徐超遠(yuǎn)，栗繼祖，徐新華

（1.太原理工大學(xué)安全與應(yīng)急管理工程學(xué)院，山西太原 030024；2.太原理工大學(xué)經(jīng)濟(jì)管理學(xué)院，山西太原 030024；3.晉能控股煤業(yè)集團(tuán)李陽(yáng)煤業(yè)，山西晉中 032700）

煤礦監(jiān)控調(diào)度工作主要負(fù)責(zé)煤炭開(kāi)采、生產(chǎn)的統(tǒng)一調(diào)度，確保煤炭生產(chǎn)井然有序地進(jìn)行。同時(shí)也是煤炭事故預(yù)防的“眼睛”，在事故發(fā)生的第一時(shí)間進(jìn)行事故緊急處理，預(yù)防災(zāi)害擴(kuò)大。因此監(jiān)控調(diào)度作業(yè)決策行為在煤礦安全生產(chǎn)中扮演著重要的角色。相關(guān)研究表明[1]，在監(jiān)控調(diào)度工作中，作業(yè)者的疲勞程度與作業(yè)時(shí)長(zhǎng)成正比。良好的工作模式是提高工作效率、降低工作失誤的關(guān)鍵點(diǎn)。為了更好地搭建優(yōu)良的工作模式，作業(yè)疲勞檢測(cè)技術(shù)是必不可少的。目前國(guó)內(nèi)外關(guān)于煤礦監(jiān)控調(diào)度作業(yè)疲勞程度檢測(cè)的研究較為罕見(jiàn)，現(xiàn)有研究主要針對(duì)航空和交通調(diào)度作業(yè)的疲勞檢測(cè)。栗繼祖等[2]進(jìn)行了監(jiān)控作業(yè)者不同工作時(shí)段多次實(shí)時(shí)采集生理數(shù)據(jù)，對(duì)建立基于神經(jīng)網(wǎng)絡(luò)的認(rèn)知－行為－安全績(jī)效綜合評(píng)估模型做出了展望[2]；汪磊等[3]利用眼動(dòng)儀和視頻記錄系統(tǒng)，確定了PERCLOS 值、平均閉眼時(shí)長(zhǎng)、哈欠頻率的疲勞判定閾值，通過(guò)融合計(jì)算的方法開(kāi)發(fā)了可實(shí)用的疲勞檢測(cè)系統(tǒng)；吳雪琴等[4]對(duì)VDT 作業(yè)過(guò)程進(jìn)行分析，分析不同疲勞模式下的眼動(dòng)指標(biāo)，以此構(gòu)建了合理的VDT 作業(yè)工間休息機(jī)制；呂慶文等[5]以時(shí)間占用率為主指標(biāo)、能量代謝率為修正因子，基于DORATASK 方法構(gòu)建了工作負(fù)荷評(píng)估量化模型。陳小強(qiáng)等[6]基于K-means 法提出一種基于面部多特征融合的列車(chē)司機(jī)疲勞檢測(cè)方法；牛國(guó)慶等[7]通過(guò)眼動(dòng)追蹤技術(shù)，測(cè)試了不同腦力疲勞程度下的眼動(dòng)指標(biāo)值，發(fā)現(xiàn)了可以眼動(dòng)指標(biāo)可以用來(lái)判定人的疲勞狀態(tài)；DE Naurois 等[8]根據(jù)采集的生理數(shù)據(jù)指標(biāo)搭建了人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，利用模型預(yù)測(cè)被試多久達(dá)到生理疲勞。綜上所述，將以眼動(dòng)數(shù)據(jù)作為依據(jù)來(lái)實(shí)現(xiàn)對(duì)監(jiān)控調(diào)度作業(yè)疲勞程度的預(yù)測(cè)，考慮到以工作強(qiáng)度作為變量引起的作業(yè)者不同疲勞程度具有太強(qiáng)的目的性，導(dǎo)致實(shí)驗(yàn)的應(yīng)用性降低。因此，將使用大時(shí)間段的數(shù)據(jù)采集方法，收集作業(yè)者自然工作狀態(tài)下因疲勞而引起的眼動(dòng)數(shù)據(jù)特征變化；通過(guò)Kmeans 聚類(lèi)與BP 神經(jīng)網(wǎng)絡(luò)的方法來(lái)構(gòu)建煤礦監(jiān)控作業(yè)疲勞程度判定模型，實(shí)現(xiàn)監(jiān)控作業(yè)疲勞等級(jí)預(yù)測(cè)，為改進(jìn)工作模式提供依據(jù)。

