基于K-means 的地鐵駕駛員工作負荷狀態判別

顧傳揚，楊聚芬，劉志鋼

（上海工程技術大學 城市軌道交通學院，上海 201620）

城市軌道交通駕駛員的應急作業具有復雜性、突發性和不可預知性的特點，在應急作業過程中通常需要投入的精力較多，對負荷影響較大。因此，監測地鐵駕駛員應急作業的工作負荷并對工作負荷狀態進行判別，對提高城市軌道交通安全有重要意義。

1 心電信號與工作負荷

在駕駛過程中，駕駛員在對周圍環境進行感知、對駕駛操作進行決策時會發生心臟電位變化，這種反應心臟活動的電信號稱為心電信號。心電信號是一種客觀、有效地反映駕駛員負荷水平的指標[1]。

現有成果中基于心電信號的地鐵駕駛員工作負荷的研究中，在信號去噪處理方面，Seena V 等[2]采用了三種不同方式的小波變換處理方式，發現小波變換在分析心電信號時十分有效。在狀態判別方面，Hwang B 等[3]提出了一種深度學習架構及其結構參數，用于識別超短期ECG 數據下的負荷。在數據融合方面，何金松等[4]通過提取和融合腦電、心電等生理信號，基于多模生理信號融合特征，利用支持向量機模型對飛行員的工作負荷進行識別。已有研究成果較少運用到對樣本進行聚類的方法，且驗證方法較多使用主觀評價法。

為解決上述問題，本文設計實驗對心電信號進行采集和處理，在對心電信號特征點進行提取并得到工作負荷的判別指標后，使用K-means 聚類的方法對應急作業下各指標構成的數據集樣本進行處理，以聚類所得結果為依據對工作負荷狀態進行判別，并設置兩組對照組實驗對工作負荷狀態判別結果的準確性進行驗證，為地鐵駕駛員工作時的安全狀態監測提供依據和建議。

2 基于心電信號的工作負荷評價原理

一個完整的心電信號周期包含QRS 波群、P 波、T 波和U 波，QRS 波群中的R 波峰為整個心電信號周期的峰值點，如圖1 所示。通常把兩個相鄰R 波間的距離，即RR 間期，作為兩個心電信號周期的時間間隔。

圖1 ECG 周期信號圖

不同人在不同工作狀態下RR 間期會呈現出不同的變化規律，衡量RR 間期變化規律的常用指標為心率變異性時域指標，主要有：

（1） MEAN：記錄期間樣本中各相鄰RR 間期的平均值，可以用來反映心率變異的平均水平。

（3） NN50：記錄期間樣本中各相鄰RR 間期大于50ms 的個數。

（4） pNN50：NN50占總RR 間期個數的百分比。

（5） RMSSD：記錄期間樣本中各相鄰RR 的差值的均方根。

心率變異性是逐次心跳周期之間時間上的微小變異特性，可以有效地表征駕駛員工作負荷的差異[4]。為了研究心率變異性指標與工作負荷狀態之間的分類關系，首先應用Silhouette 指標檢驗法對所有的心率變異性指標樣本進行評價，得到最佳分類數k；再應用K-means 聚類分析法對所有的心率變異性指標樣本進行迭代求解，以每個樣本與聚類中心之間的距離不變作為迭代終止條件，把每個樣本分配給距離它最近的聚類中心所代表的類別中，直到滿足終止條件。

3 實驗設計

3.1 實驗目的

實驗通過對駕駛員在各實驗場景下的心電信號進行采集和處理，為地鐵駕駛員工作負荷狀態判別提供數據基礎。

3.2 實驗設備

實驗設備為模擬駕駛平臺、Equivital 心電監測設備。

3.3 實驗場景設計

根據前人研究結果，當作業量或疲勞程度增大時，會表現出更大的工作負荷[5]。實驗對應急作業下被試的心電信號進行采集，并增加低負荷狀態和高負荷狀態兩組對照組實驗并采集其數據。

其中，應急作業實驗指的是：在模擬駕駛過程中，通過設置突發應急情況，采集被試對應急情況進行排故作業時的心電信號的實驗；低負荷狀態實驗指的是：被試經過充分的休息且沒有任何身體和心理負擔，采集被試處在未駕駛列車的平靜狀態時的心電信號的實驗；高負荷狀態實驗指的是：被試處于疲勞，已進行較長時間的列車正常駕駛作業，此時設置連續兩起突發應急情況由被試進行排故，采集被試處在疲勞狀態中進行多次應急作業時的心電信號的實驗。

