(shí)長(zhǎng)、眼球掃視運(yùn)動(dòng)、閉眼時(shí)長(zhǎng)、點(diǎn)頭頻率等信息[9-10]，并對(duì)特征信息進(jìn)行判斷。其中對(duì)眼部特征的研究尤為突出,文獻(xiàn)[3]通過(guò)位于實(shí)驗(yàn)?zāi)M器前部的4個(gè)攝像頭組成的眼動(dòng)追蹤系統(tǒng)Smarteye記錄實(shí)驗(yàn)人員的眼動(dòng)數(shù)據(jù)；文獻(xiàn)[10]通過(guò)可視攝像機(jī)記錄實(shí)驗(yàn)人員的面部特征，使用機(jī)器學(xué)習(xí)在獨(dú)立的自發(fā)表情數(shù)據(jù)庫(kù)上開(kāi)發(fā)了來(lái)自面部動(dòng)作編碼系統(tǒng)的30個(gè)面部動(dòng)作的自動(dòng)分類(lèi)器。由于高鐵調(diào)度員疲勞程度是隨著工作時(shí)間變化而動(dòng)態(tài)改變的隨機(jī)過(guò)程，而馬爾可夫模型也可以通過(guò)對(duì)面部特征信息的分析實(shí)現(xiàn)對(duì)下一時(shí)刻狀態(tài)的預(yù)測(cè)，文獻(xiàn)[11]通過(guò)記錄眼部開(kāi)閉參數(shù)、眼睛眨眼速度和嘴部開(kāi)度參數(shù)，建立了兩狀態(tài)與三狀態(tài)的駕駛員疲勞險(xiǎn)態(tài)隱馬爾可夫模型(Hidden Markov Model，HMM)。文獻(xiàn)[12]則通過(guò)對(duì)BW(Baum-Welch)算法的改進(jìn)提高HMM對(duì)駕駛疲勞狀態(tài)的分類(lèi)準(zhǔn)確度。

目前關(guān)于疲勞的研究，大多針對(duì)空中管制員和機(jī)動(dòng)車(chē)駕駛員，對(duì)調(diào)度員尤其是高鐵調(diào)度員的研究較為少見(jiàn)，除任務(wù)模式及工作時(shí)間與空管不同外，其他對(duì)調(diào)度員的疲勞檢測(cè)可以參考對(duì)空管疲勞的相關(guān)研究。本文通過(guò)考慮時(shí)段演變下的面部特征信息實(shí)現(xiàn)對(duì)高鐵調(diào)度員疲勞程度的判定，以達(dá)到保障高鐵安全行車(chē)的目的。

1 實(shí)驗(yàn)方法

1.1 實(shí)驗(yàn)對(duì)象

從中國(guó)國(guó)家鐵路集團(tuán)有限公司調(diào)度員培訓(xùn)班的學(xué)員中招募16名年齡在 28～38 歲之間身體健康且不配戴眼鏡的男性參與者，要求熟練掌握高鐵調(diào)度操作的技能。