1 實(shí)驗(yàn)設(shè)計(jì)

1）實(shí)驗(yàn)人員選取。選取30 人參加，實(shí)驗(yàn)人員均為男性，平均年齡為26 歲。所有被試者精神正常，無(wú)肢體障礙與視力問(wèn)題。每位被試在實(shí)驗(yàn)開(kāi)始前沒(méi)有疲勞狀態(tài)出現(xiàn)。

2）實(shí)驗(yàn)過(guò)程設(shè)計(jì)。實(shí)驗(yàn)眼動(dòng)指標(biāo)數(shù)據(jù)采用Tobii眼動(dòng)追蹤系統(tǒng)，面部監(jiān)督視頻的錄制采用logi 高清攝像頭。實(shí)驗(yàn)開(kāi)始前，被試者需要提前進(jìn)入實(shí)驗(yàn)平臺(tái)適應(yīng)實(shí)驗(yàn)環(huán)境、熟悉試驗(yàn)任務(wù)操作流程。實(shí)驗(yàn)時(shí)長(zhǎng)設(shè)定為1.5 h，實(shí)驗(yàn)內(nèi)容為監(jiān)控作業(yè)（設(shè)備運(yùn)轉(zhuǎn)狀態(tài)、查看施工維修計(jì)劃、查看現(xiàn)場(chǎng)監(jiān)控、查看防災(zāi)安全監(jiān)控系統(tǒng)、口頭指示）、通話作業(yè)（口頭指示、發(fā)布電話調(diào)度命令、聯(lián)系其他工種發(fā)布調(diào)度命令）和作業(yè)操作記錄（交班記錄、調(diào)度命令登記簿、安監(jiān)報(bào)記錄）。30 位被試者需要在1.5 h 的實(shí)驗(yàn)內(nèi)完成設(shè)計(jì)的任務(wù)內(nèi)容，并且每15 min 填寫(xiě)1 次羅琳斯卡嗜睡量表（KSS）[9]。

2 評(píng)價(jià)模型構(gòu)建

2.1 生理指標(biāo)信息與疲勞程度評(píng)分的獲取

煤礦監(jiān)控作業(yè)是一個(gè)需要不斷接受信息、判斷問(wèn)題、發(fā)出指令的工作，工作人員最易發(fā)生腦力疲勞。研究發(fā)現(xiàn)[10]，眼動(dòng)指標(biāo)因其實(shí)時(shí)性、無(wú)干擾性和有效性可以用來(lái)檢測(cè)腦力疲勞程度。因此，根據(jù)已有研究結(jié)果，選取眨眼頻率、注視時(shí)長(zhǎng)、眼跳次數(shù)、眼跳幅度、平均瞳孔大小等5 種基本眼動(dòng)指標(biāo)作為生理測(cè)量維度指標(biāo)。主觀疲勞程度由被試人員自我評(píng)價(jià)填寫(xiě)，客觀疲勞程度由專(zhuān)業(yè)評(píng)價(jià)者通過(guò)實(shí)驗(yàn)時(shí)錄制的監(jiān)督視頻進(jìn)行打分得出。

