基于面部特征的高速铁路调度员疲劳程度判定方法研究

高速铁路(以下简称高铁)行车调度员是高铁运行的直接指挥者，其决策行为直接影响高铁的安全运营。研究表明调度员的疲劳水平会随着工作时间的延长而增加[1-2]。疲劳状态下作业可能对高铁列车的运行安全造成威胁。因此，建立高铁调度员疲劳程度检测模型，实现调度员疲劳程度判定预警，并针对较高疲劳程度予以及时有效的干预，对于保障高铁运行安全具有重要的理论价值与现实意义。

困倦作为疲劳的一种外在体现[3-4]，当调度员过于困倦而无法安全作业时，则通知调度员。而疲劳程度的增加又表现为眨眼潜伏期、闭眼时长、注视时间、瞳孔扩张和认知活动指数(Index of Cognitive Activity,ICA)的增加[5]。调度员长时间在单调环境中工作，并从事较为繁重的脑力工作，脑力疲劳是调度员疲劳的主要部分，脑力疲劳受到工作量，譬如最小行车间隔、列车数量等的影响[6]，工作时间的增加也会造成疲劳的不断积累[7-8]。对面部特征的疲劳检测中，通过视频记录下的图像识别技术测量眼部、嘴部等面部特征譬如眨眼率、眨眼时长、眼球扫视运动、闭眼时长、点头频率等信息[9-10]，并对特征信息进行判断。其中对眼部特征的研究尤为突出,文献[3]通过位于实验模拟器前部的4个摄像头组成的眼动追踪系统Smarteye记录实验人员的眼动数据；文献[10]通过可视摄像机记录实验人员的面部特征，使用机器学习在独立的自发表情数据库上开发了来自面部动作编码系统的30个面部动作的自动分类器。由于高铁调度员疲劳程度是随着工作时间变化而动态改变的随机过程，而马尔可夫模型也可以通过对面部特征信息的分析实现对下一时刻状态的预测，文献[11]通过记录眼部开闭参数、眼睛眨眼速度和嘴部开度参数，建立了两状态与三状态的驾驶员疲劳险态隐马尔可夫模型(Hidden Markov Model，HMM)。文献[12]则通过对BW(Baum-Welch)算法的改进提高HMM对驾驶疲劳状态的分类准确度。

目前关于疲劳的研究，大多针对空中管制员和机动车驾驶员，对调度员尤其是高铁调度员的研究较为少见，除任务模式及工作时间与空管不同外，其他对调度员的疲劳检测可以参考对空管疲劳的相关研究。本文通过考虑时段演变下的面部特征信息实现对高铁调度员疲劳程度的判定，以达到保障高铁安全行车的目的。

1 实验方法

1.1 实验对象

从中国国家铁路集团有限公司调度员培训班的学员中招募16名年龄在 28～38 岁之间身体健康且不配戴眼镜的男性参与者，要求熟练掌握高铁调度操作的技能。

1.2 实验过程

实验在西南交通大学综合调度指挥仿真实验室进行。任务开始前20 min参与者进入模拟实验调度台，适应实验环境并熟悉实验流程。实验期间参与者全程佩戴The SMI Eye Tracking Glasses 2w(SMI ETG)眼动仪，并使用2个摄像头记录实验过程，16名参与者在极易产生疲劳的时间段(12:00—15:00)[13]进行高铁行车调度任务，作业内容见表1。且设置单位疲劳判断时间为15 min，同时也作为时段特征数据集的标准。参与者需要每隔15 min根据主管感受在卡罗琳斯卡嗜睡量表(Karolinska Sleepiness Scale,KSS)上打分。任务正式开始20 min后系统随机出现突发事件，全过程突发事件共8次(1次/20 min，SD 3.0)。所有参与者均需按照相关行车细则[14]对突发的事件进行处理。实验过程中记录工作时间、注视时间、平均瞳孔大小、眨眼频率、眨眼时长、眼跳幅度、眼跳持续时长、哈欠频率，以及调度员的工作视频。

