基于NIRS的局部肌肉疲劳与脑疲劳及人体舒适性实验_张鄂

合集下载

长时间颈部后仰相关局部肌肉表面肌电特征分析

Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ：ＣＡＯＸｉｎｓｈｅｎｇ（Ｅ⁃ｍａｉｌ：ｃａｏｘｉｎｓｈ＠ｆｍｍｕｅｄｕ）
【Ａｂｓｔｒａｃｔ】ＯｂｊｅｃｔｉｖｅＩｎｏｒｄｅｒｔｏｒｅｄｕｃｅｔｈｅｉｍｐａｃｔｏｆｐｒｏｌｏｎｇｅｄｎｅｃｋｒｅｃｌｉｎｅｏｎｔｈｅｐｈｙｓｉｃａｌａｎｄ
ｓｐｌｅｎｉｕｓｍｕｓｃｌｅ．Ｔｈｅｎｅｃｋｍｕｓｃｕｌｕｓｓｐｌｅｎｉｕｓｆａｔｉｇｕｅｏｃｃｕｒｓｂｅｆｏｒｅｔｒａｐｅｚｉｕｓａｎｄｓｔｅｒｎｏｃｌｅｉｄｏｍａｓｔｏｉｄｍｕｓｃｌｅ．Ａｔ
ｔｈｅｓａｍｅｔｉｍｅ，ｔｈｅｆｒｅｑｕｅｎｃｙｄｏｍａｉｎｉｎｄｉｃａｔｏｒｓｏｆｅｌｅｃｔｒｏｍｙｏｇｒａｐｈｙｓｉｇｎａｌｓｃａｎｂｅｕｓｅｄａｓａｇｏｏｄｅｖａｌｕａｔｉｏｎ
意义（Ｐ＜００５），相关性ＭＰＦ指标优于ＭＦ。结论长时间颈部后仰作业会引发斜方肌、胸锁乳头肌和颈
部夹肌疲劳，颈部夹肌先于斜方肌和胸锁乳突肌发生疲劳，同时肌电信号的频域指标可作为一个较好的
评价指标用于颈部肌肉疲劳评价。
关键词航空机务；后仰姿势；颈部；表面肌电；肌肉疲劳
ＤＯＩ：１０３９６９／ｊ．ｉｓｓｎ．１００２－３２０８２０２３０６００５．
ｓｐｌｅｎｉｕｓｍｕｓｃｌｅｗｅｒｅ０９５ａｎｄ０９６，ｒｅｓｐｅｃｔｉｖｅｌｙ，ａｎｄｔｈｅｆｉｔｔｉｎｇｄｅｇｒｅｅｓｗｅｒｅ－０９７ａｎｄ－０９８，ｒｅｓｐｅｃｔｉｖｅｌｙ，
ｗｉｔｈｓｔａｔｉｓｔｉｃａｌｌｙｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｓ（Ｐ＜００５）．Ｔｈｅｃｏｒｒｅｌａｔｉｏｎｓｂｅｔｗｅｅｎｔｈｅｔｉｍｅｄｏｍａｉｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆ

一种人体疲劳监测与反馈刺激系统[发明专利]

专利名称：一种人体疲劳监测与反馈刺激系统
专利类型：发明专利
发明人：张庭威,周殿阁,王汉斌,郑亦嘉,吴松杰,张珏申请号：CN201910374793.6
申请日：20190427
公开号：CN110141257A
公开日：
20190820
专利内容由知识产权出版社提供
摘要：本发明公开了一种可以监测人体疲劳状态并进行反馈刺激的闭环系统，该系统在人体足底、小腿、大腿、腰部穿戴加速度计和触觉振子，以及配套的处理单元、存储单元、驱动单元和电源装置，通过采集人体各肢体部位的加速度信号，构建运动复杂网络，通过复杂网络分析来凸显最为疲劳的肢体部位，并通过肢体运动复杂度分析来反映疲劳部位的疲劳程度，进而控制触觉振子施加定点且定量的反馈振动刺激，产生随机共振，自适应刺激各个肢体趋于平衡。

申请人：北京大学
地址：100871 北京市海淀区颐和园路5号前沿交叉学科研究院
国籍：CN
更多信息请下载全文后查看。

适用于空间站环境的脑力疲劳检测方法的研究

适用于空间站环境的脑力疲劳检测方法的研究
徐慕华;周前祥;曹勇;张朋;胡伟
【期刊名称】《航天医学与医学工程》
【年(卷),期】2024(35)1
【摘要】目的针对航天员在轨期间可能出现的脑力疲劳问题,研究一种适用于空间站环境的脑力疲劳检测方法。

方法地基实验采用36h睡眠剥夺实验诱发脑力疲劳状态,采集45名受试者的脑电图(EEG)数据和问卷评分,计算与脑力疲劳相关的一系列EEG特征并运用随机森林分类器构建脑力疲劳检测方法,以区分脑力疲劳水平。

结果在地基实验和天基实验的数据中均取得85%以上的平均准确率,各项评价指标趋势一致。

结论基于EEG信号的脑力疲劳检测方法能够应对环境及任务的差异,在地基实验与天基实验中均展现出准确稳定的性能,未来在空间飞行环境中的应用具有一定可行性。

【总页数】6页(P15-19)
【作者】徐慕华;周前祥;曹勇;张朋;胡伟
【作者单位】北京航空航天大学生物与医学工程学院;中国航天员科研训练中心人因工程重点实验室;首都师范大学心理学院
【正文语种】中文
【中图分类】R74
【相关文献】
1.适用于疲劳驾驶检测的人眼跟踪方法研究
2.VDT环境下事务性脑力劳动疲劳规律研究
3.基于EEG信号特征的脑力疲劳快速检测方法
4.基于EEG信号特征的脑力疲劳快速检测方法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于表面肌电信号的肌肉疲劳状态分类系统

基于表面肌电信号的肌肉疲劳状态分类系统曹昂;张珅嘉;刘睿;邹炼;范赐恩【期刊名称】《计算机应用》【年(卷),期】2018(038)006【摘要】为了实现肌肉疲劳状态的准确检测分类,提出一个完整的基于人体表面肌电(sEMG)信号的肌肉疲劳分类与检测系统.首先,通过AgCl表面贴片电极和高精度模拟前端ADS1299采集人体sEMG信号,进行小波消噪等预处理之后,提取可反映人体肌肉疲劳状态的sEMG信号时域和频域特征.然后,在常用特征如积分肌电图(IEMG)、均方根(RMS)、中值频率(MF)以及平均功率频率(MPF)基础上,为更加精细地刻画人体肌肉疲劳状态,引入sEMG信号的频域特征带谱熵(BSE);为弥补傅里叶变换分析非平稳信号的不足,引入sEMG信号时频特征——基于经验模态分解-希尔伯特变换(EEMD-HT)的平均瞬时频率.最后,为提高肌肉非疲劳和疲劳状态分类的准确度,利用含突变的粒子群优化算法优化支持向量机(PSO-SVM)并对sEMG进行分类,实现人体肌肉疲劳状态检测.征集15名健康男青年进行sEMG信号采集实验,建立sEMG信号库,提取特征进行分类实验.实验结果表明,所提的系统能够进行高精度sEMG信号采集和肌肉疲劳程度的高准确度分类,分类准确率大于90％.%In order to realize the accurate detection and classification of muscle fatigue states,a new complete muscle fatigue detection and classification system based on human surface ElectroMyoGraphy (sEMG) signals was proposed.Firstly,human sEMG signals were collected through AgCl surface patch electrode and high-precision analog front-end device ADS1299.The time-domain and frequency-domain features of sEMG signals reflectinghuman muscle fatigue states were extracted after the denoising preprocessing using wavelet transformation.Then,on the basis of the common features such as Integrated ElectroMyoGraphy (IEMG),Root Mean Square (RMS),Median Frequency (MF),Mean Power Frequency (MPF),in order to depict the fatigue states of human muscle more finely,the Band Spectral Entropy (BSE) of frequency domain features of sEMG signals were introduced.In order to compensate the weakness of Fourier transform in dealing with non-stationary signals,the time-frequency feature of the sEMG signals,named mean instantaneous frequency based on Ensemble Empirical Mode Decomposition-Hilbert transform (EEMD-HT),was introduced.Finally,in order to improve the classification accuracy of muscle non-fatigue and fatigue states,the Support Vector Machine optimized by Particle Swarm Optimization algorithm (PSO-SVM) with mutation was used for the classification of sEMG signals to realize the detection of human muscle fatigue states.Fifteen healthy young men were recruited to carry out sEMG signal acquisition experiments,and a sEMG signal database was established to extract features for classification.The experimental results show that,the proposed system can realize high-accuracy sEMG signal acquisition and high-accuracy classification of muscle fatigue states,and its accuracy rate of classification is above 90％.【总页数】8页(P1801-1808)【作者】曹昂;张珅嘉;刘睿;邹炼;范赐恩【作者单位】武汉大学电子信息学院,武汉430072;武汉大学电子信息学院,武汉430072;武汉大学电子信息学院,武汉430072;武汉大学电子信息学院,武汉430072;武汉大学电子信息学院,武汉430072【正文语种】中文【中图分类】TP391.4【相关文献】1.基于幅频联合分析法对肌肉疲劳状态下表面肌电信号时、频域变化规律的研究[J], 王坤;王成俊;罗二平;申广浩;汤池;吴小明;闫一力;荆斌;谢康宁2.非手术脊柱减压系统牵引对慢性颈痛患者颈部肌肉表面肌电信号的影响 [J], 凌雁;张娜;朱志华3.基于小波变换的肌肉疲劳表面肌电信号特征提取的研究 [J], 宋方禹;刘烨辉;朱立华;朱峻岭;亓勤德;朱江4.基于子带频谱墒算法检测表面肌电信号肌肉疲劳性 [J], 包其扬;王军霞;岳小力5.基于表面肌电信号的绝缘手套法带电作业人员上肢肌肉疲劳分析 [J], 吴田;刘志华;陈然;周蠡;黎鹏;刘仕奇因版权原因，仅展示原文概要，查看原文内容请购买。

基于近红外技术的肌肉疲劳监测研究

基于近红外技术的肌肉疲劳监测研究肌肉疲劳一直是运动员和健身者关注的重点问题，而基于近红外技术的肌肉疲劳监测研究成为了一种前沿且有效的方式。

本文将从原理、应用和未来发展三个方面来探讨这一技术的相关内容。

一、原理基于近红外技术的肌肉疲劳监测主要依靠近红外线和可见光的不同特性。

在肌肉疲劳发生时，体内产生了多种代谢物质，其中最主要的是乳酸。

乳酸在人体中可以分解成为乳酸和氢离子，进而会影响肌肉细胞内基质的pH值。

这个变化会引发血管和组织的变化，最终反映到肌肉表面。

而近红外技术则可以利用不同颜色的光线对肌肉组织分析，获得不同波长的光在组织中的反射和散射特性，从而探测肌肉细胞内的代谢变化。

具体实现方式为，在肌肉表面放置发射器和接收器，在发射器向肌肉表面发出光信号后，接收器收集到光线经过肌肉组织后的反射光信号，分析不同波长的反射强度，从而可以研判肌肉内部化学反应。

