基于眼动和脑电特征的高速铁路行车调度员疲劳状态判别研究

Research on Fatigue State Discrimination of High Speed Railway Dispatchers Based on Eye-movement and EEG Features

摘要

针对当前高速铁路行车调度员疲劳状态判别方法尚未结合多源信息的优势，提出了一种基于多源信息的高速铁路行车调度员疲劳状态判别方法，在利用支持向量机对眼动和脑电特征进行软分类作为决策层输入的基础上，结合上一时间点疲劳状态判别结果，利用改进的D-S证据理论进行决策层融合得到最终的判别结果。通过采集20名行车调度员的模拟实验数据对模型进行检测，结果表明：改进后的研究方法在疲劳状态判别方面准确率达到93.75%。可以看出，信息融合判别的准确率高于单纯依靠眼动和脑电特征的方法，增加上一时间点的疲劳判别结果有助于提高模型的鲁棒性和可靠性，并且改进的模型对高速铁路行车调度员疲劳状态判别具有有效性。

Abstract

Given the fact that the current methods for the discrimination of fatigue state of high speed railway dispatchers doesn't consider the advantages of combining multi-source information, an identification method based on multi-source information was proposed. Based on the soft classification of eye movement and EEG features using support vector machine as the input of decision level, combined with the judgment result of fatigue state at the last point of time, the final judgment result was obtained by using the improved D-S Evidence Theory. By collecting the simulation experiment data of 20 dispatchers, the model was tested. The results show that the accuracy of the improved research method is up to 93.75%. It follows that the accuracy of information fusion discrimination is higher than that of the method solely relying on eye-movement and EEG features. The addition of fatigue discrimination results at the last point of time is helpful to improve the robustness and reliability of the model, and the improved model is effective in discriminating the fatigue state of high speed railway dispatchers.

Graphical abstract

关键词

眼动和脑电特征 / 高速铁路行车调度员 / 支持向量机 / D-S证据理论 / 疲劳状态判别

Key words

Eye-movement and EEG Features / High Speed Railway Dispatcher / Support Vector Machine / D-S Evidence Theory / Method for Fatigue State Discrimination

0　引言

高速铁路的行车安全受多方面的影响，从人-机-环的角度出发，高速铁路行车调度员良好的工作状态是保证高速铁路行车组织安全、稳定运行的基础。高速铁路行车调度员在12 h的轮班工作中，其疲劳程度随着工作时间逐渐加深，影响行车调度决策^[1]，对行车安全产生不利影响。由于调度决策失误而导致的行车事故占比约1/4^[2]，因此分析研究高速铁路调度员在行车调度作业过程中的疲劳状态，有助于提升行车调度决策的效率，提升高速铁路行车调度系统的安全性。

量化人体疲劳的方法主要分为主观和客观两大类。主观方法虽然具有操作简单方便的优点，如卡罗琳斯卡嗜睡量表(KSS)^[3]等，但其准确性远远小于客观方法。客观方法主要是从面部行为和生理指标的角度出发，面部行为中，眼动特征由于非接触和稳定性好的特点而被广泛应用^[4]。生理指标中，脑电波(Electroencephalogram，EEG)被认为是评定疲劳准确率最高的方法^[5]。目前，国内外对于人体疲劳状态判别的研究主要集中在驾驶员和空中管制员上。Jap等^[6]发现EEG的4种频谱比值在监测驾驶员脑力疲劳时更敏感；汪磊等^[7]基于平均闭眼时长、哈欠频率等面部特征，提出了空中管制员疲劳实时监测方法；牛清宁等^[8]根据眨眼频率、注视方向和注视时间等眼动特征，通过支持向量机对疲劳驾驶进行有效检测。针对行车调度员行车调度作业疲劳状态的研究处于起步阶段，杨奎^[1]对眼动行为进行监测，以此来研究行车调度员的疲劳发展规律；张光远等^[9-10]采取眼动信息对高速铁路行车调度员的疲劳程度进行预测，从而对工作状态进行识别干预。既有文献主要从单一维度对疲劳状态进行研究，忽视了信息融合有助于提高疲劳状态判别准确率的优点。徐军莉等^[11-12]在对操作者进行疲劳判别时，通过建立相关模型，利用信息融合获得疲劳状态结果，但在动态判别的过程中，忽略了对上一时间点疲劳状态判别结果的运用。

D-S证据理论在解决不确定问题方面更优且不需要先验条件，更适合作为信息融合的理论方法^[13]。从眼动特征和脑电特征2个角度出发，实现特征信息的准确性和稳定性的互补，构建判别高速铁路行车调度员疲劳状态的融合特征集，提出在以支持向量机(Support Vector Machine，SVM)输出获得基本分配概率的基础上，结合上一时间点疲劳状态判别结果，利用改进后的D-S证据理论进行决策层的融合，以此建立高速铁路行车调度员疲劳状态判别模型，为未来利用多源信息进行疲劳判别打下理论基础。

