楊如民，雷倩，余成波

(重慶理工大學電氣與電子工程學院，重慶 400054)

隨著社會的發(fā)展，職場壓力不斷加大，從事腦力工作的人數(shù)和工作時間都大幅增加，越來越多的人正在經歷著過勞現(xiàn)象。精神疲勞會使人產生倦怠情緒，心煩意亂、注意力降低、判斷決策能力低下等心理問題，長期疲勞更會間接導致心腦血管疾病、糖尿病和癌癥等一系列慢病疾病風險[1-3]。經研究表明，過度工作導致的精神疲勞會引發(fā)中風和過勞死，高強度的工作也會增加心血管疾病的發(fā)生概率。因此，能夠有效地檢測并避免精神疲勞是非常值得研究的[4-5]。

目前評估精神疲勞的方法主要分為主觀表量法和客觀測量法。主觀表量法即為通過自己對自身情況的評估和他人根據(jù)被試者的當前生理表現(xiàn)(眨眼頻率、打哈欠次數(shù)、表情是否麻木、目光是否呆滯等)來判斷。常用的疲勞量表有斯坦福嗜睡量表(Stanford sleepiness scale，SSS)、查爾德疲勞量表(Chard fatigue scale，CFS)等[6]?？陀^測量法即為通過儀器設備對人體生理參數(shù)的記錄來評判疲勞程度。目前通用的檢測疲勞的方法有腦電、肌電、心電、眼電檢測[7]。其中，主觀表量法雖簡單高效，但人為因素導致測量精度較低?？陀^測量法有較強的說服性和較高的準確性，但需要復雜的測量儀器及繁瑣的信號采集方式。

光電容積脈搏傳感器是一種非侵入性光電測量技術，具有裝置簡單、結構緊湊、易于攜帶且不會對人體造成損傷的優(yōu)點[8]。利用光電容積脈搏波信號(photoplethysmographic，PPG)進行疲勞檢測已成為中外學者研究熱潮。于露等[9]利用光電容積脈搏波對有限空間的載人進行實驗，比較疲勞與未疲勞狀態(tài)下信號特征參數(shù)，得出在疲勞狀態(tài)下，脈搏波傳導周期增大；同時，脈搏信號下降沿斜率增大表征著外周血管阻力增大；脈搏信號上升沿斜率增大表征著心臟收縮射血量減小及射血速度減慢等有益結論。Dang等[10]對脈搏信號采用自適應尋峰算法提取R峰，根據(jù)R-R間期計算心率從而進行人體疲勞檢測。Dibyanshu等[11]根據(jù)PPG信號重建呼吸模式來評估人體精神疲勞。以上方法在疲勞檢測中都取得了較好的成果，不足之處在于采用單一的特征來表征疲勞狀態(tài)，從而導致檢測精度較低。李鑫等[12]使用波形分析方法提取表征駕駛疲勞的特征指標，構建駕駛疲勞等級特征指標集，在此基礎上引入證據(jù)理論建立了基于多特征融合的駕駛疲勞檢測模型，使疲勞檢測精度提高到91.8%。但由于對特征值選擇和分類分散進行，造成特征值過度冗余，計算量大。

綜上所述，現(xiàn)有的疲勞檢測算法普遍存在精度低、而計算復雜度高的問題，難以對精神疲勞進行精準量化評估。為此，提出了一種基于BA-RFC和脈搏波的疲勞檢測模型。針對傳統(tǒng)的單特征算法精度較差的問題，利用光電容積脈搏傳感器提取脈搏波的多個特征建立特征集；針對傳統(tǒng)多特征融合算法冗余度高計算量大的缺點，先利用蝙蝠算法(bat algorithm，BA)進行迭代搜索，得到全局最優(yōu)解坐標——即全局最優(yōu)決策樹樹數(shù)和全局最優(yōu)分類特征數(shù)。進而把這些最優(yōu)參數(shù)代入隨機森林分類算法(random forest classification，RFC)對原特征向量集合進行排序、篩選，得出疲勞相關性較高的特征組,并進行疲勞檢測。

