2. 中国民航大学 国家空管运行安全技术重点实验室, 天津 300300;
3. 中国民航大学 中欧航空工程师学院, 天津 300300
2. National Key Laboratory of Air Traffic Operation Safety Technology, Civil Aviation University of China, Tianjin 300300, China;
3. Sino-European Institute of Aviation Engineering, Civil Aviation University of China, Tianjin 300300, China
随着近年来民航业的飞速发展,航班量逐年递增,管制员的工作负荷越来越大[1],使得管制员疲劳现象日益突出。管制员疲劳会损害其正常的认知能力和反应速度[2-3],已成为影响民航安全的重要因素。因此,快速有效地检测出管制员疲劳程度并及时预警,可以减少管制工作中的人为差错,对于保障管制员工作能力的发挥和民航安全具有重大意义。
管制员疲劳分为生理疲劳和精神疲劳2个方面,最早对管制员疲劳的关注始于20世纪70年代[4],随着对管制员疲劳研究的深入,现已发展出多种疲劳员检测方法。主观方法包括疲劳评定量表(Fatigue Assessment Instrument,FAI)和卡罗林斯卡嗜睡量表(Karolinsaka Sleepingness Scale,KSS)等。客观方法有生化指标(如血压[5]、尿液成分[6]检测等)、闪光融合频率[7]、精神运动警觉测试(Psychomotor Vigilance Test,PVT)[8]和生理指标[9-10](如脑电、眼电、心电等)。主观疲劳评价方法受个体疲劳识别度影响大,生化指标疲劳检测受到样本采集的限制,而生理指标中脑电和眼电信号易受外界因素干扰,个体差异显著[11],在疲劳检测应用中也有局限性。生理指标中心电主要包括心率(Heart Rate,HR)和心率变异性(Heart Rate Variability,HRV)2类指标。Aricò等[12]曾将HR用于评估管制员的精神疲劳度,但HR易受体力、情绪等因素的影响。HRV反映心率连续的瞬时波动以及每次心动周期的差别,可以综合反映生理和精神的疲劳状况[13],并广泛应用于汽车驾驶领域[14-17],是一类应用较广的疲劳实时检测指标。相对于汽车驾驶,管制员在工作中会承受更大的精神压力和任务负荷,因此HRV在管制领域的适用性有待进一步讨论,本文将在此基础上开展相关工作。
综上所述,为研究HRV在管制员疲劳检测中的适用性,本文基于模拟管制实验平台,获取管制员工作过程中的操作绩效和心电(ECG)信号,结合被试的主观疲劳评定量表,进行相关性分析,寻找出能够用于检测管制员疲劳的心电HRV指标,并进一步构建回归模型,说明HRV指标与管制员疲劳等级之间的相关关系。
1 实验设计 1.1 研究对象根据样本选取方法[18],本实验中被试为20名中国民航大学大四男性塔台管制学员,平均年龄22.1岁,标准差为0.933。所有被试均了解塔台管制相关知识,并具有塔台实地实习经验,可独立完成本次实验的模拟管制任务。所有被试身体健康,无心脏系统疾病。
1.2 实验平台实验通过MP150多导生理记录仪和模拟塔台管制系统搭建实验平台。MP150多导生理记录仪系统采样率最大值为每秒40万个采集点,工作中在利用信号采集器进行测量的同时可将心电信号数据保存到计算机,后期可对存储数据进行信号处理和计算。模拟管制系统如图 1所示,可执行起飞、降落、移交区管、滑行至停机位等管制操作任务。实验结束后,系统可自动对操作者的工作绩效进行评分,并导出被试的操作绩效评分数据[19]。
1.3 实验过程1) 实验前准备
实验分2次进行,在模拟管制系统上执行相同难度的管制任务,按照标准塔台管制工作流程实验2 h。第1次为正常状态下的管制实验,实验前被试正常休息,记为正常组。第2次为疲劳状态下的管制实验,实验前剥夺被试睡眠24 h左右,记为疲劳组。正式实验前,确保仪器设备可靠供电,确保系统能够正常工作。
2) 实验流程
2组测试按照拉丁方设计组织进行。
① 实验前,被试于实验台前静坐填写个人资料和KSS量表,同时开启MP150多导生理记录仪,连接电极片。
② 被试开始管制工作,同时主试开始记录数据,MP150多导生理记录仪实时采集心电信号数据。
③ 在执行管制任务过程中,每隔10 min主试者会询问被试当前的主观疲劳程度,并代为填写KSS量表。
④ 任务结束后,被试再次填写主观疲劳评定量表(KSS量表),实验结束。
1.4 心电HRV指标选取HRV是指连续心搏RR间期波动的现象,通过交感神经与副交感神经协调作用从而控制窦房结的起搏,表现为每个心动周期长短的不规则变化,可用于定量评估疲劳对人体的影响,其分析主要包括时域指标和频域指标2种。时域指标RR间期可以直观表示HRV大小,是对HRV的整体描述,SDNN是RR间期的标准差,用于描述HRV指标的总体变化;频域指标LFnorm、HFnorm分别表示低频和高频范围内功率的标化指标,可以反映交感神经和副交感神经的活动水平,LF/HF用于量化交感神经和副交感神经张力平衡状态。结合ECG指标的特点和实验的实际情况,本文选择RR间期均值、SDNN、LFnorm、HFnorm和LF/HF作为研究HRV用于管制员疲劳检测适用性的指标。具体如表 1所示。