1.2 實(shí)驗(yàn)過(guò)程

實(shí)驗(yàn)在西南交通大學(xué)綜合調(diào)度指揮仿真實(shí)驗(yàn)室進(jìn)行。任務(wù)開(kāi)始前20 min參與者進(jìn)入模擬實(shí)驗(yàn)調(diào)度臺(tái)，適應(yīng)實(shí)驗(yàn)環(huán)境并熟悉實(shí)驗(yàn)流程。實(shí)驗(yàn)期間參與者全程佩戴The SMI Eye Tracking Glasses 2w(SMI ETG)眼動(dòng)儀，并使用2個(gè)攝像頭記錄實(shí)驗(yàn)過(guò)程，16名參與者在極易產(chǎn)生疲勞的時(shí)間段(12:00—15:00)[13]進(jìn)行高鐵行車(chē)調(diào)度任務(wù)，作業(yè)內(nèi)容見(jiàn)表1。且設(shè)置單位疲勞判斷時(shí)間為15 min，同時(shí)也作為時(shí)段特征數(shù)據(jù)集的標(biāo)準(zhǔn)。參與者需要每隔15 min根據(jù)主管感受在卡羅琳斯卡嗜睡量表(Karolinska Sleepiness Scale,KSS)上打分。任務(wù)正式開(kāi)始20 min后系統(tǒng)隨機(jī)出現(xiàn)突發(fā)事件，全過(guò)程突發(fā)事件共8次(1次/20 min，SD 3.0)。所有參與者均需按照相關(guān)行車(chē)細(xì)則[14]對(duì)突發(fā)的事件進(jìn)行處理。實(shí)驗(yàn)過(guò)程中記錄工作時(shí)間、注視時(shí)間、平均瞳孔大小、眨眼頻率、眨眼時(shí)長(zhǎng)、眼跳幅度、眼跳持續(xù)時(shí)長(zhǎng)、哈欠頻率，以及調(diào)度員的工作視頻。

表1 高鐵調(diào)度員作業(yè)內(nèi)容

1.3 高鐵調(diào)度員疲勞分級(jí)數(shù)的確定

通過(guò)融合計(jì)算，從實(shí)驗(yàn)過(guò)程中調(diào)度員主觀KSS值，以及視頻記錄下的調(diào)度員監(jiān)督KSS值與DORATASK值中獲取綜合值。通過(guò)基于高鐵調(diào)度任務(wù)的調(diào)度員人因失效概率以及K-Means聚類(lèi)得到疲勞程度的分級(jí)數(shù)，并對(duì)綜合值進(jìn)行分級(jí)，該綜合值作為高鐵調(diào)度員疲勞程度判定模型的輸出端參與到模型的訓(xùn)練當(dāng)中[15]。

(1)基于人因失效概率的高鐵調(diào)度員疲勞狀態(tài)分級(jí)數(shù)的確定

結(jié)合調(diào)度員工作任務(wù)表1中的內(nèi)容，根據(jù)三角模糊數(shù)權(quán)重因子，計(jì)算失效概率修正值CFP，調(diào)度作業(yè)失效概率見(jiàn)表2，其中P基本為基本失效概率，P為失效概率。

表2 調(diào)度作業(yè)失效概率[15]

基于人因失效概率計(jì)算方法及高鐵調(diào)度員操作流程計(jì)算出高鐵調(diào)度作業(yè)人因失效概率的三角模糊數(shù)，共計(jì)432項(xiàng)。對(duì)其不同的人因失效概率類(lèi)別進(jìn)行K-Means聚類(lèi)分析，聚類(lèi)結(jié)果見(jiàn)表3，并根據(jù)輪廓系數(shù)最大值確定分級(jí)數(shù)。

表3 基于K-Means聚類(lèi)對(duì)高鐵調(diào)度員人因失效概率分類(lèi)結(jié)果[15]

(2)高鐵調(diào)度員疲勞程度判定模型的輸出端數(shù)建立

高鐵調(diào)度員疲勞分級(jí)采用3級(jí)分類(lèi)，因此將疲勞等級(jí)劃分為3級(jí)：輕、中、重度疲勞。輸出端分級(jí)見(jiàn)表4。其中u1為主觀KSS值，u2為監(jiān)督KSS值、u3為DORATASK負(fù)荷值。

表4 輸出端影響因素的疲勞等級(jí)[15]

基于層次分析法u1、u2、u3權(quán)重。輸出端各指標(biāo)權(quán)重值見(jiàn)表5。CI為一致性指標(biāo)，CR為一致性比率。

表5 輸出端考慮因素的權(quán)重計(jì)算

模型輸出端的綜合疲勞程度為

(1)