二、应用基于近红外技术的肌肉疲劳监测主要应用于运动科学和临床医学两个方面。

在运动科学应用，可以通过对肌肉疲劳的检测，提高训练和比赛的效果。

比如在长距离赛跑中，可以根据不同的比赛阶段，及时监测和调整训练强度和个人能力，避免过度疲劳。

同时，在改善运动员的表现和预测能力方面，近红外技术也发挥了不可估量的作用。

比如，通过分析肌肉疲劳的程度，可以预测运动员是否能够坚持完成比赛，并能够提前制定训练计划。

在临床医学应用，基于近红外技术的肌肉疲劳监测也可以帮助诊断疾病和评估治疗效果。

近年来，越来越多疾病与肌肉疲劳有关，包括肌无力、心力衰竭、糖尿病、阿尔兹海默病等。

通过对肌肉疲劳的监测，可以早期发现这些疾病，并对病情的发展起到预防和控制作用。

三、未来发展基于近红外技术的肌肉疲劳监测仍处于初期阶段，但是未来发展的前景十分广阔。

近年来，随着互联网和人工智能的发展，基于近红外技术的肌肉疲劳监测与其它技术的搭配，将逐渐成为运动科学研究和肌肉疲劳诊断和治疗的重要手段。

在未来的应用和发展方面，我们可以期待更加全面和细致的数据分析和研究，进一步阐明肌肉疲劳的机理和影响因素，为运动训练和疾病预防和治疗提供更加可靠的依据。

基于面部多特征跨层融合网络的驾驶员疲劳检测方法

第38卷第6期2023年12月安徽工程大学学报J o u r n a l o fA n h u i P o l y t e c h n i cU n i v e r s i t y V o l .38N o .6D e c .2023文章编号:1672-2477(2023)06-0064-08收稿日期:2023-06-13基金项目:安徽省高校优秀青年基金项目(2023A H 030020)作者简介:徐文奇(1991-),男,浙江宁波人,助理实验师,硕士㊂通信作者:胡耀聪(1992-),男,安徽芜湖人,讲师,博士㊂基于面部多特征跨层融合网络的驾驶员疲劳检测方法徐文奇,胡耀聪*(安徽工程大学电气工程学院,安徽芜湖 241000)摘要:针对现有驾驶员疲劳检测很大程度依赖于局部疲劳相关信息提取而导致检测准确度不足的问题,本文提出了一种基于面部多特征融合的驾驶员疲劳检测算法,能够对整体面部疲劳状态进行特征学习,从而实现更精确的驾驶员疲劳状态检测㊂提出的驾驶员人脸疲劳检测算法包含3个步骤:首先使用M T C N N 网络检测面部关键点并截取脸部㊁眼部㊁嘴部图像区域;其次设计一种面部多特征跨层融合网络,实现不同面部区域之间的信息交互与疲劳相关特征提取,进而通过多标签分类对单帧图像面部疲劳相关属性进行识别;最后使用L S TM 对长时间序列进行建模,实现最终的驾驶员疲劳状态检测㊂本文提出的驾驶员疲劳检测算法在N T HU -D D D 数据集进行了测试,对比实验验证了该方法的可行性和有效性㊂关键词:疲劳相关信息;多特征跨层融合;多标签分类;长时间序列中图分类号:T P 391.41 文献标志码:A伴随公共交通的快速发展和车辆数量的指数级增长,交通安全已成为世界各地亟待解决的问题㊂世界卫生组织近来调查显示,全球由交通事故导致死亡人数每24秒新增1例,每年由车祸导致死亡人数超13万[1]㊂由司机长时间驾驶或睡眠不足导致的疲劳驾驶是造成交通事故死亡的重要原因之一㊂因此,驾驶员疲劳检测的研究对智能交通系统具有重要意义[2-4]㊂计算机视觉算法是基于视频的疲劳驾驶检测系统的核心技术㊂近期研究中,学者们已经提出了几种算法来实现疲劳驾驶检测㊂通常来说,一个完整的驾驶员疲劳检测框架主要包含以下3个步骤:(1)人脸检测:通过目标检测器逐帧检测驾驶员面部并对关键点进行定位;(2)特征提取:通过传统的特征描述子[5-7]或深度学习模型[8-12]来学习与疲劳驾驶相关的信息;(3)疲劳判定:依赖帧间信息判别驾驶员疲劳程度㊂面部特征提取是驾驶员疲劳检测的关键,然而现有的方法通常仅关注局部区域的疲劳相关属性,例如眼睑闭合时间(P e r c e n t a g e o f E y e l i dC l o s u r e ,P E R C L O S )[13]㊁嘴角张合比(M o u t hA s pe c tR a t i o ,MA R )[14]等,而忽略了全局面部特征表示,致使疲劳检测精度较低㊂为了解决这个问题,本文设计了面部多特征跨层融合网络来进行精确的驾驶员疲劳检测,首先使用MT C N N 网络检测面部关键点并截取脸部㊁眼部㊁嘴部图像区域;其次设计一种面部多特征跨层融合网络,实现不同面部区域之间的信息交互与疲劳相关特征提取,进而通过多标签分类对单帧图像的面部疲劳相关属性进行识别;最后使用L S T M 对长时间序列进行建模,实现最终的驾驶员疲劳状态检测㊂1 疲劳检测算法1.1 面部关键点检测本研究采用多任务级联卷积神经网络(M u l t i -t a s kC a s c a d eC o n v o l u t i o n a lN e u r a lN e t w o r k ,MT C N N )模型[15]进行人脸关键点检测,它包含3个子网络:P -N e t ㊁R -N e t 和O -N e t,模型结构如图2所示㊂具体来说,MT C N N 模型的推理流程包含以下步骤:(1)对输入图像进行缩放操作,设定缩放因子为γ,并将原始图像以{1,γ,γ2, ,γn}的比例进行缩放,从而生成一组不同尺度的图像㊂(2)P -N e t:采用全卷积神经网络结构,用于初步标定人脸边界框㊂通过3个浅层卷积提取面部特征,粗略地搜索人脸候选区域㊂(3)R -N e t :包含3个卷积层和1个全连接层,用于进一步剔除错误和重复的人脸框,其输入为P -N e t 检测出的候选区域,采用卷积层实现特征细化,最后通过回归判定出候选区域中是否包含人脸㊁人脸中心偏移量㊁人脸关键点坐标㊂(4)O -N e t :包含4个卷积层和1个全连接层,用于输出最终的人脸关键点检测结果㊂MT C -N N 模型可以准确地检测出视频图像中的人脸区域并定位出关键点,为后续的疲劳特征提取和疲劳状态检测打下了基础㊂图1 驾驶员人脸疲劳检测算法整体框架图2 M T C N N 模型结构示意图1.2 面部疲劳属性识别疲劳状态主要表现在面部全局纹理㊁眼睑闭合程度㊁嘴角张合程度等相关属性㊂面部多特征跨层融合网络模型如图3所示㊂由图3可知,此网络模型包含脸部特征提取网络分支F -b r a n c h ㊁眼部特征提取网络分支E -b r a n c h ㊁嘴部特征提取网络分支M -b r a n c h ,分别从人脸㊁眼睛和嘴巴3个图像区域学习疲劳相关信息,对应的输入尺寸为:128×128㊁64×64㊁64×64㊂特征提取网络分支F -b r a n c h ㊁E -b r a n c h 和M -b r a n c h借鉴了M o b i l e N e t -V 2网络结构,有效地平衡了模型性能与计算复杂度㊂具体来说,它采用了深度可分离卷积运算,即将标准的3×3卷积分操作拆分为逐点卷积(P o i n t w i s eC o n v o l u t i o n )和逐通道卷积(C h a n n e l -w i s eC o n v o l u t i o n ),降低了模型的参数量和浮点计算数;其次瓶颈层采用倒置残差模块(I n v e r t e dR e s i d u -a l sB l o c k )结构,即先通道升维,后通道降维的策略,在保持网络深度的同时,增加了特征图的维度;此外,倒置残差模块的最后1个卷积层使用线性激活函数代替R e L U 激活函数,用于解决特征丢失与梯度弥散问题㊂面部多特征跨层融合网络模型能够学习不同面部区域的疲劳相关信息,具体运算过程可以定义为:F (l )f a c e =F b r a n c h (F (l -1)f a c e |θ(l )f a c e )=θ(l )f a c e ×F (l -1)f a c e ,(1)F (l )e y e s =E b r a n c h (F (l -1)e y e s |θ(l )e y e s )=θ(l )e y e s ×F (l -1)e ye s ,(2)㊃56㊃第6期徐文奇,等:基于面部多特征跨层融合网络的驾驶员疲劳检测方法F (l )m o u t h =M b r a n c h (F (l -1)m o u t h |θ(l )m o u t h )=θ(l )m o u t h ×F (l -1)m o u t h ,(3)其中,F (l )f a c e ㊁F (l )e ye s ㊁F (l )m o u t h 分别表示面部㊁眼部㊁嘴部网络分支在第l 层提取的特征图;θ(l )f a c e ㊁θ(l )e ye s ㊁θ(l)m o u t h 表示其对应的相关参数㊂图3 面部多特征跨层融合网络模型需要注意的是,为了进一步促进不同面部区域的疲劳相关信息交互,面部多特征跨层融合网络采用了跨层连接单元,用于对不同网络分支的中间层特征图进行融合,即通过1×1卷积将E -b r a n c h 与M -b r a n c h 学习的眼部区域信息与嘴部区域信息进行特征映射,接着将其与F -b r a n c h 学习的全局面部特征进行拼接,并通过1×1卷积实现维度变换㊂此外,全局均值池化层用于将F -b r a n c h ㊁E -b r a n c h 与M -b r a n c h 网络分支中的最后一层(L 层)卷积特征图进行降维,具体可以定义为:^f =A v g P o o l i n g (F (L )f a c e ⊕F (L )e ye s ⊕F (L )m o u t h ),(4)其中,A v g P o o l i n g (㊃)表示全局均值池化操作;⊕表示特征通道合并;^f 表示融合后得到的全局疲劳状态表征㊂本文采用了多标签分类方法对单帧图像的面部疲劳相关属性进行判别,主要涉及全局属性(正常/垂头)㊁眼部属性(正常/闭眼)和嘴部属性(正常/打哈欠)㊂多标签分类损失具体可以定义如下:c jk =s o f t m a x (f |θk )=e x p (θj k ㊃f )∑j'e x p (θj 'k ㊃f ),(5)L c l s =-∑Jj =1∑Kk =1δk ㊃l k ㊃l o g (c j k ),(6)其中,c jk 表示s o f t m a x 分类器计算出的第k 个疲劳相关属性被分类为第j 个类别的概率;θk 为该分类器的相关参数;L c l s 为单个样本的损失;δk 表示第k 个疲劳相关属性的权重参数;l k 表示第k 个疲劳相关属性的真实值标签㊂1.3 面部疲劳状态检测疲劳是一种连续出现的长时间面部状态,因此仅仅依赖于单帧图像表现出的面部疲劳相关属性仍然难以实现精确的疲劳状态检测㊂基于此,本文采用长短期记忆网络模型(L o n g S h o r t -t e r m N e t w o r k ,L S T N )逐帧对面部疲劳相关属性进行编码,建模长时序信息,最终输出疲劳检测结果㊂L S T N 单元的输入门i (t )用于调制输入信号z (t ),记忆单元m (t )记录了当前的记忆状态,L S T N 单元的输出h (t )由遗忘门f (t )和输出门o (t )共同决定,面部多特征跨层融合网络疲劳逐帧计算疲劳相关属性c (t ),而双向长短期记忆网络以该属性作为输入,并输出每帧图像的疲劳得分,运算过程可表示为:i (t )=σ(W i c (t )+R i h (t -1)+b i ,(7)㊃66㊃安徽工程大学学报第38卷f (t )=σ(W f c (t )+R f h (t -1)+b f ,(8)o (t )=σ(W o c (t )+R o h (t -1)+b o ,(9)z (t )=φ(W z c (t )+R z h (t -1)+b z ,(10)m (t )=i (t )⊗z (t )+f (t )⊗m (t -1),(11)h (t )=o (t )⊗φ(m (t )),(12)其中,W 表示当前状态输入的权重矩阵;R 表示上一个状态输出的权重矩阵;b 表示阈值项;σ为s i g m o i d 函数;φ为双正切函数;⊗表示元素内积㊂L S T N 单元的输出取决于当前时刻的疲劳相关属性和之前时刻的疲劳相关属性,实现了长时序信息融合㊂2 算法实现与结果2.1 实验环境本文在U b u n t u18.04操作系统下,通过P y -t o r c h 开源工具构建MT C N N 模型㊁面部多特征跨层融合网络模型与L S T N 网络模型,并应用于驾驶员疲劳识别任务中,实验相关配置与具体参数如表1所示㊂表1 实验平台相关配置与具体参数相关配置具体参数主机D e l l P o w e r E d g eT 440C P U I n t e l C o r e i 7-9700G P UN V I D I A G e f o r c eR T X 3090操作系统U b u n t u16.04P yt h o n 版本P yt h o n3.8P yt o r c h 版本P yt o r c h1.132.2 实验数据集N T HU -D D D 是一个公开的驾驶员疲劳识别数据集,由中国台湾清华大学发布㊂该数据集中的所有视频都是由带有主动红外L E D 的彩色摄像头拍摄的㊂录制视频的参与者在模拟驾驶环境中进行正常驾驶和疲劳驾驶,并可以分为五种场景条件:白天不佩戴眼镜㊁白天佩戴眼镜㊁白天佩戴墨镜㊁夜晚不佩戴眼镜㊁夜晚佩戴眼镜,如图4所示㊂录制的视频分辨率为640×480,每秒30帧㊂此外,N T HU -D D D 数据集包含每一帧图像的疲劳相关信息标注,涉及全局状态(正常/垂头)㊁眼睛(正常/闭眼)和嘴巴(正常/打哈欠)㊂本实验借鉴了文献[16]的数据处理方法,即采用滑动窗口对完整视频进行截取,截取片段的帧长设置为300帧㊂N T HU -D D D 数据集中的360段完整的训练视频可以被拆分为2390个时间片段,涉及1572个正常驾驶片段和818个疲劳驾驶片段;20段完整的测试视频可以被拆分为602个时间片段,涉及348个正常驾驶片段和254个疲劳驾驶片段㊂图4 N T HU -D D D 数据集示例样本2.3 实验评价指标本文实验的评价指标包括检测率(D e t e c t i o nR a t e ,D R )㊁误报率(F a l s eA l a r m R a t e ,F A R )㊁准确率(A c c u r a c y Ra t e ,A R ),分别可以定义为:㊃76㊃第6期徐文奇,等:基于面部多特征跨层融合网络的驾驶员疲劳检测方法D R =T pT p +F n ×100%,(13)F A R =F pT n +F p×100%,(14)D R =T p +T nT p +T n +F p +F n×100%,(15)其中,T p ㊁F p ㊁T n 和F n 分别表示真阳性㊁假阳性㊁真阴性㊁假阴性的样本数量㊂2.4 实验结果比较本实验主要采用检测率㊁误报率和准确率这3个指标评估面部多特征跨层融合网络模型的性能并与现有的驾驶员疲劳识别方法和模型做了比较㊂对比方法主要涉及三类:第一类是基于规则的疲劳检测算法,例如P E R C L O S [13]㊁MA R [14]等㊂第二类是结合传统的特征描述子和机器学习算法进行驾驶员疲劳检测,例如S L A F s -R F [17]㊁L B P T O P -S V M [18]等;第三类是基于深度学习的驾驶员疲劳识别方法,例如M S T N [19]㊁D D D -I A A [20]㊁3D C N N -F F [21]㊂本文所提出的基于面部多特征融合的驾驶员疲劳检测算法及其对比模型在相同的D e l lP o w e r E d g eT 440计算平台上进行训练与测试,模型训练过程中的超参数设置如表2所示㊂实验统一采用MT C N N 模型截取驾驶员人脸区域,通过不同模型提取疲劳相关特征,并最终判定驾驶员是否处于疲劳状态㊂表3列出了不同模型在N T HU -D D D 数据集上的识别精度对比结果㊂表2 模型训练的超参数设置超参数配置具体参数初始学习率0.001学习率下降间隔纪元数100学习率调整倍数0.1迭代纪元数500优化器类型A d a m 优化器批样本数16表3 各种疲劳识别算法在N T HU -D D D 数据集上的识别精度对比方法名称N T HU -D D D D R /%F A R /%A R /%P E R C L O S [13]65.419.873.9MA R[14]55.928.764.7S L A F s -R F [17]72.022.175.4L B P T O P -S VM [18]74.020.477.2M S T N[19]85.011.287.2D D D -I A A [2]81.919.081.43D C N N -C A L [21]80.321.579.2F B r a n c h -L S T N 79.513.583.6E B r a n c h -L S T N 78.723.077.9M B r a n c h -L S T N 67.724.772.1面部多特征跨层融合网络-L S T N (本文方法)89.48.690.5文献[13]和文献[14]分别将眼睑闭合时间(P E R C L O S )和嘴角张合比(MA R )作为规则用于评判驾驶员疲劳程度,这类方法在N T HU -D D D 数据集上的表现不佳,准确率分别为73.9%㊁70.6%㊂文献[17]和文献[18]结合了传统的特征描述子和机器学习算法判定驾驶员疲劳状态,其中,文献[17]融合了梯度方向特征和关键点运动矢量,接着随机森林分类器判定驾驶员是否处于疲劳状态;文献[18]使用了三维局部二值模式L B P -T O P 描述子提取面部动态纹理特征,并通过S VM 对提取的特征进行分类,进而检测驾驶员疲劳状态;实验结果表明,基于传统特征描述子的疲劳检测算法性能优于基于规则的疲劳检测算法㊂文献[19]㊁文献[20]和文献[21]构建了深度学习模型进行端到端的疲劳特征提取和疲劳检测㊂具体来说,文献[19]提出了一种多阶段时空网络模型(M u l t i s t a g eS p a t i a l -t e m p o r a lN e t w o r k ,M S T N ),其中C N N 模型从单帧图片中提取人脸疲劳相关特征,L S T N 模型用于建模长时序信息,并输出疲劳检测结果㊂文献[20]提出了D D D -I A A 驾驶员疲劳检测框架,其中A l e x N e t ㊁F l o w I m a g e N e t 和V G G F a c e 分别用于提取全局环㊃86㊃安徽工程大学学报第38卷境信息㊁帧间动作信息和面部细节轮廓信息,最后采用分数融合检测驾驶员是否处于疲劳状态㊂文献[21]中提出了一种3D C N N -C A L 的疲劳检测框架,该框架首先使用三维卷积网络提取连续时间段的疲劳相关信息,接着借助条件自适应学习获取全局场景信息,最终通过特征融合识别驾驶员疲劳状态㊂实验结果显示文献[19]提出的M S T N 模型优于其他对比方法,该算法在N T HU -D D D 数据集上的检测率㊁误报率和准确率分别为85.0%㊁11.2%和87.2%㊂本文提出的面部多特征跨层融合网络包含3个网络分支:F -b r a n c h ㊁E -b r a n c h 与M -b r a n c h ,分别从人脸㊁眼睛和嘴巴3个图像区域学习疲劳相关信息,并通过跨层连接单元实现不同分支的信息交互㊂从实验结果可以看出,单独的脸部㊁眼部或嘴部特征提取网络分支在N T HU -D D D 数据集上的检测精度不高,而将3个网络分支进行跨层融合后,模型的性能得到了显著提升,检测率㊁误报率和准确率分别达到了89.4%㊁8.6%㊁90.5%,优于其他对比模型㊂面部多特征跨层融合网络模型在五种不同场景条件下的精度表现如表4所示,这五种场景包括白天不佩戴眼睛㊁白天佩戴眼镜㊁白天佩戴墨镜㊁夜间不佩戴眼镜㊁夜间佩戴眼镜㊂实验结果表明,本文提出的算法在白天条件下的检测精度要高于夜间条件下的检测精度,不佩戴眼镜情况下的检测精度要高于佩戴眼镜或佩戴墨镜情况下的检测精度㊂表4 本文提出的疲劳识别算法在N T HU -D D D 数据集中不同场景条件下的识别精度对比场景类型D R /%F A R /%A R /%白天不佩戴眼镜98.12.997.6白天佩戴眼镜94.05.494.3白天佩戴墨镜75.018.678.6夜间不佩戴眼镜92.38.791.7夜间佩戴眼镜85.59.288.5所有场景89.48.690.5图5 疲劳检测效果示意图本文提出的疲劳检测算法的效果示意图如图5所示,从图中可以看出MT C N N 网络可以准确地定位出人脸关键点,进而对脸部㊁眼部和嘴部区域进行截取;面部多特征跨层融合网络模型能够有效地判断出单帧图片的面部疲劳相关属性,而L S T N 网络结合了当前时刻与之前时刻的疲劳相关属性,并输出最终的疲劳检测结果㊂㊃96㊃第6期徐文奇,等:基于面部多特征跨层融合网络的驾驶员疲劳检测方法㊃07㊃安徽工程大学学报第38卷3 结论本文针对现有驾驶员疲劳检测很大程度依赖于局部疲劳相关信息提取而导致检测准确度不足的问题,提出了一种基于面部多特征融合的驾驶员疲劳检测算法㊂首先使用MT C N N网络检测面部关键点并截取脸部㊁眼部㊁嘴部图像区域;其次设计一种面部多特征跨层融合网络,实现不同面部区域之间的信息交互与疲劳相关特征提取,进而通过多标签分类对单帧图像的面部疲劳相关属性进行识别;最后使用L S T N 对长时间序列进行建模,实现最终的驾驶员疲劳状态检测㊂本文提出的驾驶员疲劳检测算法在N T HU-D D D数据集进行了测试,对比实验验证了该方法的可行性和有效性㊂然而如何进一步提升复杂光照环境下的驾驶员疲劳检测的精度,这将是接下来的重点研究工作㊂参考文献:[1] 胡耀聪.基于深度学习的驾驶员行为与疲劳识别方法研究[D].南京:东南大学,2021.[2] S I N G H D,MOHA NCK.D e e p s p a t i o-t e m p o r a l r e p r e s e n t a t i o n f o r d e t e c t i o n o f r o a d a c c i d e n t s u s i n g s t a c k e d a u t o e n c o d-e r[J].I E E ET r a n s a c t i o n s o n I n t e l l i g e n tT r a n s p o r t a t i o nS y s t e m s,2019,20(3):879-887.[3] K A P L A N S,G U V E N S A N M A,Y A V U Z A G,e ta l.D r i v e rb e h a v i o ra n a l y s i sf o rs a f ed r i v i n g:as u r v e y[J].I E E ET r a n s a c t i o n s o n I n t e l l i g e n tT r a n s p o r t a t i o nS y s t e m s,2015,16(6):3017-3032.[4] R AM Z A N M,K HA N H U,AWA NS M,e t a l.As u r v e y o n s t a t e-o f-t h e-a r t d r o w s i n e s s d e t e c t i o n t e c h n i q u e s[J].I E E EA c c e s s,2019(7):61904-61919.[5] 朱艳,谢忠志,于雯,等.低光照环境下基于面部特征点的疲劳驾驶检测技术[J].汽车安全与节能学报,2022,13(2):282-289.[6] 胡峰松,程哲坤,徐青云,等.基于多特征融合的疲劳驾驶状态识别方法研究[J].湖南大学学报(自然科学版),2022,49(4):100-107.[7] 陆荣秀,张笔豪,莫振龙.基于脸部特征和头部姿态的疲劳检测方法[J].系统仿真学报,2022,34(10):2279-2292.[8] 熊群芳,林军,岳伟.基于深度学习的疲劳驾驶状态检测方法[J].控制与信息技术,2018(6):91-95.[9] 郑伟成,李学伟,刘宏哲,等.基于深度学习的疲劳驾驶检测算法[J].计算机工程,2020,46(7):21-29.[10]李响.基于深度学习的面部疲劳信息检测方法研究与实现[D].长春:东北师范大学,2021.[11]A HM E D M,MA S O O DS,A HMA D M,e t a l.I n t e l l i g e n td r i v e rd r o w s i n e s sd e t e c t i o nf o r t r a f f i cs a f e t y b a s e do n m u l t iC N Nd e e p m o d e l a n d f a c i a l s u b s a m p l i n g[J].I E E ET r a n s a c t i o n s o n I n t e l l i g e n tT r a n s p o r t a t i o nS y s t e m s,2022,23(10):19743-19752.[12]Q I A N K,K O I K ET,N A K AMU R A T,e t a l.L e a r n i n g m u l t i m o d a l r e p r e s e n t a t i o n s f o rd r o w s i n e s sd e t e c t i o n[J].I E E ET r a n s a c t i o n s o n I n t e l l i g e n tT r a n s p o r t a t i o nS y s t e m s,2022,23(8):11539-11548.[13]周壮壮,陈艳,唐苏,等.基于P E R C L O S的眼部疲劳检测系统研究[J].集成电路应用,2021,38(2):48-49.[14]王霞,仝美娇,王蒙军.基于嘴部内轮廓特征的疲劳检测[J].科学技术与工程,2016,16(26):240-244.[15]Z HA N G K,Z HA N GZ,L I Z,e t a l.J o i n t f a c e d e t e c t i o n a n d a l i g n m e n t u s i n g m u l t i t a s k c a s c a d e d c o n v o l u t i o n a l n e t w o r k s[J].I E E ES i g n a l P r o c e s s i n g L e t t e r s,2016(10):1499-1503.[16]黄志亮.基于深度学习的驾驶员疲劳检测技术研究[D].南京:东南大学,2019.[17]L Y UJ,Z HA N G H,Y U A N ZJ.J o i n t s h a p ea n dl o c a l a p p e a r a n c e f e a t u r e s f o rr e a l-t i m ed r i v e rd r o w s i n e s sd e t e c t i o n[C]//A s i a nC o n f e r e n c e o nC o m p u t e rV i s i o n.T a i p e i:S p r i n g e r,2017:178-194.[18]赵磊.基于深度学习和面部多源动态行为融合的驾驶员疲劳检测方法研究[D].山东:山东大学,2018.[19]S H I H T H,H S UCT.M S T N:m u l t i s t a g e s p a t i a l-t e m p o r a l n e t w o r k f o r d r i v e r d r o w s i n e s s d e t e c t i o n[C]//A s i a nC o n f e r-e n c e o nC o m p u t e rV i s i o n.T a i p e i:S p r i n g e r,2016:146-153.