名称 | 定义 | 公式 | 单位 | |
时域指标 | RR | RR间期均值 | s | |
SDNN | RR间期标准差 | s | ||
频域指标 | LFnorm | 低频功率标化指标 | LFnorm=100LF/(总功率-VLF) | |
HFnorm | 高频功率标化指标 | HFnorm=100HF/(总功率-VLF) | ||
LF/HF | 低频与高频功率比 |
2 数据分析及讨论 2.1 疲劳等级划分
由于管制员之间个体差异较大,为提高管制员疲劳分级检测的合理性与适用性,需根据现有的疲劳度评判指标构造一个适用于所有被试的管制员疲劳等级划分方法。
现有疲劳等级的划分方法主要包括主观疲劳问卷和操作绩效2种。主观疲劳问卷的方法受被试个体疲劳识别度的影响显著,若直接采用操作绩效,则会存在当前疲劳度与操作绩效不吻合的情况。因此,本文提出通过操作绩效对主观疲劳评定量表结果进行修正的方法,只有当被试主观疲劳度高且操作绩效差时,可认为管制员处于疲劳状态。
实验中操作绩效由模拟管制系统自动记录,每隔10 min对20名被试进行一次主观疲劳问卷调查,图 2为实验中被试主观疲劳度均值和管制操作累计绩效。
分别提取各时段每名被试KSS量表9个疲劳等级所对应的操作差错扣分分值,计算两者Spearman相关性系数,其值为0.924,双侧显著性小于0.01,表明主观疲劳等级与管制操作绩效扣分分值间呈显著的正相关。采取主成分分析法得到2类疲劳度的权重,修正疲劳度=0.617×主观疲劳度+0.383×操作绩效疲劳度。参考当前的相关疲劳研究[20-22],将被试的疲劳程度分为5级,具体如表 2所示。
疲劳等级 | KSS等级 | 绩效扣分/(分·min-1) | 外在表现 |
1级 | 1、2 | 12 | 清醒 |
2级 | 3、4 | 20 | 基本清醒 |
3级 | 5、6 | 36 | 出现疲劳表征 |
4级 | 7、8 | 51 | 因疲劳出现失误 |
5级 | 9 | ≥51 | 非常疲劳 |
2.2 HRV指标变化规律
由于受被试自身、MP150多导生理记录仪数据采集精度和外界干扰的影响,采集到的心电数据存在基线漂移、肌电干扰和工频干扰等问题,因此在分析心电波形前对原始心电信号做1~35 Hz的带通滤波[23],得到时域指标RR间期与SDNN值,将各段RR间期数据进行快速傅里叶变换(Fast Fourier Transform,FFT),按照频段范围不同计算LFnorm、HFnorm和LF/HF指标值。滤波前后FFT频谱如图 3所示。将20名被试的实验数据按照每10 min为一时段进行整理,计算被试在12个时段的HRV指标均值,如图 4和图 5所示。
如图 4所示,正常组与疲劳组被试RR间期均值随实验时长的增加呈上升趋势,但这个趋势在疲劳状态下更加明显;SDNN均值在实验过程中振荡现象明显,整体随工作时间的增加而增大,但不存在线性特征。
实验过程中,疲劳组的低频段功率均值低于正常组,高频段功率高于正常组,主要是由于正常状态时,LF代表的交感神经活动起着主要作用,而疲劳时HF所代表的副交感神经起主要作用;随着实验的进行,低频能量不断降低高频能量不断增加,但高频能量增加现象不明显,如图 6所示,这是因为LF段以下存在甚低频(Very Low Frequency, VLF)段包含了少量功率,使得LFnorm与HFnorm之和不到100,低频段功率偏小;LF/HF值存在波动下降的情况,相对于单一指标,其变化更加明显,且当个别被试由于疲劳进入嗜睡状态时,该值有明显的翻转,此时LF段几乎不可见,HF出现明显高于LF的波峰。
2.3 用于管制员疲劳检测的心电指标选取事实上,并非所有HRV指标均与管制员疲劳度存在较强的相关关系,因此,为选取适用于疲劳检测的HRV指标,将其与修正后的疲劳度作偏相关分析,结果如表 3所示。
可知,HRV指标RR间期均值、LF/HF与修正后管制员疲劳度存在较强的相关关系(相关性系数值|r|>0.6,显著性值P < 0.05),LFnorm、HFnorm与其呈弱相关(|r| < 0.6,P < 0.05),SDNN与管制员疲劳度不相关(|r| < 0.6,P>0.05)。
在此基础上,对20名被试的RR间期均值、LF/HF和实验时长进行归一化处理,借助Origin及SPSS软件对2组被试的RR间期均值、LF/HF和实验时长与疲劳等级做多元线性回归分析。2组被试的回归显著性P < 0.05,说明3个自变量与疲劳度具有较强的线性关系。如图 7、图 8所示,RR间期均值与LF/HF 2项指标的数据残差点在0线周围随机分布,各指标与疲劳度呈现正相关,根据残差图和正态P-P图可知,原始数据与正态分布不存在显著差异,满足线性模型的前提要求,可建立线性方程。
根据回归结果得到不同实验状态下的回归曲线:
(1) |
(2) |
式中:x1、x2、x3分别为RR间期均值、LF/HF和实验时长。式(1)为正常组回归曲线,式(2)为疲劳组回归曲线。曲线方程系数为归一化系数。
