吳雪琴,廖 斌

(1.電子科技大學 成都學院 計算機系，四川 成都 611731; 2.四川師范大學 商學院，四川 成都 610101)

0 引言

工間休息指工作間歇中的短暫休息，可以有效緩解工作疲勞，提高工作效率。目前，我國僅針對部分特殊行業(yè)人群，制定工間休息相關法律法規(guī)[1-2]。隨信息化不斷發(fā)展，信息系統(tǒng)(Information System，IS)被廣泛應用于各行業(yè)領域。人與信息系統(tǒng)交互主要通過視頻顯示終端(Visual Display Terminal，VDT)實現，VDT持續(xù)作業(yè)是1項具有特定姿勢的腦力勞動，是當今社會主要勞動模式，過量勞動會引發(fā)心理與生理疲勞，降低作業(yè)效率。我國VDT持續(xù)作業(yè)工間休息制度和標準尚未完善。

上世紀90年代，西方國家展開VDT作業(yè)時間制度研究：Grajewski等[3]認為在持續(xù)作業(yè)過程中，定時休息有利于提高工作效率；彭曉武等[4]通過試驗研究VDT閱讀工間休息制度，利用績效和主觀疲勞評價指標進行評估，提出勞動者每60 min至少需安排1次休息；徐凱宏等[5]以文本輸入為作業(yè)形式，研究VDT作業(yè)工間休息制度，通過分析作業(yè)績效與主觀疲勞評價指標，認為作業(yè)60 min后需要休息；廖斌等[6]結合主觀疲勞評價指標，運用模糊綜合評價方法，提出基于勞動時間的VDT作業(yè)自適應工間休息制度。VDT作業(yè)時間制度研究取得顯著成果，但目前仍存在以下3點問題：1)試驗任務以VDT閱讀和文本輸入為主，不符合VDT作業(yè)“人機交互、認知性高”特征。2)工間休息采用固定時間方法，未考慮作業(yè)難度及個體差異，存在“一刀切”等不合理現象。3)通過人為判斷疲勞程度作為工間休息依據，研究結果主觀態(tài)度影響較大。因此，通過將試驗方法與綜合作業(yè)績效、主觀評價和眼動指標，進行BP神經網絡訓練，構建認知性VDT持續(xù)作業(yè)疲勞模式識別模型，為制定和完善工間休息機制提供理論依據。

1 VDT持續(xù)作業(yè)疲勞評價指標初選

作業(yè)疲勞指勞動者因高強度或長時間持續(xù)作業(yè),導致勞動能力減弱、工作效率下降的現象，是工間休息機制主要評價指標[7]。作業(yè)疲勞評價方法包括績效測量、主觀評價和生理測量3種:績效測量和主觀評價操作簡單，但易受勞動者主觀態(tài)度影響；生理測量評價客觀，但數據采集難度較大。因此,綜合使用3類指標進行疲勞模式識別。

任務績效評價指標主要以作業(yè)正確反應時和正確率為主[8-10]，其次還包括選擇反應時間和任務正確率。

作業(yè)疲勞主觀評價涉及勞動者心理努力程度、任務難易程度、作業(yè)時間壓力以及生理不適等方面。以主觀疲勞綜合指數作為備用主觀評價指標，減少試驗過程中主觀問卷填寫中斷時間，確保試驗連續(xù)性。采用likert 9分量表，以整數1～9代表主觀疲勞感受，其中1表示非常輕松，9表示非常疲勞。

眼動指標因實時性、無干擾性和有效性被用于作業(yè)疲勞實時測量中，并將注視時間、注視次數、瞳孔直徑、掃描頻率、眨眼頻率5種基本眼動指標[11-12]作為備用生理指標。

2 試驗方法

2.1 試驗設計

試驗采用持續(xù)操作測試(Continue Performance Test，CPT)、任務范式和Go-Nogo反應范式，運用E-Prime軟件設計心算任務，模擬VDT持續(xù)作業(yè)。每個循環(huán)單元依次呈現4個刺激數字：T1、T2、T3、T4，每個循環(huán)單元呈現方式如圖1所示。

圖1 每個單元呈現方式Fig.1 Presentation of single trail

心算任務分D1、D2、D33個難度等級，試驗水平設計見表1。綜合考慮心算條件復雜度及完成心算時對刺激數字的記憶難度發(fā)現，D1難度最低，D2次之，D3難度最高。