式中：Up為輸出端疲勞程度值；ai為因素權(quán)重。

將表5中各值代入式(1),確定輸出端疲勞級(jí)區(qū)間，見(jiàn)表6。

表6 輸出端疲勞程度級(jí)別與Up區(qū)間對(duì)應(yīng)表

1.4 高鐵調(diào)度實(shí)驗(yàn)輸入端指標(biāo)分析

實(shí)驗(yàn)過(guò)程中記錄的指標(biāo)包括：工作時(shí)間、注視時(shí)間、平均瞳孔大小、眨眼頻率、眨眼時(shí)長(zhǎng)、眼跳幅度、眼跳持續(xù)時(shí)長(zhǎng)、哈欠頻率。首先需要分析輸入端指標(biāo)間相關(guān)性，以確定輸入端指標(biāo)的相互獨(dú)立性，檢驗(yàn)結(jié)果見(jiàn)表7。將這些指標(biāo)與輸出端的疲勞程度進(jìn)行Pearson相關(guān)系數(shù)檢驗(yàn)，檢驗(yàn)結(jié)果見(jiàn)表8。

由表7可知，模型輸入端各指標(biāo)間呈現(xiàn)弱相關(guān)，因此可以將各指標(biāo)單獨(dú)考慮，并于模型輸出端的疲勞程度進(jìn)行相關(guān)性分析。

表7 模型輸入端指標(biāo)間的顯著性系數(shù)

由表8可知，眼跳幅度與眼跳持續(xù)時(shí)長(zhǎng)的∣r∣值在0.2～0.4之間，屬于弱相關(guān)，而其他指標(biāo)則呈現(xiàn)中等相關(guān)甚至強(qiáng)相關(guān)。因此篩選出的作為模型輸入端的指標(biāo)為：工作時(shí)間T、注視時(shí)間x1、平均瞳孔大小x2、眨眼頻率x3、眨眼時(shí)長(zhǎng)x4、哈欠頻率x5。對(duì)面部特征指標(biāo)向量X={x1,x2,x3,x4,x5}進(jìn)行1.3節(jié)提出的K-Means聚類(lèi)，得出當(dāng)前時(shí)刻T的觀測(cè)狀態(tài)類(lèi)別oT(oT=1,2,3)。

表8 實(shí)驗(yàn)記錄指標(biāo)與模型輸出端疲勞程度的Pearson相關(guān)系數(shù)

2 高鐵調(diào)度員疲勞程度判定模型

HMM具有與時(shí)間相關(guān)的特性，在時(shí)序預(yù)測(cè)方面發(fā)揮重要的作用，同時(shí)在疲勞程度判定中也發(fā)揮了有效作用[11]。調(diào)度員的疲勞是隨著工作時(shí)間的變化而發(fā)生動(dòng)態(tài)變化的，HMM可以有效地體現(xiàn)這一特點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)作為人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANNs)的一種，在眾多的相關(guān)疲勞研究中發(fā)揮作用[16-17]，其優(yōu)點(diǎn)之一是可以從大量的數(shù)據(jù)中學(xué)習(xí)它們內(nèi)部的關(guān)系，從而得出相關(guān)的數(shù)據(jù)與數(shù)據(jù)間的計(jì)算方式，即不需要預(yù)先了解數(shù)據(jù)模式，便可從數(shù)據(jù)中推斷解決方案，同時(shí)ANNs具有泛化能力，可以有效解決數(shù)據(jù)的失真及不完整。由于ANNs是非線(xiàn)性的，比線(xiàn)性工具更能有效解決問(wèn)題。研究[6,18]表明，ANNs不僅可以通過(guò)不同來(lái)源信息對(duì)狀態(tài)進(jìn)行評(píng)估，而且可以預(yù)測(cè)達(dá)到某種狀態(tài)所需的時(shí)間，這對(duì)疲勞監(jiān)測(cè)有著重要的幫助。

