操作員功能狀態(tài)的智能評(píng)估

(華東理工大學(xué)信息科學(xué)與工程學(xué)院1，上海 200237；上海工程技術(shù)大學(xué)電子電氣工程學(xué)院2，上海 201620；上海電氣集團(tuán)股份有限公司中央研究院3，上海 200070)

0 引言

在高安全性要求的自動(dòng)控制系統(tǒng)中，如交通運(yùn)輸行業(yè)[1-2]、過程控制工業(yè)(核電廠、化工廠等)[3]，操作員的失誤可能造成非常嚴(yán)重的事故。操作員的生理狀態(tài)、心理狀態(tài)及所處的環(huán)境會(huì)直接影響其控制任務(wù)的性能。為了避免因操作員功能狀態(tài)(operator functional state，OFS)下降而造成的安全事故，研究者們提出了根據(jù)操作員功能狀態(tài)調(diào)整系統(tǒng)控制策略的方法，即自適應(yīng)自動(dòng)控制[4-5]。實(shí)時(shí)、準(zhǔn)確地估計(jì)操作員功能狀態(tài)是成功運(yùn)用自適應(yīng)自動(dòng)控制的關(guān)鍵。

根據(jù)文獻(xiàn)[6]～[7]中對(duì)操作員腦電圖(electro-encephalogram,EEG)和心電圖(electrocardiogram,ECG)的分析，心率(heart rate，HR)、任務(wù)負(fù)荷指標(biāo)(task load index，TLI)和專注度指標(biāo)(engagement index，EI)能夠有效表征OFS的變化。因此，本文將根據(jù)操作員的HR、TLI和EI，采用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)(adaptive neural network-based fuzzy inference system，ANFIS)[8-9]建立操作員功能狀態(tài)模型，并提出了一種交叉粒子群優(yōu)化算法(particle swarm optimization with crossover，PSOC)來優(yōu)化ANFIS中的自適應(yīng)參數(shù)，實(shí)現(xiàn)對(duì)操作員功能狀態(tài)的智能評(píng)估。

1 交叉粒子群優(yōu)化算法

1.1 粒子群優(yōu)化算法

(1)

PSO算法存在早熟收斂、控制參數(shù)選擇、后期收斂速度慢等問題[12]。對(duì)此，本文在粒子群優(yōu)化(PSO)算法中引入交叉操作，提出了一種交叉粒子群優(yōu)化(PSOC)算法。

1.2 PSOC算法

對(duì)具有慣性權(quán)值的PSO算法，引入交叉操作，構(gòu)成PSOC算法。粒子的速度和位置更新公式為：

(2)

采用線性變化的慣性權(quán)值：

(3)

式中：w(1)為初始慣性權(quán)值；wmin為慣性權(quán)值最小值；Tmax為最大迭代步數(shù)。

(4)

(5)

(6)

對(duì)粒子群中每個(gè)粒子進(jìn)行交叉操作后，進(jìn)入下一輪粒子的位置、速度更新。在提出的PSOC算法中，輔助粒子群為原粒子群提供新的粒子，有利于保持粒子群的多樣性，幫助原粒子群跳出局部極值點(diǎn)，避免早熟收斂。而輔助粒子群并不進(jìn)行常規(guī)PSO的操作，只進(jìn)行交叉操作和選擇操作，計(jì)算量較低，并能一直保持輔助粒子群內(nèi)的粒子多樣性。PSOC算法極大改善了基本PSO算法的性能。

2 基于PSOC-ANFIS的OFS建模

自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)(ANFIS)是J. S. R. Jang于1993年提出的，基本ANIFS的混合學(xué)習(xí)算法存在容易陷入局部極值點(diǎn)、出現(xiàn)早熟收斂以及過擬合、泛化能力低的缺點(diǎn)。因此，本文采用PSOC算法優(yōu)化ANFIS中的前提參數(shù)和結(jié)論參數(shù)，通過操作員生理數(shù)據(jù)建立操作員功能狀態(tài)模型，并應(yīng)用于操作員功能狀態(tài)估計(jì)。