表1 高铁调度员作业内容

作业类型作业内容监视作业M1查看列车运行计划查看列车实绩运行信息查看列车运行状态查看设备运转状态查看施工维修计划查看现场监控查看防灾安全监控系统口头指示通话作业M2口头指示发布电话调度命令其他工种联系操作记录作业M3调整列车运行计划发布调度命令列车进路控制封锁限速控制权转换交班记录调度命令登记簿安监报

1.3 高铁调度员疲劳分级数的确定

通过融合计算，从实验过程中调度员主观KSS值，以及视频记录下的调度员监督KSS值与DORATASK值中获取综合值。通过基于高铁调度任务的调度员人因失效概率以及K-Means聚类得到疲劳程度的分级数，并对综合值进行分级，该综合值作为高铁调度员疲劳程度判定模型的输出端参与到模型的训练当中[15]。

(1)基于人因失效概率的高铁调度员疲劳状态分级数的确定

结合调度员工作任务表1中的内容，根据三角模糊数权重因子，计算失效概率修正值CFP，调度作业失效概率见表2，其中P基本为基本失效概率，P为失效概率。

表2 调度作业失效概率[15]

认知功能失效模式P基本 总权重因子P观察观察目标错误O10.001错误辨识或O2、观察没有进行O30.070(0.003,0.031,0.161)(3×10-6,3.1×10-5,1.6×10-4)(2.1×10-6,2.2×10-3,1.1×10-2)计划优先权错误P1、不适当的计划P20.010(0.000 2,0.006,0.049)(2×10-6,6×10-5,4.9×10-4)执行动作方式错误E1、动作时间错误E2、动作顺序错误E40.003动作目标错误E30.005动作遗漏E50.030(0.002,0.015,0.116)(6×10-6,4.5×10-5,3.5×10-5)(1×10-5,7.5×10-5,5.8×10-4)(6×10-5,4.5×10-4,3.5×10-4)解释诊断失败I10.200决策错误I2、延迟解释I30.010(0.000 2,0.004,0.033)(4×10-5,8×10-4,6.6×10-3)(2×10-6,4×10-5,3.3×10-4)

基于人因失效概率计算方法及高铁调度员操作流程计算出高铁调度作业人因失效概率的三角模糊数，共计432项。对其不同的人因失效概率类别进行K-Means聚类分析，聚类结果见表3，并根据轮廓系数最大值确定分级数。

表3 基于K-Means聚类对高铁调度员人因失效概率分类结果[15]

聚类数轮廓系数20.54730.60940.59250.578

(2)高铁调度员疲劳程度判定模型的输出端数建立

高铁调度员疲劳分级采用3级分类，因此将疲劳等级划分为3级：轻、中、重度疲劳。输出端分级见表4。其中u1为主观KSS值，u2为监督KSS值、u3为DORATASK负荷值。

表4 输出端影响因素的疲劳等级[15]

级别u1,u2u3轻[1～6)[0,0.5)中[6,8)[0.5,0.8)重[8～9][0.8,1)

基于层次分析法u1、u2、u3权重。输出端各指标权重值见表5。CI为一致性指标，CR为一致性比率。

表5 输出端考虑因素的权重计算

u1u2u3因素权重值检验11/51/30.115 05110.479 63110.405 5CI=0.014 6CR=0.025 1<0.1

模型输出端的综合疲劳程度为

(1)

式中：Up为输出端疲劳程度值；ai为因素权重。

将表5中各值代入式(1),确定输出端疲劳级区间，见表6。

实践教育作为一种教育思想，需要找到适宜的课程载体，以使这种思想转化为具体的、常态化的教育行为。这个载体我以为非综合实践活动课程莫属。综合实践活动课程是新课程改革的亮点，它具有综合性、开放性、实践性、经验性、活动性、生成性等特点。它是基于学生的直接经验和体验，注重知识技能的综合运用，体现生活和活动对学生发展价值的实践性课程。