3.4 實驗過程

實驗前，告知被試實驗的注意事項及流程并進行相關培訓。為充分模擬應急作業的突發性和不可預知性，在實驗前事先不告知被試將進行何種應急作業。實驗過程中，采用心電監測設備測量駕駛員的生理指標信息。

本次實驗在測試并安裝實驗儀器、正確佩戴心電設備后，對應急作業、低負荷狀態和高負荷狀態三種場景下被試的心電信號進行采集。實驗情況如圖2 所示。

圖2 實驗情況

4 基于K-means 的駕駛員工作負荷狀態判別

4.1 心率變異性時域指標計算

QRS 波上的RR 間期的準確提取是心率變異性時域分析的基礎，在采集到的心電數據中，由駕駛員動作導致的肌電干擾、呼吸頻率的干擾及設備本身的工頻干擾較多，需要對心電信號進行預處理來濾除干擾，降低R 波波峰識別的錯誤率。

本文應用小波變換在去噪處理中的優勢[6]，考慮所測得的心電信號信噪比的前提下，選取合適的db 小波基函數及對應的尺度函數波形進行小波變換，對心電信號進行分解并重構；使用濾波器的方法對ECG 信號由于電位值偏離心臟處于靜息時的電位值而產生的基線漂移進行抑制；對信號進行平滑濾波處理，去除強干擾信號對波形的影響，減少極值點錯檢的概率。

首先，應用上述方法對心電信號進行處理，處理前后效果對比如圖3 所示；其次，提取RR 間期；最后，計算心率變異性時域指標。

圖3 ECG 信號處理前后對比圖

將經處理的ECG 信號劃分為多個片段，運用MATLAB 中的Findpeak 函數求信號的局部極值點，對心電信號波峰進行識別，完成特征點的提取。R 波識別效果如圖4 所示。

圖4 特征值提取效果圖

本文分別對實驗采集的每組駕駛員的ECG 信號進行了處理和R 波提取，其中，隨機選取6 段3 分鐘的實驗數據結果如表1 所示，R 波特征提取的正確率達到99.75%。

以30s 為分析間隔，對應急作業下的實驗數據進行心率變異性時域指標計算，如表2 所示。

表1 R 波特征提取效果

表2 心率變異性指標值

4.2 基于K-means 的工作負荷狀態分類

Silhouette 指標是檢驗聚類有效性的常用指標，以其易用和評價能力良好而得到廣泛的應用，其值的范圍為[-1, ]1 ，指標值越大表示聚類質量越好，其最大值對應的類數為最佳聚類數。

Silhouette 指標Si的計算公式如下：

其中：k 表示設定的聚類數，ci代表數據yi距離k 個分類中最近的一類。

步驟3 重復迭代步驟2 直至收斂。

經過12 次迭代后得到的各指標聚類中心值如表3 所示。由聚類結果，72 組應急作業樣本中，聚類1 中的個案數目為15，聚類2 中的個案數目為57。

表3 最終聚類中心

4.3 判別效果驗證

本文通過計算低負荷狀態下各樣本至聚類1 與聚類2 的聚類中心的距離，將各樣本的工作負荷狀態判定為距其最近距離的聚類中心所屬的工作負荷狀態，得到低負荷狀態下的樣本97.6%歸類于聚類1，高負荷狀態下的樣本85.19%歸類于聚類2，由此可將聚類1、聚類2 分別認定為低負荷狀態和高負荷狀態，在72 組應急樣本中，有20.83%的樣本處于低負荷狀態，79.17%處于高負荷狀態。表明判別結果的有效性，最終劃分的低負荷狀態與高負荷狀態的聚類中心如圖5 所示。

圖5 聚類中心分布圖

5 結束語

本文對應急作業下地鐵駕駛員的心電信號進行采集與處理，實現了應急作業下的工作負荷狀態判別，所得數據與結論可以有效地反映地鐵駕駛員的工作負荷狀態，為地鐵駕駛員的工作負荷狀態監測提供數據支撐。