[20]P A R KS,P A NF,K A N GS,e t a l.D r i v e r d r o w s i n e s s d e t e c t i o n s y s t e mb a s e d o n f e a t u r e r e p r e s e n t a t i o n l e a r n i n g u s i n g v a-r i o u s d e e p n e t w o r k s[C]//A s i a nC o n f e r e n c e o nC o m p u t e rV i s i o n.T a i p e i:S p r i n g e r,2017:154-164.[21]Y UJ,P A R KS,L E ES,e t a l.D r i v e rd r o w s i n e s sd e t e c t i o nu s i n g c o n d i t i o n-a d a p t i v e r e p r e s e n t a t i o n l e a r n i n g f r a m e w o r k[J].I E E ET r a n s a c t i o n s o n I n t e l l i g e n tT r a n s p o r t a t i o nS y s t e m s.2019,20(11):4206-4218.D r i v e rF a t i g u eD e t e c t i o n M e t h o dB a s e d o n F a c i a lM u l t i -f e a t u r eC r o s s -l a ye rF u s i o nN e t w o r k X U W e n q i ,HU Y a o c o n g*(S c h o o l o fE l e c t r i c a l E n g i n e e r i n g ,A n h u i P o l y t e c h n i cU n i v e r s i t y,W u h u241000,C h i n a )A b s t r a c t :T h i s p a p e r p r o p o s e d a d r i v e r f a t i g u e d e t e c t i o n a l g o r i t h mb a s e do n f a c i a lm u l t i -f e a t u r e f u s i o n .I t c a n l e a r n f e a t u r e s f r o mt h e o v e r a l l f a c i a l f a t ig u e s t a t e .Th e c u r r e n t d ri v e r f a t i g u e d e t e c t i o nh e a v i l y re l i e d o n e x t r a c t i n g l o c a l d r o w s i n e s s r e l a t e d i nf o r m a t i o n ,r e s u l t i ng i n i n s u f f i c i e n t d e t e c t i o n a c c u r a c y.H o w e v e r ,t h em e t h o d c a na c h i e v em o r e a c c u r a t e d r i v e r f a t i g u e s t a t e d e t e c t i o n .T h e p r o p o s e dd r i v e r f a c e f a t i g u e d e -t e c t i o na l g o r i t h mc o n s i s t s o f t h r e e s t e p s .F i r s t l y ,MT C N Nn e t w o r kw a su s e d t od e t e c t f a c i a l k e yp o i n t s a n de x t r a c t f a c i a l ,e y e ,a n d m o u t h i m a g e r e g i o n s ;S e c o n d l y ,a f a c i a lm u l t i f e a t u r e c r o s s l a y e r f u s i o nn e t -w o r kw a s d e s i g n e d t o a c h i e v e i n f o r m a t i o n e x c h a n g e a n d f a t i g u e r e l a t e d -f e a t u r e e x t r a c t i o nb e t w e e n d i f f e r -e n tf a c i a l r eg i o n s ,a n dth e nr e c o g ni z e df a c i a l f a t i g u er e l a t e da t t r i b u t e s i ns i n g l ef r a m e i m a g e st h r o u gh m u l t i -l a b e l c l a s s i f i c a t i o n ;F i n a l l y ,L S T M w a su s e dt o m o d e l t h e l o n g t i m es e r i e sa n da c h i e v e dt h e f i n a l d e t e c t i o no f d r i v e r f a t i g u e s t a t u s .T h e p r o p o s e dd r i v e r f a t i g u e d e t e c t i o n a l g o r i t h m w a s t e s t e d o n t h eN T -HU -D D Dd a t a s e t ,a n d c o m p a r a t i v e e x p e r i m e n t s v e r i f i e d t h e f e a s i b i l i t y a n d e f f e c t i v e n e s s o f t h i sm e t h o d .K e y w o r d s :d r o w s i n e s s -r e l a t e d i n f o r m a t i o n ;c r o s s -l a y e r f e a t u r e i n t e r a c t i o n ;m u l t i -l a b e l c l a s s i f i c a t i o n ;l o n g -t i m e s e qu e n c e (上接第63页)I m p r o v e m e n t o f S L A M A l go r i t h mf o rP o i n t a n dL i n eV i s i o n B a s e d o nG r a d i e n tD e n s i t yL IM i n g h a o 1,2,C H E N M e n g y u a n 1,2*,G O N GP e n g h a o 1,2,L O N G H a i ya n 3(1.S c h o o l o fE l e c t r i c a l E n g i n e e r i n g ,A n h u i P o l y t e c h n i cU n i v e r s i t y,W u h u241000,C h i n a ;2.K e y L a b o r a t o r y o fA d v a n c e dP e r c e p t i o na n d I n t e l l i g e n tC o n t r o l o fH i g h -e n dE q u i p m e n t ,A n h u i P o l y t e c h n i cU n i v e r s i t y,W u h u241000,C h i n a ;3.S c h o o l o fE l e c t r i c a l a n dE l e c t r o n i cE n g i n e e r i n g ,A n h u i I n s t i t u t e o f I n f o r m a t i o nT e c h n o l o g y,W u h u241000,C h i n a )A b s t r a c t :A i m i n g a t t h e p r o b l e m st h a t t h ev i s u a l s y n c h r o n o u s l o c a l i z a t i o na n d m a p b u i l d i n g (S L AM )m e t h o d i s l i k e l y t o c a u s e i m a g eb l u r i n t h e r a pi d c a m e r am o v e m e n t ,a n d t h a t t h e e x t r a c t i o no f c e n t e r l i n e f e a t u r e s i nd e n s es c e n e s i s l i k e l y t oc a u s e i n f o r m a t i o nr e d u n d a n c y ,a ni m p r o v e d p o i n ta n dl i n ev i s u a l S L AMa l g o r i t h mi n t e g r a t i n g g r a d i e n t d e n s i t y i s p r o p o s e d .T h e a l go r i t h mf i r s t u s e s t h e n u m b e r o f f e a t u r e p o i n t sb e t w e e n t h e f r o n t a n db a c k i m a g e f r a m e s t o f i l t e r t h e b l u r r e d i m a ge ,a n d t h e nu s e sG a u s s i a nb l u r t oo p t i m i z e t h e p r o c e s s i n g t o o b t a i nb e t t e rm a t c h i n g i m a ge f r a m e s .T h e n ,t h e p o i n t f e a t u r e i n f o r m a t i o n i s u s e d t o j u d g ew h e t h e r t h e l i n e f e a t u r e i s i n t r o d u c e d ,a n d t h e i m a g e p i x e l d e n s i t y g r a d i e n t i s i n t r o d u c e d t o o p t i m i z e t h eL S D (l i n e s e g m e n t d e t e c t i o n )l i n e f e a t u r e f r o m m u l t i -d i m e n s i o n s ,a n d t h e s t a b l e l i n e f e a t u r e i s e x t r a c t e d t o i m p r o v e t h e s u b s e q u e n tm a t c h i n gq u a l i t y .F i n a l l y,t h e e r r o r f u n c t i o n i s c o n s t r u c t e db a s e d o n t h e p o i n t a n d l i n e c h a r a c t e r i s t i c e r r o r t om i n i m i z e t h e p r o j e c t i o ne r r o r a n d i m p r o v e t h e p o s e e s t i m a -t i o na c c u r a c y .T h e a l g o r i t h mi s t e s t e d i nT UMd a t a s e t ,a n d t h e e x p e r i m e n t a l r e s u l t s s h o wt h a t t h e a l g o -r i t h mc a ne f f e c t i v e l y i m p r o v et h er o b u s t n e s so f f e a t u r ee x t r a c t i o n ,t h e r e b y i m p r o v i n g t h ea c c u r a c y of c a m e r a p o s e e s t i m a t i o na n dm a p p i n g.K e y w o r d s :s y n c h r o n o u s p o s i t i o n i n g a n dm a p p i n g ;g r a d i e n t i n f o r m a t i o n ;l i n e f e a t u r e e x t r a c t i o n ;p o i n t a n d l i n e f u s i o n ;i n f o r m a t i o ne n t r o p y㊃17㊃第6期徐文奇,等:基于面部多特征跨层融合网络的驾驶员疲劳检测方法。