其二是产业创新的规模经济效应。在市场机制下，由于企业之间存在竞争，技术创新成为每家企业生存发展的重要保障，这样会引致对创新资源的巨大需求，吸引创新人才集聚，加大知识转移力度，促使产学研更高效率的合作，产生创新的规模经济效应，导致产业创新速度的加快。

表6 输出端疲劳程度级别与Up区间对应表

疲劳程度级别疲劳程度Up轻度疲劳(Ⅰ级)[0.594 60, 3.770 35)中度疲劳(Ⅱ级)[3.770 35, 5.081 20)重度疲劳(Ⅲ级)[5.081 20, 5.756 90]

1.4 高铁调度实验输入端指标分析

实验过程中记录的指标包括：工作时间、注视时间、平均瞳孔大小、眨眼频率、眨眼时长、眼跳幅度、眼跳持续时长、哈欠频率。首先需要分析输入端指标间相关性，以确定输入端指标的相互独立性，检验结果见表7。将这些指标与输出端的疲劳程度进行Pearson相关系数检验，检验结果见表8。

尽管证明公式不是好的问题，但还是花时间让学生证明，这是回避不了的，其中①②求角的正弦和余弦的证明方法，是为后面的探究做准备，这种准备的功效在思路6上得以体现，可以说，没有这个准备，学生不可能想到思路6，而没有思路6，前面的准备也失去意义．教学中首先要顺应学生的思维习惯，帮助学生学会思考，同时还要不断发展学生的思维，用新的方法、新的思想丰富学生的思维，促进学生不断更新、完善自己的认知结构．思路6就是基于这种考虑的产物．

1.3.1 色谱条件 色谱柱Acquity UPLC BEH C18 IVD(2.1 mm ×50 mm，1.7 μm)，柱温50 ℃，进样量5 μL，流速 0.5 mL/min。流动相:0.1%甲酸水溶液(A)，0.1%甲酸甲醇溶液 (B)，梯度洗脱，0～0.5 min使用 20%B，0.5～1.3 min使用20% ～80%B，1.3～1.7 min使用80% ～95%B，1.7～1.75 min使用95% ～20%B;1.75～2.0 min使用20%B。

由表7可知，模型输入端各指标间呈现弱相关，因此可以将各指标单独考虑，并于模型输出端的疲劳程度进行相关性分析。

表7 模型输入端指标间的显著性系数

实验记录指标实验记录指标工作时间注视时间平均瞳孔大小眨眼频率眨眼时长眼跳幅度眼跳持续时长哈欠频率工作时间1.000注视时间0.1471.000平均瞳孔大小-0.285-0.1641.000眨眼频率-0.152-0.1180.1051.000眨眼时长-0.169-0.3010.1600.2411.000眼跳幅度-0.140-0.169-0.1190.027-0.2601.000眼跳持续时长-0.133-0.181-0.1550.111-0.2970.1301.000哈欠频率-0.2850.125-0.180-0.121-0.1180.1110.1201.000

由表8可知，眼跳幅度与眼跳持续时长的∣r∣值在0.2～0.4之间，属于弱相关，而其他指标则呈现中等相关甚至强相关。因此筛选出的作为模型输入端的指标为：工作时间T、注视时间x1、平均瞳孔大小x2、眨眼频率x3、眨眼时长x4、哈欠频率x5。对面部特征指标向量X={x1,x2,x3,x4,x5}进行1.3节提出的K-Means聚类，得出当前时刻T的观测状态类别oT(oT=1,2,3)。

