於鵬 嚴(yán)良文 陳佳樂 余越 曹可樂 黃閃 董旭東

0 引言

精神疲勞是指由腦力勞動繁重、神經(jīng)系統(tǒng)緊張程度過高而引起的精神疲怠現(xiàn)象，屬于人體的一種亞健康狀態(tài)，往往在長時間從事一項(xiàng)相同的、超負(fù)荷的工作后會產(chǎn)生這種狀態(tài)[1]，同時會造成工作效率下降，嚴(yán)重時會對人的身體造成損傷。所以，對人體進(jìn)行疲勞狀態(tài)的評估具有重要意義。

目前關(guān)于精神疲勞的評估方法主要源于主觀和客觀兩個方面。主觀方面的評定方法主要是采納問卷調(diào)查的形式，這種方法不僅用于評估疲勞，在情緒、精神負(fù)荷、心情等多種心理表現(xiàn)的評估上也有所應(yīng)用，廣泛應(yīng)用于航空疲勞和駕駛疲勞的評定中。因?yàn)槿梭w的生理信號在疲勞時的特征表現(xiàn)與非疲勞狀態(tài)時相比有著較大的改變，所以客觀評定法可以通過提取人的生理信號進(jìn)行分析評判。現(xiàn)在用于疲勞檢測的生理信號主要有生化信號、腦電、眼電、心電、肌電、光電容積脈搏波(photoplethysmography, PPG)等[2]。

生化信號涉及到人體的激素水平、體液變化、血糖、血脂等，需要進(jìn)行有創(chuàng)提取，并做一系列的化學(xué)分析，步驟十分繁瑣。李明愛等[3]證明了腦電信號可以用于判斷疲勞駕駛，是評定人體精神狀態(tài)的常用手段，但是采集腦電信號的配套設(shè)備較為昂貴；眼電信號通過獲取一段時間內(nèi)眼睛狀態(tài)的變化來反映疲勞狀態(tài)；心電信號通過分析心率變異率(heart rate variability, HRV)來判斷人體疲勞狀態(tài)；肌電信號能夠體現(xiàn)肌肉的功能狀態(tài)從而反映人體的疲勞狀態(tài)，但上述4種信號在采集時都需要進(jìn)行多點(diǎn)采集，會給使用者會帶來不便。

PPG是一種非侵入性的光電檢測技術(shù)[4]，只需將微型的光電傳感設(shè)備放置于手指、耳垂等身體表面即可采集到信號，且廣泛用于可穿戴設(shè)備中，采集方式更加簡便。

HRV是可以用來反映心臟交感神經(jīng)和迷走神經(jīng)活動緊張性和均衡性的一種非侵入性指標(biāo)[5]。Al-Libawy 等[6]使用胸帶式心臟監(jiān)測儀和可測心率的腕表獲取人體HRV來分析人體疲勞程度。Tsai等[7]用HRV和腦電信號結(jié)合的方法來分析建筑工人的疲勞程度，來規(guī)避因?yàn)槠诙a(chǎn)生的安全事故。郭瑋珍等[8]從心電信號中提取出HRV，并對其進(jìn)行時頻域分析，對人體疲勞做了定量化的評價。祝榮欣等[9]通過實(shí)驗(yàn)證明，HRV與肌電信號相比有著更好的疲勞識別效果，并且可以與肌電信號結(jié)合來提高識別能力。但現(xiàn)在提取HRV信息的方法通常是使用心電采集設(shè)備進(jìn)行相應(yīng)的采集分析，操作復(fù)雜且成本較高。

隱馬爾可夫模型(hidden Markov model, HMM)在語音識別、故障診斷等領(lǐng)域有著廣泛應(yīng)用，且具有很高的準(zhǔn)確率。在獲取與人體精神狀態(tài)密切相關(guān)的生理指標(biāo)的前提下，利用HMM理論進(jìn)行建?？梢詫?shí)現(xiàn)對人體疲勞狀態(tài)的準(zhǔn)確評估，這為人體精神疲勞狀態(tài)的評估方法擴(kuò)展了思路。