因此，本文通過(guò)記錄5項(xiàng)面部特征參數(shù)，基于HMM的調(diào)度員疲勞判定方法與BP神經(jīng)網(wǎng)絡(luò)，建立了3級(jí)疲勞分類(lèi)下的高鐵調(diào)度員疲勞程度判定模型，再利用ROC曲線(xiàn)與判定準(zhǔn)確率混淆矩陣對(duì)二者進(jìn)行比較，討論兩種方法在調(diào)度員疲勞程度判定模型中的適用性。

2.1 基于HMM的疲勞程度判定模型

HMM是馬爾可夫鏈的擴(kuò)展，觀測(cè)對(duì)象的隱藏狀態(tài)序列I={i1,i2,…,iT}是馬爾可夫鏈，其中i1,i2,…,iT分別表示第1，2，…，T時(shí)刻下的調(diào)度員疲勞等級(jí)。任意時(shí)刻t對(duì)應(yīng)的狀態(tài)it不可觀測(cè)，但可以觀測(cè)與I相關(guān)的觀測(cè)狀態(tài)序列O={o1,o2,…,oT}，其中o1,o2,…,oT分別為第1，2，…，T時(shí)刻下的觀測(cè)狀態(tài)類(lèi)別。本文將5項(xiàng)面部特征信息序列，作為隱馬爾可夫模型的觀測(cè)狀態(tài)序列O，在此基礎(chǔ)上通過(guò)BW算法實(shí)現(xiàn)HMM的參數(shù)訓(xùn)練，并解碼計(jì)算確定高鐵調(diào)度員的疲勞程度。具體步驟如下：

Step1確定狀態(tài)轉(zhuǎn)移關(guān)系。將高鐵調(diào)度員疲勞程度分為3級(jí)。建立HMM，令從狀態(tài)等級(jí)Si到Sj的狀態(tài)轉(zhuǎn)移概率為aij,i,j=1,2,3。

Step2HMM參數(shù)訓(xùn)練。BW算法是確定馬爾可夫模型參數(shù)λ=(π,A,B)常用的無(wú)監(jiān)督學(xué)習(xí)方法。其中：π為初始時(shí)刻狀態(tài)的概率分布矩陣；A為當(dāng)前時(shí)刻t的隱藏狀態(tài)it轉(zhuǎn)移至下一時(shí)刻狀態(tài)it+1的狀態(tài)轉(zhuǎn)移矩陣；B為隱藏狀態(tài)對(duì)應(yīng)觀測(cè)狀態(tài)的觀測(cè)概率矩陣。BW算法可以分為兩步進(jìn)行：

①構(gòu)造關(guān)于λ(h)正相關(guān)的對(duì)數(shù)似然函數(shù)Q(λ,λ(h))：根據(jù)h次迭代的模型參數(shù)λ現(xiàn)有估計(jì)值λ(h)，計(jì)算對(duì)數(shù)似然函數(shù)Q(λ,λ(h))。

(2)

②求解出Q最大的情況下λ的最大值λ(h+1)。

(3)

給定模型參數(shù)λ，在t時(shí)刻處于it狀態(tài)，觀測(cè)到時(shí)刻t之前的觀測(cè)狀態(tài)O={o1,o2,…,ot}的概率稱(chēng)為前向概率αt(i)=P(o1,…，ot,it=qi|λ)。

同樣地，給定模型參數(shù)λ，在t時(shí)刻處于i狀態(tài)，觀測(cè)到時(shí)刻t之后的觀測(cè)狀態(tài)O=(ot,ot+1,…,oT)的概率稱(chēng)為后向概率βt(i)=P(ot+1,…,oT|it=qi,λ)。直至模型參數(shù)收斂，停止迭代。

(4)

(5)

Viterbi算法采用動(dòng)態(tài)規(guī)劃求解概率最大路徑(即最優(yōu)路徑)，每條路徑對(duì)應(yīng)從初始時(shí)刻到終止時(shí)刻的隱藏狀態(tài)時(shí)間序列I={i1,i2,…,iT}。從t=1開(kāi)始，遞推計(jì)算下一時(shí)刻以各結(jié)點(diǎn)為終點(diǎn)的部分路徑的最優(yōu)路徑和概率，直至t=T。此時(shí)，可以得出整體最優(yōu)路徑，以及最優(yōu)路徑的概率P*。