表8 实验记录指标与模型输出端疲劳程度的Pearson相关系数

实验记录指标 r 值工作时间0.87注视时间0.62平均瞳孔大小0.54眨眼频率0.58眨眼时长0.50眼跳幅度0.24眼跳持续时长0.17哈欠频率0.67

2 高铁调度员疲劳程度判定模型

HMM具有与时间相关的特性，在时序预测方面发挥重要的作用，同时在疲劳程度判定中也发挥了有效作用[11]。调度员的疲劳是随着工作时间的变化而发生动态变化的，HMM可以有效地体现这一特点。BP神经网络作为人工神经网络(Artificial Neural Networks, ANNs)的一种，在众多的相关疲劳研究中发挥作用[16-17]，其优点之一是可以从大量的数据中学习它们内部的关系，从而得出相关的数据与数据间的计算方式，即不需要预先了解数据模式，便可从数据中推断解决方案，同时ANNs具有泛化能力，可以有效解决数据的失真及不完整。由于ANNs是非线性的，比线性工具更能有效解决问题。研究[6,18]表明，ANNs不仅可以通过不同来源信息对状态进行评估，而且可以预测达到某种状态所需的时间，这对疲劳监测有着重要的帮助。

因此，本文通过记录5项面部特征参数，基于HMM的调度员疲劳判定方法与BP神经网络，建立了3级疲劳分类下的高铁调度员疲劳程度判定模型，再利用ROC曲线与判定准确率混淆矩阵对二者进行比较，讨论两种方法在调度员疲劳程度判定模型中的适用性。

第三，加强对核材料和核设施的国家管理。2010—2016年的四届全球核安全峰会使全球都关注确保核材料和核设施安全的重要性。通过国家承诺，各国都采取行动，减少核材料被盗或设施遭受破坏的可能性。但是，确保所有核材料和核设施安全的工作还远未完成。各国应当：

2.1 基于HMM的疲劳程度判定模型

HMM是马尔可夫链的扩展，观测对象的隐藏状态序列I={i1,i2,…,iT}是马尔可夫链，其中i1,i2,…,iT分别表示第1，2，…， T时刻下的调度员疲劳等级。任意时刻t对应的状态it不可观测，但可以观测与I相关的观测状态序列O={o1,o2,…,oT}，其中o1,o2,…,oT分别为第1，2，…，T时刻下的观测状态类别。本文将5项面部特征信息序列，作为隐马尔可夫模型的观测状态序列O，在此基础上通过BW算法实现HMM的参数训练，并解码计算确定高铁调度员的疲劳程度。具体步骤如下：

Step1 确定状态转移关系。将高铁调度员疲劳程度分为3级。建立HMM，令从状态等级Si到Sj的状态转移概率为aij,i,j=1,2,3。

Step2 HMM参数训练。BW算法是确定马尔可夫模型参数λ=(π,A,B)常用的无监督学习方法。其中：π为初始时刻状态的概率分布矩阵；A为当前时刻t的隐藏状态it转移至下一时刻状态it+1的状态转移矩阵；B为隐藏状态对应观测状态的观测概率矩阵。BW算法可以分为两步进行：

①构造关于λ(h)正相关的对数似然函数Q(λ,λ(h))：根据h次迭代的模型参数λ现有估计值λ(h)，计算对数似然函数Q(λ,λ(h))。

(2)

②求解出Q最大的情况下λ的最大值λ(h+1)。

(3)

给定模型参数λ，在t时刻处于it状态，观测到时刻t之前的观测状态O={o1,o2,…,ot}的概率称为前向概率αt(i)=P(o1,…，ot,it=qi|λ)。

同样地，给定模型参数λ，在t时刻处于i状态，观测到时刻t之后的观测状态O=(ot,ot+1,…,oT)的概率称为后向概率βt(i)=P(ot+1,…,oT|it=qi,λ)。直至模型参数收敛，停止迭代。

(4)

(5)

式中：分别为(h+1)次迭代后，状态转移矩阵与观测概率矩阵的任一元素。

输入实验记录的观测状态序列O和初始参数λ0=(π0,A0,B0)，经BW算法训练，得到状态转移矩阵和观测概率矩阵的训练值

Step3 求解疲劳程度值。Viterbi算法是HMM解码问题的常用算法，根据上一步训练得到的状态转移矩阵和观测概率矩阵以及观测状态序列O={o1,o2,…,oT}，采用Viterbi算法，可以求解O对应隐藏状态I最大可能性的状态序列likelystates。

it is critical that you study hard for the exam or you will fail it.