PPG信號可以檢測到皮下血管組織中的血液容積變化，進(jìn)而反映心率、血氧等多種生理標(biāo)準(zhǔn)，PPG采集到的心率和心電圖是一致的，峰峰值之間的間隔也極為相近，PPG信號也可以用來分析心率變異性，進(jìn)一步分析精神疲勞。為此，本文提出對PPG信號進(jìn)行分析得到人體HRV，并運(yùn)用HMM理論來建立人體疲勞狀態(tài)評估模型，以此對人體疲勞狀態(tài)進(jìn)行檢測。

1 HMM原理

HMM是一種基于統(tǒng)計分析的時間序列信號模型[10]，一個完整的HMM可以由5個參數(shù)描述，記為λ=(N,M,π,A,B),具體參數(shù)意義如下[11]：

(1)N表示模型中的狀態(tài)數(shù)量。分別將模型的N個狀態(tài)表示為S1,S2,…,SN，將時刻t時模型所處的狀態(tài)記為qt，那么有qt∈{S1,S2,…,SN}。

(2)M表示每一個狀態(tài)所對應(yīng)的觀測值的數(shù)目。分別將M個觀測值表示為V1,V2,…，VM將時刻t時模型所處的觀測值記為ot，那么有ot∈{V1,V2,…VM}。

(3)π表示的是模型的初始狀態(tài)概率向量，記為π={πi}，且

πi=P(q1=Si)i∈(1,N)

(1)

(4)A表示模型的狀態(tài)轉(zhuǎn)移概率矩陣，記為A={ai,j}，且

ai,j=P(qt+1=Sj|qt=Si)i,j∈(1,N)

(2)

(5)B表示模型的觀測值概率矩陣，記為B={bj(k)}，且

bj(k)=P(ot=vk|qt=Sj)

j∈(1,N),k∈(1,M)

(3)

在實(shí)際的應(yīng)用中，HMM主要存在以下三類問題需要解決：

第一類問題是在已知觀測序列O={o1,o2,…,oT}和模型參數(shù)λ的前提條件下，計算出觀測變量序列的概率P(O|λ)，解決這類問題通常使用前向-后向算法。

第二類問題是在已知觀測序列O={o1,o2,…,oT}和模型參數(shù)λ的前提條件下，為能實(shí)現(xiàn)基于極大后驗(yàn)或極大似然上的最優(yōu)，選擇一個相對應(yīng)的狀態(tài)序列Q={q1,q2,…,qT}，常用的計算方法是Viterbi算法。

第三類問題是在已知觀測序列O={o1,o2,…,oT}的前提條件下，為能使模型的觀測值序列O={o1,o2,…,oT}有最大的概率P(O|λ)，訓(xùn)練并調(diào)整模型參數(shù)λ。在模型訓(xùn)練的問題上，基本使用Baum-Welch算法來解決。

本文利用實(shí)驗(yàn)獲得樣本數(shù)據(jù)來建立HMM模型，并對所建立的HMM人體疲勞評估模型進(jìn)行驗(yàn)證，因此研究內(nèi)容涉及上述問題中的第二類和第三類問題，使用Baum-Welch算法和Viterbi算法來做相應(yīng)計算。

2 基于PPG信號的HRV信息提取

2.1 實(shí)驗(yàn)數(shù)據(jù)的采集

數(shù)據(jù)來自志愿參與實(shí)驗(yàn)的22名在校研究生，年齡在22～27歲之間。志愿者在實(shí)驗(yàn)前一天禁止飲用咖啡、濃茶等引起精神亢奮的飲品和含有酒精等引起人疲勞的飲料，并要求志愿者在前一天不出現(xiàn)過度運(yùn)動，以保證實(shí)驗(yàn)數(shù)據(jù)不被其他因素干擾，可以正確反映志愿者當(dāng)天精神狀態(tài)的變化。

實(shí)驗(yàn)在安靜的環(huán)境下進(jìn)行，環(huán)境溫度保持在22～25 ℃之間，濕度在45%左右。PPG信號的采集設(shè)備選用以MAX30102芯片為核心的光電容積脈搏波傳感器，采樣頻率設(shè)定為100 Hz，并選用成熟的商用產(chǎn)品——PHILIPS DB12心率血氧儀，同時測量受試者的心率與實(shí)驗(yàn)數(shù)據(jù)計算得到的心率進(jìn)行對比。

