高速鐵路調(diào)度員疲勞程度分級及預(yù)測方法研究

張光遠，胡 晉，文原勁，王亞偉，杜靜霜

(1.西南交通大學(xué) 交通運輸與物流學(xué)院, 四川 成都 610031；2.西南交通大學(xué) 綜合交通運輸智能化國家地方聯(lián)合工程實驗室，四川 成都 610031；3.西南交通大學(xué) 綜合交通大數(shù)據(jù)應(yīng)用技術(shù)國家工程實驗室，四川 成都 610031)

高速鐵路(以下簡稱“高鐵”)調(diào)度員作為行車調(diào)度的直接決策者和指揮者，具備了車站及列車的控制權(quán)限，其決策行為在高鐵安全運營中發(fā)揮著重要作用[1-2]。相關(guān)研究表明[3-4]，調(diào)度員的疲勞度會隨著工作時間的延長而增加。因此，檢測高鐵調(diào)度員疲勞程度是構(gòu)建高鐵調(diào)度員疲勞檢測預(yù)警系統(tǒng)的關(guān)鍵技術(shù)，亦是有效預(yù)防高鐵事故的關(guān)鍵因素。

目前國內(nèi)外關(guān)于高鐵調(diào)度員疲勞程度檢測的研究較為鮮見，現(xiàn)有研究主要針對空中管制員和機動車駕駛員的疲勞檢測。文獻[5]利用眼動儀和視頻記錄系統(tǒng)記錄空中管制員的面部特征信息，并通過融合算法計算出綜合疲勞度，在此基礎(chǔ)上開發(fā)了管制員疲勞監(jiān)測系統(tǒng)。文獻[6-7]依據(jù)檢測疲勞的信息源，利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測何時達到指定的疲勞水平。文獻[8]利用神經(jīng)網(wǎng)絡(luò)和隨機優(yōu)化方法評估了幾種指標(biāo)的融合，并開發(fā)了視覺系統(tǒng)以獲取駕駛員的面部特征信息。文獻[9]基于城市軌道交通調(diào)度員的作業(yè)行為及行車區(qū)段特征，利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建出調(diào)度員安全作業(yè)行為可靠度判定模型。以上研究通過參與者的個人行為特征及實驗裝置操作特征等的量化，利用人工神經(jīng)網(wǎng)絡(luò)預(yù)判參與者的疲勞狀態(tài)，但未將參與者的操作時間作為變量進行疲勞判別的研究。基于心理學(xué)評價量表對疲勞程度的分級存在一定的模糊性，與高鐵行車調(diào)度員疲勞程度發(fā)展造成的決策與操作失誤行為間的關(guān)聯(lián)性低。

合理的分級可以有效提高模型的準(zhǔn)確性，適應(yīng)不同操作崗位應(yīng)用場景的工作特點?，F(xiàn)有關(guān)于K-Means聚類的文獻主要是對特征數(shù)據(jù)進行的分類。鮮有通過對客觀疲勞分級標(biāo)準(zhǔn)與操作績效進行分類進而指導(dǎo)研究對象的特征數(shù)據(jù)的分類標(biāo)準(zhǔn)。文獻[10-11] 通過脈搏信號主波波峰間隔、呼吸信號周期均值以及皮電信號的均值這3種特征參數(shù)對駕駛員的疲勞清醒狀態(tài)進行聚類。文獻[12]利用K-Means均值聚類分析算法對腦電波特征參數(shù)值進行分類，實現(xiàn)對駕駛員的負荷分類。

本文分析高鐵調(diào)度員工作作業(yè)內(nèi)容，建立高鐵調(diào)度員人因可靠性模型，基于模型計算出432種人因失效概率并進行聚類，以確定高鐵調(diào)度員疲勞分級數(shù)。綜合主客觀卡羅琳斯卡嗜睡量表(KSS)評價、DORATASK工作量與人因失效概率，將對調(diào)度員疲勞程度的客觀評價標(biāo)準(zhǔn)拓展至與疲勞相關(guān)的事故發(fā)生概率。然后基于分類數(shù)目對實驗面部特征數(shù)據(jù)進行分類以實現(xiàn)對調(diào)度員疲勞的判定。因此本文將首先基于認知可靠性和CREAM法建立高鐵調(diào)度員人因可靠性模型，利用K-Means聚類模型對該模型計算出的調(diào)度員失效概率進行聚類分析，得出最佳疲勞程度分級數(shù)?；诿娌刻卣餍畔ⅲ肂P神經(jīng)網(wǎng)絡(luò)構(gòu)建高鐵調(diào)度員疲勞程度判定模型，并探討有無工作時間對模型準(zhǔn)確度的影響。