Viterbi算法采用动态规划求解概率最大路径(即最优路径)，每条路径对应从初始时刻到终止时刻的隐藏状态时间序列I={i1,i2,…,iT}。从t=1开始，递推计算下一时刻以各结点为终点的部分路径的最优路径和概率，直至t=T。此时，可以得出整体最优路径，以及最优路径的概率P*。

δt(i)为时刻t状态为i的最优局部路径的概率，该路径的第t-1个结点为ψt(i)。其中

2.2 两组患儿临床症状消失时间或缓解时间比较 两组完全退热时间比较，差异无统计学意义(P>0.05)；观察组咳嗽消失时间、喘息缓解时间、IgE减轻时间均少于对照组，差异均有统计学意义(P<0.05)。见表2。

在初始化条件δ1(i)=πibi(o1),ψt(i)=0 时，通过上述递推公式，可以得出最优路径概率和其终点回溯即可求得各结点得到隐藏状态序列

2.2 基于BP神经网络的疲劳程度判定模型

选用模式识别模型作为该研究的BP神经网络模型将实验记录下的高铁调度员的5项面部特征信息作为神经网络的输入层，根据模式识别神经网络输出层的模式，设置输出层值域为{1，2，3}，隐含层神经元个数[13,15]根据式(5)初步设定在4～15个，具体个数根据误差百分数确定。

(6)

式中：m为隐含层节点数量；n为输入层节点数量；l为输出层节点数量；α为1～10之间的常数。该神经网络模型结构见图1。

美国次级制裁措施中有很多是针对向受制裁者名单上所列伊朗主体（包括伊朗国家石油公司及其分支机构）提供的某些支持。

图1 BP神经网络模型结构

3 结果分析

(1)基于BP神经网络的调度员疲劳程度检测模型

1.3.1 农村高龄空巢老人问题突出加大居家养老需求 随着城镇化进程的推进，人口流动频率不断提高，导致了农村地区的留守老人增多。据统计，2016年六合区祖孙二代留守老人5 216人，其中城镇460人，农村4 756人，农村祖孙二代留守老人是城镇的10倍之多。据六合区民政局有关调查显示，“我国农村空巢老人生活中存在困难的项目包括：去医院看病占 34.3%、买菜占 12.5%、购买生活用品占 18.7%、洗衣服占 17.1%、打扫卫生占 13.9%。”受制于种种现实因素，无人照料的农村留守老人还要承担繁重的田间劳动并养育子孙，形成了较大的养老服务需求，推动农村居家养老服务的发展。

基于BP神经网络构建的高铁调度员疲劳程度判定模型，以5项面部特征(注视时间、平均瞳孔大小、眨眼频率、眨眼时长、哈欠频率)和工作时间作为模型的输入端，以基于KSS和DORATASK融合计算后的综合疲劳程度为输出端训练模型。以15 min为一个时段建立时段特征下的数据集，以眼动仪记录时刻为特征建立时刻特征下的数据集。实验获得样本中，70%用作训练集，15%用作验证验证集，15%用作测试集。不同隐藏神经元数量下的误差百分数见图2。

图2 时刻及时段特征下的神经网络模式识别误差百分数

在时刻特征下，当隐藏层数量为14时，误差百分数最小为8.516%。在时段特征下，隐含层个数同样为14时，误差百分数最小。因此，本文BP神经网络的隐藏层个数为14。时刻特征与时段特征下的分类识别ROC(Receiver Operating Characteristic Curve)曲线见图3。时刻特征下的曲线总体靠近左上角，其AUC(Area Under Curve)面积大于时段特征下的曲线。在时刻特征下，判定效果最好的是Ⅰ级疲劳，Ⅱ级与Ⅲ级疲劳次之；而在时段特征下，判定效果则是Ⅲ级疲劳最优。

