1、第 卷 第 期 年 月北京生物医学工程 .作者单位：上海大学机电工程与自动化学院（上海）通信作者：严良文。：.基于光电容积脉搏波的精神疲劳评估方法余越 严良文 曹可乐摘 要 目的 针对精神疲劳难于定量评估的问题，本文探索一种非侵入式可穿戴检测方法获取人体生理参数，从而实现对人体精神疲劳的定量评估。方法 搭建光电容积脉搏波（，）采集平台，采集 名健康在校生的 信号，对 信号进行预处理和特征提取，获取时域、频域共 维特征。使用机器学习算法建立分类模型，对于 相关系数法、检验和 得到的特征权值，选择最优的特征子集，使用降维后的特征子集训练模型，减少复杂度和过拟合概率。结果 与实际状态对比，基于该方法
2、的单个体疲劳检测平均准确率为.，多个体疲劳检测准确率最大值为.，可以有效地识别精神疲劳。结论 光电容积脉搏波信号经过时域和频域分析构建的特征能够使用机器学习算法进行准确的精神疲劳状态分类评估。关键词 疲劳评估；光电容积脉搏波；特征提取；机器学习；：.中图分类号.文献标志码 文章编号（）本文著录格式 余越，严良文，曹可乐 基于光电容积脉搏波的精神疲劳评估方法 北京生物医学工程，（）：，（）：，：（：.）【】，（），.，.，【】；引言精神疲劳的定量评估是当前业界的技术难点。目前评估精神疲劳的方法主要分为主观评定法、客观评定法。主观评定法主要是通过受试者主观填写问卷的形式评估受试者的疲劳程度，如斯坦
3、福嗜睡量表、管制员疲劳自评量表、卡罗琳斯卡嗜睡量表，该方法在主观疲劳评估中有一定的可信度，已经广泛应用到驾驶、航天等领域中，但由于大多数人具有的医学素质不够，导致其准确度很容易受到外界因素影响。客观评定法主要通过观察或测量受试者的非生理指标和生理指标，寻找这些指标与疲劳之间的关系得到相应的模型，再用该模型去衡量受试者的疲劳程度。常见的生理监测指标有脑电波、心电、眼电、肌电、光电容积脉搏波（，）。但是前四种生理信号采集装置都十分复杂，需要连接电极且信号处理困难，具有易采集且侵入性小的特点，不会影响受试者的肢体活动，已经广泛应用于各种可穿戴设备。目前国内外学者已经开始探索 信号用于精神疲劳检测，等
4、基于模糊核聚类算法融合 和心电信号，通过小波变换提取特征向量，最后使用 均值算法对疲劳程度进行预测，实验结果表明预测准确率在。于露等通过提取脉搏波上升支斜率和下降支斜率作为特征参数研究疲劳和脉搏波之间的关系，发现人体出现疲劳后，信号的平均周期显著上升，信号的复杂度也更为紊乱，表明 信号能够捕捉疲劳状态的变化。在对人体精神疲劳状态进行评估时，受关注的是对个体是否处于疲劳状态的判定，属于二分类问题。机器学习能够从大量历史数据中挖掘出数据中隐含的规律，并将这个规律具象化后用于分类或者预测，对于无法直接观测的问题具有很好的效果。信号蕴含了大量心搏功能、血液流动等心血管系统的重要信息，人体生理状态变化得
5、以在其中体现，故而可以将其与精神疲劳建立联系。为此本文基于 信号进行处理，获取 信号的时域和频域特征，并选择机器学习算法利用提取的特征建立分类模型，藉此获得更加简便的精神疲劳定量评估方法。监督学习以及模型评估方法.近邻算法原理 近邻算法（，）根据邻近 个点的类别，通过多数表决等方式判断目标的类别。其三要素分别是距离度量、值选择与分类决策规则。距离度量指特征点之间的距离。值表示预测时邻域的大小，小 值使得噪声对预测结果的干扰增大，模型易过拟合。大 值使远距离的点对目标产生影响，预测结果易出现错误，同时模型也变得简单。分类决策规则是多数表决法，预测目标时，由目标邻近点的多数类决定当前目标的类型。本
6、文使用实验采集的经过处理后 数据样本作为 算法的数据集，通过 信号提取的特征在 近邻算法下的分类准确度，对疲劳评估进行验证。.模型评估与选择模型效果需要验证，但采集数据时存在时长过长、难度过大等原因，导致无法得到想要的数据量级，对此可以从训练集中分出部分独立的数据用作测试。交叉验证法将全部数据划分为 个数量相同的子集，每个子集各类别的数量级保持一致。用 个子集的数据训练，剩下的子集作为测试集，最终将 次结果的平均值作为模型准确度。因此该方法的稳定性和保真性取决于 的取值。机器学习分类任务常见性能度量的方法有准确率（）、精确率（）、召回率（）、分数、受试者工作特征曲线（，）、曲线下面积（，）等。