實(shí)驗(yàn)從早上9點(diǎn)30分開始，持續(xù)時間為13 h，整個實(shí)驗(yàn)過程中，除了午餐和晚餐時間外，要求志愿者坐在電腦前專注地完成閱讀文獻(xiàn)和處理數(shù)據(jù)等科研任務(wù)。參與實(shí)驗(yàn)的志愿者均有白天休息的習(xí)慣，在9∶30～10∶30、12∶30～13∶30、15∶30～16∶30、18∶30～19∶30、21∶30～22∶30五個時間段中，志愿者至少參與4個時間段的實(shí)驗(yàn)，并剝奪其白天休息的時間，以造成其疲勞的狀態(tài)[12]，每個時間段內(nèi)連續(xù)采集時長不低于30 min。受試者每次實(shí)驗(yàn)前后填寫由英國King’s College Hospital心理醫(yī)學(xué)研究室和Queen Mary’s University Hospital的許多專家共同編制的疲勞量表-14(Fatigue Scale-14，F(xiàn)S-14)[13]進(jìn)行疲勞程度評分，結(jié)合受試者當(dāng)時的生理表現(xiàn)(如打哈欠、眼睛疲勞、頭暈等)來綜合評定受試者當(dāng)時是否疲勞并記錄，以此得到實(shí)驗(yàn)記錄的狀態(tài)序列。

實(shí)驗(yàn)過程中，用黑色綁帶將傳感器與被測者的左手食指纏繞在一起，以此來消除環(huán)境光的影響。與此同時，將PHILIPS DB12夾于受試者右手食指并記錄心率。實(shí)驗(yàn)過程中，受試者保持肢體的靜止與均勻呼吸，并遠(yuǎn)離手機(jī)、臺燈、電鉆等電磁干擾源。通過串口將采集到的PPG數(shù)據(jù)傳輸至電腦，保存成表格的形式方便計算機(jī)進(jìn)行后續(xù)的處理，采集場景如圖1所示。

圖1 數(shù)據(jù)采集場景

2.2 PPG信號的預(yù)處理

在國際標(biāo)準(zhǔn)中，短時程數(shù)據(jù)的時間長度一般為5 min，具有易于掌握、容易控制、受外界干擾比較小等特點(diǎn)，在很多研究和臨床試驗(yàn)中采用的多是這種短時程方法來對HRV數(shù)據(jù)進(jìn)行分析。本研究中，將數(shù)據(jù)劃分為多個5 min時長的數(shù)據(jù)進(jìn)行分析，即將數(shù)據(jù)截取為長度30 000個采樣點(diǎn)的數(shù)據(jù)進(jìn)行處理分析，為了更清晰地體現(xiàn)處理前后的PPG信號波形變化，文中僅截取長度為3 000的數(shù)據(jù)進(jìn)行闡述。

PPG信號具有頻率低、幅值小等特點(diǎn)，采集過程中容易受到外界環(huán)境的干擾。因此，需要對采集到的PPG原始信號進(jìn)行預(yù)處理，消除噪聲污染和基線漂移等干擾。

五點(diǎn)三次平滑算法屬于平滑濾波算法的一種，利用多項(xiàng)式最小二乘法來逼近采樣點(diǎn)，算法十分簡單，濾波效果較好[14]。使用該算法可以很好的消除PPG信號中的噪聲干擾，并保留了原有的曲線特性，處理結(jié)果如圖2所示。

圖2 濾波前后信號的對比

PPG信號的基線漂移主要來自工頻干擾、呼吸波干擾以及人體動作等。實(shí)際測量時，曲線將無法避免地產(chǎn)生漂移，基線漂移會使脈搏波的波形會產(chǎn)生較大的波動，對脈搏波的識別與分析帶來了較大的干擾。本文利用小波變換的帶通濾波特性以消除基線漂移的影響，處理結(jié)果如圖4所示。

圖4 去除基線漂移后的波形

2.3 HRV信號提取

要從PPG信號中提取出心率變異度信號，關(guān)鍵點(diǎn)是確定脈搏波周期中主波P波的波峰位置(*標(biāo)記處)。本文采用差分閾值法來確定信號的P波波峰位置，得到標(biāo)記P波波峰位置的圖像如圖5所示。

