作業疲勞的生理測量方法研究綜述

謝鎧杰,劉君,劉駿發,熊先亮

(1.浙江理工大學理學院心理系，杭州 310018；2.國網遼寧省電力有限公司鞍山供電公司，遼寧 鞍山 114009；3.國網遼寧省電力有限公司安全監察部，沈陽 110004)

1 引言

隨著社會的不斷進步，人們對健康和安全的關注度也與日俱生。早在十九世紀，作業疲勞作為影響健康和人類表現的風險因素，就被生理學家，心理學家，工程師和社會改造者加以研究[1]。根據不同國家的作業疲勞人口學調查顯示，20%的工作者報告存在作業疲勞[2]。目前，在學術界，作業疲勞涉及的不同領域對作業疲勞的定義各不相同，且至今沒有一致的定義[1]。現有的比較完整的作業疲勞定義是：作業疲勞是由于勞累引起的次優的心理生理狀況。作業疲勞的程度和維度依賴于努力的形式，努力的過程以及背景。作業疲勞狀態會導致認知策略和資源使用的變化，用以維持原有的心理過程以及生理活動水平[3]。且具有以下特征：(1)作業疲勞是付諸努力的結果；(2)作業疲勞和身體和精神的精疲力竭相關；(3)作業疲勞包含著不舒適、令人厭惡的感覺，是一種懲罰；(4)作業疲勞造成暫時性功能的減退。

2 作業疲勞的測量方法

作業疲勞作為一種復雜的生理現象，能引起人體多種指標的變化，國際上也并沒有一種公認有效的檢測作業疲勞的方法。但通常可以從主觀、行為和生理三方面進行判斷[4]。主觀上通過報告感覺到疲憊，缺乏動機和警覺性推測作業疲勞程度；行為上認知任務表現(反應時，錯誤率)的改變代表作業疲勞的程度；生理上大腦活動的改變也被證明是作業疲勞產生的表現。

2.1 作業疲勞自陳問卷

經典的作業疲勞測量方式就是作業疲勞自陳問卷。問卷可以搜集作業疲勞出現的時間以及導致作業疲勞的因素相關的信息，是作業疲勞檢測的一種重要方式。現有文獻中包含著大量的作業疲勞自陳問卷，這些作業疲勞問卷針對于不同的情景，目標和研究方案來設計，采用了不同的維度結構，評估不同方面的作業疲勞[5]。作業疲勞問卷的調查內容包括：(1)作業疲勞的主觀量化；(2)作業疲勞引起的主觀痛苦；(3)作業疲勞對日常活動的影響評估；(4)和作業疲勞相關的一些指標評估；(5)關鍵的生物學參數評估。因為各種作業疲勞問卷涉及了作業疲勞的不同方面和不同特征，使用不同作業疲勞問卷就可能導致不同的結論[6]。研究者在選擇作業疲勞問卷時，首先需要根據自己的研究興趣，確定研究作業疲勞的定義，選擇合適的作業疲勞問卷。同時也需要聯合其他客觀的作業疲勞檢測方式(如生理測量和認知任務表現)對研究結果進行綜合的考評[7]。

2.2精神運動測試

精神運動測試通過測量知覺、認知表現和運動反應來評估作業疲勞狀態[7]。測試方法包括模擬駕駛、打字測試和反應時間的測試。在需要工人保持精神警覺的行業中(如機場調度、長途駕駛和輪班等)，精神運動驚覺測試(Psychomotor Vigilance Test，PVT)常常被用來測試工人的精神警覺程度以及作業疲勞程度[8]。PVT使用了反應時間范式，通過讓被試按鍵響應計算機上的視覺刺激來記錄平均反應時和失誤次數。但也有文獻發現PVT只與被試的身體作業疲勞相關而與總體作業疲勞、精神作業疲勞關系不大[9]。精神運動測試往往會對被試提出較高的要求，喚醒了被試的大腦水平，從而掩蓋了作業疲勞可能產生的信號[7]。

2.3 生理信號測量

近幾年來在操作員精神作業疲勞檢測領域和駕駛困倦檢測領域，用生理信號來監視精神狀態越來越受到研究者的歡迎[10]。大量的研究利用生理參數(如：腦電圖、眼電圖、錄像監視)來對作業疲勞程度進行測量[11]。相對于問卷、精神運動測試等方式，生理信號是疲勞狀態快速和直接的反應結果。