根據(jù)實(shí)驗(yàn)要求，30 名被試者將進(jìn)行1.5 h 實(shí)驗(yàn)測(cè)試。實(shí)驗(yàn)過(guò)后將1.5 h 的實(shí)驗(yàn)數(shù)據(jù)以15 min 為1區(qū)間平均拆分為8 組數(shù)據(jù)。每組數(shù)據(jù)作為單獨(dú)的實(shí)驗(yàn)數(shù)據(jù)存在，每組數(shù)據(jù)的眨眼頻率、注視時(shí)長(zhǎng)、眼跳次數(shù)、眼跳幅度、平均瞳孔大小等眼動(dòng)指標(biāo)將作為檢測(cè)模型的輸入端，主觀KSS 值、監(jiān)督KSS 值以及DORATASK 指數(shù)通過(guò)融合計(jì)算后將作為實(shí)驗(yàn)?zāi)Ｐ偷妮敵龆恕?/p>

2.2 基于K-means 聚類(lèi)分析的疲勞程度分級(jí)

將基于實(shí)驗(yàn)數(shù)據(jù)中的主觀KSS 值、監(jiān)督KSS 值及DORATASK 值作為特征值進(jìn)行K-Means 聚類(lèi)分析，聚類(lèi)算法實(shí)現(xiàn)基于Matlab 平臺(tái)。其步驟如下:

1）輸入360 組疲勞評(píng)價(jià)指數(shù)樣本X＝x1，x2，x3，…，x360。其中x＝［主觀KSS，監(jiān)督KSS，DORATASK］。

2）在樣本X 中，隨機(jī)選取n 個(gè)對(duì)象，每個(gè)對(duì)象代表1 個(gè)簇的初始均值（中心）a1，a2，…，an。

3）對(duì)剩下的每個(gè)對(duì)象，分別計(jì)算其與各個(gè)簇中心的歐式距離，將它分配到最相似的簇。

4）更新簇中心。對(duì)于每個(gè)簇來(lái)說(shuō)，就是根據(jù)簇中的當(dāng)前對(duì)象，來(lái)重新計(jì)算每個(gè)簇的均值aj，然后把該均值作為新的簇的中心。

式中：mj為屬于該類(lèi)別中心點(diǎn)j 下的所有樣本。

5）重復(fù)第3）、第4）步驟，直到分配穩(wěn)定。

2.3 疲勞檢測(cè)模型輸出端數(shù)據(jù)處理

作業(yè)疲勞程度判定模型輸出端的確定需要對(duì)主客觀KSS 值、DORATASK 值進(jìn)行融合計(jì)算得出。

2.3.1 利用層次分析法得出權(quán)重

利用層次分析法計(jì)算出3 項(xiàng)指標(biāo)的權(quán)重yp1、yp2、yp3。首先對(duì)指標(biāo)的相對(duì)重要性做評(píng)判，引用1～9的比例標(biāo)度來(lái)表示指標(biāo)間的相對(duì)重要性。對(duì)指標(biāo)層進(jìn)行比較判斷，并建立判斷矩陣A＝（aij）mn，元素aij是ai與aj為相對(duì)于評(píng)判對(duì)象重要性的比例標(biāo)度，aij取值為1～9 的比例標(biāo)度表示，具體規(guī)則如下：若因素i 與因素j 一樣重要，則取標(biāo)準(zhǔn)度為1；若因素i比因素j 稍微重要，則取標(biāo)準(zhǔn)度為3；若因素i 比因素j 明顯重要，則取標(biāo)準(zhǔn)度為5；若因素i 比因素j強(qiáng)烈重要，則取標(biāo)準(zhǔn)度為7；若因素i 比因素j 極端重要，則取標(biāo)準(zhǔn)度為9。研究中，判斷矩陣的最后賦值是在查閱大量文獻(xiàn)和規(guī)范標(biāo)準(zhǔn)、結(jié)合疫情防控實(shí)際經(jīng)驗(yàn)以及咨詢專(zhuān)家的意見(jiàn)后得出的，具有較好的科學(xué)依據(jù)。

接著對(duì)指標(biāo)權(quán)重進(jìn)行計(jì)算：用式（2）求解判斷矩陣A 每行所有值的平均值yˉi，然后對(duì)yˉi作歸一化處理，得到Y(jié)i（i＝1，2，…，n）。則Y＝（Y1，Y2，…，Yn）為對(duì)應(yīng)判斷矩陣的權(quán)重向量。