回归分析结果中,调整后拟合优度R正常组2=0.551,R疲劳组2=0.529,说明在2组不同的实验中,管制员疲劳度的变化能被RR间期均值、LF/HF和实验时长所解释的比例分别为55.1%和52.9%。回归曲线能够较好地说明选取的HRV指标与管制员疲劳等级之间的相关关系。
3 结论本文通过正常和疲劳2组不同状态下的模拟管制实验,采集被试的心电信号、主观疲劳度和操作绩效数据进行分析,得到以下结论:
1) 所分析的各项HRV指标(RR间期均值、SDNN、LFnorm、HFnorm和LF/HF)中,除SDNN,均随时间有明显变化。
2) 对所分析的HRV指标与调整后疲劳度作偏相关分析,RR间期均值和LF/HF与管制员疲劳存在较强的相关关系,因此,HRV指标在管制员疲劳检测中具有一定的适用性。
[1] |
WARDS T, GABETS C, MERCER J, et al.Task demand variation in air traffic control: Implications for workload, fatigue, and performance[M]//STANTON N A.Advances in human aspects of transportation.Berlin: Springer, 2017: 91-102.
|
[2] |
MITLER M M, CARSKADON M A, CZEISLER C A, et al. Catastrophes, sleep, and public policy:Consensus report[J]. Sleep, 1988, 11(1): 100-109. DOI:10.1093/sleep/11.1.100 |
[3] |
WILLIAMSON A, LOMBARDI D A, FOLKARD S, et al. The link between fatigue and safety[J]. Accident Analysis & Prevention, 2011, 43(2): 498-515. |
[4] |
MELTON C E, MCKENZIE J M, SMITH R C, et al.Physiological, biochemical, and psychological responses in air traffic control personnel: Comparison of the 5-day and 2-2-1 shift rotation patterns[R].Washington, D.C.: Federal Aviation Administration, 1973.
|
[5] |
ESCALONA E, DE UROSA E, GONZÁLEZ R, et al. Fatigalaboralencontroladores de tránsitoaéreo[J]. Saludtrab.(Maracay), 1996, 4(2): 99-108. |
[6] |
International Civil Aviation Organization.Air traffic services: Annex 11 to international convention on civil aviation, 13th Edition[S].Montréal: International Civil Aviation Organization, 2001.
|
[7] |
YUAN L P, MA G F, SUN R S.An analysis of fatigue and its characteristics: A survey on chinese air traffic controller[M]//HARRIS D.Engineering psychology and cognitive ergonomics.Berlin: Springer, 2016: 38-47.
|
[8] |
DIMITRAKOPOULOS G N, KAKKOS I, DAI Z, et al. Functional connectivity analysis of mental fatigue reveals different network topological alterations between driving and vigilance tasks[J]. IEEE Transactions on Neural Systems & Rehabilitation Engineering, 2018, 26(4): 740-749. |
[9] |
DASARI D, SHOU G, DING L.Investigation of independent components based EEG metrics for mental fatigue in simulated ATC task[C]//6th International IEEE/EMBS Conference on Neural Engineering.Piscataway, NJ: IEEE Press, 2013: 1331-1334.