动态驾驶环境所致人体肌肉疲劳的生物信号实验研究_张鄂

第17卷第4期2010年8月工程设计学报Journal of Engineering DesignVol .17No .4Aug .2010收稿日期:2009-10-12.基金项目:国家自然科学基金资助项目(50675170).作者简介:张鄂(1948—),男,陕西安康人,副教授,从事现代设计理论与方法研究,E -mail :e .zhang @mail .x jtu .edu .cn .DOI :10.3785/j .issn .1006-754X .2010.04.002动态驾驶环境所致人体肌肉疲劳的生物信号实验研究张鄂1,2,毕朝瑞1,王冠华1,李岳3,张俊峰4(1.西安交通大学机械工程学院,陕西西安710049;2.西安外事学院汽车工程学院,陕西西安710077;3.清华大学生物医学工程系,北京100084;4.西安体育学院实验中心,陕西西安710078)摘　要:为了评价不同的振动驾驶环境对人体舒适性的影响,通过模拟动态驾驶环境实验,采集了人体在不同振动强度下的表面肌电信号(SEM G ).对其进行时域分析求得了积分肌电值(IEM G ),应用频域分析对其进行特征值提取,得到了局部肌电幅度的中值频率(M F )与振动加速度、振动时间的关系,以及人体肱二头肌、竖脊肌、股二头肌的局部肌电与振动参数间的关系.实验中,借助近红外光谱技术(NI RS )观测与分析了肱二头肌、股二头肌和竖脊肌在不同振动环境下的肌氧含量变化特点,同时监测了脑氧含量的变化趋势,并对各振动环境下的人体舒适性及疲劳进行了主观评价实验.实验研究表明,振动驾驶环境直接影响人体的肌肉疲劳过程和人体的肌氧含量、脑氧含量,不同的振动环境会对人体肌肉疲劳及舒适性产生不同的影响.研究结果可为动态环境机械系统的人-车界面设计及操作舒适度的评定提供客观、有效的技术参考.关键词:动态驾驶环境;肌肉疲劳;表面肌电信号;近红外光谱技术;肌氧含量中图分类号:TB 18;R 741.044 文献标志码:A 文章编号:1006-754X (2010)04-0246-07Experimental research on biological signal of muscle fatigueunder dynamic driving environmentZHA NG E 1,2,BI Chao -rui 1,WANG Guan -hua 1,LI Yue 3,ZHANG Jun -feng 4(1.Scho ol of M echanical Eng ineering ,Xi an Jiaoto ng U niver sity ,Xi an 710049,China ;2.Schoo l of A utomo bile Engineering ,Xi an Internatio nal U nive rsity ,Xi an 710077,China ;3.Depar tme nt o f Bio medical Eng ineering ,T sing hua U nive rsity ,Beijing 100084,China ;4.Experimental Center ,Xi an Physical Educa tion U niver sity ,Xi an 710078,China )A bstract :To evaluate human com fo rt under different dy namic driving environm ent ,the IEMG and frequency -dom ain eigenv alues of SEMG signal under different accelerations w ere calculated in thesimulated dynamic driving environment .Based on experimental datum ,the change curves be -tw een the partial M F indexes and the acceleration ,the time w ere plotted ,including the biceps brachii ,erecto r spinae and biceps femo ris .Besides ,the characteristic of muscle oxy gen content and brain o xy gen variatio n w ere reco rded by NIRS .M eanw hile subjective ev aluatio ns of human bo dy com fo rt and fatig ue in different dy namic driving environment w ere given respectively .The e xperimental results show that different dy namic driving environm ent has direct influence on hu -m an muscle oxy gen content and brain ox ygen ,further influence on human body co mfort and fa -tigue .Hence the results provide im perso nal and efficient references for evaluating the operation com fo rt and design of human -vehicle interface under dynam ic driving environment .Key words :dynamic driving environment ;muscle fatig ue ;surface electro myo graphy (S EM G );near infrared spectro sco py (NIRS );muscle oxy gen content 自1886年世界上第1辆汽车问世至今的120多年间,惊人的汽车发展速度写下了人类近代文明的重要篇章.当今,汽车不仅成为人类应用最广的现代化交通工具,而且促进了人们生活空间的延伸.如果汽车人机界面设计得不合理,不仅影响汽车驾驶员的乘驾舒适性和工作效率,而且还会导致驾驶员的身体疾病,严重的甚至会引起交通事故.因此,汽车人车界面设计方法的研究已成为国内外人机工程学研究的一个重要课题[1].关于汽车人车界面的研究国际上已进行了较多的工作[2-6],但从生物力学机理方面的研究还不深入.由于目前我国的轿车车型主要以国外引进为主,现有的人车界面设计只是参照传统人机工程学中的一些经验数据和通用规则,没有从生物力学的理论机理上形成指导汽车人机界面设计的方法,更缺乏动态驾驶环境汽车振动对人体肌肉疲劳影响的考虑以及对个性化人体差异的考虑.而汽车驾驶中的人体生物力学特性又是导致驾驶疲劳、影响乘驾舒适性和人机工效的主要原因,因此研究动态驾驶环境下人体生物力学特性就显得尤为重要.本文针对动态驾驶环境汽车振动所致人体局部肌肉疲劳及其对乘驾舒适性的影响问题,通过模拟动态驾驶环境实验,运用表面肌电测试系统监测不同振动环境下人体保持驾驶姿势时受力集中部位肌肉的表面肌电信号及变化,同时应用近红外光谱技术来监测人体肌氧含量变化以及肌肉疲劳变化的特点,并结合人体的主观评价来研究动态驾驶环境对人体乘驾舒适性的影响,以期为汽车人机界面的优化设计提供科学依据.1　实验条件及方法1.1　实验条件模拟动态驾驶环境的人体振动实验是在美国UD 公司生产的SA30-S802/S T 振动台上(图1(a ))进行.实验中采用的人体生物信号监测仪器主要有:芬兰Mega 公司生产的M E6000-T16表面肌电测试系统(图1(b ))和清华大学研制的TSAH -100近红外组织血氧参数无损监测仪(图1(c ))等.其中,M E6000-T16表面肌电测试系统主要由M E6000-T16表面肌电测试仪、心电监护电极以及M eg aWin2.4软件系统组成,通过该系统可对受试者的肌电信号进行实时的采集、存储和分析.鉴于本文主要研究动态驾驶环境汽车振动对人体肌肉疲劳的影响,因此对人体监测部位特别选择坐姿状态下人体保持驾驶位姿时受力集中的部位,即人体上臂部的肱二头肌、大腿后部的股二头肌和腰部的竖脊肌(图1(d )),它们也是汽车驾驶舱人-机操控界面和人-机接触界面中驾驶员工作时全身十分重要的3块骨骼肌.图1　实验设备和测试部位Fig .1　Ex pe rimental devices and testing po sitio n 由人机工程学可知[7],机械振动对人体的影响主要取决于振动强度,其次是振动频率和振动时间.而振动强度一般是用加速度有效值来计量的,故参照ISO2631[8]将振动实验的加速度取为如下5种,即0.03g ,0.06g ,0.1g ,0.15g 和0.2g .基于汽车振动一般是80H z 以下的低频振动[9],研究表明人体在低频状态容易产生共振,如在4～8H z ,10～12H z 时最容易与人体内脏器官产生共振,这种现象将影响人体的肌肉系统、呼吸系统、血液循环系统、植物神经系统和感官系统等[10],直接导致人体不舒适,为此本实验的激振频率选择为0～30H z .1.2　实验对象受试者为20名西安交通大学本科生及研究生,其中男性16名,女性4名,平均年龄为25.42岁,平均身高为170.3cm ,平均体重为61.8kg .全体受试者为身体健康,无骨骼、肌肉疾病的成年人.1.3　实验过程本实验主要模拟驾驶舱环境人体坐姿体位下的振动条件,整个体位操作任务在模拟振动环境SA30-S802/ST 振动台上进行.实验开始时,首先在·247·　第4期张鄂,等:动态驾驶环境所致人体肌肉疲劳的生物信号实验研究振动台上搭建座椅并固定,通过M eg aWin软件设定好人体测量部位;接着为受测者的测试部位贴附监护电极,受测者在振动台上模拟坐姿状态时的实际驾驶姿势;然后振动台按预定的振动环境施加振动激励,通过M E6000-T16表面肌电测试仪采集和记录各测试部位的表面肌电信号.实验时,共进行了上述5种强度的振动实验.激振频率选为5～30H z,采用扫频振动.每一加速度下激振20min,每5min完成1次扫频(5～30Hz),同时进行肌电信号采集,即每5min采集1次,包括初始值在内的5个时间点值(0,5,10,15,20min),由于时间点与频率的对应关系,则可了解振动频率由低向高变化过程中的肌电变化情况,整个实验共100min.为配合对振动环境下人体肌肉疲劳过程的肌电分析,实验中还进行了各振动环境下人体主观感受实验,即记录不同振动环境下人体疲劳的直观反应,以便与肌电信号的分析结果进行对比研究.实验中参考ISO2631-1:1997(E)标准,共进行5个等级的主观评价,其评分值见表1.表1　主观评价等级及分值T able1　T he g rade and sco re of subjective evalua tion人的主观感觉评分值主观描述没有不舒适1～2身体、心理舒适,无疲劳感觉有些不舒适3～4懒散,注意力不集中,有轻度劳累感不舒适5～6烦躁,头痛,腰背部僵硬很不舒适7～8困倦,腰背部有轻微酸痛感极不舒适9～10恶心,精神恍惚,腰肌痛实验中,同时进行了5种振动强度下的人体肌氧监测实验和脑氧监测实验.肌氧监测实验主要是用TSAH-100监测仪采集信号,分别对上述3块骨骼肌进行肌氧检测,同时记录受试者的主观感觉并进行主观评价.脑氧监测实验是采用随机振动,受试时间为100min.2　实验结果与数据分析2.1　人体表面肌电信号分析表面肌电信号(S EM G)是从皮肤表面通过电极引导、放大、显示和记录下来的神经肌肉系统活动时的一种生物电信号(其幅度为100～5000μV).表面肌电信号技术是一种实用的定量地测定人体肌肉内负荷、评估肌肉应激状态和预测肌肉劳损的技术手段[11].由于SEMG技术能克服主观心理评定中存在的问题,定量分析工作负荷和肌肉功能状态以及指标与主观疲劳感之间存在着较高关联性[12-13],因此其在运动医学、康复医学、功效学和运动生物力学等领域得到了广泛的应用[14].本实验完成后,通过M egaWin2.4软件对20名受试者各振动过程的SEMG信号进行时域分析和频域分析.时域分析主要计算被采集的肌肉组织肌电信号的积分肌电值(IEMG),该IEM G值是取20名受试者IEMG值的平均值.频域分析时,将记录的表面肌电图原始波形进行快速傅里叶变换(FFT),并进行数据平均化处理,主要采用中值频率(M F)来反映肌肉的疲劳过程变化.2.1.1　SEM G样本的时域分析通过时域分析得到的各加速度下肌电信号的积分肌电值(IEMG)见表2,该IEMG值为20名受试者IEMG值的平均值.表2　各加速度下肌电信号的积分肌电值(IEMG)T able2　I EM G of the sEM G signals at different accelera-tio ns加速度aIEM G/μV s肱二头肌竖脊肌股二头肌00.23±0.010.45±0.010.18±0.010.03g0.31±0.020.61±0.020.43±0.020.06g0.70±0.171.10±0.040.72±0.040.10g1.37±0.181.33±0.252.75±0.340.15g4.66±0.914.27±0.532.42±0.380.20g8.61±1.639.87±1.944.79±0.58由表2可见,随着振动加速度的增大,整体肌肉表面肌电的IEMG亦随之增大,它显示肌肉活动愈加剧烈,使人的疲劳度不断增强.由表2还可看出,在同一振动加速度下,各局部肌肉肌电图的IEM G 变化值也各不相同,它表明各块肌肉对振动加速度的疲劳敏感度各有差异.2.1.2　SEM G样本的频域分析1)不同振动强度下整体肌肉中值频率(M F)变化趋势.在不同振动加速度下实验采集的20名受试者的各块肌肉的表面肌电信号(SEMG),运用频谱分析所得到的M F变化数据进行平均处理后,其变化如图2所示.为了便于比较M F在各振动加速度下的变化规律,对不同加速度下随时间变化的M F值进行了一元线性回归分析(见图2).·248·工　程　设　计　学　报第17卷图2　不同振动强度下整体肌肉MF 的走势Fig .2　M F chang e cur ves of the who le muscle S EM G sig nals a t diffe rent accele ratio ns 由图2可见,随着振动加速度的增大,各块肌肉MF 变化幅度明显增大.在10,20min 即低频处各肌肉M F 值达到最低,表明低频更容易使各肌肉疲劳.而在5,10min 时的高频处,各肌肉MF 出现峰值,表明在这段时间内,肌肉发生了疲劳恢复,且恢复程度大大高于时间累积引起的疲劳.这与文献[15-16]对肌肉疲劳所得的研究结果相符,即肌肉发生疲劳时,M F 值低,而肌肉疲劳恢复时,M F 值高.2)不同振动强度下局部肌肉中值频率(M F )的变化分析.通过频域分析得到的不同振动加速度下各局部肌肉MF 的变化趋势如图3所示.由图3可见,随着振动加速度的增大,各局部肌肉MF 均降低,即肌肉疲劳程度加剧.图3　不同振动强度下各局部肌肉MF 变化情况Fig .3　M F chang e cur ves of the pa rtial muscle S EM G sig nals a t diffe rent accele ratio ns 3)局部肌肉中值频率(M F )与振动加速度、振动时间的关系.图4为各局部肌肉M F 与振动加速度、振动时间的关系图.由图4可以看出,随着振动加速度的增大,各肌肉中值频率M F 震荡趋势加剧,且振动加速度愈大,M F 值愈低,即表明肌肉的疲劳程度随之加深.其中,肱二头肌在低频段(即10min 和20m in处)加速度为0.10g 和0.15g 时,疲劳现象明显;而竖脊肌在加速度为0.03g 和0.1g 时,疲劳现象已相当明显.