操作员功能状态的智能评估

(华东理工大学信息科学与工程学院1，上海 200237；上海工程技术大学电子电气工程学院2，上海 201620；上海电气集团股份有限公司中央研究院3，上海 200070)

0 引言

在高安全性要求的自动控制系统中，如交通运输行业[1-2]、过程控制工业(核电厂、化工厂等)[3]，操作员的失误可能造成非常严重的事故。操作员的生理状态、心理状态及所处的环境会直接影响其控制任务的性能。为了避免因操作员功能状态(operator functional state，OFS)下降而造成的安全事故，研究者们提出了根据操作员功能状态调整系统控制策略的方法，即自适应自动控制[4-5]。实时、准确地估计操作员功能状态是成功运用自适应自动控制的关键。

根据文献[6]～[7]中对操作员脑电图(electro-encephalogram,EEG)和心电图(electrocardiogram,ECG)的分析，心率(heart rate，HR)、任务负荷指标(task load index，TLI)和专注度指标(engagement index，EI)能够有效表征OFS的变化。因此，本文将根据操作员的HR、TLI和EI，采用自适应模糊神经网络(adaptive neural network-based fuzzy inference system，ANFIS)[8-9]建立操作员功能状态模型，并提出了一种交叉粒子群优化算法(particle swarm optimization with crossover，PSOC)来优化ANFIS中的自适应参数，实现对操作员功能状态的智能评估。

1 交叉粒子群优化算法

1.1 粒子群优化算法

(1)

PSO算法存在早熟收敛、控制参数选择、后期收敛速度慢等问题[12]。对此，本文在粒子群优化(PSO)算法中引入交叉操作，提出了一种交叉粒子群优化(PSOC)算法。

1.2 PSOC算法

对具有惯性权值的PSO算法，引入交叉操作，构成PSOC算法。粒子的速度和位置更新公式为：

(2)

采用线性变化的惯性权值：

(3)

式中：w(1)为初始惯性权值；wmin为惯性权值最小值；Tmax为最大迭代步数。

(4)

(5)

(6)

对粒子群中每个粒子进行交叉操作后，进入下一轮粒子的位置、速度更新。在提出的PSOC算法中，辅助粒子群为原粒子群提供新的粒子，有利于保持粒子群的多样性，帮助原粒子群跳出局部极值点，避免早熟收敛。而辅助粒子群并不进行常规PSO的操作，只进行交叉操作和选择操作，计算量较低，并能一直保持辅助粒子群内的粒子多样性。PSOC算法极大改善了基本PSO算法的性能。

2 基于PSOC-ANFIS的OFS建模

自适应模糊神经网络(ANFIS)是J. S. R. Jang于1993年提出的，基本ANIFS的混合学习算法存在容易陷入局部极值点、出现早熟收敛以及过拟合、泛化能力低的缺点。因此，本文采用PSOC算法优化ANFIS中的前提参数和结论参数，通过操作员生理数据建立操作员功能状态模型，并应用于操作员功能状态估计。

2.1 数据采集试验及数据预处理

本试验采用由Hockey[13]、Lorenz[14]团队编制的软件——密闭舱空气管理系统(automation-enhanced cabin air management system，AUTOCAMS)模拟多任务过程控制环境。AUTOCAMS包括5个子系统，分别管理密闭舱内的氧气浓度、二氧化碳浓度、温度、压力及湿度。

在正式试验开始前，每位被试人员都熟悉手动控制AUTOCAMS的方法。10名被试人员(P01～P10)皆为身体健康的成年男性(年龄22～25岁)，每位被试人员分别在不同天的同一时刻进行了两次试验，每次试验持续135 min。被试人员的主要任务是控制AUTOCAMS的5个子系统。试验过程分为9个阶段，每个阶段需要手动控制的子系统个数分别为1、2、3、4、5、4、3、2、1，每阶段持续15 min。被试人员的次要任务包括警报处理和氧气罐液位记录两项。在试验过程中，系统自动记录被试人员完成任务的优劣。每阶段结束时被试人员报告该阶段的主观性能等级，包括疲劳、努力和焦虑程度。