2.1 數(shù)據(jù)采集試驗(yàn)及數(shù)據(jù)預(yù)處理

本試驗(yàn)采用由Hockey[13]、Lorenz[14]團(tuán)隊(duì)編制的軟件——密閉艙空氣管理系統(tǒng)(automation-enhanced cabin air management system，AUTOCAMS)模擬多任務(wù)過程控制環(huán)境。AUTOCAMS包括5個(gè)子系統(tǒng)，分別管理密閉艙內(nèi)的氧氣濃度、二氧化碳濃度、溫度、壓力及濕度。

在正式試驗(yàn)開始前，每位被試人員都熟悉手動(dòng)控制AUTOCAMS的方法。10名被試人員(P01～P10)皆為身體健康的成年男性(年齡22～25歲)，每位被試人員分別在不同天的同一時(shí)刻進(jìn)行了兩次試驗(yàn)，每次試驗(yàn)持續(xù)135 min。被試人員的主要任務(wù)是控制AUTOCAMS的5個(gè)子系統(tǒng)。試驗(yàn)過程分為9個(gè)階段，每個(gè)階段需要手動(dòng)控制的子系統(tǒng)個(gè)數(shù)分別為1、2、3、4、5、4、3、2、1，每階段持續(xù)15 min。被試人員的次要任務(wù)包括警報(bào)處理和氧氣罐液位記錄兩項(xiàng)。在試驗(yàn)過程中，系統(tǒng)自動(dòng)記錄被試人員完成任務(wù)的優(yōu)劣。每階段結(jié)束時(shí)被試人員報(bào)告該階段的主觀性能等級(jí)，包括疲勞、努力和焦慮程度。

試驗(yàn)選用Biosemi公司的生物電信號(hào)采集設(shè)備采集被試人員的生理電信號(hào)。腦電信號(hào)采用國際10/20系統(tǒng)電極放置方法，并額外增加電極采集FPz、AFz、CPz、POz位置的腦電信號(hào)，各數(shù)據(jù)采樣間隔為2 min。計(jì)算方法如下。

被試人員的心率(HR)，由LabVIEW計(jì)算出每秒的心率，然后求出2 min內(nèi)的心率平均值。

腦電信號(hào)進(jìn)行快速傅里葉變換(fast Fourier transform,FFT)后計(jì)算EEG各個(gè)頻段的能量。任務(wù)負(fù)荷指標(biāo)TLI的計(jì)算公式如下：

(7)

式中：Pθ和Pα分別為θ、α頻段能量,μV2。

專注度指標(biāo)EI的計(jì)算公式為：

(8)

式中：Pθ,Cz,P3,P4,Pz、Pα,Cz,P3,P4,Pz和Pβ,Cz,P3,P4,Pz分別為4個(gè)電極位置(Cz、P3、P4、Pz)的θ、α、β頻段能量的平均值，μV2。

主要任務(wù)性能由系統(tǒng)自動(dòng)記錄。每秒鐘子系統(tǒng)參數(shù)超出正常閾值時(shí)，記為系統(tǒng)出錯(cuò)(system in error，SIE)，2 min內(nèi)被試人員的TIR為：

TIR=SIE/120×100%

(9)

被試人員的主觀測量“effort”在每階段結(jié)束時(shí)測出，其范圍為0～100，用于衡量被試人員對(duì)當(dāng)前任務(wù)付出的努力程度。當(dāng)被試人員的“effort”越高、TIR越低時(shí)，說明被試人員的心理負(fù)荷越高，其OFS越差。因此，將TIR和“effort”的加權(quán)組合認(rèn)定為被試人員實(shí)際的OFS衡量，將其作為模型的輸出，計(jì)算公式如下：

RepOFS=0.8×TIR+0.2×(100-effort)

(10)

