利用脑电技术评价核电厂操纵员疲劳度的可行性研究

李林峰，青 涛，向啸晗，汤雅沁，符佳好，陈 锦

（1.苏州热工研究院有限公司，江苏 苏州 215000；2.湖南工学院，湖南 衡阳 421002）

电厂正常生产运作及保障核安全需要操纵员长时间的轮班工作。在长时间的工作后，操纵员难免进入疲劳状态。操纵员的疲劳状态会引发诸多的安全问题，疲劳状态下，操纵员在日常生产、瞬态、事故情境下发生失误的概率大大增加，不仅无法保证正常生产甚至会威胁到核安全。因此，对操纵员疲劳的量化和检测具有重要意义。

接下来将对操纵员疲劳度的心理、生理状态指标参数选取、脑电参数指标采集方法，操纵员疲劳度示例平台搭建方法等内容进行介绍。

1 操纵员疲劳度心理、 生理状态指标参数选取方法调研

时至今日，学界尚未对疲劳度的检测提出一个统一的标准。如今已有的研究中主要基于以下几种测量手段来测量人员的疲劳水平：①基于问卷调查的主观检测方法；②如眼跳运动、眼睛的闭合百分比等基于眼动的参数测量；③基于反应时间和集中程度开展的心理活动测试；④电相关的生理参数测量，如眼电（Electrooculogram，EOG）、脑电（electroencephalography，EEG）、心电（Electrocardiograph，ECG）、肌电（Electromyography，EMG）。

其中，以电生理作为基础的疲劳检测方法在各种方法中普遍具有较高的可靠性和准确度。在疲劳的影响下，电生理的信号，如EEG、ECG、EOG 和EMG 的改变可以发生在如眼动、凝视、眼睑闭合程度等眼参数的变化之前。其中，基于EEG 的疲劳测量方法受到众多研究者的青睐。

EEG 信号可以反映出人体各种功能水平，如推理、运动、视觉，以及认知层面的听觉处理、决策、感知等。相比其他生理信号，EEG 信号能更直观反映大脑自身的活动，并且在时间分辨率上也有更好的表现。基于EEG 的方法可以用更短的时间获得更快的检测速度，因此在众多生理信号中，EEG 具有其优越性。国内外学者的相关研究发现，脑电不同频段的能量变化与人体疲劳水平有关，并通过组合不同频段的能量作为特征利用机器学习取得了较好的检测效果。例如，对EEG 的4 种波段delta、theta、alpha、beta，有学者研究其相互比值作为特征，研究疲劳前、后的变化，数据显示在疲劳状态下delta、theta 较稳定，alpha 轻微减少，beta 则显著减少，且所有慢波与快波的比值都增加，其中（θ+α）/β 增加最多，该规律可用于检测疲劳。本研究将选用EEG 来评价操纵员的疲劳度。

2 操纵员疲劳度评价指标参数采集

2.1 实验设计

设计36 h 睡眠剥夺实验，从早上8 点开始实验到第二天下午20：00，每2 h 采集一组数据，共采集到19 组数据。每组实验包含闭眼、睁眼和精神运动警觉任务（Psychomotor Vigilance Task，PVT）等6 个任务，除PVT 实验时长5 min 外，其他任务实验均为3 min。实验中被试静坐在凳子上。在实验开始时会在屏幕正中央出现一个固定的“十”字形，持续时间为2~10 s 的随机时长；随后转换到计数器，要求被试尽快点击空格键以停止计数，马上再次转换到“十”字形显示即完成一次PVT 任务。

19 名健康操纵员作为被试参加了实验，脑电采集设备为脑机所自主研发的可穿戴脑电采集装置。采集导联分别放置在FP1 和FP2 电极为干电极，参考和接地放在双侧乳突使用心电贴电极。开始采集信号时皮肤和电极间的接触阻抗低于60 kΩ，其采样率为1 000 Hz。

2.2 数据处理

对于每个被试PVT 的反映时间（Reaction Time，RT）数据进行预处理，部分远大于2 s 的RT，应当作为噪声删除，因此删除每组中大于2 s 的RT 数据，平均剩余的RT 作为该被试本组的RT。

对于原始EEG 信号，通常采用有限冲激响应滤波器（Finite Impulse Response，FIR）进行1~45 Hz 带通滤波。由于干电极可能出现短时间的漂移伪迹，因此需要进行伪迹检测后去除。使用时域阈值法进行检测，当时域脑电信号的绝对值大于500 时判断为伪迹，随后进行去除。漂移伪迹去除后，对信号进行频域变换，本研究使用Welch 周期图法计算EEG 的功率谱密度（Power Spectral Density，PSD），又采用窗长5 s 的汉宁窗（Hanning），在其中交叠50%的数据。

2.3 特征值提取

特征提取时仅使用PVT 和模拟核电操纵任务的脑电信号。使用不同长度的时间窗（2、5、10 s），无数据交叠进行滑窗，得到一个分类样本。随后对分类样本提取时域特征和频域特征。频域特征为4 个频带（delta：1~4 Hz，theta：5~7Hz，Alpha：8~12Hz，Beta：13~30Hz）的相对功率、频率重心、频率可变性[1]、约尔特参数（Hjorth Parameters，HP）[2]和分形维（Petrosian Fractal Dimension，PFD）[3]。

