基于人體脈搏信號的疲勞檢測方法研究

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

針對生理電信號分析是實(shí)現(xiàn)人體疲勞狀態(tài)監(jiān)測最客觀有效的途徑。為此，本文通過對多名志愿者在不同疲勞狀態(tài)下脈搏信號的檢測，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分析的疲勞檢測提供新的研究思路和分析途徑。

人們在經(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”。“精神性疲勞”會(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，而目前針對精神性疲勞的量化檢測方法并不完善，需要有效的疲勞檢測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)合脈搏信號受外界環(huán)境干擾小、易檢測、與疲勞程度相關(guān)性較高等特點(diǎn)，選擇使用脈搏信號來進(jìn)行疲勞量化。量化方法使用生理參數(shù)測量法，對人體脈搏特征進(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)備及檢測對象

選擇健康的檢測對象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，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。形容詞對交叉分布。并將這些形容詞對都分為 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)域信號的提取

脈搏波信號在時(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對脈波信號進(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

圖2 濾波后的脈波信號

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，能夠評估各個(gè)特征在分類問題上的重要性，對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

首先對得到的數(shù)據(jù)進(jìn)行預(yù)處理，將存在明顯數(shù)量級錯(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)森林對象，訓(xùn)練模型。最后用十折交叉驗(yàn)證的方式評估模型的置信度，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)練集和測試集。否則，同樣的算法模型在不同的訓(xùn)練集和測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)作為測試集，這樣大大提高了數(shù)據(jù)的利用率。

在對參數(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)首先測量了100余組數(shù)據(jù)進(jìn)行10折交叉驗(yàn)證測試，在交叉驗(yàn)證時(shí)我們測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。我們又測量了38組數(shù)據(jù)，對這100組數(shù)據(jù)訓(xùn)練出的模型進(jìn)行測試，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，利用數(shù)據(jù)處理軟件進(jìn)行信號濾波去噪處理，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，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)針對更多的場景進(jìn)行研究，避免此類影響。