与上述2块肌肉不同,股二头肌在加速度为0.03g 时,M F 值始终维持在较高值,且变化缓慢,随着加速度的增大,M F 值下降,开始出现疲劳现象,表明股二头肌的疲劳恢复能力要明显低于前2块肌肉.图4　各局部肌肉MF 与振动强度、振动时间的关系F ig .4　M F three -dimensional figures of the par tial muscle SEMG sig na ls at different time and acceler atio ns·249·　第4期张鄂,等:动态驾驶环境所致人体肌肉疲劳的生物信号实验研究2.1.3　振动环境下人体主观感受的评价及分析在进行SEM G 监测实验中,针对各振动环境,还进行了受试者的主观感受评价实验.表3为各振动环境下的主观感觉记录表.由于在激振加速度为0.03g 时,振动强度较小,受试者基本无不舒适感,故表3只列出了振动强度从0.06g 到0.20g 时的人体主观感受评价.表3　主观感觉记录表T able 3　Descriptive table of human subjective sensa tion激振加速度振动时间/min51015200.06g 腿部有麻木感麻木感持续,轻微头晕臀部有麻木感腿部麻木感持续0.10g 腿部有麻木感麻木感持续,胸闷,恶心腿部麻木感持续,胳膊酸痛腿部麻木感,头痛,呼吸困难0.15g 全身共振感强烈,腿部麻木胃部不适,有轻度恶心感胳膊酸痛,全身麻木感持续头晕,较强疲倦感,恶心感持续0.20g上躯干振动强烈,恶心胸部疼痛,胃部不适,恶心有耳鸣现象,胸闷,上臂发热身体疲倦感增强,头晕,恶心由表3可见,振动环境的主要因素即振动强度(加速度)及受振时间均会对人体舒适性及肌肉疲劳产生影响:1)随着振动加速度的增大,人体的不适感增强,当加速度增至0.20g 时,受试者普遍出现较为强烈的全身疲倦、出汗和持续的头晕和恶心感,个别受试者甚至出现短时视线模糊等现象;2)当振动时间在5～10min 加速度为0.15g 和0.20g 时,受试者胃部出现不适,并有恶心的症状,此时振动频率f =8～12H z ,它对应坐姿人体振动系统的第2共振峰[7],导致腹部共振产生,使人体出现不适现象;3)随着受振时间的增加,人体不舒适感逐渐增强,受试者普遍出现腿部肌肉酸痛、胸部振动幅度增大、胸闷恶心等现象.2.2　人体肌氧含量与脑氧含量的监测分析众所周知,氧是维系人生命及运动的重要物质.人体肌肉中有一定的氧含量,通常人体氧摄取与氧消耗基本保持平衡状态,若一旦进入特定水平的运动状态,肌肉中氧的消耗率增加,并释放能量,使肌肉中氧含量的百分比维持在一个较低的水平.因而,监测肌肉组织的缺氧程度对判断肌肉疲劳具有重要价值[17].随着计算机、电子和光学技术的飞速发展,近红外光谱技术(NIRS )已成为人体肌氧含量测定十分有用的手段[18],通过监测、分析肌氧含量变化可以评价肌肉疲劳及人体的舒适性.2.2.1　肌氧含量监测实验结果在5种振动强度下,肱二头肌、股二头肌和竖脊肌的肌氧变化曲线如图5所示.由图5(a )可以看出,当振动强度为0.03g 时,随着振动频率的升高,被测3块肌肉中,大腿部股二头肌的肌氧呈下降趋势,而上臂部肱二头肌和腰部图5　各振动强度下肱二头肌、股二头肌和竖脊肌的肌氧变化曲线Fig .5　M uscle ox ygen content change curves of biceps brachii ,biceps femo ris and erecto r spinae in different vibration conditions·250·工　程　设　计　学　报第17卷竖脊肌的肌氧随着振动频率的升高略有增加.当振动强度增大到0.06g 时,由图5(b )可见:上臂部肱二头肌的肌氧随着振动频率的升高仍呈上升趋势,但升幅较0.03g 时减缓;而腰部竖脊肌的肌氧随着振动频率的升高呈下降趋势,但变化量也较小;大腿部股二头肌的肌氧变化甚微.由图5(c )可见:当振动强度增大为0.10g 时,上臂部肱二头肌和大腿部股二头肌的肌氧随着振动频率的升高,均出现下降趋势;而腰部竖脊肌的肌氧随着振动频率的升高略微呈上升.由图5(d )可见:当振动强度增大到0.15g 时,随着振动频率的升高,上臂部肱二头肌和大腿部股二头肌的肌氧仍呈下降趋势,且下降量较0.10g 时更为强烈;此时腰部竖脊肌的肌氧停止了上升,呈一稳定状态.由图5(e )可见,当振动强度增大至0.20g 时,随着振动频率的升高,上臂部肱二头肌和大腿部股二头肌的肌氧下降幅度较0.15g 时又有明显增大,尤其是股二头肌变化最为明显.由图5监测结果可以看出:在同一振动强度下,3块骨骼肌的肌氧变化情况是不同的(其中肱二头肌的变化更为显著);同一振动频率下,3块骨骼肌的肌氧变化情况也是各异的,其中肱二头肌和股二头肌的疲劳强度变化非常明显.这表明振动环境(振动强度、振动频率)均会对人体骨骼肌的肌氧产生影响,因而对人体的肌肉疲劳产生一定影响.2.2.2　脑氧含量监测实验结果脑力活动是人体最基本的活动之一,在一定的条件下也会产生疲劳,人脑疲劳将会导致人体活动能力下降.在人体运动状态下,人脑的氧含量与静止条件下也会有所不同,但人脑的氧摄取与氧消耗也不同于一般的骨骼肌,这是由于人脑的活动还要受到中枢神经系统的支配.图6　脑氧含量的变化曲线Fig .6　Chang e curve of brain o xy gen content图6为被测脑氧与人体受振动时间的关系曲线.由图6可见,在100min 的振动实验过程中,脑氧含量存在着明显的变化,且在某些时刻的脑氧值有较强的波动.初步分析认为,其波动原因可能与中枢神经系统活动以及人体的自身调节功能有关.由图6还可看出,随着受振时间的推移,脑氧含量呈现下降趋势,表明人体脑部对氧的消耗逐渐增大,大约在90min 时,脑氧值出现了最低点.图7为实验的受试者主观评分曲线(评分标准见表1).由图7可见,随着受振时间的增长,人体的不舒适感增强,主观评分值逐渐升高.经与脑氧含量监测结果对比发现,随着脑氧含量的下降,受试者会出现头晕、困乏、打哈欠等现象,证明脑氧含量的下降与人体出现的这些不舒适现象有着紧密的关系.图7　脑氧监测实验的主观评分曲线F ig .7　Subjective ev aluatio n chang e curv es ofbrain ox yg en co ntent ex periment3　结论1)综合SEMG 信号的时域与频域分析可知,振动驾驶环境会直接影响人体肌肉疲劳过程,不同的振动强度(即加速度)及激振频率均会对人体肌肉疲劳及乘驾舒适性产生不同影响.2)通过对振动环境下的人体肱二头肌、竖脊肌、股二头肌的SEMG 分析并结合振动环境下的人体主观感受表明,运用SEM G 信号的时域、频域分析来评价振动环境下驾驶员的肌肉疲劳状态及其乘驾舒适性是可行的,其研究结果可为动态环境的人-车界面设计的舒适度评价提供重要技术参考.3)振动环境将直接影响人体骨骼肌的肌氧含量,而肌氧含量与肌肉疲劳有着密切关系.随着振动强度和振动频率的增大,人体肱二头肌、股二头肌以及竖脊肌的肌氧均出现明显降低,但降低程度各有所不同.4)振动环境也会影响人体的脑氧含量,一定的振动环境会使人体的脑氧降低,进而引起脑疲劳.5)振动环境下的人体主观评价实验表明,不同·251·　第4期张鄂,等:动态驾驶环境所致人体肌肉疲劳的生物信号实验研究的振动环境会对人体舒适性及疲劳产生不同的影响.参考文献:[1]张鄂,洪军,梁建,等.机械系统人机界面生物力学特性测定研究[J].机械设计,2005,22(专辑):188-190.ZH A NG E,H ON G Jun,LIA N G Jian,et al.Biody nam-ic pro per ties mea suring of human machine inter face fo rM echanical sy stem[J].Jo urna l of M achine De sig n,2005,22(Special):188-190.[2]T O BIA S P.A finite eleme nt model for predicting the bi-omechanical behaviour of the human lumbar spine[J].Contro l Engineering P ractice,2002,10:83-90.[3]A CO BO N L D,RICH A RDS L G.M odels of human r e-ac tion to vehicle environments[J].A pplied Ergo no mics,1978,9(2):169-172.[4]M IK E K.A utomo bile seat co mfor t:occupant prefer-ences v s.a nthro po metric accommodatio n[J].A pplied Erg onomics,2003,34(2):177-184.[5]CA ST IL LO V D,RU ISSEA U J Y,CA RRIER R,et al.Vir tuaM an:a high precisio n,fully ar ticulated human model[C]//P roceedings of the13th T riennial Congr ess of the Inter national Ergnomics A ssocion.T empe re,Finland,1997:28-30.[6]M EH A T A C R,T EW A N V K.Seating discomfo rt fo rtracto r opera to rs:a critical review[J].I nter national Jo urnal o f Industrial Erg onomic,2000,25:661-674. [7]丁玉兰.人机工程学(3版)[M].北京:北京理工大学出版社,2005:198-201.DIN G Yu-lan.Er go no mics(3th ed)[M].Beijing:Bei-jing Institute o f T echno log y Press,2005:198-201. [8]Internatio nal Org anization fo r Standardization.ISO2631-1:1997Mechanical vibration and shock-evaluation of human exposure to who le-body vibration—Par t1:General require-ments[S].北京:国家标准化管理委员会,2005:2-14. [9]余志生.汽车理论(2版)[M].北京:机械工业出版社,2000:23-47.Y U Zhi-sheng.Automo tive theo ry(2th ed)[M].Bei-jing:China M achine P ress,2000:23-47.[10]潘立.基于人椅系统三向振动的汽车平顺性建模与仿真[D].杭州:浙江工业大学汽车工程学院,2004:23-36.P A N Li.Dy namic mo deling and simulatio n o f vehicleride comfo rt based o n triaxial vibratio ns of person-chairsystem[D].H ang zhou:Zhejiang U niver sity of T ech-no log y,Scho ol o f A utomo bile Eng ineering,2004:23-36.[11]L UT TM AN N A,JGGER M,LA URIG W.Electromyo-graphy induction of muscular fatigue in occupational fieldstudies[J].Int J Ind Erg on,2000,25(6):645-660. [12]DEDERIN G U,N M ET H G,HA RM S R K.Co rr ela-tio n betw een electromy og raphic spectra l chang es a ndsubjective assessment o f lumbar muscle fatig ue in sub-jects w ithout pain fro m the low er back[J].Clinical Bio-mechanics,1999,14(2):103-111.[13]DEDERIN G U,ODDSSO N L,H A RM S R K,et al.Electr omyo g raphy and rating s o f lumba r muscle fatigueusing a four level staircase pro tocol[J].Clinical Biome-chanics,2002,17(3):171-176.[14]皮喜田,陈峰,彭承琳,等.利用表面肌电信号评价肌肉疲劳的方法[J].生物医学工程杂志,2006,23(1):225-229.PI Xi-tian,C HEN F eng,PEN G Cheng-lin,et al.M ethods applied to muscle fatig ue assessment usingsur face my oelectric signals[J].Journal of Bio medicalEng inee ring,2006,23(1):225-229.[15]M A SU DA K,M AS UDA T,SA DO YA M A T,et al.Cha ng es in surface EM G par ameters during sta tic a nddy namic fatig uing contractions[J].Journal of Elect ro-myog r aphy and Kinesio lo gy,1999,9(1):39-46. [16]M A RKK U K,T AIM ELA S,W EBBER CL,et al.L umbar paraspinal muscle fa tigability in repetitiv eisoine rtial lo ading:EM G spectral indices,Bor g scaleand endurance time[J].Eur J A ppl Phy sio l,1997,76(3):236-242.[17]滕轶超,丁海曙,田丰华,等.用近红外光谱检测人体组织氧含量[J].清华大学学报,2004,44(6):847-851.T ENG Yi-chao,DI NG Hai-shu,T IA N F eng-hua,et al.M ea suring huma n tissue o xy genatio n w ith nearinfrar ed spect roscopy[J].Jo urna l o f T sing hua Univ er-sity,2004,44(6):847-851.[18]李秀荣,王景贵,张立.运动中肌肉氧含量下降与肌肉疲劳的关系[J].武汉体育学院学报,2004,38(2):63-68.L I Xiu-ro ng,W A NG Jing-g ui,Z H AN G Li.T he r ela-tionship of muscle ox yg en decrease and its fatig ue dur-ing ex ercising[J].Jour nal o f Wuhan Institute o f P hy si-cal Educatio n,2004,38(2):63-68.·252·工　程　设　计　学　报第17卷。