2.3.1 腦電

腦電(Electroencephalogram,EEG)是從人類或動物的頭皮上記錄到的電位變化，主要反映大腦的電活動特性。在眾多與精神疲勞相關的指標中，腦電圖被認為是最可靠的預測方式之一。腦電頻譜波形能顯示出警覺性的變化，低頻腦電波(θ和α波)增加和高頻腦電波(β波)的成分減少代表警覺性的降低；腦電也能顯示行為表現的改變，如θ活動的增加與任務表現的下降有關[12]。而疲勞的產生往往伴隨著警覺性，行為表現的變化。精神作業疲勞的產生伴隨著額葉θ和頂葉α的增加以及高頻波段的減少[10]，而不同頻率腦波的計算指標也能用于評估精神疲勞。Zhang等人發現前額葉和頂葉電極的β/α參數與所有腦區電極(α+θ)/β參數能用來測量精神疲勞[13]。θFz/αPz被作為一個指標來研究內部負荷(睡眠剝奪)和外部負荷(任務復雜性)下的精神疲勞[14]。這些結論都表明腦電是疲勞預測的極佳指標。在應用方面，Trejo等人(2015年)讓被試持續3小時解決數學問題來引發作業疲勞，從搜集到的腦電功率譜密度中利用機器學習算法抽取有效的特征，建立了腦電預測作業疲勞模型，該模型的預測準確率在91%以上并且作業疲勞的時間預測精度為13 s[15]。

雖然θ，α、β以及θ/α等指標可以用來評估作業疲勞狀態，但是腦電總體上還是與大腦的喚醒水平相關，對作業疲勞與認知加工深度無法做出解釋[16]。事件相關電位(Event-related Potentials ,Erp)是人在進行認知活動時受到刺激時所有發出來的一種電位活動，最后經疊加平均而得到的一種平均誘發電位。因為具有較高的時間分辨率，常被作為反映認知加工過程的評價指標。而作業疲勞會導致心理和認知功能的下降，所以事件相關電位就是研究作業疲勞影響的一個優良工具[17]。Bokserm等人(2005年)的研究表明精神作業疲勞導致目標導向(自上而下)注意力減少而更受刺激驅動(自下而上)的影響。Erp的結果表現在N1振幅下降，相關和不相關刺激之間N2b振幅的差異(相關刺激會引起較大的N2b振幅)隨著時間的推移而減少[18]。Uetake等人(2000年)發現精神作業疲勞和P300振幅降低以及P300潛伏期的的增加有關，這也代表作業疲勞和認知信息加工過程延緩以及認知信息加工活動減弱有關[19]。Murata等人(2005年)進一步對P300進行細分為P300a和P300b，發現兩個成分在作業疲勞狀態下的振幅都顯著更低，τ的標準差代表著加和平均的P300成分與個體的EEG差異。兩者波形的不一致也隨著精神作業疲勞的累計而變大[16]。

2.3.2 眼電與眼動

由于眼睛和大腦之間有豐富的感覺和運動聯系，眼部運動可以提供有價值的睡眠預警信號[7]。在駕駛模擬任務中，從清醒到作業疲勞狀態快速眼動和典型的眨眼被無眼動以及小而快速地眨眼所取代，這也表明眼電圖(Electrooculography,EOG)可以被作為一種作業疲勞的檢測指標[20]。很多文獻也發現從眼電圖中抽取的特征信息與疲勞、困倦、警覺性有著密切的關系。Hu and Zheng等人通過垂直和水平眼電通道獲得眨眼持續時間、眨眼速度和幅度來判斷駕駛員是否疲勞[21]；Ma等人使用了慢速眼動來探測在單調任務中被試的警覺水平[22]。相對于腦電眼電之類需要物理接觸的作業疲勞檢測方式，眼動具有非侵入式的優勢，能在線無接觸的搜集圖像信息而及時的探測作業疲勞。眼球快速眼動、瞳孔直徑、眉眼掃視以及眨眼睛等都與作業疲勞的產生相關，而眼瞼閉合百分比(PERCLOS)被認為是精神作業疲勞的最有效的檢測方式[23]。PERCLOS是指在單位時間內眼睛閉合程度超過某一閾限(70%或80%間)的百分比，自美國聯邦公路管理局首先提出把PERCLOS作為預測機動車駕駛員駕駛作業疲勞的可行方法后，大量關于PERCLOS的作業疲勞預測準確性以及PERCLOS在應用領域的研究得以進展。Horng等人(2004年)構建了一種基于視覺的駕駛員作業疲勞實時監測系統，通過每秒20幀的眼睛追蹤數據計算PERCLOS，從而判斷駕駛員的作業疲勞程度，準確率達到88.9%[24]。鄭培等人(2002年)應用二位高斯模型、灰度直方圖、灰度模式匹配等圖像分析和識別手段定位追蹤了眼睛睜開閉合的變化過程，統計出眼睛閉合時間，并構建了基于PERCLOS的機動車駕駛員駕駛作業疲勞的實驗測評系統[25]。

2.3.3 心電

心電圖(Electrocardiograph，ECG)也是疲勞的可靠測量方式。心電信號能被量化為時域和頻率區間。隨著認知負荷的增加，時域中的平均心搏間隙(Mean IBI)、心搏間隙標準差(Standard Deviation of IBIs，SDNN)和相鄰心搏間隙的均方根差(Root mean Squared Difference of Adjacent IBIs，RMSSD)會降低，頻率區間中的低頻功率(Power in low Frequency，LF)和低頻功率和高頻功率的比值(LF/HF)增加[26]。甚至簡單的記錄心率變化都可以被用作疲勞檢測的指標。Patel等人(2011年)使用心率變異性作為人體生理測量指標來檢測駕駛員的早期作業疲勞，通過評價神經網絡對作業疲勞探測的準確度有90%[11]。但是生理和行為的因素(如身體健康情況、抽煙、感到壓力)會對心率變化造成巨大影響，并且每天的心率變化比較大，這對心率預測作業疲勞造成極大的挑戰[8]。