1 人體疲勞狀態(tài)數(shù)據(jù)采集及特征提取

1.1 數(shù)據(jù)準備

實驗數(shù)據(jù)采集裝置為AFE4403EVM套件，該套件使用(serial peripheral interface,SPI)與外部主機處理器通信，可用于脈搏波信號實時采集。實驗采集對象為25名無重大疾病(心臟病、高血壓等)的健康大學生，年齡在20～26歲，實驗前要求被試者正常作息，不喝咖啡、茶、功能飲料等提神飲品。實驗分為3個時間段(8：00—9:00、13:00—14:00、20:00—21:00)進行，每個時間段進行一次實驗。實驗過程中被試者除了正常吃飯、學習、工作，還額外安排了大量論文閱讀。實驗分為兩步進行，第一部分為PPG信號的測量，使用采集裝置采集2～3 min的脈搏波形，共采集3次；第二部分為當前疲勞程度主觀判斷，首先被試者需要完成一套測評，計算測評得分在九級(Karolinska sleepiness scale,KSS)疲勞量表(表1)上對應的等級來記錄當前自測疲勞等級K1，其次安排一位觀察員來對被試者進行問題詢問和觀測，通過詢問結果得到進行評價并記錄下他測疲勞等級K2。最后綜合自測和他測結果綜合判斷當前疲勞等級，若K1、K2值相等則任取一個，若兩者不相同則通過式(1)計算出當前疲勞等級K。

表1 九級KSS疲勞量

K=[0.4K1+0.6K2]

(1)

式(1)中：[·]表示取整。

1.2 PPG信號預處理及特征提取

由于PPG信號是微弱信號，采集的信號會有較大誤差，需要PPG信號通過濾波過濾掉噪聲以得到較完整的波形，再從中提取特征點并計算表征生理參數(shù)特征。大量的人體生理信息可以在脈搏波中體現(xiàn)，疲勞狀態(tài)也不例外，隨著人體疲勞程度的變化，脈搏波也會隨之變化。因此，可以根據(jù)脈搏波特征來判斷人體疲勞狀況。PPG信號主要分為時域特征和頻域特征，時域特征是對脈搏波信號時域圖中在時間軸上通過對脈搏波的周期、夾角、速度、面積、波形幅值等參數(shù)的分析[13]，通過相關計算得到的特征。如脈搏波相對幅值、心動周期、收縮壓舒張壓面積、每搏輸出量、心跳間隔、脈搏壓變異率、心率、血氧飽和度值等。頻域特征是對時域波形進行傅立葉變化得到，其主要頻域特征包含功率譜值，倒譜，譜能比等。擬提取的20個PPG特征如表2所示。

表2 脈搏波特征

2 優(yōu)化隨機森林疲勞檢測方法

2.1 隨機森林算法

隨機森林(random forest，RF)是由決策樹組合的集成學習模型，決策樹是一種樹形結構，其內部各節(jié)點表示各類屬性判斷，各分支表示各判斷結果的輸出，各葉節(jié)點代表各分類結果。但由于用單個決策樹來分類存在較大方差，因此，隨機森林的引入便能跨越單決策樹的限制，減少方差，達到更佳的分類精度。隨機森林在多棵決策樹的思想上提出了兩個隨機，一是訓練集的隨機生成，通過bootstrap從原始數(shù)據(jù)有放回地集中隨機抽取產生每棵樹的訓練數(shù)據(jù)；二是特征子集的隨機選擇，從N個特征變量中，隨機抽取小于n(n

圖1 隨機森林原理圖

2.2 蝙蝠算法

蝙蝠算法是基于群體智能理論所提出的啟發(fā)式尋優(yōu)算法，是基于粒子群算法的改進提高[15]。蝙蝠算法是通過模擬蝙蝠獵食過程來實現(xiàn)尋優(yōu)，所有的蝙蝠都是以固定頻率fi、在位置xi處速度vi來隨機飛行的，在飛行過程中通過回聲定位及自動調節(jié)波長和響度來判斷獵物的位置。蝙蝠在捕獵初期會發(fā)出發(fā)射率小，響度大的脈沖來搜索獵物，而靠近獵物時，蝙蝠則會調節(jié)脈沖變?yōu)榘l(fā)射率逐漸升高、響度變小去接近捕捉獵物。其迭代原理如下。

(2)

用式(2)在搜索空間隨機產生。

xij=Lj+rand(Uj-Lj)

(3)

式中：n為所求問題的維度；xij為蝙蝠i第j代的位置坐標；Lj和Uj分別為xij的上下界；M為蝙蝠的種群數(shù)；j=1,2,…,n；rand為[0,1]中符合均勻分布的隨機數(shù)。

隨后，根據(jù)式(3)～式(8)對參數(shù)進行更新[16]。

fi=fmin+(fmax-fmin)β,β∈[0,1]

(4)

(5)

(6)

Xnew=X*+εAT,ε∈[-1,1]

(7)

(8)

(9)

2.3 基于蝙蝠算法參數(shù)尋優(yōu)的隨機森林優(yōu)化算法

隨機森林算法中多個參數(shù)的設定都會對整個模型輸出結果產生一些影響，如決策樹數(shù)目L、分裂特征數(shù)m、預測試樣本數(shù)X、剪枝閾值ε′。傳統(tǒng)的參數(shù)設定都是根據(jù)經驗而來，為了提高輸出結果分類精度，引入蝙蝠算法來優(yōu)化參數(shù)L和m。

