中國礦業(yè)大學(xué)（北京）機(jī)電學(xué)院 何澳來 韓雪倩 王春滿 金昭明 李成昱 胡小紅

針對(duì)生理電信號(hào)分析是實(shí)現(xiàn)人體疲勞狀態(tài)監(jiān)測(cè)最客觀有效的途徑。為此，本文通過對(duì)多名志愿者在不同疲勞狀態(tài)下脈搏信號(hào)的檢測(cè)，提取了時(shí)域和頻域的多種特征值，并利用隨機(jī)森林算法來檢測(cè)和判斷志愿者的疲勞狀態(tài)。結(jié)果顯示，脈搏可以較好的反映人體的疲勞狀態(tài)，該研究的目的在于為基于生理電信號(hào)分析的疲勞檢測(cè)提供新的研究思路和分析途徑。

人們?cè)诮?jīng)歷長時(shí)間的勞動(dòng)后會(huì)產(chǎn)生疲勞感。不同于身體機(jī)能運(yùn)動(dòng)導(dǎo)致的疲勞，只因過度用腦而產(chǎn)生的疲勞，定義為“精神性疲勞”?！熬裥云凇睍?huì)引發(fā)工作效率低，長期處于此狀態(tài)還會(huì)導(dǎo)致內(nèi)心焦慮、抑郁等一系列嚴(yán)重心理問題，而目前針對(duì)精神性疲勞的量化檢測(cè)方法并不完善，需要有效的疲勞檢測(cè)方法來判斷人們的疲勞狀態(tài)。

近些年，已有研究者證實(shí)過脈搏，心電，腦電等生理信號(hào)與疲勞程度息息相關(guān)并建立了相關(guān)數(shù)學(xué)模型。本文基于前人研究，結(jié)合脈搏信號(hào)受外界環(huán)境干擾小、易檢測(cè)、與疲勞程度相關(guān)性較高等特點(diǎn)，選擇使用脈搏信號(hào)來進(jìn)行疲勞量化。量化方法使用生理參數(shù)測(cè)量法，對(duì)人體脈搏特征進(jìn)行多層次時(shí)頻域特征提取，并利用特征值通過隨機(jī)森林算法進(jìn)行疲勞分類。

1 數(shù)據(jù)的采集與處理

1.1 所用設(shè)備及檢測(cè)對(duì)象

選擇健康的檢測(cè)對(duì)象20名，男10名，女10名。所選志愿者均為壯年，且無心腦血管等疾病，脈波平穩(wěn)。平均年齡為23.85歲。志愿者均為考研學(xué)習(xí)者、碩士和單位文事人員，平時(shí)工作主要為腦力勞動(dòng)，并保證所測(cè)數(shù)據(jù)當(dāng)日未進(jìn)行過劇烈的體力活動(dòng)。實(shí)驗(yàn)所用的儀器為光電式脈搏采樣儀，掃描周期為200Hz，脈搏高度單位為mm汞柱。

1.2 數(shù)據(jù)采集

采集前，志愿者先通過表格自測(cè)，通過志愿者主觀的感受初步分類疲勞狀態(tài)，以確定數(shù)據(jù)的可信性，表格使用11個(gè)形容詞對(duì)身體狀態(tài)進(jìn)行描述，分別為“愉快—痛苦”、“欲睡—清醒”、“走神—精力集中”等。形容詞對(duì)交叉分布。并將這些形容詞對(duì)都分為 7 檔，定義為“非?！容^—有點(diǎn)—無影響—有點(diǎn)—比較—非常”，并予以相應(yīng)的分值。數(shù)據(jù)采集方法為志愿者安靜地坐在椅子上，使用儀器的架夾子夾住食指或中指前端，測(cè)量實(shí)時(shí)脈搏，持續(xù)一分鐘。

2 特征值及其提取

2.1 時(shí)域信號(hào)的提取

脈搏波信號(hào)在時(shí)域下的峰值，周期等特征與疲勞有較強(qiáng)的相關(guān)性。本項(xiàng)目主要通過MATLAB對(duì)脈波信號(hào)進(jìn)行時(shí)域分析，可得到峰谷值、第二個(gè)脈搏峰值比例、周期等多組特征值進(jìn)行研究。大體經(jīng)過平滑濾波、取反取極值、提取等步驟。