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的疲勞程度判定模型

選用模式識(shí)別模型作為該研究的BP神經(jīng)網(wǎng)絡(luò)模型將實(shí)驗(yàn)記錄下的高鐵調(diào)度員的5項(xiàng)面部特征信息作為神經(jīng)網(wǎng)絡(luò)的輸入層，根據(jù)模式識(shí)別神經(jīng)網(wǎng)絡(luò)輸出層的模式，設(shè)置輸出層值域?yàn)閧1，2，3}，隱含層神經(jīng)元個(gè)數(shù)[13,15]根據(jù)式(5)初步設(shè)定在4～15個(gè)，具體個(gè)數(shù)根據(jù)誤差百分?jǐn)?shù)確定。

(6)

式中：m為隱含層節(jié)點(diǎn)數(shù)量；n為輸入層節(jié)點(diǎn)數(shù)量；l為輸出層節(jié)點(diǎn)數(shù)量；α為1～10之間的常數(shù)。該神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)見(jiàn)圖1。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

3 結(jié)果分析

(1)基于BP神經(jīng)網(wǎng)絡(luò)的調(diào)度員疲勞程度檢測(cè)模型

基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的高鐵調(diào)度員疲勞程度判定模型，以5項(xiàng)面部特征(注視時(shí)間、平均瞳孔大小、眨眼頻率、眨眼時(shí)長(zhǎng)、哈欠頻率)和工作時(shí)間作為模型的輸入端，以基于KSS和DORATASK融合計(jì)算后的綜合疲勞程度為輸出端訓(xùn)練模型。以15 min為一個(gè)時(shí)段建立時(shí)段特征下的數(shù)據(jù)集，以眼動(dòng)儀記錄時(shí)刻為特征建立時(shí)刻特征下的數(shù)據(jù)集。實(shí)驗(yàn)獲得樣本中，70%用作訓(xùn)練集，15%用作驗(yàn)證驗(yàn)證集，15%用作測(cè)試集。不同隱藏神經(jīng)元數(shù)量下的誤差百分?jǐn)?shù)見(jiàn)圖2。

圖2 時(shí)刻及時(shí)段特征下的神經(jīng)網(wǎng)絡(luò)模式識(shí)別誤差百分?jǐn)?shù)

在時(shí)刻特征下，當(dāng)隱藏層數(shù)量為14時(shí)，誤差百分?jǐn)?shù)最小為8.516%。在時(shí)段特征下，隱含層個(gè)數(shù)同樣為14時(shí)，誤差百分?jǐn)?shù)最小。因此，本文BP神經(jīng)網(wǎng)絡(luò)的隱藏層個(gè)數(shù)為14。時(shí)刻特征與時(shí)段特征下的分類(lèi)識(shí)別ROC(Receiver Operating Characteristic Curve)曲線(xiàn)見(jiàn)圖3。時(shí)刻特征下的曲線(xiàn)總體靠近左上角，其AUC(Area Under Curve)面積大于時(shí)段特征下的曲線(xiàn)。在時(shí)刻特征下，判定效果最好的是Ⅰ級(jí)疲勞，Ⅱ級(jí)與Ⅲ級(jí)疲勞次之；而在時(shí)段特征下，判定效果則是Ⅲ級(jí)疲勞最優(yōu)。

圖3 時(shí)刻及時(shí)段特征下的BP神經(jīng)網(wǎng)絡(luò)疲勞程度判定ROC曲線(xiàn)