表1 試驗水平設計表Table 1 Design of experimental levels

為消除個體差異，難度等級采用被試內設計。被試根據每個單元中依次呈現的4個刺激數字，按照任務要求完成心算。若滿足Go條件，回車鍵enter完成反應；若不滿足Go條件(即No-go)，敲擊space鍵完成反應。每個難度等級測試時間均為60 min，約350個單元。

2.2 被試

試驗被試共30名，包括15名男生和15名女生；被試年齡介于19～23歲，平均年齡20.4歲。所有被試視力或矯正視力正常，無精神或心理疾病史，均為右利手。

2.3 試驗設備與測量工具

試驗主設備為電腦，連接22英寸LED顯示器。任務績效指標(正確反應時和正確率)由E-prime軟件自動記錄；主觀疲勞綜合指數通過likert9分量表測量；眼動指標由Tobii X2-30測量采集。

2.4 試驗程序

試驗前通知被試保證充足睡眠；測試前,被試需認真閱讀任務界面指導語并進行2分鐘適應性練習。測試時，被試需認真完成每個單元心算測試。測試全程持續(xù)60 min，期間主試人員需在10，20，30，40，50，60 min 6個時間點暫停測試，并讓被試完成主觀疲勞綜合指數評價。由于暫停時間較短，對測試連續(xù)性影響可忽略不計。

每名被試需完成3個難度等級測試，每次測試間隔時間大于5 d。

2.5 數據采集與整理

測試完成后，統(tǒng)計所有被試在10，20，30，40，50，60 min 6個時間點的8個備選指標值。

1)正確反應時和正確率：E-prime軟件記錄每個單元數據，計算每個時間點前10 min內平均值。例如：被試第20 min正確反應時為10～20 min內該被試正確反應時均值。

2)主觀疲勞綜合指數：每名被試在6個時間點主觀評價值。

3)由Tobii X2-30記錄注視時間、注視次數、瞳孔直徑、掃描頻率、眨眼頻率，并計算每個時間點前10 min內均值。

3 VDT持續(xù)作業(yè)疲勞評價指標體系

利用SPSS軟件對8個備選指標的難度等級和持續(xù)時間均值進行方差分析，結果見表2。

表2 方差分析結果Table 2 ANOVA results

由表2可知，正確反應時、主觀疲勞綜合指數、注視時間、瞳孔直徑、眨眼頻率5個指標均值在難度等級和持續(xù)時間2個維度差異顯著(p<0.05)，說明這5個指標對VDT持續(xù)作業(yè)疲勞變化較敏感;正確率和注視次數僅在持續(xù)時間維度差異顯著，在不同難度等級中無明顯差異；掃描頻率在難度等級和持續(xù)時間維度均無顯著差異。VDT持續(xù)作業(yè)疲勞綜合評價指標體系如圖2所示。

圖2 VDT持續(xù)作業(yè)疲勞評價指標體系Fig.2 Index system for fatigue evaluation of VDT continuous operation

4 基于BP神經網絡的作業(yè)疲勞模式識別及應用

4.1 BP神經網絡基本工作原理

BP網絡為多層前饋神經網絡，輸入信號前向傳遞，誤差后向傳遞[13]。輸入信號X[x1,x2,…,xn]由輸入層經隱含層逐層處理，直至輸出層。每層神經元狀態(tài)僅對下層神經元狀態(tài)有影響。如果輸出層得不到期望輸出項Y[y1,y2,…,ym]，則轉入反向傳播，根據預測誤差調整網絡權值和閾值，使BP網絡預測輸出逼近期望輸出[13-15]。BP神經網絡基本工作原理如圖3所示。

圖3 BP神經網絡基本工作原理Fig.3 Basic working principle of BP neural network

4.2 構建作業(yè)疲勞模式識別神經網絡

作業(yè)疲勞是作業(yè)強度和作業(yè)時間對人體機能消耗的積累，作業(yè)疲勞直接影響作業(yè)效率和生理指標，所以績效指標與生理指標能客觀反映人體疲勞程度;作業(yè)疲勞是主觀性非常強的生理機能自我反饋，在相同勞動負荷下，不同個體之間存在較大差異。基于“以人為本”的管理理念，作業(yè)疲勞判斷、工間休息安排應服從勞動者生理機能自我反饋(主觀評價)[14]。實際作業(yè)管理中,勞動者主觀疲勞判斷存在多種問題，所以研究將被試績效指標與生理指標作為輸入，主觀評價指標作為輸出(試驗中要求被試真實評價)，訓練BP神經網絡對作業(yè)疲勞進行模式識別，分析主觀疲勞與客觀績效指標、生理指標之間映射關系[15]。