图3 时刻及时段特征下的BP神经网络疲劳程度判定ROC曲线

时段特征下的ROC曲线因为样本数目过少，导致不能有效地判定疲劳等级，在验证集里无法辨别Ⅰ级疲劳。问题同样体现在对应的混淆矩阵，Ⅰ级疲劳没有判定。因此BP神经网络更适合在时刻特征数据集下的疲劳判定。

(2)基于HMM的调度员疲劳程度检测模型

采用BW算法对输入的观测状态序列O和初始参数A0,B0进行训练，设置迭代次数=10 000，精度=0.000 1，计算时刻特征和时段特征数据下的训练值分别为

基于Viterbi算法，使用函数，计算隐藏状态I最大可能性的状态序列likelystates。

时刻及时段特征下的HMM的调度员疲劳程度判定ROC曲线见图4、图5。

也就是公司的合理市净率应该是ROE与投资因子的乘积。需要注意的是，由于公司的净资产等于总资产减去总负债，而总资产里的应收账款、存货、商誉等科目的价值难以可靠计量，因此用市净率估值可靠性不高，仅适用金融行业等资产计量比较可靠的少数类型的公司。

图4 时刻特征下的HMM的调度员疲劳程度判定ROC曲线

图5 时段特征下的HMM的调度员疲劳程度判定ROC曲线

由图4、图5可知，两种特征数据下的HMM模型对Ⅰ级疲劳的判定准确度均较低，对应的ROC曲线均在对角线下方。时段特征数据下的Ⅱ级与Ⅲ级疲劳判定ROC曲线的AUC面积均大于时刻特征下的AUC面积，因此时段特征下的准确度明显高于时刻特征数据下的HMM模型。混淆矩阵见图6。

图6 时刻及时段特征下的BP神经网络及HMM疲劳程度判定混淆矩阵

由图6可知，时段特征数据集下的HMM模型对Ⅰ级、Ⅱ级、Ⅲ级判定准确率分别为：62.5%、33.3%、100%，对Ⅲ级疲劳的判定最为准确，其次是Ⅰ级疲劳，Ⅱ级疲劳的判定准确率最差，这一结果同样体现在时刻特征数据集下的HMM模型。时刻特征数据集下的HMM模型对Ⅰ级、Ⅱ级、Ⅲ级判定准确率分别为：47.1%、10.2%、91.7%，各级判定准确率均低于时段特征数据集下的疲劳程度判定准确率。结合ROC曲线结果，HMM模型更适用于时段特征数据集下对疲劳程度的判定。

1.依法组织税收收入，切实提高收入质量。随着我国经济发展进入新常态，经济增速已经由高速增长转为中高速增长，必将对税收收入的稳定增长产生影响。特别是随着“营改增”的全面完成以及结构性减税政策的持续实施，组织税收收入工作面临严峻挑战，而财产行为税收入在保障地方财力上扮演着日益重要的角色。因此，新形势下，要进一步依法加强财产行为税的组织收入工作，为推动广西经济社会高质量发展提供财力保障。

BP神经网络在时段特征下，因为样本数目过少，不能有效地判定疲劳等级，在验证集里无法辨别Ⅰ级疲劳。问题同样体现在对应的混淆矩阵中，Ⅰ级疲劳没有被判定。但在时刻特征数据集下，由于Ⅰ级疲劳出现数据后，其疲劳程度可判定出来，且判定准确率高达91.7%。时段特征数据集下的Ⅰ级、Ⅱ级、Ⅲ级判定准确率分别为：无、87.5%、100%，对Ⅲ级疲劳的判定最为准确，总体准确率为96.3%。但在时刻特征数据集下的Ⅰ级、Ⅱ级、Ⅲ级判定准确率则分别为：91.7%、92.1%、91.9%，总体而言准确率基本相同，且总体准确率为92.0%。虽然从总体准确率角度考虑，时段特征数据集下的总体准确率高于时刻特征数据集下的，但是时段特征数据集下的判定模型没有时刻特征数据下的判定准确率平稳。因此，BP神经网络更适用于时刻特征数据集的判定。