1 實驗方法

1.1 參與者的選擇

2019年從中國鐵路總公司調(diào)度員培訓(xùn)班的學(xué)生中招募32名男性參與者，年齡在28～38歲之間(平均34.7歲，標(biāo)準(zhǔn)差2.4歲)。入選標(biāo)準(zhǔn)：擁有熟練掌握高鐵調(diào)度操作的技能，身體健康，沒有與睡眠相關(guān)的疾病，不配戴眼鏡，在實驗前一周內(nèi)沒有服用任何藥物。實驗前一晚被要求保證充分的8 h睡眠且不攝入咖啡因等刺激類藥物。所有受試者均提供了書面同意參與實驗。

1.2 實驗裝置

1.2.1 高鐵模擬行車調(diào)度臺

采樣現(xiàn)場及布局見圖1(a)，實驗在西南交通大學(xué)高速鐵路模擬調(diào)度臺進行。參與者監(jiān)視左右布局的兩列屏幕，每列有兩塊屏幕，上下排布。在參與者面部前側(cè)方及側(cè)方分別放置兩個攝像頭。西南交通大學(xué)綜合調(diào)度指揮仿真實驗系統(tǒng)見圖 1(b)，該設(shè)施有 8 臺顯示器，設(shè)有一個高鐵行車調(diào)度臺和一個行車調(diào)度助理調(diào)度臺，每臺分設(shè)4臺顯示器2×2 排布。行車調(diào)度臺上方2臺顯示器顯示區(qū)間及站場圖，下方2臺顯示器分別顯示列車運行圖及調(diào)度命令界面。助理調(diào)度臺上方2臺顯示器顯示站場圖，下方2臺顯示器顯示站場信息及站場調(diào)度命令。

圖1 采樣布局及現(xiàn)場

1.2.2 眼動儀

眼部數(shù)據(jù)通過 The SMI Eye Tracking Glasses 2w(SMI ETG)眼動儀記錄，該儀器采用自動視差補償，瞳孔/CR，暗瞳追蹤的雙目視覺跟蹤原理對眼動采樣追蹤，采用60 Hz的采樣頻率，場景相機分辨率：960×720P@30FPS。

1.3 實驗過程

將32名參與者分為兩組：一組20人，用以訓(xùn)練模型；另一組12人，用以探究模型對研究條件的適用性。對參與者進行兩項實驗條件變量的控制，見表1。分別對12名參與者按照表1中控制變量方案進行實驗，對每名參與者進行4次，共計48次實驗。實驗過程中，對兩項條件變量中的一項變量進行變換，其他條件變量不變，以此類推進行實驗。

表1 實驗條件控制變量方案

實驗開始后，列車運行任務(wù)不間斷，對32名參與者進行控制變量實驗。實驗過程依據(jù)高鐵調(diào)度員工作環(huán)境與日班計劃的周期性，還原調(diào)度員在輪班工作制下的生理節(jié)律，以覆蓋更廣的調(diào)度員工作狀態(tài)。實驗過程中記錄參與者在執(zhí)行調(diào)度任務(wù)過程中的面部特征信息。實驗前24 h向被試人員講解實驗區(qū)段的線路、車站、運行圖、任務(wù)情況以及KSS的說明解釋以便參與者了解實驗任務(wù)，從而保證實驗順利進行。實驗開始前20 min被試人員進入實驗室，適應(yīng)包括眼動儀、調(diào)度臺在內(nèi)的實驗環(huán)境；實驗開始前10 min，被試人員開始檢查實驗系統(tǒng)初始狀態(tài)。實驗開始后，實績運行圖模擬系統(tǒng)開始工作，在實驗正式開始10 min后，系統(tǒng)隨機出現(xiàn)突發(fā)事件，突發(fā)事件總數(shù)保持8次(1次/20 min，SD 3.0)。每位被試人員將執(zhí)行相同情景下的任務(wù)，且依照相關(guān)行車組織細則[18-19]處理突發(fā)事件。被試人員操作任務(wù)主要包括：發(fā)布列車運行計劃、調(diào)整列車運行線、調(diào)整列車出發(fā)到達進路、發(fā)布相關(guān)調(diào)度命令等。實驗正式開始后，利用2個攝像頭全程錄像。根據(jù)人體疲勞變化的時間特性，本研究設(shè)定15 min為疲勞程度判定單位時間。