2.1.1 脈搏波信號(hào)預(yù)處理

由于波形提取過程中的環(huán)境以及設(shè)備的自身干擾，原始波形存在較多的尖刺波導(dǎo)致圖像不單調(diào)，影響了后續(xù)的波峰特征值提取，如圖1所示。所以調(diào)用MATLAB的smoothdata函數(shù)中的高斯濾波進(jìn)行平滑濾波處理，如圖2所示。

即：smoothdata(d,'gaussian',10);其中d為數(shù)據(jù)，'gaussian'為高斯濾波器。10為數(shù)據(jù)窗口。

圖1 濾波前的脈波信號(hào)

圖2 濾波后的脈波信號(hào)

2.1.2 提取第二個(gè)波峰值及周期

洋桔梗適合的土壤EC值為1.0～1.3[1]。栽苗后第10 d可施第1次肥，以濃度約為0.1%～0.2%的高磷肥為主，以促進(jìn)植株根系的生長；生長前期主要施用高N肥，如N∶P∶K=30∶10∶10的水溶肥促進(jìn)葉片、莖稈生長；在中期每隔10 d左右施用1次平衡肥，如N∶P∶K=20∶20∶20的水溶肥或N∶P∶K=17∶17∶17的復(fù)合肥；大約定植后50 d生長到第7節(jié)位時(shí)，進(jìn)入花蕾期要施高鉀肥，如K2SO4；中后期土壤施肥的同時(shí)要結(jié)合葉面肥，如KH2PO4噴施，每隔7 d噴1次。在花芽形成前隨著苗正常生長而慢慢上調(diào)肥料EC值。

本文在峰值提取過程中主要利用的是MATLAB里面的findpeaks函數(shù)組成的特征值提取算法，該特征提取算法有較高的準(zhǔn)確性，可以快速有效的提取相關(guān)時(shí)域特征。

即：[maxv,maxl]=findpeaks(d,'minpeakdistance',60)

其中d為所要處理的波形，60為兩個(gè)峰值之間間隔的最小距離，提取后的峰值點(diǎn)坐標(biāo)保存在[maxv,maxl]中。

將保存到輸出矩陣?yán)锏牟ǚ逄卣髦祵?dǎo)出，分別提取出第一個(gè)波峰（高）和第二個(gè)波峰（低），并通過波谷與第二個(gè)波峰的橫坐標(biāo)之差乘以采樣周期，即可獲得第二個(gè)波的周期。

2.2 頻域下的第二峰值

此特征值是用matlab的快速傅里葉變換得到頻域下的圖像，通過程序找到第二個(gè)峰值對(duì)應(yīng)的頻率并讀出。因?yàn)樵诓煌诔潭认骂l域下的第二峰值有所不同，故取其為特征值?？焖俑道锶~變換及作圖，如圖3所示。

圖3 頻域下的第二峰值傅里葉變換圖

2.3 圖像的裕度和峭度

峭度是反映隨機(jī)變量分布特性的數(shù)值統(tǒng)計(jì)量，是4階累積量。有正常峰度（即零峭度）、正峭度和負(fù)峭度之分。

裕度是統(tǒng)計(jì)學(xué)術(shù)語，指留有一定余地的程度，允許有一定的誤差。公差裕度是根據(jù)統(tǒng)計(jì)的對(duì)象和范圍來規(guī)定的。如：噪音裕度、相位裕度、安全裕度等。

3 隨機(jī)森林分類器設(shè)計(jì)

3.1 分類器的選用

對(duì)比于其它算法，支持向量機(jī)的樣本大規(guī)模訓(xùn)練難以實(shí)施；神經(jīng)網(wǎng)絡(luò)有黑盒子性質(zhì)，數(shù)據(jù)量大，開發(fā)時(shí)間長。而隨機(jī)森林算法具有很好的準(zhǔn)確率，能夠處理多維特征的樣本而不需要降維，能夠評(píng)估各個(gè)特征在分類問題上的重要性，對(duì)于缺省值問題也能夠獲得很好得結(jié)果。綜上，選用隨機(jī)森林算法進(jìn)行機(jī)器學(xué)習(xí)較為適宜。