因此，HMM模型适用于时段特征数据集下的疲劳程度判定，而BP神经网络模型则更适用于时刻特征数据集下的疲劳程度判定。

4 结论

本文基于高铁模拟调度实验，根据调度员作业过程中面部特征信息对疲劳程度判定方法进行研究，并建立疲劳程度判定模型主要成果及结论如下：

1.深刻理解和正确把握理论教学与实验教学的辩证关系。理论教学，是以课堂为场所，以教科书为媒体，以教师讲授为主要形式，学生通过听课、思考、练习来接受知识的教学环节或教学形式，是学生获得基础知识和基本理论的主要来源。而实验教学，则主要是以实验室等为场所，以仪器、实验材料、实验教科书等为媒体，教师为指导，学生为主体并通过操作仪器、观察现象、记录数据、分析讨论实验结果等过程而实现教学目的的教学环节或教学形式，是学生能力培养和素质养成的主要途径。实验教学不仅涵盖了理论教学的相关内容，更比理论教学复杂、生动和深刻。

(1)基于调度员疲劳状态转移，建立三状态的HMM以及BP神经网络模式识别模型。根据HMM与BP神经网络的特性，对5项面部特征数据进行处理。时刻特征数据集是以实验记录到的数据为基准，在经过无效数据剔除后，作为时刻特征数据集。时段特征数据集则是以15 min为时段单位对原始数据进行处理。

(2)通过HMM与BP神经网络对时刻特征数据集与时段特征数据集的训练，发现BP神经网络对Ⅱ、Ⅲ级疲劳程度的判定优于HMM，但对Ⅰ级疲劳程度的判定却低于HMM。时刻特征数据集更适合对调度员的实时监督，二时段特征数据集则适合对时段演变下的判定，为调度员疲劳研究的发展提供基础。

“不行。”吕凌子回答得十分干脆，不留任何商量余地。吕凌子说：“这事情能拖吗？明天星期一，星期一我得上班，今天星期天，要去现在就去！”

本文基于高铁调度员面部特征信息的人因可靠性模型，进行了以高铁调度员工作状态为背景的疲劳程度判定方法研究。判定模型选用BP神经网络与HMM模型，通过对二者的对比，确定在时段特征下，考虑以HMM模型为对Ⅰ级疲劳的判定，BP神经网络则对Ⅱ级、Ⅲ级疲劳的判定。本研究为调度员疲劳预警研究提供理论支撑，后期拟结合高铁调度员实际工作场景对时刻、时段特征数据集以及面部特征指标做进一步选取与验证，为对高铁调度员疲劳程度判定提供更加科学的方法及依据。

参考文献：

[1] 王滋春，冯立功．铁路列车调度员的作业疲劳调查研究 [J]．中国工业医学杂志，1991，4(3)：45-46.

WANG Zichun，FENG Ligong．Investigation on Work Fatigue of Railway Train Dispatcher [J]．Chinese Journal of Industrial Medicine，1991，4(3)：45-46.

[2] 田起利．列车调度员的疲劳研究 [D]．成都：西南交通大学，2011.

[3] WILSON G F，CALDWELL J A，RUSSELL C A．Performance and Psychophysiological Measures of Fatigue Effects on Aviation Related Tasks of Varying Difficulty [J]．The International Journal of Aviation Psychology，2007，17(2)：219-247.

[4] WILLIAMSON A，LOMBARDI D A，FOLKARD S，et al．The Link between Fatigue and Safety [J]．Accident Analysis & Prevention，2011，43(2)：498-515.