2 高鐵調(diào)度員疲勞程度檢測模型

將上述實驗獲取的32名高鐵調(diào)度員的眼部特征信息以及哈欠頻率作為BP神經(jīng)網(wǎng)絡(luò)的輸入端，將主觀KSS值、監(jiān)督KSS值、DORATASK值融合計算，得到綜合值。基于人因失效概率以及K-Means聚類得到疲勞程度的分級數(shù)，并對綜合值進行分級，最后作為BP神經(jīng)網(wǎng)絡(luò)的輸出端，構(gòu)建高鐵調(diào)度員疲勞程度檢測模型。

2.1 面部特征信息的提取

本文面部特征信息主要包括：眼部特征信息、嘴部特征信息、視頻監(jiān)督下的臉部疲勞狀態(tài)。眼部特征信息通過眼動儀采集，指標(biāo)分為三組：注視組(閉眼時長、注視時長、瞳孔大小)、 眼跳組(眼跳持續(xù)時間、眼跳幅度、眼跳平均速度)、眨眼組(眨眼頻率，眨眼時長)。嘴部特征信息通過哈欠頻率反映。視頻監(jiān)督下的臉部疲勞狀態(tài)是基于視頻監(jiān)督的KSS方法，并由兩名受過訓(xùn)練的觀察者對實驗過程中視頻記錄下的被試人員的面部特征進行KSS值打分，兩位觀察者的打分平均值為監(jiān)督KSS分值[4]。哈欠頻率及監(jiān)督KSS值都通過視頻記錄的方式提取。

2.2 高鐵調(diào)度員人因失效概率

人因失效概率值作為疲勞程度分級的重要依據(jù)，對模型的科學(xué)性及準(zhǔn)確度至關(guān)重要。首先在CREAM模型的基礎(chǔ)上對高鐵行車調(diào)度員的作業(yè)行為進行分析，確定其對應(yīng)的認知功能、失效模式、失效概率。采用專家調(diào)查的方法確定認知功能的權(quán)重因子，并對數(shù)據(jù)進行模糊化處理以降低人為因素的不可靠性。最后基于可靠性原理得到人因失效概率，主要步驟為

Step1高鐵調(diào)度員作業(yè)行為分析。參考高鐵調(diào)度員的相關(guān)工作任務(wù)并記錄分類，作業(yè)可分為4種類型：監(jiān)控、操作、通訊和記錄。

Step2情景環(huán)境評價。情景環(huán)境與調(diào)度員工作行為密切相關(guān)。結(jié)合參考文獻[14]CPC因子對績效可靠性的期望效應(yīng)。根據(jù)控制模式算法，確定共同績效條件下的控制模式為戰(zhàn)略型，人因失效概率區(qū)間為(0.000 05,0.01)[14]。

Step3CPC權(quán)重因子。采取專家調(diào)查法，通過三角模糊數(shù)轉(zhuǎn)化為可量化的數(shù)據(jù)[15]，以降低人為主觀的模糊性。最后通過三角模糊數(shù)來描述評價結(jié)果。三角模糊數(shù)的隸屬曲線見圖2。

圖2 三角模糊數(shù)的隸屬曲線圖

(1)

根據(jù)問卷調(diào)查的結(jié)果和三角模糊數(shù)的對應(yīng)關(guān)系，計算出所有CPC因子對應(yīng)的認知功能權(quán)重。

Step4調(diào)度員人因失效概率。根據(jù)失效概率基本值與CPC因子對應(yīng)的權(quán)重因子，結(jié)合串聯(lián)系統(tǒng)可靠性原理[14]得到最后的失效概率值。串聯(lián)系統(tǒng)的可靠性為

(2)

式中：RS(t)為串聯(lián)系統(tǒng)的可靠度：Ri(t)為系統(tǒng)中第pi個部件單獨工作時的可靠度。

高鐵調(diào)度員在作業(yè)過程中發(fā)生人為失誤概率[13]為

(3)