试验选用Biosemi公司的生物电信号采集设备采集被试人员的生理电信号。脑电信号采用国际10/20系统电极放置方法，并额外增加电极采集FPz、AFz、CPz、POz位置的脑电信号，各数据采样间隔为2 min。计算方法如下。

被试人员的心率(HR)，由LabVIEW计算出每秒的心率，然后求出2 min内的心率平均值。

脑电信号进行快速傅里叶变换(fast Fourier transform,FFT)后计算EEG各个频段的能量。任务负荷指标TLI的计算公式如下：

(7)

式中：Pθ和Pα分别为θ、α频段能量,μV2。

专注度指标EI的计算公式为：

(8)

式中：Pθ,Cz,P3,P4,Pz、Pα,Cz,P3,P4,Pz和Pβ,Cz,P3,P4,Pz分别为4个电极位置(Cz、P3、P4、Pz)的θ、α、β频段能量的平均值，μV2。

主要任务性能由系统自动记录。每秒钟子系统参数超出正常阈值时，记为系统出错(system in error，SIE)，2 min内被试人员的TIR为：

TIR=SIE/120×100%

(9)

被试人员的主观测量“effort”在每阶段结束时测出，其范围为0～100，用于衡量被试人员对当前任务付出的努力程度。当被试人员的“effort”越高、TIR越低时，说明被试人员的心理负荷越高，其OFS越差。因此，将TIR和“effort”的加权组合认定为被试人员实际的OFS衡量，将其作为模型的输出，计算公式如下：

RepOFS=0.8×TIR+0.2×(100-effort)

(10)

RepOFS越低，表明被试人员的OFS越差。

综上所述，ANFIS模型的输入为HR、TLI、EI，输出为RepOFS。在试验每阶段开始和结束时试验数据会有一些干扰，因此，将各阶段前后30 s的数据去除，得到总数据长度为126 min，输入输出数据采样点数为63。

将同一被试两次试验的数据连接起来，并选择其中序号为(3j+1)、(3j+2)的采样点为训练数据，用于训练模型的参数；将全部数据作为测试数据，用于评估模型的泛化能力和精度。所有的数据均归一化到[0，1]之间。

2.2 结果和分析

本文每个输入选用3个高斯模糊隶属函数进行模糊化。初始化时，3个隶属函数在模糊空间内等距分布。PSOC的参数设置如下：最大迭代次数为200代，粒子群规模NP=50，惯性权值随迭代代数在0.9～0.4之间线性递减，学习因子c1、c2都设置为2，交叉率Pcr=0.5。选择ANFIS模型输出与实际输出的均方差作为PSOC适应值。

将训练数据输入PSOC-ANFIS模型。被试人员P07的PSOC-ANFIS模型训练结果如图1所示。由图1可知，PSOC-ANFIS模型输出能较好地拟合实际OFS。PSOC-ANFIS测试结果如图2所示，由图2可知，测试数据的PSOC-ANFIS模型也能较好地拟合实际OFS，说明此模型泛化能力较好，能够反映被试生理信号与OFS之间的映射关系。

图1 PSOC-ANFIS训练结果

图2 PSOC-ANFIS测试结果

将其他9名被试人员的数据也进行以上数据处理，并分别建立单独的PSOC-ANFIS模型。分别采用基本ANFIS、PSO-ANFIS和PSOC-ANFIS进行训练和测试，结果如表1所示。

表1 3种模型训练和测试精度

表1第6列和第7列分别给出了各位被试人员模型的训练和测试平均绝对误差(mean absolute errors，MAE)，其中P03的模型误差最低，训练和测试的MAE分别为3.667和4.372。同时，表1也给出了各位被试人员采用基本ANFIS模型和基于PSO的ANFIS模型的训练和测试结果。由表1可知，基本ANFIS的训练结果都很好，但存在过拟合情况，所有被试的模型泛化能力都很差，不能用于实际 OFS的估计。PSO-ANFIS模型的泛化能力比基本ANFIS提升了很多。而PSOC-ANFIS模型训练和测试数据的MAE相比PSO-ANFIS有了进一步下降，所有被试的PSOC-ANFIS模型的平均训练误差为5.910，测试误差为6.740，表明提出的PSOC算法性能明显优于PSO的性能，更适用于OFS建模问题中ANFIS的参数优化。