每名被试者得到了19 组的平均反应时间，根据反应时间取时间最长和最短各3 组作为清醒和疲劳的数据。最后，使用5 折交叉验证的方式，随机将每名被试的数据分为训练集和测试集，用测试集的结果进行评估。

2.4 分类模型

决策树是很常见的一种机器学习方法，可用于分类和回归[4]。以二分类为例，每个决策树依据其特征评价标准（如基尼指数、信息熵等）来选择最优特征作为树根，基于选择的特征将样本分为2 份作为树叶，随后不断重复此前的同样操作将样本再次分为2 份，伴随着划分次数的不断增加，树叶中包含的样本则不断减少，达到设定的标准时停止。最后，将树叶中最多的一类样本量作为该树叶的分类标记。测试时根据之前的准则把样本分到其中的一个树叶中，样本属于哪一类由树叶的分类标记决定。

随机森林是一种由多个决策树组成的集成模型[5]。多个决策树投票决定分类结果。随机森林包含2 种随机：一种随机是随机抽取特征，首先假设数据特征维度为n，从中随机采用无放回的抽取方式，抽取f个特征，则包含有Cfn种可能；第二种随机是随机抽取数据，假设数据有m个样本，采用有放回的抽取方式从中随机抽取m个，约有1/3 的数据没有被抽到，没抽到数据叫做袋外数据，由这些数据计算得到的错误率为袋外错误率，研究表明验证集错误率与袋外错误率一致[6]。

2.5 实验结果

平均反应时间随实验组数的变化情况，结果如图1所示。随着睡眠剥夺的时间增加，被试的反应时间呈现上升趋势，随后保持在较高的水平。

图1 PVT 实验的平均反应时间

根据反应时间，选择第1 组数据作为清醒数据，第16 组数据作为疲劳数据，比较清醒和疲劳脑电信号的变化情况。PVT 实验的功率谱估计如图2 所示，相比于清醒疲劳时被试高频成分增加。

图2 PVT 任务，清醒和疲劳功率谱估计比较

2.6 清醒与疲劳分类

对PVT 的数据进行建模，最终测试集的结果如图3所示。所有窗长情况下二分类正确率大于0.78。随着窗长增加，分类正确率呈现上升趋势，因为更长的数据包含更多的信息。同时，增加比值特征没有增加分类正确率，所以实际上可以只使用基础特征减少计算量。

图3 PVT 任务在不同窗长时的二分类正确率

3 操纵员疲劳度评价平台的开发

3.1 硬件选型

本研究从电极的数量上、电极的材料上、佩戴的方便程度和舒适性角度选取如图4 所示的脑电头环作为操纵员疲劳度评价的检测硬件。

图4 脑电数据检测头环

其中电击数4 个、电极材料为铜镀氯化银+PTE、头环重量72.5 g，头环的设计考虑了人因工程原则，在结构设计、重量等方面优化用户体验。头环的外观似发箍，方便用户佩戴，头环后边的扎带保证不同头围用户的完美兼容。头环的总重量，不会给佩戴用户带来压迫感。用户佩戴头环非常省时，前边的记录电极接触到用户的前额，两侧的参考与接地电极接触用户的耳后皮肤，无需进行阻抗调试。

3.2 疲劳状态显示平台开发

本文在对提取的特征进行分类时，主要采用支持向量机（Support Vector Machines，SVM）算法。具体而言，采用基于SVM 的分类器来将操纵员的脑电信号分为疲劳状态和非疲劳状态2 类。在训练分类器之前，需要准备一组标记好的数据集，该数据集由已知疲劳状态和非疲劳状态的脑电信号样本组成。可以使用这些样本来训练分类器，并评估其性能。在分类器训练过程中，采用了一些特征提取方法来提取相关的特征，这些特征可以帮助分类器更好地区分疲劳状态和非疲劳状态的脑电信号。具体而言，使用了傅里叶变换来提取时域和频域特征，将信号分解成多个不同频率的子带，每个子带包含不同的频率信息，计算每个子带的能量、方差和相关性等特征，将这些特征作为输入向量，然后使用SVM 分类器来判断操纵员的疲劳状态。

将检测到的操纵员疲劳状态显示在软件界面上，如图5 所示。该界面可以显示操纵员的疲劳状态和相应的预警信息，以便相关人员及时采取措施。

图5 核电厂操纵员疲劳度检测系统界面

本研究开发了一个专门的软件界面，用于实时监测操纵员的疲劳状态。该界面可以显示操纵员的脑电信号和疲劳状态，以及相应的预警信息。具体而言，该界面包括以下主要功能。

1）实时监测：该软件可以实时对操纵员的脑电信号进行处理。

2）疲劳状态识别：该界面可以根据操纵员的脑电信号，自动识别其疲劳状态，并将其显示在界面上。

4 结论

本文提取使用精神运动警觉任务和操纵员模拟核电操纵任务的脑电信号，得到了19 组操纵员的平均反应时间作为基础数据。采用支持向量机算法对提取的脑电信号分为疲劳状态和非疲劳状态2 类特征分类，选用4 个电极数、铜镀氯化银+PTE 电极材料的头环作为脑电数据获取设备，便捷、准确地评估了核电厂操纵员疲劳度，结果证明，采用脑电技术评价操纵员疲劳程度是可行的。本文的研究对核电厂科学、客观地开展操纵员工作状态管理，保证正常安全生产乃至核安全具有参考价值。