圖5 獲取峰值位置

獲得P波波峰位置后，根據(jù)相鄰兩波峰的時間差T來計算心率，計算公式為：

(4)

(5)

式中：peaki(i=1,2,3,…,n)表示這段時間內(nèi)n個周期的峰值橫坐標(biāo)；num表示相鄰量波峰采樣數(shù)的平均值；Ts表示時間間隔，本文中Ts=0.01 s。

每30 s記錄一次PHILIPS DB12心率血氧儀的顯示數(shù)據(jù)，取每一段時間內(nèi)的平均值作為每個人的心率，將其作為基準(zhǔn)心率與根據(jù)實(shí)驗(yàn)數(shù)據(jù)計算得到的心率進(jìn)行對比。因?yàn)閿?shù)據(jù)較多，這里隨機(jī)展示4位志愿者的數(shù)據(jù)，如表1所示。

圖3 去除基線漂移前的波形

表1 心率比較

由表1數(shù)據(jù)得到誤差范圍都在3%內(nèi)，可以證明實(shí)驗(yàn)所得PPG數(shù)據(jù)可以準(zhǔn)確反映人體的心率。

獲得P波波峰后，可以對HRV數(shù)據(jù)進(jìn)行時域分析，即計算一系列的RR間期特征指標(biāo)。常用的時域研究指標(biāo)[15]有三個：均值(MEAN)、N-N間期的標(biāo)準(zhǔn)差(standard deviation in N-N intervals,SDNN)、相鄰N-N間期差值均方根(root mean square of successive differences,RMSSD)。計算公式如下：

(6)

(7)

(8)

對實(shí)驗(yàn)獲得的數(shù)據(jù)進(jìn)行分析，HRV中的時域指標(biāo)SDNN在人體進(jìn)入疲勞狀態(tài)時有明顯的升高，故以SDNN值作為觀測變量進(jìn)行HMM建模。

3 HMM疲勞評估模型的建立

3.1 Markov鏈的確定及特征參數(shù)處理

圖6 基于HRV的HMM疲勞評估模型的建立過程

本研究的目的在于確定人體是否在精神疲勞狀態(tài)，因此將隱狀態(tài)分為兩種，即清醒狀態(tài)和疲勞狀態(tài)。因?yàn)槿嗽谀骋豢烫幱谄诨蚯逍褷顟B(tài)時，下一時刻都有可能處于清醒或疲勞的狀態(tài)，體現(xiàn)在HMM模型中是：狀態(tài)可以向下一個狀態(tài)轉(zhuǎn)移也可以向自身狀態(tài)轉(zhuǎn)移。由此分析得到本文所建立的人體疲勞狀態(tài)評估模型的Markov鏈的狀態(tài)數(shù)目為2，如圖7所示。狀態(tài)S1表示志愿者處于清醒狀態(tài)，狀態(tài)S2表示志愿者處于疲勞狀態(tài)。

圖7 Markov鏈?zhǔn)疽?/p>

在本文建立的HMM人體疲勞評估模型中，將隱狀態(tài)定義為兩種狀態(tài)，相應(yīng)觀測變量的狀態(tài)也分為兩類，即正常狀態(tài)和異常狀態(tài)。箱型圖能夠準(zhǔn)確穩(wěn)定地描繪出數(shù)據(jù)的離散分布情況，故本文基于實(shí)驗(yàn)數(shù)據(jù)使用箱型圖進(jìn)行統(tǒng)計學(xué)分析以確定SDNN狀態(tài)分割的閾值。SDNN數(shù)值統(tǒng)計結(jié)果的箱型圖如圖8所示。

圖8 SDNN數(shù)值統(tǒng)計結(jié)果

由圖8可知，清醒狀態(tài)的上四分位數(shù)小于60，而在疲勞狀態(tài)的下四分位數(shù)大于60，故將SDNN的狀態(tài)分割閾值設(shè)為60。清醒狀態(tài)設(shè)為1，疲勞狀態(tài)設(shè)為2。當(dāng)SDNN的數(shù)值小于60時為正常狀態(tài)且設(shè)為1，否則為異常狀態(tài)設(shè)為2，以便后續(xù)進(jìn)行編程處理。