2.3 基于K-Means算法及人因失效概率的高鐵調(diào)度員疲勞分級

K-Means聚類分析作為對數(shù)據(jù)處理的一項重要技術(shù)手段，有著簡化模型的作用，具有處理數(shù)據(jù)簡單快速等的優(yōu)點[17]。本文將K-Means聚類分析作為高鐵調(diào)度員疲勞程度分級的基礎(chǔ)。K-Means算法是一種廣泛使用的聚類算法，其思想大致可以解釋為從數(shù)據(jù)對象當(dāng)中選擇k個作為初始聚類的中心，計算其他數(shù)據(jù)與初始聚類中心之間的距離，并劃分成距離聚類中心聚類最近的類。根據(jù)新生成的數(shù)據(jù)均值，更新聚類中心。若相鄰迭代次數(shù)內(nèi)聚類中心值的變化超過規(guī)定的閾值，則將通過新聚類中心對所有數(shù)據(jù)對象進行重新劃分；若相鄰迭代次數(shù)內(nèi)聚類中心值的變化小于規(guī)定的閾值，表明收斂，即可輸出聚類結(jié)果。將人因失效概率樣本進行聚類分析，其具體步驟如下：

Step1輸入人因失效概率樣本T=x1,x2,x3,…,x432。

Step2隨機選擇s個數(shù)據(jù)樣本點作為初始的聚類中心μ1,μ2,…，μs。

(4)

Step4將所有類別中心點更新為隸屬該類別所有樣本點的均值μj為

(5)

式中：mj為屬于該類別中心點j下的所有樣本。

Step5重復(fù)Step4、Step5，直到類別中心變化小于某閾值且滿足迭代次數(shù)。

2.4 疲勞檢測模型輸出端數(shù)據(jù)的確定

高鐵調(diào)度員疲勞程度判定模型的輸出端需要采集的數(shù)據(jù)包括主觀KSS值、監(jiān)督KSS值、DORATASK值。通過層次分析法計算出各指標(biāo)權(quán)重，然后融合計算出模型輸出端的疲勞程度值。具體步驟如下：

Step1利用層次分析法計算輸出端包含的3項指標(biāo)(主觀KSS值u1、監(jiān)督KSS值u2、DORATASK值u3)的權(quán)重。

Step2利用歸一化方法處理輸出端包含的原始指標(biāo)，該過程采用指數(shù)化處理方法，通過因素的最大、最小值進行計算，標(biāo)準(zhǔn)化后的指標(biāo)值up為

(6)

式中：ui為指標(biāo)值，i=1,2,3；umax為指標(biāo)的最大值；umin為指標(biāo)的最小值。

通過該步驟指數(shù)化處理，原始數(shù)據(jù)可轉(zhuǎn)換為無量綱的數(shù)值。

Step3基于CREAM高鐵調(diào)度員人因可靠性K-Means聚類結(jié)果顯示，并考慮到疲勞分級越多，檢測精確度越低[15]，將疲勞等級劃分為3級：輕度疲勞、中度疲勞、重度疲勞。輸出端分級見表2。

表2 輸出端影響因素的疲勞等級

Step4結(jié)合層次分析法對3項指標(biāo)的權(quán)重，對每項指標(biāo)的標(biāo)準(zhǔn)化值與權(quán)重相乘，再將3項指標(biāo)對應(yīng)的結(jié)果相加，即

(7)

式中：Up為輸出端疲勞程度值。

將層次分析法計算出的權(quán)值代入式(2)，即可得到輸出端的疲勞程度值公式。

2.5 基于BP神經(jīng)網(wǎng)絡(luò)的高鐵調(diào)度員疲勞程度檢測模型構(gòu)建

將高鐵調(diào)度員疲勞程度作為輸出端，眼動儀記錄的各項指標(biāo)以及哈欠頻率共計10項作為輸入端，輸出端數(shù)量選擇3，隱含層神經(jīng)元個數(shù)根據(jù)實驗效果選取，構(gòu)建出高速鐵路調(diào)度員疲勞程度判定模型，模型結(jié)構(gòu)見圖3。

圖3 高速鐵路調(diào)度員疲勞程度判定BP神經(jīng)網(wǎng)絡(luò)模型

在BP神經(jīng)網(wǎng)絡(luò)模型中，輸出層節(jié)點a至隱含層任意節(jié)點t以及隱含層任意節(jié)點t至輸出層節(jié)點e的傳遞可表示為

yat=f(ai.wait+θait)i=1,2,…,9t=1,2,…,s

(8)

(9)

