基于GA-PSO混合优化SVM的火炮操作人员疲劳状态检测

武嘉伟，狄长安，王 镭，廖仕军，郭 稳

（1.南京理工大学 机械工程学院，南京210094；2.中国中原对外工程有限公司，北京100044；3.重庆长江电工工业集团有限公司，重庆401336）

火炮操作人员（以下简称，操作人员）的疲劳程度是影响火炮正常运作的一个重要因素。操作人员长期暴露于野外恶劣环境中， 高强度体能负荷，过高的操作心理压力等诸多引发疲劳高风险因素。随着操作人员的疲劳状态得到重视，国内外学者也开始对此进行不断深入的研究。文献[1]引入了多种生理特征（如心电、眼动指标、脑电信号等），提出了一种基于动态贝叶斯网络、信息融合和生理特征的驾驶员疲劳识别模型。并利用实验验证表明了该系统的有效性，表明生理特征（特别是心电图和脑电图）是判断驾驶员疲劳状态的重要因素；文献[2]通过模拟驾驶，采集了肌电、心率、皮电、血氧饱和度等生理信号，将其融合基于神经网络建立了驾驶疲劳检测模型，结果表明，多源生理信号融合可以提高疲劳检测模型的准确率；文献[3]结合模糊逻辑理论融合多个生物特征建立疲劳检测模型，将眼部特征和嘴部特征融合判断驾驶员的疲劳状况，以提高检测方法的可靠性。

本文在已有的研究基础上，通过对疲劳机理进行分析，选取出能有效反映人体疲劳状态的生理参数，如心率、血压、体温、呼吸频率等，从多种生理参数中提取特征值，通过支持向量机方法来实现多个生理特征参数的融合，建立疲劳检测模型，对操作人员的疲劳状态进行评价，通过GA-PSO 优化SVM疲劳检测模型以提高疲劳检测的准确性和可靠性。

1 生理参数选取

通过疲劳产生机理选取能有效反映操作人员疲劳状态的生理参数。

疲劳产生的机理[4-6]主要分为能量消耗理论、中枢系统变化理论、物质积累理论和生物化学机理变化理论。能量消耗理论是指操作人员需要不断消耗体内能量来进行体力劳动和脑力劳动，在劳动过程中，能量被持续消耗，一旦消耗过大，若不及时休息补充能量，就会产生疲劳现象；中枢系统变化理论是指人的中枢神经控制人的活动，在高强度、长时间劳动时， 引发中枢神经功能发生一定程度的变化，导致系统失调，产生疲劳；物质积累理论是指操作人员再劳动过程中消耗的脑力和体力，导致血液和肌肉中逐渐积累了乳酸，使得人体感觉到身体力竭，无法完成有效的劳动；生物化学机理变化理论是指操作人员在劳动过程中，由于作业强度和环境影响加速了新陈代谢的过程，一旦过程紊乱，会产生明显的疲劳现象。

根据操作人员疲劳的实际情况来看，其疲劳产生的机理是由上述4 种理论共同作用形成的。它不仅仅由于确定的、单一的因素产生的，而是生理、心理共同导致的。操作人员产生疲劳的主要原因是其在火炮装填过程中，需要多次将大重量的炮弹从弹药箱中取出来，并连续精准的将炮弹放置到供弹机上。

在昆明某部队进行炮弹装填试验中，33 名战士持续搬运重量为43.56 kg 的炮弹，共持续20 min。试验结束后，操作人员全身产热增加、出汗增多、心率和呼吸频率加快等现象。除此之外，在密闭或野外环境下[7-9]，操作人员的心率、血压、体温、呼吸频率均呈升高趋势，血氧饱和度呈下降趋势。

通过以上分析及试验现象，能够有效反映操作人员疲劳状态的生理参数主要选择以下参数：心率、血压、血氧饱和浓度、呼吸频率和体温。

2 支持向量机理论

支持向量机（support vector machine，SVM）的核心思想是建立一个具有很好泛化能力的分类超平面，使得能够将两类样本正确的分开，并且隔离边缘最大化。相对传统的机器学习方法，SVM 更适用于小样本、非线性、高纬度模式分类识别问题，并具有较好的通用性和鲁棒性。支持向量机的体系结构如图1所示。

图1 支持向量机的体系结构图Fig.1 Architecture diagram of support vector machine

其中：x（i）为输入的训练样本；y（i）为输出的分类类别；K（x，xn）为核函数；b 为偏置。设装备操作人员疲劳参数训练样本集为（xi，yi），i=1，2，3，…，n，其中xi∈Rn为训练样本个数；yi=｛-1，1｝为训练样本xi的类别，输入SVM 的是生理参数数据特征值，需要对其进行预处理，采用式（1）进行无量纲化处理。

式中：

在线性分类支持向量机中，两类样本的判别函数为

式中：ω 为权值；b 为偏置项；φ（x）为低维空间到高维空间的非线性映射。

使得下式成立：

则称分类平面为支持向量机的分类超平面。

对优化目标取极值：

约束条件为

式中：C 为惩罚因子；ξi为松弛因子。

为了解决高维二次规划问题，引入拉格朗日函数：

其中：αi称为拉格朗日乘子，αi＞0， 解决上述约束最优化问题就是要求出拉格朗日函数关于ω 和b 的最小值问题，根据费马条件，式（8）关于ω 和b 的最小值的充分必要条件是拉格朗日函数对ω 和b 的偏导数为0，再将原问题转换为相对应的对偶问题，得到下式：

从而建立模型决策函数：

在非线性情况下，支持向量机的核心思想是引入核函数K（x，xn），将线性不可分的样本空间映射到高维线性可分空间，在这个空间中根据结构风险最小化原则选取适合的最优分类超平面，这样就避免了计算复杂的非线性变换，而是计算核函数的复杂度和点积，从而有效简化计算难度。核函数有多种，本文选择高斯径向基函数，如式（11）所示。