|
[10] |
ARICO P, BORGHINI G, DI FLUMERI G, et al. Human factors and neurophysiological metrics in air traffic control:Acritical review[J]. IEEE Reviews in Biomedical Engineering, 2017, 10: 250-263. DOI:10.1109/RBME.2017.2694142 |
[11] |
陈征.疲劳驾驶下心电信号的采集与分析系统研究[D].沈阳: 东北大学, 2013: 1-5. CHEN Z.Research of ECG signal acquisition and analysis based on fatigue-driving[D].Shenyang: Northeastern University, 2013: 1-5(in Chinese). |
[12] |
ARICÒ P, BORGHINI G, GRAZIANI I, et al. Air-traffic-controllers (ATCO):Neurophysiological analysis of training and workload[J]. Italian Journal of Aerospace Medicine, 2015, 35-54. |
[13] |
LEE D H, PARK K S. Multivariate analysis of mental and phy-sical load components in sinus arrhythmia scores[J]. Ergonomics, 1990, 33(1): 35-47. DOI:10.1080/00140139008927092 |
[14] |
WU Q, ZHAO Y, BI X.Driving fatigue classified analysis based on ECG signal[C]//International Symposium on Computational Intelligence & Design.Pisctaway, NJ: IEEE Press, 2013: 544-547.
|
[15] |
NADAI S D, D'INCÀ M, PARODI F, et al.Enhancing safety of transport by road by on-line monitoring of driver emotions[C]//System of Systems Engineering Conference.Pisctaway, NJ: IEEE Press, 2016: 1-4.
|
[16] |
董占勋, 孙守迁, 吴群, 等. 心率变异性与驾驶疲劳相关性研究[J]. 浙江大学学报(工学版), 2010, 44(1): 46-50. DONG Z X, SUN S Q, WU Q, et al. Study of correlation between heart rate variability and driving fatigue[J]. Journal of Zhejiang University(Engineering Science), 2010, 44(1): 46-50. DOI:10.3785/j.issn.1008-973X.2010.01.009 (in Chinese) |
[17] |
刘灵.心率变异性在汽车司机驾驶疲劳监测中应用的研究[D].重庆: 重庆大学, 2007. LIU L.Study on application of heart rate variability in vehicle driver fatigue detecting[D].Chongqing: Chongqing University, 2007(in Chinese). https://wenku.baidu.com/view/56b084b67e21af45b207a8d3.html |
[18] |
马艳丽.驾驶员驾驶特性与道路交通安全对策研究[D].哈尔滨: 哈尔滨工业大学, 2007: 30-33. MA Y L.Study on characteristics of driving and its countermeasures to road safety[D].Harbin: Harbin Institute of Technology, 2007: 30-33(in Chinese). http://cdmd.cnki.com.cn/Article/CDMD-10213-2008193188.htm |
[19] |
WilcoPublishing.TowerSimulator[EB/OL].(2018-04-26).http://www.towersimulator.com/features.html.
|
[20] |
房瑞雪.基于生理信号的驾驶疲劳预警对策有效性的实验研究[D].北京: 北京工业大学, 2010: 31-34. FANG R X.Experimental research on effectiveness of pre-warning countermeasure of driving fatigue based on physiological signals[D].Beijing: Beijing University of Technology, 2010: 31-34(in Chinese). http://cdmd.cnki.com.cn/Article/CDMD-10005-2010108110.htm |
[21] |
祝荣欣.基于生理信号的联合收获机驾驶疲劳检测与评价[D].哈尔滨: 东北农业大学, 2016: 46-48. ZHU R X.Detection and evaluation for driver fatigue of combine harvester based on physiological signals[D].Harbin: Northeast Agricultural University, 2016: 46-48(in Chinese). http://cdmd.cnki.com.cn/Article/CDMD-10224-1016094570.htm |
[22] |
付川云.疲劳状态下驾驶人生理及眼动特征研究[D].哈尔滨: 哈尔滨工业大学, 2011: 57-72. FU C Y.Research on physiological and eye movement characteristics of driver under fatigue condition[D].Harbin: Harbin Institute of Technology, 2011: 57-72(in Chinese). |
[23] |
杨华.基于心电脉搏信号的VDT精神疲劳识别方法研究[D].兰州: 兰州理工大学, 2011: 22-24. YANG H.The research of VDT mental fatigue estimated method based on ECG and pulse signal[D].Lanzhou: Lanzhou University of Technology, 2011: 22-24(in Chinese). http://cdmd.cnki.com.cn/Article/CDMD-10731-1011137808.htm |