低频重复神经电刺激疲劳试验对重症肌无力患者的诊断作用

低频重复神经电刺激疲劳试验对重症肌无力患者的诊断作用逄紫千;王可人;叶玉琴;张欣;刘明军;黄庆道【期刊名称】《吉林大学学报（医学版）》【年(卷),期】2015(041)003【摘要】目的:对重症肌无力(MG)患者行低频重复神经电刺激(RNS)检测中的疲劳试验,阐明疲劳试验对MG患者的诊断价值.方法:收集30例MG患者,对面神经进行静息状态低频RNS检测,并进行疲劳试验,分别疲劳1和2 min,在疲劳结束后的即刻、休息1 min及2 min再进行RNS检测.分析静息及疲劳后不同时间点RNS 中复合肌肉动作电位(CMAP)波幅递减百分率的差异.结果:低频RNS疲劳试验各时间点CMAP波幅递减幅度均较静息状态递减幅度明显,30例患者中以疲劳2 min 后休息1 min RNS递减幅度最明显.30例患者中12例患者RNS静息状态下CMAP波幅未见明显递减现象,而疲劳后CMAP波幅递减明显.结论:低频RNS疲劳试验可明显提高MG患者的诊断率,尤其对于静息状态下RNS检测正常的MG患者有效.检测时以疲劳2 min后休息1 min效果最明显.【总页数】4页(P652-655)【作者】逄紫千;王可人;叶玉琴;张欣;刘明军;黄庆道【作者单位】长春中医药大学针灸推拿学院实验教学中心,吉林长春130117;吉林大学中日联谊医院乳腺外科,吉林长春130033;吉林大学第一医院神经内科,吉林长春130021;长春中医药大学针灸推拿学院实验教学中心,吉林长春130117;长春中医药大学针灸推拿学院实验教学中心,吉林长春130117;吉林大学数学学院应用数学系,吉林长春130012【正文语种】中文【中图分类】R746.1【相关文献】1.17例重症肌无力患者的重复神经电刺激检查结果分析 [J], 毛晓川;张昆林2.儿童重症肌无力56例重复神经电刺激检测分析 [J], 张璘;宋银俏;孔林河;郭丹丹;薛莹洁;胡勇军3.重症肌无力患者低频重复神经电刺激的特点 [J], 井峰;黄旭升;陈朝晖;凌丽4.50例重症肌无力患者近端神经低频重复电刺激的比较 [J], 刘银红5.重复神经电刺激在重症肌无力中的临床应用研究 [J], 李雪斌;黄瑞雅;韦世革;班亮阶因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