優(yōu)化后的隨機森林算法中，將RF中的L、m兩參數(shù)作為蝙蝠算法中的蝙蝠的兩個坐標位置，每個蝙蝠都具有速度和位置兩個屬性，分別代表蝙蝠移動的快慢和方向。每個蝙蝠在解空間中單獨搜尋最優(yōu)解記為當前極值，找到局部最優(yōu)。等到下次循環(huán)時，與其他蝙蝠共享，通過學習自身歷史經驗和種群歷史經驗，與上一次位置比較后調整自己的位置和速度，最終找到一個全局最優(yōu)解。優(yōu)化算法具體步驟如下，算法原理如圖2所示。

圖2 BA-RFC算法原理圖

步驟1參數(shù)初始化，設定算法的最大迭代次數(shù)，群體規(guī)模為M,每個蝙蝠的位置為xi，速度為vi，其中蝙蝠位置由RF中的L、m賦值。

步驟2設置蝙蝠當前位置為個體最優(yōu)位置，將蝙蝠代入隨機森林模型中，計算每個蝙蝠的適應度，即袋外數(shù)據(jù)誤差eodb記任一個適應度值作為當前全局極值Pbest。

步驟3對每個蝙蝠比較其適應度值和個體極值，取大值記為當前個體極值Pg。

步驟4迭代計算，更新蝙蝠位置、速度。

步驟5將每次RF算法運行的結果反饋到蝙蝠算法中，更新適應度值。

步驟6將更新后的每個蝙蝠的Pg與全局極值Pbest比較，取大值來更新Pbest。

步驟7是否達到最大迭代次數(shù)或Pbest不再更新，則終止，否則返回到步步驟4。

步驟8輸出此時的L和m。

最后用優(yōu)化后的隨機森林進行建模。由于從脈搏波形中提取到的特征眾多，但并不是所有特征都能夠作為判別疲勞等級的依據(jù)，為了避免維度災難(特征維度增加反而使得分類準確度降低，將進行特征選擇。用優(yōu)化后的隨機森林算法先對采集到的20個PPG特征根據(jù)疲勞檢測相關度高低進行排序，篩選出前10個特征，再用篩選后的特征進行疲勞檢測。

3 疲勞監(jiān)測結果與分析

25名被試者分別在2 d的3個時間段進行6次實驗，每次實驗多次測量，在排除設備不穩(wěn)定性及其他特殊情況所導致的異常值和缺失值后，取最好一組波形用于后續(xù)研究。綜合主觀量表結果和檢測波形，最終獲取150組帶疲勞標簽的數(shù)據(jù)。

疲勞檢測是將KSS主觀量表檢測結果與該結果對應的脈搏波結合進行疲勞分析。KSS主觀量表將疲勞等級分為了九級，劃分過于詳細，而在實際應用中多將疲勞分為是、否兩類。因此，將該量表進行了簡化，將疲勞狀態(tài)分為“清醒”“臨界疲勞”“疲勞”3種狀態(tài)，如表3所示。再用化簡后的疲勞等級進行疲勞分類。

表3 簡化后三級疲勞狀態(tài)

3.1 BA-RFC算法驗證

采用隨機森林算法進行疲勞檢測，隨機森林參數(shù)選擇會直接影響隨機森林預測結果。從圖3可以看出，隨機森林預測的準確率會因隨機森林的樹數(shù)和分裂特征數(shù)改變而改變。圖3為操作員手動變化參數(shù)設定值得到的疲勞檢測精度結果，隨機森林中兩參數(shù)選擇過少或過多都會導致疲勞檢測精度降低，選擇樹數(shù)為20棵，特征分裂數(shù)選擇在5個時疲勞監(jiān)測準確度最高。

圖3 參數(shù)選擇對疲勞檢測精度影響

但是手動對參數(shù)尋優(yōu)又過于復雜且不準確，為了尋求隨機森林算法最優(yōu)參數(shù)，采用蝙蝠算法對隨機森林的參數(shù)進行迭代，尋求全局最優(yōu)解即找到最優(yōu)樹數(shù)和特征分裂數(shù)。如表4所示，BA-RFC算法在5次實驗中最優(yōu)解都不同，所得最優(yōu)樹數(shù)在15～35棵，最優(yōu)特征分裂數(shù)在4～7個，該算法尋優(yōu)結果與手動尋優(yōu)結果范圍接近。因此，蝙蝠算法能夠找到隨機森林的最優(yōu)參數(shù)。