RepOFS越低，表明被試人員的OFS越差。

綜上所述，ANFIS模型的輸入為HR、TLI、EI，輸出為RepOFS。在試驗(yàn)每階段開始和結(jié)束時(shí)試驗(yàn)數(shù)據(jù)會(huì)有一些干擾，因此，將各階段前后30 s的數(shù)據(jù)去除，得到總數(shù)據(jù)長度為126 min，輸入輸出數(shù)據(jù)采樣點(diǎn)數(shù)為63。

將同一被試兩次試驗(yàn)的數(shù)據(jù)連接起來，并選擇其中序號(hào)為(3j+1)、(3j+2)的采樣點(diǎn)為訓(xùn)練數(shù)據(jù)，用于訓(xùn)練模型的參數(shù)；將全部數(shù)據(jù)作為測試數(shù)據(jù)，用于評(píng)估模型的泛化能力和精度。所有的數(shù)據(jù)均歸一化到[0，1]之間。

2.2 結(jié)果和分析

本文每個(gè)輸入選用3個(gè)高斯模糊隸屬函數(shù)進(jìn)行模糊化。初始化時(shí)，3個(gè)隸屬函數(shù)在模糊空間內(nèi)等距分布。PSOC的參數(shù)設(shè)置如下：最大迭代次數(shù)為200代，粒子群規(guī)模NP=50，慣性權(quán)值隨迭代代數(shù)在0.9～0.4之間線性遞減，學(xué)習(xí)因子c1、c2都設(shè)置為2，交叉率Pcr=0.5。選擇ANFIS模型輸出與實(shí)際輸出的均方差作為PSOC適應(yīng)值。

將訓(xùn)練數(shù)據(jù)輸入PSOC-ANFIS模型。被試人員P07的PSOC-ANFIS模型訓(xùn)練結(jié)果如圖1所示。由圖1可知，PSOC-ANFIS模型輸出能較好地?cái)M合實(shí)際OFS。PSOC-ANFIS測試結(jié)果如圖2所示，由圖2可知，測試數(shù)據(jù)的PSOC-ANFIS模型也能較好地?cái)M合實(shí)際OFS，說明此模型泛化能力較好，能夠反映被試生理信號(hào)與OFS之間的映射關(guān)系。

圖1 PSOC-ANFIS訓(xùn)練結(jié)果

圖2 PSOC-ANFIS測試結(jié)果

將其他9名被試人員的數(shù)據(jù)也進(jìn)行以上數(shù)據(jù)處理，并分別建立單獨(dú)的PSOC-ANFIS模型。分別采用基本ANFIS、PSO-ANFIS和PSOC-ANFIS進(jìn)行訓(xùn)練和測試，結(jié)果如表1所示。

表1 3種模型訓(xùn)練和測試精度

表1第6列和第7列分別給出了各位被試人員模型的訓(xùn)練和測試平均絕對(duì)誤差(mean absolute errors，MAE)，其中P03的模型誤差最低，訓(xùn)練和測試的MAE分別為3.667和4.372。同時(shí)，表1也給出了各位被試人員采用基本ANFIS模型和基于PSO的ANFIS模型的訓(xùn)練和測試結(jié)果。由表1可知，基本ANFIS的訓(xùn)練結(jié)果都很好，但存在過擬合情況，所有被試的模型泛化能力都很差，不能用于實(shí)際 OFS的估計(jì)。PSO-ANFIS模型的泛化能力比基本ANFIS提升了很多。而PSOC-ANFIS模型訓(xùn)練和測試數(shù)據(jù)的MAE相比PSO-ANFIS有了進(jìn)一步下降，所有被試的PSOC-ANFIS模型的平均訓(xùn)練誤差為5.910，測試誤差為6.740，表明提出的PSOC算法性能明顯優(yōu)于PSO的性能，更適用于OFS建模問題中ANFIS的參數(shù)優(yōu)化。