3.2 HMM模型初始參數(shù)的確定

由于初始狀態(tài)概率向量π和狀態(tài)轉(zhuǎn)移概率矩陣A的初值對模型訓(xùn)練結(jié)果影響不大，因此只需滿足以下公式的要求即可：

πi=P(qi=Si)，1

(9)

(10)

故初始狀態(tài)概率向量π和狀態(tài)轉(zhuǎn)移概率矩陣A的初值可以考慮隨機(jī)選取或均勻取值。由于模式識別通常采用左-右模型，所以初始狀態(tài)概率向量πi不做估計，設(shè)定為：

π1=1

πi=0,(i=2,3,…,N)

狀態(tài)轉(zhuǎn)移概率矩陣A的初值利用均勻分布的原理選取，利用式(11)確定初值：

(11)

由上文分析可知，Markov鏈的狀態(tài)數(shù)目為2，即清醒狀態(tài)和疲勞狀態(tài)，從每種狀態(tài)轉(zhuǎn)移出去的轉(zhuǎn)移路徑數(shù)目為2，故aij=0.5。即初始狀態(tài)轉(zhuǎn)移概率矩陣A為：

本文設(shè)定清醒狀態(tài)為1，疲勞狀態(tài)為2，即表示人體從此刻清醒狀態(tài)下一時刻轉(zhuǎn)移到清醒狀態(tài)的概率，如a12表示人體從清醒狀態(tài)轉(zhuǎn)移到疲勞狀態(tài)的概率，a21表示人體從疲勞狀態(tài)轉(zhuǎn)移到清醒狀態(tài)的概率，a22表示人體從疲勞狀態(tài)轉(zhuǎn)移到疲勞狀態(tài)的概率。

B的初始值基于所得實(shí)驗(yàn)數(shù)據(jù)，對采集的PPG信號進(jìn)行分析并提取SDNN參數(shù)，來組成構(gòu)建HMM人體疲勞評估模型的樣本數(shù)據(jù)庫。利用數(shù)理統(tǒng)計的方法計算出矩陣B中的各元素bij取值，bij當(dāng)狀態(tài)為i時，觀測值為j的概率。

如計算初始觀測值概率矩陣B中的b11，選取一組長度為24的觀測值樣本序列作為統(tǒng)計的數(shù)據(jù)樣本：

O=[2,2,1,1,1,1,2,2,2,2,1,1,2,2,

2,2,2,2,2,2,1,1,1,1]

此時對應(yīng)的實(shí)驗(yàn)記錄的狀態(tài)序列為：

Q=[1,1,1,1,1,1,2,2,2,2,2,2,2,

2,2,2,2,2,1,1,1,1,1,1]

b11表示人體處于清醒狀態(tài)時觀測變量為正常的概率，即狀態(tài)序列中數(shù)值為1時對應(yīng)的觀測序列中數(shù)值為1的概率。在上列狀態(tài)序列中數(shù)值為1的個數(shù)為12個，狀態(tài)為1且觀測值為1的個數(shù)為8，則b11=8/12，采取同樣的方法來獲得觀測概率矩陣B中其他元素的數(shù)值。

每位志愿者完成當(dāng)天的實(shí)驗(yàn)后，分別會得到一組長度為24的觀測值序列和狀態(tài)序列。為了避免單一特殊數(shù)據(jù)的訓(xùn)練結(jié)果對模型產(chǎn)生影響，本文隨機(jī)選取10位志愿者的數(shù)據(jù)運(yùn)用上述方法進(jìn)行初值的選取，得到長度為240的觀測值序列和實(shí)驗(yàn)記錄的狀態(tài)序列進(jìn)行建模，求得初始觀測值概率矩陣B如下：