最后，進(jìn)行一致性檢驗(yàn)。一致性系數(shù)CI 計(jì)算公式為：

式中：（A×Y）i為向量AY 的第i 個(gè)元素；Yi為權(quán)重向量Y 的第i 個(gè)元素；n 為矩陣階數(shù)。

為了確定判斷矩陣的一致性，引入平均隨機(jī)指標(biāo)RI，n 為1 時(shí)，RI 為0；n 為2 時(shí)，RI 為0；n 為3時(shí)，RI 為0.58；n 為4 時(shí)，RI 為0.90；n 為5 時(shí)，RI 為1.12；n 為6 時(shí)，RI 為1.24；n 為7 時(shí)，RI 為1.32；n為8 時(shí)，RI 為1.41。

當(dāng)CR≤0.1 時(shí)，判斷矩陣的一致性認(rèn)為是可以接受的，否則需要對(duì)判斷矩陣進(jìn)行修正，直到可以通過(guò)一致性檢驗(yàn)。

2.3.2 歸一化處理和融合計(jì)算

進(jìn)行歸一化處理，為確檢測(cè)準(zhǔn)確度，保證數(shù)據(jù)處于同一維度，對(duì)采集的觀KSS 值、監(jiān)督KSS 值、DORATASK 值標(biāo)歸一化處理，處理后的指標(biāo)值yz為：

式中：ymin、ymax為指標(biāo)最小、最大值。

進(jìn)行計(jì)算，將層次分析法得到的Ypi與該指標(biāo)歸一化后的yz相乘，再將其相加，得到疲勞程度數(shù)：

式中：Yp為輸出端疲勞程度值；yzi為標(biāo)準(zhǔn)化后的輸出值；ypi為輸出值權(quán)重。

2.4 基于BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型構(gòu)建

BP 神經(jīng)網(wǎng)絡(luò)是通過(guò)誤差反向傳播訓(xùn)練的多層反饋神經(jīng)網(wǎng)絡(luò)，其基本思想是梯度下降法，利用梯度搜索技術(shù)，以最小化實(shí)際輸出值之間的誤差均方差。由于人的疲勞狀態(tài)和眼動(dòng)指標(biāo)數(shù)據(jù)是一種無(wú)規(guī)則、非線性的指標(biāo)數(shù)據(jù)，而B(niǎo)P 神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力，這使得其特別適合于求解內(nèi)部機(jī)制復(fù)雜的問(wèn)題。因此將實(shí)驗(yàn)采集的監(jiān)控調(diào)度作業(yè)人員眼動(dòng)數(shù)據(jù)(眨眼頻率、注視時(shí)長(zhǎng)、眼跳次數(shù)、眼跳幅度、平均瞳孔大小)經(jīng)過(guò)式（4）歸一化后作為輸入端，疲勞程度值Yp作為輸出端，利用BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建監(jiān)控作業(yè)疲勞程度判定模型，實(shí)現(xiàn)監(jiān)控作業(yè)疲勞等級(jí)預(yù)測(cè)。

3 實(shí)驗(yàn)結(jié)果分析

3.1 數(shù)據(jù)采集與分組

使用Tobii 眼動(dòng)儀共采集到360 組被試者的眼動(dòng)指標(biāo)數(shù)據(jù)，每組數(shù)據(jù)包含15 min 的眼動(dòng)指標(biāo)數(shù)據(jù)。利用Ergolab 人機(jī)環(huán)境平臺(tái)將360 組數(shù)據(jù)優(yōu)化處理，得到眨眼頻率、注視時(shí)長(zhǎng)、眼跳次數(shù)、眼跳幅度、平均瞳孔大小等5 種基本眼動(dòng)指標(biāo)。其中瞳孔數(shù)據(jù)選取為雙眼平均瞳孔直徑距離，數(shù)據(jù)補(bǔ)償方式選取埃米特插值，信號(hào)降噪方式選取為滑動(dòng)均值濾波。