7、对于二分类问题，根据真实类别与模型预测出的结果组合出四种情形：真正例（，）、假正例（，）、真反例（，）、假反例（，）。信号的采集及预处理.实验仪器、对象及数据采集 信号采集系统由上位机界面和下位机组成。下位机主要分为 传感器模块（，）、通信模块（）、位主控制器（）和电源模块。有效信息频带集中于.，根据采样定理，设定北京生物医学工程 第 卷传感器采样频率为 。上位机界面由 编写。向人体指尖发射一定波长的光，同时采集经过人体反射回来的 信号，将其转化为数字信号后存储至主控芯片的内存中。然后通过主控芯片的串口将数据再次转发，经过 芯片传输至上位机进行实时绘制与保存。本研究采集了 名身体无疾病的受试者
8、，年龄分布在 岁之间。要求受试者在测量数据的前一天和当天禁止引用咖啡、茶叶、酒精等容易引起身体亢奋的饮品和药物，避免过度运动，保证实验数据不被其他因素干扰，能够正确反映志愿者当天精神状态的变化。采集实验在安静的室温实验室内进行，使用商用产品 心率血氧仪测量受试者的心率数值作为金标准。实验开始于早上 点 分，持续 ，每隔 采集受试者 的 数据。除进餐时间外要求受试者一直端坐在电脑前处理科研任务或阅读书籍，并剥夺休息时间以完成疲劳累积的过程。每一次实验前要求受试者填写主观疲劳量表（）记录其主观疲劳得分，再结合受试者当时打哈欠、眨眼频率等综合表现记录受试者参与实验时的疲劳状态，作为监督学习中样本数据
9、集标签的来源。传感器内部集成了环境光抑制电路，但无法完全消除环境光的影响，因此在实验中使用黑色绑带包裹采集部位以尽可能减小环境光影响，同时要求受试者尽可能减少身体的晃动以避免工频噪声干扰。.数据预处理由于采集的 无法全部展现，且特征处理采用的是 的片段，因此截取长度为 的数据进行阐述。需要说明的是，经过数字采样和放大增益后，其幅值已失去原本的物理意义，仅仅代表相对大小。原始 中总能量的 左右都集中在基频附近。且同时含有呼吸、人体晃动等噪声引起的低频工频干扰。本文使用巴特沃兹数字滤波器去除 信号中包含的噪声。成年人的呼吸频率主要在.附近，因此设定滤波器的下限频率为.去除上述工频干扰，并使用滑动窗
10、口法对 信号进行平滑处理。滤波后的 已去除部分工频干扰，但没有将基线漂移完全去除，为了更准确地提取特征信息，本文使用三次样条插值法去除 信号的基线漂移。根据 波形寻找所有起始点作为插值点构建样条曲线，得到能够反映 基线偏移的曲线。用校正前的脉搏波信号减去基线信号便得到去除基线漂移的脉搏波信号，如图 所示。.特征提取原始 不能直接用于疲劳状态评估，预处理后的信号还需要经过特征工程获得有价值的特征向量代替原波形作为机器学习分类算法的输入。本文通过 信号时域、频域分析法提取多维度特征作为特征变量。图 信号滤波和基线漂移去除 第 期 余越，等：基于光电容积脉搏波的精神疲劳评估方法 为了保证寻找特征点的
11、准确性，每 记录一次 心率血氧仪显示的心率作为金标准与预处理后 信号的心率数值作为对比，所有受试者结果表明本文搭建的平台计算出的心率数值和 仪器显示的心率数值相差在 之间。图 信号时域特征图解 脉搏波时域相关特征点对应着人体血管中血液随心脏跳动的周期性变化。如图 所示，对于一个完整的 周期来说：点是波谷，心脏进入射血期；点是收缩期波峰，心脏快速射血结束；点是降中峡，心脏收缩期结束；点是重搏波波峰，心脏进入舒张期，血液回流。确定 特 征 点 后 便 可 计 算 脉 搏 时 域 特 征。中提供的 函数能够通过设定阈值确定波峰，通过算法可进一步确定降中峡、重搏波波峰和波谷的位置，特征点定位结果见图。