時(shí)段特征下的ROC曲線(xiàn)因?yàn)闃颖緮?shù)目過(guò)少，導(dǎo)致不能有效地判定疲勞等級(jí)，在驗(yàn)證集里無(wú)法辨別Ⅰ級(jí)疲勞。問(wèn)題同樣體現(xiàn)在對(duì)應(yīng)的混淆矩陣，Ⅰ級(jí)疲勞沒(méi)有判定。因此BP神經(jīng)網(wǎng)絡(luò)更適合在時(shí)刻特征數(shù)據(jù)集下的疲勞判定。

(2)基于HMM的調(diào)度員疲勞程度檢測(cè)模型

時(shí)刻及時(shí)段特征下的HMM的調(diào)度員疲勞程度判定ROC曲線(xiàn)見(jiàn)圖4、圖5。

圖4 時(shí)刻特征下的HMM的調(diào)度員疲勞程度判定ROC曲線(xiàn)

圖5 時(shí)段特征下的HMM的調(diào)度員疲勞程度判定ROC曲線(xiàn)

由圖4、圖5可知，兩種特征數(shù)據(jù)下的HMM模型對(duì)Ⅰ級(jí)疲勞的判定準(zhǔn)確度均較低，對(duì)應(yīng)的ROC曲線(xiàn)均在對(duì)角線(xiàn)下方。時(shí)段特征數(shù)據(jù)下的Ⅱ級(jí)與Ⅲ級(jí)疲勞判定ROC曲線(xiàn)的AUC面積均大于時(shí)刻特征下的AUC面積，因此時(shí)段特征下的準(zhǔn)確度明顯高于時(shí)刻特征數(shù)據(jù)下的HMM模型?；煜仃囈?jiàn)圖6。

圖6 時(shí)刻及時(shí)段特征下的BP神經(jīng)網(wǎng)絡(luò)及HMM疲勞程度判定混淆矩陣

由圖6可知，時(shí)段特征數(shù)據(jù)集下的HMM模型對(duì)Ⅰ級(jí)、Ⅱ級(jí)、Ⅲ級(jí)判定準(zhǔn)確率分別為：62.5%、33.3%、100%，對(duì)Ⅲ級(jí)疲勞的判定最為準(zhǔn)確，其次是Ⅰ級(jí)疲勞，Ⅱ級(jí)疲勞的判定準(zhǔn)確率最差，這一結(jié)果同樣體現(xiàn)在時(shí)刻特征數(shù)據(jù)集下的HMM模型。時(shí)刻特征數(shù)據(jù)集下的HMM模型對(duì)Ⅰ級(jí)、Ⅱ級(jí)、Ⅲ級(jí)判定準(zhǔn)確率分別為：47.1%、10.2%、91.7%，各級(jí)判定準(zhǔn)確率均低于時(shí)段特征數(shù)據(jù)集下的疲勞程度判定準(zhǔn)確率。結(jié)合ROC曲線(xiàn)結(jié)果，HMM模型更適用于時(shí)段特征數(shù)據(jù)集下對(duì)疲勞程度的判定。

BP神經(jīng)網(wǎng)絡(luò)在時(shí)段特征下，因?yàn)闃颖緮?shù)目過(guò)少，不能有效地判定疲勞等級(jí)，在驗(yàn)證集里無(wú)法辨別Ⅰ級(jí)疲勞。問(wèn)題同樣體現(xiàn)在對(duì)應(yīng)的混淆矩陣中，Ⅰ級(jí)疲勞沒(méi)有被判定。但在時(shí)刻特征數(shù)據(jù)集下，由于Ⅰ級(jí)疲勞出現(xiàn)數(shù)據(jù)后，其疲勞程度可判定出來(lái)，且判定準(zhǔn)確率高達(dá)91.7%。時(shí)段特征數(shù)據(jù)集下的Ⅰ級(jí)、Ⅱ級(jí)、Ⅲ級(jí)判定準(zhǔn)確率分別為：無(wú)、87.5%、100%，對(duì)Ⅲ級(jí)疲勞的判定最為準(zhǔn)確，總體準(zhǔn)確率為96.3%。但在時(shí)刻特征數(shù)據(jù)集下的Ⅰ級(jí)、Ⅱ級(jí)、Ⅲ級(jí)判定準(zhǔn)確率則分別為：91.7%、92.1%、91.9%，總體而言準(zhǔn)確率基本相同，且總體準(zhǔn)確率為92.0%。雖然從總體準(zhǔn)確率角度考慮，時(shí)段特征數(shù)據(jù)集下的總體準(zhǔn)確率高于時(shí)刻特征數(shù)據(jù)集下的，但是時(shí)段特征數(shù)據(jù)集下的判定模型沒(méi)有時(shí)刻特征數(shù)據(jù)下的判定準(zhǔn)確率平穩(wěn)。因此，BP神經(jīng)網(wǎng)絡(luò)更適用于時(shí)刻特征數(shù)據(jù)集的判定。

