基于心电的疲劳分析论文

     摘要：工作过度相关的疾病，如脑血管/心血管疾病（CCVD）和工作过度导致的精神障碍，是世界范围内的主要职业和公共卫生问题，特别是在东亚国家。由于可穿戴智能设备价格便宜、方便、普及和广泛使用，我们有兴趣研究使用可穿戴智能心电图（ECG）设备检测精神疲劳状态的可能性。共有35名健康受试者从华东一所公立大学被招募。在整个实验过程中，每个参与者都戴着一个可穿戴的设备，该设备进一步连接到智能手机，以上传基于蓝牙传输的数据。为了控制疲劳状态，每个参与者被要求完成一个测验，持续大约80分钟，有30个逻辑参考和计算问题，25个记忆测试。8个心率变异性（HRV）指标，即nn.平均值（正常间期至正常间期的平均值）、rmssd（连续差异的均方根）、pnn50（nn50除以nns总数的比例）、tp（总谱功率）、hf（0.15 Hz至0.4 Hz的高频）、lf（低频）在整个实验过程中，每隔5分钟收集0.04赫兹至0.15赫兹的cy、0.0033赫兹至0.04赫兹的vlf（甚低频）和lf/hf比值。在进行特征选择后，还有6个指标需要进一步分析，分别是nn.mean、rmssd、pnn50、tp、lf和vlf。采用支持向量机（SVM）、K最近邻（KNN）、NA_ve Bayes（NB）和逻辑回归（LR）四种算法建立了自动检测疲劳状态的分类器。结果表明，该方法的变异系数精度为75.5%，达到了最佳性能。神经网络平均值、PNN50、TP和LF是检测精神疲劳最重要的HRV指标。KNN在四种算法中表现最好，所有可能的特征组合的平均CV精度为65.37%。 

      工作过度相关的疾病，如脑血管/心血管疾病（CCVD）和工作过度导致的精神障碍，是世界范围内的主要职业和公共卫生问题，尤其是在东亚国家[1]。日本的工作文化是如此的强烈，以至于20世纪70年代人们发明了一个词“过劳死”，意思是“因过度工作而死亡”。31岁的记者Miwa Sado[2]就是一个雇员被认定为过劳死的例子。据报道，在2013年7月死于心力衰竭之前，她在新闻网络NHK一个月内加班159小时。在日本，政府估计每年有200人死于过度工作，原因是心脏病发作或脑出血，原因是工作时间过长[3]。然而，这种估计不包括精神抑郁或自杀导致的死亡。如果将这些死亡包括在内，与工作有关的死亡人数将大幅增加。2010年1月至2015年3月，日本共发生368起自杀事件，其中352名男性和16名女性被认为是过劳死[4]。在中国，过度工作也是一个严重的问题。据《中国青年报》报道，每年约有60万中国人死于工作太辛苦[5]。2015年4月，中国国际广播电台报道，中国每天有1600人因加班死亡。

      由于过度工作是一种主观的感觉，在不同的人之间是不同的，所以很难通过计算工作时间来衡量过度工作。因此，心理疲劳是一种更好的方法来检测潜在的过度工作。精神疲劳是一种主观的精神疲劳感。这是由于长时间的认知活动（长时间工作、轮班工作、压力工作、焦虑等）导致的最大认知能力的短暂下降[6]。研究证明，由过劳引起的中风和死亡与过度工作引起的精神疲劳有很强的关联[7]。此外，密集的工作增加了患心血管疾病、糖尿病和癌症的风险[8]、[9]和[10]。除了对人类健康造成损害外，精神疲劳还具有多种影响，损害记忆、判断、决策和情绪管理[11]。通常长时间工作会导致压力和压力，而这反过来又会导致更高的事故水平、更大的旷工率和更低的生产力[12,13]。因此，分析能够实时监测员工精神疲劳并提示用户休息或离开办公室的可穿戴设备是非常必要的

      然而，精神疲劳在实践中是难以测量的。现有的心理疲劳测量方法可分为两类：主观自我报告测量和客观表现测量。主观自我报告测量要求受试者通过问卷调查来评估他们的精神疲劳程度[14-16]。有些量表只涉及参与者对当前经历过的疲劳或困倦的感知问题，如斯坦福困倦量表（SSS）、Chalder疲劳量表（CFS）和疲劳严重度量表（FSS）。同时，其他的量表通过设定详细的情景来评估参与者的疲劳程度，例如在epworth嗜睡量表（ESS）中[17]和特定疲劳量表（SFS）中[18]。目的：设计多个心理任务，评估受试者的脑功能表现。有些任务测量受试者的反应时间、记忆力和决策能力，例如心理运动警惕任务（pvt）[19]。同时，其他任务评估受试者是否保持清醒和抗困倦能力，如多次睡眠潜伏期测试（MSLT）和维持清醒测试（MWT）[20]。