表4 BA-RFC參數(shù)尋優(yōu)結果

3.2 基于BA-RFC算法疲勞檢測

用表2中特征提取公式對預處理后的脈搏信號進行特征提取，得到20維特征向量。但不是所有特征向量都能表征疲勞，為了找到與疲勞相關性較高的特征向量，將用優(yōu)化后的BP-RFC算法對20組特征向量進行表征疲勞重要程度排序。由圖4可以看出，每個特征表征疲勞程度能力越強，柱形圖幅值越高，說明該組特征集合對當前樣本有更好的區(qū)分能力即與疲勞相關度越高。第4、6、7、8、11、12、13、14、17、19組特征表征疲勞能力的貢獻重要程度在3～14，有較好的表征疲勞能力，其中最優(yōu)的是第14組。

圖4 疲勞特征重要度占比

20維特征向量表征疲勞程度能力有高有低，因此這20特征向量中很可能包含了大量無關信息和冗余信息，若直接用于疲勞檢測不僅增加了模型的計算復雜度甚至可能會使模型的精度下降，因此特征選擇顯得尤為重要。根據(jù)上圖排序結果可篩選出的前10組重要性較高的特征：NNmean、PNN50、SDNN、LF/HF、CTR、Wi、SV、CO、S∧R、LF。

為了驗證排序結果的準確性，分別用這10組特征單獨進行疲勞檢測，檢測結果如圖5所示?？梢钥闯?，隨著特征重要程度增加，單獨特征疲勞檢測結果雖然有微小波動，但整體趨勢和原始數(shù)據(jù)趨勢相似，都呈上升狀態(tài)。因此，優(yōu)化后的隨機森林算法對特征表征疲勞狀態(tài)能力排序結果準確。

圖5 特征重要程度排序對比

通過對比特征選擇前后疲勞程度識別結果，用20維特征向量平均識別準確率為95.82%，10維特征向量平均識別準確率為96.67%。特征選擇后不僅提高了識別精度，還降低了模型計算復雜度。因此，將選擇這10組特征向量進行后續(xù)疲勞檢測。

為了提高疲勞檢測精度，引入蝙蝠算法進行優(yōu)化隨機森林算法，并分別用優(yōu)化前后隨機森林算法檢測疲勞。由圖6對比可得，兩算法中疲勞數(shù)據(jù)與分類標簽基本重合，都有較好的識別能力，但RFC算法還有少量數(shù)據(jù)并未重合。再由分類結果計算出識別精度可得，RFC算法的識別精度為93.33%，BA-RFC算法的識別精度為96.77%，優(yōu)化后的疲勞檢測精度有明顯提升。

圖6 優(yōu)化前后疲勞識別結果對比

4 結論

基于PPG信號分析，通過光電容積脈搏波采集設備為當代腦力工作者精神疲勞實時監(jiān)測提供了一種可行性方案。在模擬腦力工作場景下，通過主觀表量法和客觀測量法結合進行疲勞檢測。為解決單特征算法精度差及多特征融合算法冗余度高計算量大的問題。提出了一種基于BA-RFC和脈搏波的疲勞檢測模型。本文模型首先用光電容積脈搏傳感器提取脈搏波的多個特征建立特征集；再用蝙蝠算法迭代尋取隨機森林算法最優(yōu)參數(shù)—全局最優(yōu)決策樹樹數(shù)及全局最優(yōu)分裂特征數(shù)。并用優(yōu)化后的BA-RFC算法對多特征集合進行特征選擇及疲勞狀態(tài)識別。得出如下結論。

(1)用BA-RFC算法基于檢測精度篩選得到表征疲勞重要程度前10種特征：NNmean、PNN50、SDNN、LF/HF、CTR、Wi、SV、CO、S∧R、LF。并對比特征選擇前后疲勞檢測結果，發(fā)現(xiàn)降維后疲勞檢測用時更短、識別精度有所提高。

(2)采用改進后的BA-RFC算法有效提高了疲勞檢測精度，且精度達到了96.77%，比RFC算法的檢測精度平均提高了3.44%。

因此，本文模型在提高疲勞檢測精度的同時還解決了計算復雜度較高的問題。但特征選擇的維數(shù)是根據(jù)經驗而定，還不夠嚴謹，該維數(shù)還可以通過算法計算得出，因而還具有進一步優(yōu)化的空間。人體精神疲勞不僅會影響工作、學習效率，而且長期的精神疲勞會對危害人體健康，研究疲勞狀態(tài)識別具有重大的現(xiàn)實意義。將人體微弱信號與人體精神疲勞的關系進行了探索分析，對未來進一步研究人體精神疲勞、有效預測并防御等問題提供了參考。