因此，HMM模型適用于時(shí)段特征數(shù)據(jù)集下的疲勞程度判定，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)模型則更適用于時(shí)刻特征數(shù)據(jù)集下的疲勞程度判定。

4 結(jié)論

本文基于高鐵模擬調(diào)度實(shí)驗(yàn)，根據(jù)調(diào)度員作業(yè)過(guò)程中面部特征信息對(duì)疲勞程度判定方法進(jìn)行研究，并建立疲勞程度判定模型主要成果及結(jié)論如下：

(1)基于調(diào)度員疲勞狀態(tài)轉(zhuǎn)移，建立三狀態(tài)的HMM以及BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別模型。根據(jù)HMM與BP神經(jīng)網(wǎng)絡(luò)的特性，對(duì)5項(xiàng)面部特征數(shù)據(jù)進(jìn)行處理。時(shí)刻特征數(shù)據(jù)集是以實(shí)驗(yàn)記錄到的數(shù)據(jù)為基準(zhǔn)，在經(jīng)過(guò)無(wú)效數(shù)據(jù)剔除后，作為時(shí)刻特征數(shù)據(jù)集。時(shí)段特征數(shù)據(jù)集則是以15 min為時(shí)段單位對(duì)原始數(shù)據(jù)進(jìn)行處理。

(2)通過(guò)HMM與BP神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)刻特征數(shù)據(jù)集與時(shí)段特征數(shù)據(jù)集的訓(xùn)練，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)對(duì)Ⅱ、Ⅲ級(jí)疲勞程度的判定優(yōu)于HMM，但對(duì)Ⅰ級(jí)疲勞程度的判定卻低于HMM。時(shí)刻特征數(shù)據(jù)集更適合對(duì)調(diào)度員的實(shí)時(shí)監(jiān)督，二時(shí)段特征數(shù)據(jù)集則適合對(duì)時(shí)段演變下的判定，為調(diào)度員疲勞研究的發(fā)展提供基礎(chǔ)。

本文基于高鐵調(diào)度員面部特征信息的人因可靠性模型，進(jìn)行了以高鐵調(diào)度員工作狀態(tài)為背景的疲勞程度判定方法研究。判定模型選用BP神經(jīng)網(wǎng)絡(luò)與HMM模型，通過(guò)對(duì)二者的對(duì)比，確定在時(shí)段特征下，考慮以HMM模型為對(duì)Ⅰ級(jí)疲勞的判定，BP神經(jīng)網(wǎng)絡(luò)則對(duì)Ⅱ級(jí)、Ⅲ級(jí)疲勞的判定。本研究為調(diào)度員疲勞預(yù)警研究提供理論支撐，后期擬結(jié)合高鐵調(diào)度員實(shí)際工作場(chǎng)景對(duì)時(shí)刻、時(shí)段特征數(shù)據(jù)集以及面部特征指標(biāo)做進(jìn)一步選取與驗(yàn)證，為對(duì)高鐵調(diào)度員疲勞程度判定提供更加科學(xué)的方法及依據(jù)。