      上面提到的两个措施本质上是侵入性的，因为用户必须停止手头的工作来完成调查问卷或心理任务。因此，在不影响正常日常生活的情况下，它们不能用来监测精神疲劳。当日常工作仍在进行时，设备方法可以测量精神疲劳。例如，脑电图仪（EEG）是测量精神疲劳最广泛使用的设备[21,22]。一些其他的研究者提出了一种基于脑电图的基于频谱分析的疲劳检测算法[23-25]。从原始脑电图信号中获得的四个频率分量已被证明可用于检测受试者的大脑状态，即δ（δ）（±0 Hz至4 Hz）、θ（θ）（4–8 Hz）、α（α）（8–13 Hz）和β（β）（13–20 Hz）[25]。为了进行驾驶疲劳状态检测，澳大利亚的一组研究人员开发了一种基于脑电图的驾驶疲劳对策系统来监测驾驶疲劳[23,24,26]。然而，用于脑电图疲劳检测的设备通常又重又大，不利于日常生活，尤其是在办公场所或家中使用时。由于实时监测对于帮助用户保持健康状态非常重要，因此，一种能够普遍监测精神疲劳状况的便捷可穿戴设备是非常可取的[27]。 

      健康信息技术的一个最新趋势是可穿戴智能设备的日益普及，例如智能手镯和可穿戴心电图，这使得实时和远程的健康监测和管理成为可能。根据Gartner的调查，2016年，共售出2.659亿台可穿戴设备。预计2021年全球可穿戴电子设备市场价值将超过500亿美元[28]。因此，可穿戴智能设备的使用范围越来越广。我们有兴趣研究使用可穿戴智能设备测量精神疲劳的可能性。 

      开发了一系列用于连续获取生理参数的智能传感器，如心电图（ECG）、心率和血压，并通过蓝牙无线传输进行健康监测[29–32]。在所有这些可穿戴设备中，可穿戴心电图是一种很有前途的实时监测精神疲劳的设备。该装置提供了一种相对简单的获取心电图的方法。与复杂脑电图装置相比的信号。由于自主神经系统（ANS）与心律之间的联系在很久以前就被发现了[33]，因此可以用心电图信号来测量精神疲劳状态。因此，本研究的研究问题可以解释为： 

RQ：可穿戴的心电图智能设备能检测到精神疲劳吗？如果是这样，如何以及以什么样的效果实现这一目标？ 

      为了回答这一研究问题，本研究设计并实施了一项实验，以测试使用可穿戴式心电图仪测量精神疲劳的可能性。华东某公立大学共招收35名受试者。通过实验收集了自述的精神疲劳和心电图数据。

2.方法和材料

2.1 设备

       本研究中使用的可穿戴式心电图装置是一种称为“lapatch”的便携式单通道心电图设备，如图1所示。该装置以德州仪器公司开发的ADS1292R为核心芯片，准确获取心电图和多种呼吸状态。蓝牙用于将可穿戴式心电设备的数据传输至智能手机[34]。 

2.2 实验设计

       共有35名无心脏病健康受试者从华东某公立大学招收。我们没有招募那些有过度工作相关问题的受试者来匹配精神疲劳问题。主要原因是过度工作是一种随时间变化的瞬态状态。一个有一天感到疲倦的人可能会在第二天感到精力充沛。因此，在实验开始前，很难雇佣真正处于疲劳状态的过度工作的受试者。相反，我们选择另一种方法，通过测验来控制健康受试者的疲劳状态。在测验之前，大多数受试者应该处于非疲劳状态。然后他们被要求完成一个测验。测验结束后，大多数受试者应处于疲劳状态。在测验前后收集数据。这样，我们收集了疲劳状态和非疲劳状态下的样品。

      每个受试者都被分配了一个唯一的编号，以便与他们的问卷和设备相匹配。他们的平均年龄为23±4岁，男女比例为1:1.3。在整个实验过程中，每个参与者都佩戴了一个可穿戴设备，如前一节所述，该设备还与智能手机连接，用于上传基于实时蓝牙传输的数据。在实验开始之前，要求每个参与者完成一份包含14个项目的问卷（Chalder疲劳量表[35]来报告他们的疲劳状态。疲劳等级所用项目如表1所示。之后，参与者被要求完成一个测验。测验包括55个问题。问题类型包括空间想象、计算、推理和记忆。附录中提供了每种类型的示例。测验结束后，要求参与者重新填写疲劳量表。为了更好地激励参与者，受试者获得了额外的40元人民币现金奖励（约6美元）。本研究获得了机构审查委员会的批准。 