12、本文从脉搏波时域分析共提取出 维特征，特征定义如表 所示。时域信号是连续信号，且受试者疲劳状态累积是一个渐进的过程，因此在对受试者疲劳状态进行评估时，需要将连续时长内的 信号特征作为一个评估样本，故本文按 一个片段对 信号进行分割。实际上在 片段内能够提取出多个完整的波形周期，每个周期都能得到上述时域特征，无法将其中任何一个周期提取的特征作为该片段的特征数值，因此本文使用最大值、最小值、均值、中值、标准差、幅值来描述这 片段各个时域特征的集中趋势度量和离中趋势度量，将原本的 维特征转化为 维特征。快速傅里叶变换可以高效地获取脉搏波的频域信号，如图 所示。从图中可以清晰地看到脉搏波信号在频谱图上
13、有 处峰值，其峰值对应的频率大表 时域特征参数 特征含义主波幅值重搏波幅值降中峡幅值 重搏波和主波幅值比值主波波峰之间的时长（峰峰值）波谷到主波波峰的时长波谷到降中峡的时长波谷到重搏波的时长波谷到波谷的时长（谷谷值）（）主波幅值和降中峡到波谷时长的比值波峰到重搏波波峰的时长 波谷到主波波峰的时长和峰峰值的比值 波谷到降中峡的时长和峰峰值的比值 波谷到重搏波波峰时长和峰峰值的比值 波峰到重搏波波峰时长和峰峰值的比值 波谷到主波波峰时长和主波幅值的比值 波谷到降中峡时长和降中峡幅值的比值 波谷到重搏波时长和重搏波幅值的比值（）主波和重搏波幅值差和主波幅值的比值（）降中峡幅值和波峰到波谷时长的比值图
14、 信号快速傅里叶变换 小反映了被试者心率等重要参数。使用小波变换对 波形进行 层尺度分解，提取每个子频带的小波系数的均值、标准差、能量大小以及每个时段 波形的熵作为特征向量。最终获得 维频域特征如表 所示。北京生物医学工程 第 卷表 频域特征参数 特征含义子频带 小波系数的均值子频带 小波系数的均值子频带 小波系数的均值子频带 小波系数的均值子频带 小波系数的均值子频带 小波系数的均值 对应的频率值香浓熵子频带 小波系数标准差子频带 小波系数标准差子频带 小波系数标准差子频带 小波系数标准差子频带 小波系数标准差子频带 小波系数标准差 对应的频率值信息熵子频带 小波系数的能量子频带 小波系数的
15、能量子频带 小波系数的能量子频带 小波系数的能量子频带 小波系数的能量子频带 小波系数的能量 对应的频率值按照 为间隔划分，最终每位受试者得到 份样本数据，每份包含 维特征。依据主观疲劳量表 得分以及实验负责人对受试者状态的记录划分疲劳的正负样本。由于本文主要关注受试者是否已处于疲劳状态，属于二分类问题，且精神疲劳具有典型累积性特点，因此在划分样本时根据受试者主观评估量表的得分变化设定阈值。部分受试者 次量表得分为：（）、；（）、；（）、；（）、；（）、。总体来说，受试者对疲劳的抗压能力不同，导致主观量表得分存在差异。具体来说，由于睡眠质量好坏，导致受试者在早晨第一次测量时的疲劳状态存在差异。
16、在第二次测量期间，大部分受试者均表示与第一次测量相比存在明显上升，本文认为是受试者存在午睡习惯。在后续的实验中，受试者的量表得分均符合累积现象。因此本文以第三次测量作为分割点，将之前的实验数据作为疲劳前数据样本，之后的实验数据作为疲劳后数据样本，得到疲劳样本 组，非疲劳样本 组。舍弃部分不可用的数据，共得到 份数据样本。基于光电容积脉搏波的精神疲劳评估.基于光电容积脉搏波的单个体疲劳检测受试者生理信息存在差异，导致 反映出的疲劳状况不同，因此受试者数据的最优特征子集往往不同。为使模型有好的分类效果，需找到每个受试者的最优特征子集，降低特征维度，提高模型的效率和精确率。本文采用三种过滤式特征选择算法 相关系数、检验、算法计算特征权重，根据得分划分最优特征子集。以单个个体为例，按照三种特征选择算法得到的权重将特征依次加入到模型中计算分类的准确度。结果可见不同的特征算法使得模型的分类效果不同，其中 相关系数、检验、分别在 维、维、维处取得最大分类准确率。由于 所需特征维度最少，使用 和 对所有受试者进行疲劳评估分类。采用 折交叉验证，将每位受试者每天的 份样本作为数据集，考查特征维度对分类准