［6 － 10 ］
，他通过检测和分析肌氧含量变化来评价肌
肉疲劳及人体舒适性。本文通过模拟动态驾驶环境实验，利用近红外光谱技术来探讨肌氧含量变化和肌肉疲劳变化的特点，研究不同动态振动环境 ( 振动频率、振动强度 ) 对肌肉疲劳及其肌氧含量变动的影响以及局部肌肉疲劳与其肌氧含量变动之间的关系，并结合人体的主观评价来研究动态驾驶环境对人体乘坐舒适性的影响。
1
肌氧含量及 NIRS 技术
吸入人体的氧气通过肺泡进入血液，一部分直接溶解，
产的 SA30 － S802 / ST 振动台上 ( 见图 1 ) 进行。人体肌氧和
收稿日期: 2012 － 03 － 04 基金项目: 国家自然科学基金资助项目( 50675170 ) 作者简介: 张鄂( 1948 —) ，男，教授，主要从事现代设计理论与方法，机械设计以及人机工效学研究。
帆
4
( 1．西安交通大学机械工程学院，西安 710049 ; 2．西安外事学院工学院，西安 710077 ; 3．清华大学生物医学工程系，北京 100084 ; 4．西安建筑科技大学信息与控制工程学院，西安 710055 ) 摘要: 为研究动态驾驶环境下肌肉疲劳与人体肌氧含量变化间的关系，探讨了肌氧含量变化作为人体肌肉疲劳衡量指标的可能性。借助近红外光谱技术( NIRS) 观测并分析了肱二头肌、股二头肌和竖脊肌在不同动态驾驶环境下肌氧含量变化的特点，同时监测并分析了脑氧含量的变化趋势，并对各动态驾驶环境下的人体舒适性及疲劳进行了主观评价实验。结果表明: 不同的动态驾驶环境直接影响人体的肌氧含量和脑氧含量，利用近红外光谱技术( NIRS ) 能够探测人体肌肉的疲劳，人体肌氧含量的变化可作为衡量肌肉疲劳的重要参考依据。关键词: 动态驾驶环境; 肌氧含量; 肌肉疲劳; 近红外光谱技术中图分类号: TB18 ; G804． 22 文献标识码: A 文章编号: 1006 － 0707 ( 2012 ) 11 － 0120 － 04 Hb ) 另一部分则与还原血红蛋白 ( deoxygenated hemoglobin， HbO2 ) 。直化合，生成氧合血红蛋白 ( oxygenated hemoglobin，接溶解在血液中的氧只占 2% ，其余的氧都要同 Hb 化合。 SaO2 ) 反映生物组织的氧合情血氧饱和度( oxygen saturation，况，定义为被测组织中氧合血红蛋白浓度与 2 种血红蛋白浓度之和的比值
2
2． 1
实验条件与方法
实验对象受试者为 20 名西安交通大学本科或研究生，其中男性
16 名女性 4 名，平均年龄 25． 42 岁，平均身高 170． 3 cm，平均体重 61． 8 kg。全体受试者为身体健康，无骨骼、肌肉疾病的成年人。 2． 2 测试仪器及振动实验台模拟动态驾驶环境的人体振动实验在美国 UD 公司生
121 张鄂，等: 基于 NIRS 的局部肌肉疲劳与脑疲劳及人体舒适性实验
脑氧检测仪器采用清华大学研制的 TSAH － 100 近红外组织血氧参数无损监测仪 ( 见图 2 ) 。仪器由主体、光探头等组成，可以对信号进行实时采集、存储和分析。肌氧检测部位选择人－机操控界面和人－机接触界面工作中较为相关的 3 块骨骼肌，即肱二头肌、股二头肌和竖将光探头放置在受试者肌肉纵向平面上，并脊肌。实验中，用弹力绷带较松地将探头绑缚在被测位置上，既要防止漏光和振动时光探头移动，又要避免造成局部缺血。 2． 3 实验方案为研究不同振动环境对人体肌肉疲劳的影响，振动共设 0． 06 g， 0． 10 g， 0． 15 g 和 0． 20 g。振置了 5 种强度: 0． 03 g，动实验的激振频率选为 2 30Hz，并采用扫频振动。 ① 肌氧监测实验: 在不同振动环境下用 TSAH － 100 监测仪采集信号，分别对上述 3 块骨骼肌进行肌氧检测，同时记录受试者的主观感觉并进行主观评价。 ② 脑氧监测实验: 采用随机振动，受试时间为 100 min。③ 人体主观评价实验: 实验中参考 ISO2631 － 1 : 1997 ( E ) 标准进行 5 个等级的主观评价，评分值见表 1 。表1 人主观感觉没有不舒适有些不舒适不舒适图1 SA30 － S802 / ST 振动台很不舒适极不舒适主观评价等级及分值主观描述身体、心理舒适，无疲劳感觉注意力不集中，轻度劳累感烦躁，头痛，腰背部僵硬困倦，腰背部有轻微酸痛感恶心，精神恍惚，腰肌痛
［1 － 3 ］
。人机系统中的驾驶员受到机械振动时，人体会有
，即［ HbO2］［ HbO2］ + ［ Hb ］ ( 1)
意识或无意识地抵抗这种振动，以减少振动对人体的影响。在这种抵抗振动的过程中，随着振动环境的变化或者增强，会消耗肌肉的能量。研究表明
由图 3 中( a) 可以看出: 当振动强度为 0． 03 g 时，随着振动频率的升高，被测 3 块肌肉中，大腿部股二头肌的肌氧呈下降趋势，而上臂部肱二头肌和腰部竖脊肌的肌氧随着振动频率的升高略有增加。当振动强度增大到 0． 06 g 时，由图 3 中( b) 可见: 上臂部肱二头肌的肌氧随着振动频率的升高仍呈上升趋势，但升幅较 0． 03 g 时减缓; 而腰部竖脊肌的肌氧此时随着振动频率的升高呈下降趋势，但变化量也较小; 大腿部股二头肌的肌氧变化甚微。由图 3 中 ( c ) 可见: 当振动强度增大为 0． 1 g 时，上臂部肱二头肌和大腿部股二头肌的肌氧随着振动频率的升高，均出现下降趋势; 而腰部竖脊肌的肌氧随着振动频率的升高略微呈上升。由图 3 中 ( d ) 可见: 当振动强度增大到 0． 15 g 时，随着振动频率的升高，上臂部肱二头肌和大腿部股二头肌的肌氧仍呈下降趋势，且下降量较 0． 1 g 时更为强烈; 此时腰部竖脊肌的肌氧停止了上升，呈一稳定状态。由图 3 中( e) 可见: 当振动强度增大至 0． 2 g 时，随着振动频率的升高，上臂部肱二头肌和大腿部股二头肌的肌氧下降幅度较 0． 15 g 时又有明显增大，尤其是股二头肌变化最为明显。 3 块骨骼由图 3 监测结果可以看出: 在同一振动强度下，肌的肌氧变化情况是不同的( 其中肱二头肌的变化更为显 3 块骨骼肌的肌氧变化情况也是著) ; 对比同一振动频率下，各异的。其中肱二头肌和股二头肌的疲劳强度变化非常明显。这表明振动环境( 振动强度、振动频率) 均会对人体骨骼肌的肌氧产生影响，从而对人体的肌肉疲劳产生一定影响。 3． 2 脑氧含量监测实验图 4 为被测脑氧与人体受振动时间的关系曲线。由图 4 可见: 在 100 min 的振动实验过程中，脑氧含量存在着明显的变化，且在某些时刻的脑氧值有较强的波动。经分析认为，其波动原因可能与中枢神经系统活动以及人体的自身调节表3 振动时间激振加速度 0． 06g 0． 10 g 5 min 腿部有麻木感腿部有麻木感 10 min 麻木感持续，轻微头晕麻木感持续，胸恶心闷， 3． 3 振动环境下的人体主观评价实验为了研究振动环境对人体疲劳以及舒适性的影响，在肌氧含量监测实验中，对应不同的振动环境，本文同时进行了受试者的主观评价实验，表 3 为各对应环境下的主观感觉记录表。图5 脑氧监测实验的主观评分曲线图4 脑氧含量的变化曲线
评分值 1 3 5 7 9 2 4 6 8 10
3
3． 1
实验结果与分析
肌氧含量监测实验在 5 种振动强度下，肱二头肌、股二头肌和竖脊肌的肌
氧变化曲线如图 3 所示，各骨骼肌的肌氧含量的下降率见表 2。图2 TSAH － 100 近红外检测仪
［4 ］
% SaO2 =
，肌肉中有一定的氧含量，
HbO2］式中: ［为氧合血红蛋白 ( HbO2 ) 的浓度; ［Hb］为还原血红蛋白( Hb) 的浓度。被测组织为骨骼肌时，血氧饱和度又称肌肉氧含量，简称肌氧( 含量) 。 NIRS 技术结合光在组织中的传播规律，研究光在组织中经历一系列吸收、散射后反射光携带的与吸收谱相关的组织生化信息，是 1 种无损的可以在人体工作中对氧含量进行实时监测的技术。
［4 － 5 ］
动态环境下的机械系统( 如行驶中的汽车、拖拉机、坦克、火车、飞机、船舶以及航天器等) 工作时，会产生振动。当振动达到一定程度时，会使驾驶员感到不舒适、疲劳，危及人体健康或导致交通事故。因此，研究动态环境下人机系统的人体肌肉疲劳及舒适性已成为人机工程学领域的 1 个重要课题