2.3 数据处理

       可穿戴设备通过放置在皮肤上的电极记录心脏在一段时间内的电活动来收集原始数据（心电图信号）。从原始数据中提取心率变异性（HRV）变量进行进一步分析。心率变异性是从心电图[36]中获得的一套系统评价指标。HRV测量心跳之间时间间隔的变化，这表明交感神经和副交感神经系统（PSN）的调节，因此它以前被用来检查心理负荷[37]。 

      本研究提取并使用了时域和频域HRV指标[38,39]。时间域指标包括正常到正常区间的平均值（nn.平均值）、nn区间的标准差（sdnn）、短期计算的平均nn区间的标准差，通常为5分钟（sdann）、连续差的均方根（rmssd）和比例nn50的n除以nns总数（pnn50）。时间域HRV测量值如表2所示（5个）

      频域指标包括总频谱功率（tp）、0.15赫兹至0.4赫兹（hf）的高频、0.04赫兹至0.15赫兹（lf）的低频、0.0033赫兹至0.04赫兹（vlf）的极低频以及lf/hf比值。tp是衡量整体自主活动的指标[40]。心衰主要受肺胃神经活动的调节[41]。LF对心脏交感神经和副交感神经活动的双重调节很敏感[42,43]。VLF反映体温[44–46]、血管舒缩张力和体液系统的调节[47,48]。低频/高频比值表明交感神经和副交感神经系统的平衡[41]。频域HRV测量值如表3所示。

      每0.004 s收集一次心电图数据（采样率：250 Hz）。由于记录应至少为所关注的最低频率范围波长的10倍，HRV的HF分量大约需要1分钟（即0.15 Hz的最低范围是6.6 s的周期，因此，10个周期需要～60 s），而LF分量则需要4分钟以上。t（下限为0.04 Hz）。如果时间间隔为5分钟，sdnn和sdann的值相同，我们决定保留sdnn。数据收集后的相关分析表明，RMSSD与SDNN高度相关，Pearson系数大于0.8。由于多重共线性对预测性能有严重影响，因此SDNN被排除在进一步分析之外。因此，采用5分钟间隔测量的8个HRV变量（即nn.平均值、rmssd、pnn50、tp、hf、lf、vlf和lf/hf）进行进一步分析。变量是不同时间戳之间的平均值，以便进一步分析。

      排除异常值或缺失数据的样本后，35名受试者中有29名符合进一步分析的条件。由于每个受试者被测了两次（测验前后），我们总共收集了58个样本。实验持续60～80分钟（测验完成时间为54±8分钟）。测试开始前10分钟的心电图数据用于计算与测试前疲劳状态相对应的心率变异性指标。在测验结束前10分钟的心电图数据被用来计算与测验后疲劳状态相对应的心率变异性指标。用二元变量测量自报告疲劳状态，0表示非疲劳，1表示疲劳。由于每个参与者都被要求用从1（无感觉）到5（非常严重）的Likert量表回答14个问题，我们使用了[35]中建议的3/4的最佳截止值。因此，疲劳评分在50分以上的样本被标记为疲劳，其余的则被标记为非疲劳。因此，用于模型培训和测试的数据集由58个样本组成，每个样本包含9个变量（8个HRV变量和1个疲劳状态变量）。 

3.结果

3.1 特征选择

      在本节中，我们选择了最显著的HRV指标来区分疲劳状态和非疲劳状态。疲劳和非疲劳状态的HRV指标如表4所示。选择此功能有三个原因。首先，我们使模型更简单，更容易解释。其次，我们可以减少模型的方差，因此，过度拟合。最后，我们可以减少训练模型的计算成本（和时间）。识别最相关特征的过程称为“特征选择”。 

      采用随机森林法进行最显著指标的识别。随机森林基本上是决策树的集合。每个树都是从训练数据集的随机子集构建的。在每个决策树模型中，可用变量的随机子集用于选择数据集在每个节点上的分区方式。随机森林也提供了一种评估输入变量（预测因子）重要性的自然方法。这一过程是通过一次删除一个变量并评估出袋错误是否发生变化来实现的。如果是这样，变量对于区分疲劳状态和非疲劳状态很重要。