將實(shí)驗(yàn)時(shí)被試填寫(xiě)的KSS 量表、后期視頻監(jiān)督KSS 量表以及DORATASK 值作為每組數(shù)據(jù)作為標(biāo)簽整合。為方便處理數(shù)據(jù)，將所有數(shù)據(jù)處理為同一緯度，利用SPSS20.0 對(duì)眨眼頻率、注視時(shí)長(zhǎng)、眼跳次數(shù)、眼跳幅度、平均瞳孔、主觀KSS、客觀KSS、DORATASK 進(jìn)行歸一化處理。

3.2 K-Means 聚類(lèi)分析

將360 組數(shù)導(dǎo)入Matlab 平臺(tái)進(jìn)行K-means 聚類(lèi)分析，軟件輸出聚類(lèi)效果圖與聚類(lèi)輪廓系數(shù)見(jiàn)圖1，考慮到聚類(lèi)數(shù)越多，聚類(lèi)精確度越低。K 為輪廓數(shù)結(jié)合輪廓系數(shù)綜合考慮，當(dāng)輸出數(shù)據(jù)聚類(lèi)為4類(lèi)時(shí)，聚類(lèi)輪廓系數(shù)最大，聚類(lèi)效果最好。因此采用K=4 作為疲勞程度值聚類(lèi)數(shù)。根據(jù)Kmeans 聚類(lèi)算法同時(shí)得到y(tǒng)1，y2，y3在聚類(lèi)系數(shù)K=4 時(shí)的聚類(lèi)閾值見(jiàn)表1。

圖1 聚類(lèi)分析效果圖與輪廓系數(shù)Fig.1 Cluster analysis effect diagrams and contour coefficients

表1 分級(jí)閾值Table 1 Grading thresholds

3.3 疲勞等級(jí)劃分

對(duì)3 項(xiàng)指標(biāo)進(jìn)行打分，根據(jù)層次分析法計(jì)算出各指標(biāo)權(quán)重, CR 為1 致性比率，輸出端因素權(quán)重見(jiàn)表2。

表2 輸出端因素權(quán)重Table 2 Factor weights at the output

將表內(nèi)的數(shù)據(jù)代入式（5）計(jì)算得出疲勞程度分級(jí)值，經(jīng)過(guò)比對(duì)，類(lèi)別2 與類(lèi)別3 疲勞程度值基本重合，因此將疲勞等級(jí)劃分為3 級(jí)：Ⅰ級(jí)疲勞、Ⅱ級(jí)疲勞、Ⅲ級(jí)疲勞。其中Ⅰ級(jí)疲勞代表不疲勞和稍微疲勞，疲勞程度Yp為［0，0.28）；Ⅱ級(jí)疲勞代表一般疲勞，疲勞程度Yp為［0.29，0.63）；Ⅲ級(jí)疲勞代表非常疲勞，疲勞程度Yp為［0.64，1.00）。

3.4 神經(jīng)網(wǎng)絡(luò)檢測(cè)模型構(gòu)建

實(shí)驗(yàn)共360 組有效的眼動(dòng)數(shù)據(jù)，設(shè)置訓(xùn)練、驗(yàn)證、測(cè)試比例為70∶15∶15。設(shè)定最大訓(xùn)練次數(shù)6 000，學(xué)習(xí)速率0.01，誤差平方和0.001。隱含層神經(jīng)元個(gè)數(shù)s 根據(jù)經(jīng)驗(yàn)公式s=+l 與實(shí)驗(yàn)效果選取，其中：n 為輸入神經(jīng)元個(gè)數(shù)；m 為輸出神經(jīng)元個(gè)數(shù)；l 為1～10 的整數(shù)。運(yùn)行Matlab 進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練經(jīng)訓(xùn)練對(duì)比，確定隱含層神經(jīng)元個(gè)數(shù)s=5，網(wǎng)絡(luò)結(jié)構(gòu)為5－5－1。訓(xùn)練后達(dá)到誤差要求，模式識(shí)別結(jié)果如圖2。

圖2 模式擬合效果圖Fig.2 Model fitting effect

訓(xùn)練神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本數(shù)據(jù)、驗(yàn)證樣本數(shù)據(jù)及測(cè)試樣本數(shù)據(jù)的模式識(shí)別正確率分別為89.3%，92.5%，93.95%，全體樣本擬合率達(dá)90.58%，擬合效果較好。