3.3 HMM模型參數(shù)的訓(xùn)練優(yōu)化

3.4 人體疲勞評估模型的驗(yàn)證

實(shí)驗(yàn)過程中發(fā)現(xiàn)，不同的人精神狀態(tài)的轉(zhuǎn)變方式是有差異的。本文中規(guī)定清醒狀態(tài)為“1”，疲勞狀態(tài)為“2”，單次實(shí)驗(yàn)內(nèi)志愿者的精神狀態(tài)不會發(fā)生改變，會形成6個連續(xù)的狀態(tài)，一位志愿者完成當(dāng)天的4次實(shí)驗(yàn)后會產(chǎn)生長度為24的狀態(tài)序列，并將其作為基準(zhǔn)狀態(tài)序列。如實(shí)驗(yàn)記錄的狀態(tài)序列Q=[1,1,1,1,1,1,2,2,2,2,2,2,2,2,2,2,2,2,1,1,1,1,1,1]代表受試者實(shí)驗(yàn)當(dāng)天的精神狀態(tài)變化模式為“清醒—疲勞—疲勞—清醒”。為驗(yàn)證模型的準(zhǔn)確性，隨機(jī)選取3位精神狀態(tài)轉(zhuǎn)變方式不同的志愿者數(shù)據(jù)，將觀察值序列輸入到建立好的模型中，運(yùn)用Viterbi算法求得對應(yīng)的最優(yōu)狀態(tài)序列并計算準(zhǔn)確率，結(jié)果如表2所示，其中誤判狀態(tài)以斜體加粗的形式框出。

由表2數(shù)據(jù)可知，建立的HMM人體疲勞評估模型的準(zhǔn)確度均在80%以上。因此，本文構(gòu)建的基于HRV信號的HMM人體疲勞評估模型可以很好地檢測到人體精神疲勞狀態(tài)，并且不會因?yàn)槿梭w精神狀態(tài)轉(zhuǎn)變模式的不同而產(chǎn)生較大偏差。

表2 模型的準(zhǔn)確率

4 討論

人在精神疲勞的狀態(tài)下，反應(yīng)能力和工作效率都有所下降，檢測人體的疲勞狀態(tài)一直是一個社會意義重大的課題。國內(nèi)外科研工作者證明了生化、腦電、眼電及肌電等信號可以作為評定人體疲勞狀態(tài)的客觀指標(biāo)并且已經(jīng)取得了一定成果，但是這些信號的采集分析方式較為繁瑣，無法應(yīng)用在日常生活中。HRV與人體交感神經(jīng)和迷走神經(jīng)活動緊張性和均衡性關(guān)系密切，可以作為評估人體疲勞狀態(tài)的客觀指標(biāo)。傳統(tǒng)的HRV獲取方式是將多個電極片貼至人體皮膚表面并通過心電設(shè)備采集分析，會對使用者造成不便。

PPG信號采集到的心率和心電圖是一致的，峰峰值之間的間隔也極為相近，故PPG信號也可以用來分析HRV，進(jìn)一步分析精神疲勞，并且PPG信號的采集只需要將微型的光電傳感器放置在指尖、手腕等身體表面即可，裝置簡單，結(jié)構(gòu)緊湊，廣泛應(yīng)用于可穿戴設(shè)備中。本文以主觀評定和客觀評定相結(jié)合的方法，對采集的PPG信號做相應(yīng)的預(yù)處理，降低了噪聲干擾及基線漂移的影響，并在此基礎(chǔ)上提取人體HRV信息。與文獻(xiàn)[16]中使用的BP神經(jīng)網(wǎng)絡(luò)和LRNN神經(jīng)網(wǎng)絡(luò)不同，本文將HRV中的時域指標(biāo)SDNN作為觀測變量，記錄受試者當(dāng)時的精神狀態(tài)，運(yùn)用HMM理論建立人體疲勞狀態(tài)評估模型，為人體的疲勞狀態(tài)評估提供了新的研究思路，并且可以與可穿戴設(shè)備相結(jié)合，具有廣闊的應(yīng)用前景。

受限于實(shí)驗(yàn)條件，實(shí)驗(yàn)參與人數(shù)不足有可能會帶來偶然性結(jié)果，今后需要擴(kuò)大實(shí)驗(yàn)樣本數(shù)量來減少偶然因素的影響。人體的精神狀態(tài)可以更加細(xì)化分類，做到對人體疲勞狀態(tài)更加準(zhǔn)確的判斷。

5 結(jié)論

本文通過實(shí)驗(yàn)采集人體的PPG信號并記錄受試者當(dāng)時的精神狀態(tài)，對PPG信號進(jìn)行預(yù)處理后提取了人體的HRV信息，運(yùn)用HMM理論建立基于HRV的人體疲勞評估模型，實(shí)驗(yàn)結(jié)果表明該模型具有較高的正確率，可以用于評估人體的疲勞狀態(tài)。