式中：wait為神經(jīng)元間的連接權(quán)值系數(shù)；θait為偏置：f為Sigmoid函數(shù)。

(10)

模型使用損失函數(shù)L使用交叉熵驗證模型的準(zhǔn)確度，定義為

(11)

通過尋找使模型交叉熵最小的超參數(shù)值，從而確定模型。

3 結(jié)果分析

(1)高鐵調(diào)度員人因失效概率模型的建立

高速鐵路調(diào)度員作業(yè)行為分析：參考高鐵調(diào)度員的相關(guān)工作任務(wù)并記錄分類。作業(yè)可分為4種類型：監(jiān)控、操作、通訊和記錄。其基本作業(yè)、認知活動及認知功能見表3。

表3 高鐵調(diào)度員基本作業(yè)、認知活動及認知功能

(2)基于人因失效概率的高速鐵路調(diào)度員疲勞狀態(tài)分級數(shù)的確定

根據(jù)三角模糊數(shù)計算的權(quán)重因子，得到失效概率修正值CCFP。本文主要通過人因失效概率對評論等級進行劃分，因此將失效概率相同的失效模式合并，調(diào)度作業(yè)失效概率見表4。

表4 調(diào)度作業(yè)失效概率

基于CREAM及高速鐵路調(diào)度員操作流程計算出高速鐵路調(diào)度作業(yè)人因失效概率的三角模糊數(shù)共計432項，利用K-Means聚類對432項不同的人因失效概率分類，從而實現(xiàn)疲勞程度的科學(xué)分類，分析結(jié)果見表5，聚類效果見圖4。由圖4可見，當(dāng)聚類數(shù)為3時，其輪廓系數(shù)最大，為0.609，表示對高鐵調(diào)度員人因失效概率的聚類效果最佳。因此疲勞分級采用3級分類。

表5 基于K-Means聚類對高速鐵路調(diào)度員人因失效概率分類結(jié)果

圖4 因失效概率三角模糊數(shù)聚類效果

(3)疲勞檢測模型輸出端數(shù)據(jù)模型建立結(jié)果

根據(jù)2.4節(jié)，首先利用層次分析法計算主觀KSS值u1、監(jiān)督KSS值u2、DORATASK值u3的權(quán)重；層次分析法下的輸出端各指標(biāo)權(quán)重值見表6。

表6 輸出端考慮因素的權(quán)重計算

因此，輸出端的疲勞程度值為

將表6的輸出端包含的各項指標(biāo)的等級閾值代入式(15)，得出輸出端的疲勞程度分級值對應(yīng)表，見表7。

表7 輸出端綜合疲勞程度級別與Up對應(yīng)表

(4)構(gòu)建高鐵調(diào)度員疲勞程度檢測模型

將實驗獲取的樣本70%用于訓(xùn)練，30%用于測試。將記錄的數(shù)據(jù)作為高鐵調(diào)度員疲勞程度判定BP神經(jīng)網(wǎng)絡(luò)模型的輸入端，并根據(jù)有無工作時間參與到輸入端的訓(xùn)練。

根據(jù)有無工作時間，在不同神經(jīng)元數(shù)量下進行兩組實驗，結(jié)果見圖5。對比無工作時間及含工作時間下最佳效果的ROC曲線圖，見圖6。

圖5 不同神經(jīng)元數(shù)量下有無工作時間對交叉熵及誤差百分數(shù)的影響

圖6 無工作時間下的擬合最佳效果ROC曲線圖

由圖6可見，對比交叉熵下，無工作時間平均交叉熵為2.789，有工作時間平均交叉熵為6.354，且在神經(jīng)元個數(shù)為15時，有無工作時間下交叉熵值均達到最低；無工作時間平均誤差達到40.805%。而有工作時間平均誤差則達到了13.322%，且在神經(jīng)元數(shù)量為20時達到最低9.317%。當(dāng)工作時間參與到模型的訓(xùn)練中時，其ROC曲線3類分級較無工作時間下的曲線均明顯遠離對角線，說明分類效果最優(yōu)。從總體上看，雖然無工作時間下的分類交叉熵低于有工作時間下的分類，但是在誤差百分數(shù)及ROC曲線效果上，有工作時間明顯可以使模型分類效果達到最優(yōu)。