图3 PSO及PSOC算法收敛曲线

被试人员P07使用PSOC和PSO算法优化ANFIS模型的收敛曲线如图3所示。与PSO算法相比，PSOC在200代内能够找到更优的ANFIS参数，而且在200次迭代后，存在找到更优参数的可能。

综上所述，本文提出的PSOC-AFNIS模型能够较好地拟合操作员真实的OFS，可用于实际的OFS估计。

3 结束语

本文提出了一种交叉粒子群优化算法，用于优化ANFIS模型参数。选择了3个生理变量(包括心率、TLI和EI)作为模型的输入，主要任务性能TIR和主观测量effort的加权和作为模型的输出，建立操作员功能状态智能评价模型。结果表明，提出在粒子群算法中引入交叉操作能够帮助粒子群跳出局部极值点，从而有效降低算法陷入局部极值点的可能性，提高了全局收敛能力，建立的模型能够反映操作员生理变量与OFS之间的关系，可用于评估操作员的实际功能状态。

[1] Wilson G F,Russell C A.Performance enhancement in an uninhabited air vehicle task using psychophysiologically determined adaptive aiding[J].Human Factors,2007,10(6):1005-1018.

[2] Recarte M A,Nunes L M.Mental workload while driving: effects on visual search,discrimination,and decision making[J].Journal of Experimental Psychology:Applied,2003,9(2):119-137.

[3] Hwang S L,Liang G F.Lin J T,et al.A real-time warning model for teamwork performance and system safety in nuclear power plants[J].Safety Science,2009,47(3):425-435.

[4] Parasuraman R,Byrne E A.Psychophysiology and adaptive automation[J].Biological Psychology,1996,42(2):249-268.

[5] Wickens C D,Hollands J G.Engineering psychology and human performance[M].3rd ed.New Jersey:Prentice Hall,1999.

[6] 王娆芬，张建华，王行愚.基于小波包变换的过程控制操作员心率变异性分析[J].南京理工大学学报，2009，33(9)：145-151.

[7] Zhang J H,Nassef A,Mahfouf M,et al.Modeling and analysis of HRV under physical and mental workloads[C]//Proceedings of the 6th IFAC Symposium on Modeling and Control in Biomedical Systems,Reims,2006:189-194.

[8] Jang J S R.ANFIS: adaptive-network-based fuzzy inference system[J].IEEE Transactions on Systems,Man,and Cybernetics,1993,23(3):665-685.

[9] Jang J S R.Input selection for ANFIS learning[C]//Proceedings of the Fifth IEEE International Conference on Fuzzy Systems,1996:1493-1499.

[10] Kennedy J,Eberhart R C.Particle swarm optimization[C]//Proceedings of the IEEE International Conference on Neural Networks,Perth,WA,1995:1942-1948.

[11] Kennedy J,Eberhart R C.Particle swarm optimization[C]//IEEE International Conference on Neural Networks,Washington,USA,1995:1942-1948.

[12] Coelho L S.Gaussian quantum-behaved particle swarm optimization approaches for constrained engineering design problems[J].Expert Systems with Applications,2010,37(2):1676-1683.

[13] Hockey G R J,Wastell D G,Sauer J.Effects of sleep deprivation and user-interface on complex performance: a multilevel analysis of compensatory control[J].Human Factors,1998,40(2):233-243.

[14] Lorenz B,Parasuraman R.Human operator functional state in automated systems: the role of compensatory control strategies[C]//Operator Functional State:the Assessment and Prediction of Human Performance Degradation in Complex Tasks,IOS,Amsterdam,2003:22-37.