3.5 預(yù)測(cè)模型實(shí)用性檢驗(yàn)

對(duì)山西某煤礦監(jiān)控作業(yè)模式進(jìn)行測(cè)試，測(cè)試總量為10 人次，收集測(cè)試者眨眼頻率、注視時(shí)長(zhǎng)、眼跳次數(shù)、眼跳幅度、平均瞳孔大小等眼動(dòng)數(shù)據(jù)，同時(shí)收集KSS 與DORATASK 評(píng)價(jià)值，根據(jù)式（4）計(jì)算出實(shí)際疲勞程度值ypS。根據(jù)作業(yè)者實(shí)測(cè)結(jié)果，確定輸入向量［x1，x2，x3，x4，x5］，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，輸出模型預(yù)測(cè)識(shí)別結(jié)果ypY，得到測(cè)試數(shù)據(jù)和該煤礦監(jiān)控作業(yè)疲勞程度預(yù)測(cè)數(shù)據(jù)分類(lèi)結(jié)果，比較ypS與ypY，計(jì)算出模型實(shí)測(cè)誤差率見(jiàn)表3。

分析測(cè)試結(jié)果可知，ypS與ypY的平均誤差為6.26%，ypS與ypY的平均數(shù)值均在0.305，屬于一般疲勞，該煤礦監(jiān)控作業(yè)整體的疲勞程度評(píng)價(jià)良好，測(cè)試結(jié)果未出現(xiàn)Ⅲ級(jí)疲勞，其中Ⅰ級(jí)疲勞人次為5 人次，Ⅱ級(jí)疲勞為5 人次，作業(yè)負(fù)擔(dān)適中，不易發(fā)生人因失誤。

4 結(jié) 語(yǔ)

實(shí)現(xiàn)了基于主客觀疲勞程度判定值對(duì)疲勞程度的分級(jí)。通過(guò)眼動(dòng)追蹤技術(shù)與面部視頻錄制的方法收集監(jiān)控作業(yè)者眼動(dòng)數(shù)據(jù)與面部特征，通過(guò)作業(yè)者自我評(píng)價(jià)與視頻監(jiān)控評(píng)價(jià)得出測(cè)試者疲勞程度評(píng)分。利用層次分析法、融合算法以及K-means 均值聚類(lèi)算法對(duì)疲勞程度值進(jìn)行聚類(lèi)分析，最終將疲勞等級(jí)劃分為3 級(jí)，并得出指標(biāo)劃分閾值，建立了以煤礦監(jiān)控調(diào)度作業(yè)特征為背景的分級(jí)方法研究。以眼動(dòng)數(shù)據(jù)為輸入值，疲勞程度值為輸出值，構(gòu)建了基于BP 神經(jīng)網(wǎng)絡(luò)的疲勞程度預(yù)測(cè)模型。該模型是以煤礦監(jiān)控調(diào)度作業(yè)眼動(dòng)行為基礎(chǔ)，主客觀疲勞程度值為分類(lèi)對(duì)象的分級(jí)預(yù)測(cè)模型。模型綜合擬合度為90.58%，擬合效果較好。用預(yù)測(cè)模型對(duì)山西某煤礦監(jiān)控作業(yè)人員進(jìn)行測(cè)試, 測(cè)試模型平均誤差率6.26%，預(yù)測(cè)效果較好。構(gòu)建疲勞程度預(yù)測(cè)模型為評(píng)價(jià)作業(yè)模式負(fù)荷提供了一種新思路。對(duì)改善工作模式，緩解工作倦怠，減少因疲勞而產(chǎn)生的不安全行為提供了技術(shù)支持。眼動(dòng)追蹤技術(shù)使該方法具有快速、便捷的優(yōu)勢(shì)，以客觀的生理數(shù)據(jù)作為支撐更具科學(xué)性，為進(jìn)一步優(yōu)化、設(shè)計(jì)合理的工作模式提供了依據(jù)。