[5] MARQUART G，CABRALL C，DE WINTER J．Review of Eye-Related Measures of Drivers’ Mental Workload [J]．Procedia Manufacturing，2015，3：2854-2861.

[6] 张光远，胡晋，杜静霜，等．城市轨道交通调度员安全作业行为可靠度研究 [J]．铁道运输与经济，2019，41(8)：91-96.

ZHANG Guangyuan，HU Jin，DU Jingshuang，et al．A Research on Reliability of Safe Operation Behavior of Urban Rail Transit Dispatchers [J]．Railway Transport and Economy，2019，41(8)：91-96.

[7] DI MILIA L，SMOLENSKY M H，COSTA G，et al．Demographic Factors，Fatigue，and Driving Accidents：an Examination of the Published Literature [J]．Accident Analysis & Prevention，2011，43(2)：516-532.

[8] 张光远，杜静霜，胡晋，等．基于CREAM的城市轨道交通事故行车调度员人因失误前因追溯分析 [J]．综合运输，2020，42(7)：63-68.

ZHANG Guangyuan，DU Jingshuang，HU Jin，et al．Retrospective Analysis of Human Cause Errors of Urban Rail Transit Accidents Based on CREAM [J]．China Transportation Review，2020，42(7)：63-68.

[9] 卜建，刘银鑫，王艳军．空中交通管制员的眼动行为与疲劳关系 [J]．航空学报，2017，38(S1)：57-62.

BU Jian，LIU Yinxin，WANG Yanjun．Relationship between Air Traffic Controllers’ Eye Movement and Fatigue [J]．Acta Aeronautica et Astronautica Sinica，2017，38(S1)：57-62.

[10] 汪磊，孙瑞山．空中交通管制员疲劳状态实时监测方法的实现 [J]．安全与环境工程，2013，20(4)：87-91.

WANG Lei，SUN Ruishan．Implementation of Real-time Monitoring Method for the Fatigue of Air Traffic Controllers [J]．Safety and Environmental Engineering，2013，20(4)：87-91.

[11] 种统洪．驾驶疲劳险态分级方法研究 [D]．大连：大连理工大学，2018.

[12] 赵秀栋．基于改进HMM的驾驶疲劳状态辨识方法研究 [D]．大连：大连理工大学，2017.

[13] JACOBÉ DE NAUROIS C，BOURDIN C，STRATULAT A，et al．Detection and Prediction of Driver Drowsiness Using Artificial Neural Network Models [J]．Accident Analysis & Prevention，2019，126：95-104.

[14] 中国铁路成都局集团有限公司. 中国铁路成都局集团有限公司高速铁路行车组织细则[M]. 北京：中国铁道出版社，2018.

[15] 张光远，胡晋，文原劲，等．高速铁路调度员疲劳程度分级及预测方法研究 [J]．铁道学报，2021，43(5)：18-26．

ZHANG Guangyuan，HU Jin，WEN Yuanjin，et al．Research on Method of Classification and Prediction of Fatigue Degree of High-Speed Railway Dispatchers [J]．Journal of the China Railway Society，2021，43(5)：18-26．

[16] 杨海燕，蒋新华，王雷．一种基于人脸序列模式的机车驾驶员疲劳检测方法 [J]．铁道学报，2012，34(5)：53-58．

YANG Haiyan，JIANG Xinhua，WANG Lei．A Fatigue Detection Method for Vehicle Drivers Based on Face Image Sequence Pattern [J]．Journal of the China Railway Society，2012，34(5)：53-58．

[17] JACOBÉ DE NAUROIS C，BOURDIN C，BOUGARD C，et al．Adapting Artificial Neural Networks to a Specific Driver Enhances Detection and Prediction of Drowsiness [J]．Accident Analysis & Prevention，2018，121：118-128.

[18] CHENG B，ZHANG W，LIN Y Z，et al．Driver Drowsiness Detection Based on Multisource Information [J]．Human Factors and Ergonomics in Manufacturing & Service Industries，2012，22(5)：450-467.