圖3 PSO及PSOC算法收斂曲線

被試人員P07使用PSOC和PSO算法優(yōu)化ANFIS模型的收斂曲線如圖3所示。與PSO算法相比，PSOC在200代內(nèi)能夠找到更優(yōu)的ANFIS參數(shù)，而且在200次迭代后，存在找到更優(yōu)參數(shù)的可能。

綜上所述，本文提出的PSOC-AFNIS模型能夠較好地?cái)M合操作員真實(shí)的OFS，可用于實(shí)際的OFS估計(jì)。

3 結(jié)束語

本文提出了一種交叉粒子群優(yōu)化算法，用于優(yōu)化ANFIS模型參數(shù)。選擇了3個(gè)生理變量(包括心率、TLI和EI)作為模型的輸入，主要任務(wù)性能TIR和主觀測量effort的加權(quán)和作為模型的輸出，建立操作員功能狀態(tài)智能評(píng)價(jià)模型。結(jié)果表明，提出在粒子群算法中引入交叉操作能夠幫助粒子群跳出局部極值點(diǎn)，從而有效降低算法陷入局部極值點(diǎn)的可能性，提高了全局收斂能力，建立的模型能夠反映操作員生理變量與OFS之間的關(guān)系，可用于評(píng)估操作員的實(shí)際功能狀態(tài)。

[1] Wilson G F,Russell C A.Performance enhancement in an uninhabited air vehicle task using psychophysiologically determined adaptive aiding[J].Human Factors,2007,10(6):1005-1018.

[2] Recarte M A,Nunes L M.Mental workload while driving: effects on visual search,discrimination,and decision making[J].Journal of Experimental Psychology:Applied,2003,9(2):119-137.

[3] Hwang S L,Liang G F.Lin J T,et al.A real-time warning model for teamwork performance and system safety in nuclear power plants[J].Safety Science,2009,47(3):425-435.

[4] Parasuraman R,Byrne E A.Psychophysiology and adaptive automation[J].Biological Psychology,1996,42(2):249-268.

[5] Wickens C D,Hollands J G.Engineering psychology and human performance[M].3rd ed.New Jersey:Prentice Hall,1999.

[6] 王嬈芬，張建華，王行愚.基于小波包變換的過程控制操作員心率變異性分析[J].南京理工大學(xué)學(xué)報(bào)，2009，33(9)：145-151.

[7] Zhang J H,Nassef A,Mahfouf M,et al.Modeling and analysis of HRV under physical and mental workloads[C]//Proceedings of the 6th IFAC Symposium on Modeling and Control in Biomedical Systems,Reims,2006:189-194.

[8] Jang J S R.ANFIS: adaptive-network-based fuzzy inference system[J].IEEE Transactions on Systems,Man,and Cybernetics,1993,23(3):665-685.

[9] Jang J S R.Input selection for ANFIS learning[C]//Proceedings of the Fifth IEEE International Conference on Fuzzy Systems,1996:1493-1499.

[10] Kennedy J,Eberhart R C.Particle swarm optimization[C]//Proceedings of the IEEE International Conference on Neural Networks,Perth,WA,1995:1942-1948.

[11] Kennedy J,Eberhart R C.Particle swarm optimization[C]//IEEE International Conference on Neural Networks,Washington,USA,1995:1942-1948.

[12] Coelho L S.Gaussian quantum-behaved particle swarm optimization approaches for constrained engineering design problems[J].Expert Systems with Applications,2010,37(2):1676-1683.

[13] Hockey G R J,Wastell D G,Sauer J.Effects of sleep deprivation and user-interface on complex performance: a multilevel analysis of compensatory control[J].Human Factors,1998,40(2):233-243.

[14] Lorenz B,Parasuraman R.Human operator functional state in automated systems: the role of compensatory control strategies[C]//Operator Functional State:the Assessment and Prediction of Human Performance Degradation in Complex Tasks,IOS,Amsterdam,2003:22-37.