在引入核函数之后，支持向量机的最优超平面问题转化为

其对应的最优模型决策函数为

式中：αj*和b*为最优解。

3 GA-PSO 混合优化支持向量机

遗传算法（genetic algorithm，GA）以达尔文生物进化论为理论基础，模拟生物自然选择和遗传学机理的进化过程的一种计算模型，它通过模拟生物自然进化的过程来寻找最优解。遗传算法将所解决问题的每一个可能解编码成一个染色体，染色体是多个基因的集合，即个体。遗传算法开始时，先从所要解决问题的潜在解集中选择一个种群作为初始解，这个种群由多个带有基因编码的个体组成。然后根据预定的个体适应度选择每一代的个体，然后模拟生物自然进化的过程， 将染色体基因的组合交叉、变异来生成新一代种群， 直到达到结束条件的要求，将末代种群的最优个体解码输出，就是我们所求问题的最优解。遗传算法的优点同时处理多个个体减少了陷入局部最优解的风险但其也存在效率低、编码不规范导致结果不准确等缺点。

粒子群优化算法 （particle swarm optimization，PSO）是通过模拟鸟群捕食行为而建立起来的，它的基本思想是基于群体中个体之间协作和信息共享来寻找所解决问题的最优解。在粒子群优化算法中，每一个所解决问题的解都被搜索空间中的一只鸟代表，被称作粒子。目标函数决定了每一个粒子的适应值， 每个粒子又具有速度和位置两个属性。在粒子群优化算法开始时，先随机生成一群随机粒子（随机解），确定每个粒子的初始位置和初始速度，并且在搜索空间中根据适应度函数单独寻找最优解，作为当前个体极值，并且与整个粒子群的其他粒子共享， 找出整个粒子群的当前全局最优解，当代所有粒子根据当前个体极值和整个粒子群的当前全局最优解来更新自己的速度和位置，以此迭代更新，直到达到结束条件，得到所解决问题的全局最优解。粒子群优化算法的优点包括算法具有记忆性、收敛速度快以及结果简单易于实现等优点，但同时也存在着局部搜索能力差、选取参数要求高等缺点。

遗传算法和粒子群优化算法都是从随机初始化的种群开始的，并且都是利用适应度函数来进行随机的搜索。遗传算法对其内部参数优化要求低，可以很好的找到全局最优解，避免了陷入局部最优解，同时具有很高的扩展性， 方便与其他算法结合；粒子群优化算法结构简单，需要参数少，收敛速度快，可以利用各自优势进行互补，鉴于此，本文提出一种将遗传算法和粒子群优化算法结合的混合算法（GA-PSO 混合算法）对基于支持向量机的装备操作人员疲劳检测模型进行优化，选择出最合适的模型参数，意图快速找到全局最优解，避免了陷入局部最优解，又可以保证疲劳检测模型有很高的准确率。

本文利用GA 和PSO 各自的优点，将遗传算法的交叉、变异思想运用到粒子群算法中，在个体进行更新时，先选择适应度较低的个体粒子与个体最优粒子进行交叉操作，如果新产生的粒子的适应度比之前的要高， 那就将新粒子代替原来的粒子，否则两个粒子不进行交换。所有粒子交叉操作结束后，对新粒子进行变异操作，同样的如果新产生的粒子的适应度比之前的要高，那就将新粒子代替原来的粒子，否则两个粒子不进行交换。重复上述步骤，以此迭代更新粒子，直到达到结束条件，得到所解决问题的全局最优解，算法流程如图2所示。

图2 GA-PSO 混合优化算法流程Fig.2 GA-PSO hybrid optimization algorithm flow chart

4 实验验证

本次实验通过模拟火炮操作人员的搬运炮弹操作过程。随机选取在校多名学生作为测试人员。测试人员通过穿戴生理采集仪后，需要将37.3 kg 的模拟炮弹从30 cm 高的位置搬运到100 cm 高的桌子上，搬运速度为2 次/min，持续10 min。实验结束后，统一填写疲劳评定量表得到测试人员的疲劳程度。利用LabVIEW 从原始数据里把训练集和测试集提取出来， 并分别用GA 优化SVM 模型、PSO 优化SVM 模型和GA-PSO 混合优化SVM 模型对训练集数据进行训练，对测试集数据进行验证，得到适应度曲线和疲劳分类结果（1：疲劳不明显；2：轻度疲劳；3：中度疲劳；4：重度疲劳）如图3～图5所示。GA-SVM，PSO-SVM，GA-PSO-SVM 算法结果对比如表1所示。

图3 GA-SVM 优化结果Fig.3 GA-SVM optimization result

图4 PSO-SVM 优化结果Fig.4 PSO-SVM optimization result

图5 GA-PSO 混合优化SVM 结果Fig.5 GA-PSO hybrid optimization SVM result

表1 GA-SVM，PSO-SVM，GA-PSO-SVM 算法结果对比Tab.1 Comparison of GA-SVM，PSO-SVM，GA-PSO-SVM algorithm results

5 结语

本文根据疲劳产生机理，选取有效生理参数心率、血压、体温、呼吸频率和血氧浓度，以此建立支持向量机疲劳检测模型， 利用GA-PSO 混合优化SVM 疲劳检测模型参数，通过实验验证，对比GASVM，PSO-SVM，GA-PSO 混合优化后的SVM 疲劳检测模型准确率高、收敛速度快。能够有效检测出操作人员的疲劳状态，合理规划休息时间。以此提高火炮操作人员作战效率和作业能力，保障某型火炮操作的安全性，对今后的有效训练和实战具有重要意义。