2.3.4 生理方法的比較與結合

相較于其他生理測量方式，腦電直接反映了大腦的本身的狀態，且對疲勞的判定最為準確，是生理測量疲勞中的黃金準則。但是腦電設備操作復雜，造價昂貴。眼電設備復雜并且有可能阻礙操作者的視野。心電具有攜帶方便，操作簡單的特點，但是容易受到個體心率的影響且靈敏度較低。

當前很多文獻都只關注用單一的測量方式對疲勞進行檢測，但最有前景的檢測疲勞方式必須基于多生理信號的融合計算。越多的生理特征會涵蓋更多的疲勞信息，獲得更準確的疲勞預測[27]。疲勞是一種復雜且個體化的生理現象，單一的疲勞探測方式很容易受到干擾(外界環境和個體狀態的變化)而降低預測效果。而信息融合能充分利用多個傳感器的信息，結合多個疲勞相關指標做一個綜合的分析判斷。Khushaba等人搜集了被試在模擬駕駛期間三種不同的生理指標(腦電、眼電和心電)并使用特征提取的方式對當前駕駛員困倦水平進行分類。相較于心電圖和眼電圖，單獨抽取腦電圖的信息就已經能對疲勞水平進行很好的預測(90%以上)，而心電圖中的心率信號對疲勞預測效率優于眼電圖。增加眼電圖和心電圖的通道信號能夠進一步的增加準確性。三者信號通道的結合預測效果最優[28]。Ahn等人同時搜集了腦電、心電、眼電和功能性近紅外光譜(Functional Near-infrared Spectroscopy，fNIRS)數據，使用神經生理相關性和分類方法區分高低疲勞狀態的駕駛員。功能性近紅外光譜是一種新興的非侵入式腦功能成像技術，可用于監測模擬環境中的認知工作負荷或疲勞。研究發現眼電信號在不同駕駛狀態時并沒有顯著差異，而腦電、心電和功能性近紅外光譜數據能產生明顯的特征用以區分駕駛狀態。且這三種數據特征的組合會獲得更高的準確性[27]。

3 總結與展望

經常性的長時間工作會導致作業疲勞，而作業疲勞反過來也會導致更低的生產績效并提高潛在事故發生的概率。作業疲勞也被認為是導致許多重大事故發生的最主要原因。因此，實時監測員工的作業疲勞狀態并能做出對作業疲勞的預測就極為重要[29]。在測量工具方面，作業疲勞問卷和精神運動測試在作業疲勞測量時需要打斷測試者當前的工作狀態，腦電、心電、眼電這類生理指標雖然與作業疲勞的相關度較高，但測量時需要佩戴測量儀器，這就限制了測量場景。PERCLOS需要從圖像中識別眼部狀態，識別的準確性和效率也是需要考慮的一個問題。

3.1 可穿戴設備的發展

隨著對健康問題的關注，可穿戴智能設備也逐步普及。可穿戴技術的發展以及配套的通訊能力、計算水平的進步，讓實施評估、預測作業疲勞狀態變得可行。現有的可穿戴傳感器幾乎能測量傳統人因學評價中的所有相關指標，且具有經濟、無線、侵入性低等特點。雖然在實驗室研究疲勞探測會測量多個腦電位，但在應用中少量幾個通道就以能對疲勞狀態做出預測。如Li等人(2015年)設計了一款搜集腦電信號的可穿戴耳機對被試的作業疲勞狀態進行探測，準確率達96.4%[30]；Lee等人(2015年)從汽車方向盤上搜集心電信號，結合手指上的脈沖信號對駕駛作業疲勞進行預測，具有97.28%的正確率[31]；眼鏡型設備作為一種最容易被用戶接受的可穿戴設備，也可通過外部攝像頭或者近紅外光來獲取測試者眼部運動進而評估作業疲勞狀態[32]。

3.2 機器算法預測作業疲勞

在數據預測方面，機器學習算法的發展，能從大量樣本集訓練和學習后自動找出運算需要的參數和模式，且相比于傳統算法有著更好的準確性[33]。現已有大量研究利用機器學習算法從腦電、心電中抽取關鍵參數對作業疲勞進行預測[15,34]，使用的機器學習算法包括支持向量機(Support Vector Machine)、貝葉斯網絡(Bayesian Network)、小波分析(Wavelet Analysis)等。機器學習創建了一個神經網絡來模擬人腦解釋數據的機制，能有效地提取數據特征。不同來源的數據也可以結合起來共同對疲勞進行預測。今后需要比較不同測量方式的預測精確度以及穩健性以及相同方式下不同機器學習算法的預測效果；分類探究在不同的工作環境下，如何選擇適合的測量方式；在能達到一定準確性的條件下，如何使用經濟成本更低的數據特征和算法。