(5)驗證模型的適用性

綜上所述，建立的高鐵調(diào)度員疲勞程度判定模型選用考慮工作時間條件變量下的，具有20個隱含層節(jié)點數(shù)的BP模式識別神經(jīng)網(wǎng)絡(luò)模型。對第二組12名參與者分別在兩種不同的條件變量下進行實驗，驗證模型的適用性，不同條件變量的模型判定疲勞程度的誤差百分數(shù)見表8。

表8 實驗條件控制變量方案

表8可見，不同的條件變量工作時長與工作機制對疲勞程度判定的平均誤差為10.40%。因此，該模型對不同的工作時長與工作機制下的疲勞程度判定準(zhǔn)確度基本不變，有良好的適用性。

4 結(jié)論

本文基于高鐵模擬調(diào)度實驗，根據(jù)調(diào)度員人因失效概率對其疲勞狀態(tài)的分級進行研究，并建立疲勞判定模型主要成果及結(jié)論如下：

(1)確定了主客觀評價方法融合的高速鐵路調(diào)度員綜合疲勞分級標(biāo)準(zhǔn)。建立高速鐵路調(diào)度員人因可靠性模型CREAM，并計算出基于高鐵調(diào)度員作業(yè)行為的共計432項人因失效概率，基于K-Means聚類算法實現(xiàn)對人因失效概率進行分類，計算得出基于調(diào)度員作業(yè)行為下的疲勞分類的最佳數(shù)目為3類。。該方法基于高速鐵路調(diào)度員作業(yè)行為建立的人因可靠性模型，將調(diào)度員工作特征與疲勞分級相結(jié)合，有效避免了僅通過面部特征對高速鐵路調(diào)度員疲勞分級的非針對性。

(2)基于高鐵調(diào)度員眼部數(shù)據(jù)、哈欠頻率作為輸入端，監(jiān)督KSS值、DORATASK值經(jīng)過融合計算及最佳分類數(shù)得出疲勞分級閾值并作為輸出端，構(gòu)建一種基于BP模式識別神經(jīng)網(wǎng)絡(luò)的高鐵調(diào)度員疲勞狀態(tài)分級判定模型。該模型是以高鐵調(diào)度員作業(yè)行為為基礎(chǔ)，人因可靠性為指導(dǎo)，面部特征為分類對象的疲勞分級判定模型。

(3)研究結(jié)果表明，在高鐵調(diào)度員工作時間參與模型輸入的前提下，平均誤差為13.322%，當(dāng)隱含層節(jié)點數(shù)為20時，達到最佳效果，誤差僅為9.317%，表明當(dāng)輸入端包含工作時間時，模型達到較高精度且在不同工作時長及工作機制下的判定誤差平均誤差為10.401%。證明了將工作時間作為輸入特征的方法，對研究工作特點為長時間工作的高鐵調(diào)度員疲勞度具有重要作用，且該模型對不同工作時長與工作機制有良好適用性，適用于高鐵調(diào)度員正常工作條件。同時根據(jù)最優(yōu)模型的ROC曲線圖顯示，對I級疲勞有著高于II、III級疲勞的準(zhǔn)確度，這對疲勞初始狀態(tài)起到很好的預(yù)防作用。

本文實現(xiàn)了基于高鐵調(diào)度員人因可靠性模型對疲勞程度分級的指導(dǎo)作用，建立了以高鐵調(diào)度員工作特征為背景的分級方法研究。通過K-Means聚類算法對高鐵調(diào)度員人因可靠性概率進行分類，從而得到基于高鐵調(diào)度員可靠性的疲勞分級數(shù)。通過將面部特征信息作為疲勞判定模型的輸入端進行訓(xùn)練，同時考慮將工作時間作為另一變量參與到模型的訓(xùn)練當(dāng)中，研究結(jié)果表明在調(diào)度員工作時間參與模型的訓(xùn)練可以有效提高疲勞程度分級判定的準(zhǔn)確度，且該模型對I級疲勞的判定準(zhǔn)確度最高，為調(diào)度員工作狀態(tài)下的疲勞預(yù)防提供研究基礎(chǔ)。因此，在未來的應(yīng)用過程中，通過在記錄調(diào)度員面部特征信息的基礎(chǔ)上，增加對工作時間的記錄可以提高對疲勞判定的準(zhǔn)確度。研究成果對高鐵調(diào)度員疲勞工作預(yù)警干預(yù)提供了理論依據(jù)。后期可在實際的工作環(huán)境下對該方法的適用性及指標(biāo)等做進一步選取與驗證。