結合圖2設計BP神經網絡。輸入指標：正確反應時(x1)、注視時間(x2)、瞳孔直徑(x3)、眨眼頻率(x4)，輸入向量為[xi](i=1,2,3,4)，神經元個數為4；輸出指標：主觀疲勞綜合指數，指標采用9標度評價，輸出向量為[yj](j=1,2,…,9)，神經元個數為9。構建9種輸出狀態(tài)：Y1，Y2，Y3,…,Y9，9種狀態(tài)分別對應9標度評價值1～9，Y1表示最低疲勞模式，Y9表示最高疲勞模式。隱含層神經元個數由經驗公式確定，如式(1)所示：

(1)

式中：b為輸入神經元個數；c為輸出神經元個數；a為1～10的整數。

經訓練對比，確定隱含層神經元個數d=12，網絡結構為4-12-9。

4.3 訓練神經網絡

利用試驗數據訓練神經網絡：隱含層和輸出層傳遞函數分別采用logsig和tansig，訓練采用trainscg函數。設定最大訓練次數6 000，學習速率0.01，誤差平方和0.001。每名被試采集18組數據(3個難度等級×6個時間點)，試驗共生成540組有效數據，其中訓練數據、驗證數據和測試數據分別占70%，15%，15%。運行Matlab R2013a，訓練489次后達到誤差要求，模式識別結果如圖4所示。

由圖4可知，訓練神經網絡對訓練樣本數據、驗證樣本數據及測試樣本數據的模式識別正確率分別為92.6%，92.6%，95.1%，全體樣本識別正確率達93.0%，識別效果較好。

圖4 模式識別結果Fig.4 Results of patterns recognition

4.4 基于疲勞模式識別的工間休息機制與方法

根據作業(yè)者實測結果，確定輸入向量[x1,x2,x3,x4]，利用訓練好的神經網絡，輸出模式識別結果向量[y1，y2，y3，y4，y5，y6，y7，y8，y9]，根據結果向量確定疲勞等級指數k，如式(2)～(3)所示：

k=z(yz=max{yj,j=1,2,…,9},z=1,2,…,9)

(2)

(3)

式中:k為疲勞等級指數；y為輸出結果向量。

式(2)～(3)均可確定疲勞等級指數k。其中，式(2)為最大隸屬度原則，9標度整數賦值，精度相對較低，可用于粗略簡易判斷；式(3)為加權法連續(xù)賦值，精度相對較高，可進行精確評判。

根據疲勞等級指數k確定疲勞模式Mk。參考likert 9分量測評定，當k≥5時，建議進行工間休息。具體工間休息機制見表3。

表3 工間休息機制Table 3 Break mechanism

4.5 方法檢驗

在原試驗方案基礎上，調整部分試驗參數：Go條件T2×T4+1=奇數，Go:No-go=5∶1，持續(xù)時間50 min。重新甄選2名被試進行試驗，記為檢驗被試1、檢驗被試2。

采集2名被試正確反應時、注視時間、瞳孔直徑、眨眼頻率4個指標值，計算4個指標在時間段40～50 min內均值，構建輸入向量，運用神經網絡進行模式識別，檢驗結果見表4。

表4 檢驗結果Table 4 Text results

由表4可知，由于2種疲勞等級指數計算方法精度不同，檢驗結果存在較小差異，但與被試主觀疲勞綜合指數較吻合。因此，基于該方法提出的工間休息機制適用性較好。在相同作業(yè)工況下，不同被試疲勞模式不同，工間休息機制也存在一定差異，說明采用“一刀切”的工間休息制度不合理。

5 結論

1)構建適用于VDT作業(yè)的疲勞綜合評價指標體系結合BP神經網絡模式識別技術，能有效識別勞動者的疲勞狀態(tài)。

2)VDT持續(xù)作業(yè)工間休息機制能解決實際工間休息管理中主觀性強、“一刀切”等問題。

3)模式識別采用輸入指標為客觀性績效指標和生理指標，在實際應用中數據采集難度較高；但隨無干擾生理探測技術不斷進步，能有效降低數據采集難度。