3.2 實(shí)驗(yàn)過程

首先對(duì)得到的數(shù)據(jù)進(jìn)行預(yù)處理，將存在明顯數(shù)量級(jí)錯(cuò)誤的數(shù)據(jù)視為噪聲，統(tǒng)一置為0。然后使用sklearn庫建立隨機(jī)森林對(duì)象，訓(xùn)練模型。最后用十折交叉驗(yàn)證的方式評(píng)估模型的置信度，并顯示出每個(gè)特征值訓(xùn)練出的權(quán)重，其中權(quán)重值高的為與疲勞度最相關(guān)的特征值。

3.3 隨機(jī)森林參數(shù)優(yōu)化

（1）由于樹的個(gè)數(shù)不宜太多，也不宜太少。經(jīng)過多次實(shí)驗(yàn)分析結(jié)果，認(rèn)為選擇31棵最合適。

（2）在實(shí)驗(yàn)中，我們采用了固定的random_state（隨機(jī)種子），可以保證程序每次運(yùn)行都分割一樣的訓(xùn)練集和測(cè)試集。否則，同樣的算法模型在不同的訓(xùn)練集和測(cè)試集上的效果不一樣。

（3）由于隨機(jī)森林中的樹個(gè)數(shù)過多時(shí)會(huì)浪費(fèi)掉約37%的訓(xùn)練數(shù)據(jù)（袋外數(shù)據(jù)，oob)，它們不參與建模。于是我們就使用這些數(shù)據(jù)作為測(cè)試集，這樣大大提高了數(shù)據(jù)的利用率。

在對(duì)參數(shù)進(jìn)行優(yōu)化之后，相同樣本下的置信度從87%提高至90.63%。

實(shí)驗(yàn)首先測(cè)量了100余組數(shù)據(jù)進(jìn)行10折交叉驗(yàn)證測(cè)試，在交叉驗(yàn)證時(shí)我們測(cè)量出它的置信度超過90%，并分析出與結(jié)果關(guān)系最密切的特征值為頻域第二個(gè)波峰特征值，幾乎是其他特征值相關(guān)度的2倍。我們又測(cè)量了38組數(shù)據(jù)，對(duì)這100組數(shù)據(jù)訓(xùn)練出的模型進(jìn)行測(cè)試，正確率高達(dá)100%。綜上，實(shí)驗(yàn)結(jié)果置信度較高，驗(yàn)證本文的疲勞檢測(cè)結(jié)果有效整個(gè)實(shí)驗(yàn)程序的流程圖如圖4所示：

圖4 算法流程圖

結(jié)論：本文通過采集20個(gè)腦力勞動(dòng)者的200余組脈搏波信號(hào)，利用數(shù)據(jù)處理軟件進(jìn)行信號(hào)濾波去噪處理，并提取出可用的特征值，基于這些特征值訓(xùn)練出隨機(jī)森林模型進(jìn)行疲勞評(píng)估，在十折交叉驗(yàn)證下置信度高達(dá)90%，這個(gè)結(jié)果表明了在上述參數(shù)下訓(xùn)練出的模型可以有效地實(shí)現(xiàn)疲勞檢測(cè)，不過在本文的研究中僅僅使用了20名志愿者的數(shù)據(jù)作為疲勞檢測(cè)的原始數(shù)據(jù)，數(shù)據(jù)量來源比較單一。由于不同人的生理特征可能影響脈搏，脈搏波形的個(gè)體差異會(huì)不會(huì)影響疲勞檢測(cè)系統(tǒng)的訓(xùn)練效果，這個(gè)問題值得探討。在未來的研究中，可以增加數(shù)據(jù)來源，同時(shí)針對(duì)更多的場(chǎng)景進(jìn)行研究，避免此類影響。