1　基于SVM-DS的高速铁路行车调度员疲劳判别模型

1.1　SVM分类算法

SVM分类算法是机器学习领域的经典分类算法，其核心思想是寻找出分类间隔最大的决策超平面。SVM的算法原理和步骤如下^[14]。

（1）确定训练样本集。设高速铁路行车调度员疲劳状态的训练样本集为D=\left\{(x_{\mathrm{1}},y_{\mathrm{1}}),(x_{\mathrm{2}},y_{\mathrm{2}}),\dots \right.，\left.(x_s,y_s)\right\}x_i\in \mathit{ℝ},y_i\in \{-\mathrm{1,1}\}，s为样本数。

（2）确定合适的损失系数C和损失函数{\epsilon }_i，此时求解最大间隔的目标函数如下所示。

\left\{\begin{array}{l}\mathrm{m}\mathrm{i}\mathrm{n}f(w)=\frac{{‖w‖}^{\mathrm{2}}}{\mathrm{2}}+{\displaystyle \sum _{i=\mathrm{1}}^s}{\epsilon }_i·C\\ \mathrm{s}.\mathrm{t}.y_i(w^{T}x+b)\ge \mathrm{1}\\ C\ge \mathrm{0}\end{array}\right.⑴

式中：w为垂直于超平面的法向量；{\epsilon }_i为损失函数；C为损失系数；b为位移项。

（3）通过求得最优解w和b，划分的决策超平面公式如下所示。

f(x)=\mathrm{s}\mathrm{g}\mathrm{n}(〈w^{\mathrm{*}}，x〉+b)⑵

（4）高速铁路行车调度员疲劳状态判别属于非线性可分问题，需要利用核函数K(x_i,x_j)进行升维，以便在更高的维度里实现线性映射，此时划分的决策超平面公式如下所示。

f(x)=w^{\mathrm{T}}K(x)+b={\displaystyle \sum _{i=\mathrm{1}}^s}{\lambda }_i{y}_{i}K(x_i，x_j)+b⑶

式中：\lambda为拉格朗日乘数。

1.2　D-S证据理论

D-S证据理论在处理不确定性推理问题领域方面应用广泛，在信任函数的基础上，将多通道的信息进行融合得到最终结果^[15]。

设\mathrm{\Theta }为辨识框架，则\mathrm{\Theta }={正常状态，疲劳状态}。m为[0，1]区间上的基本概率分配，表示证据对该命题的支持程度或者可信程度。m(A_{\mathrm{2}})可以看作是命题A_{\mathrm{2}}=｛疲劳状态｝在证据m下的基本概率分配，这个值的大小可以视为判定高速铁路行车调度员当前的状态是处于疲劳状态的可信程度。其中满足的条件为m(\mathrm{\varnothing })=\mathrm{0}和\sum _{A\subseteq \Theta }m(A)=\mathrm{1}。

由于眼动数据和脑电数据有一定的差异性，在证据合成的过程中一定会有冲突的情况发生。k在证据理论被作为冲突系数，其值越大说明证据之间的冲突越强烈。为了避免因为冲突系数k过高，导致D-S证据理论得出的结果准确率降低和不符合常理的情况发生，引入支持因子q(A)对Dempster合成规则进行改进。改进后的D-S证据理论组合规则如下所示。

\left\{\begin{array}{l}m(A)=\sum _{A_{\mathrm{1}}\bigcap A_{\mathrm{2}}\bigcap \dots \bigcap A_n=A}{m}_{\mathrm{1}}(A_{\mathrm{1}})m_{\mathrm{2}}(A_{\mathrm{2}})\dots m_n(A_n)+k\times q(A)\\ q(A)=\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}{m}_i(A)\\ k=\sum _{A_{\mathrm{1}}\bigcap A_{\mathrm{2}}\bigcap \dots \bigcap A_n=\mathrm{\varnothing }}{m}_{\mathrm{1}}(A_{\mathrm{1}})m_{\mathrm{2}}(A_{\mathrm{2}})\dots m_n(A_n)\end{array}\right.⑷

式中：m(A)为命题A的基本分配概率；q(A)为支持因子；k为冲突系数。

1.3　决策层融合的高速铁路行车调度员疲劳状态判别模型

目前，利用D-S证据理论算法进行信息融合的方法在选择证据方面，只考虑了选择不同的信息源，而忽略了对上一时间点疲劳判别结果的运用。高速铁路行车调度员的行车调度作业是一个动态的工作过程，其疲劳状态也随着工作时间的增加而动态地改变。在D-S证据理论中，如若将上一时间点的疲劳判别结果作为一个证据链，不仅可以增加疲劳判别结果的真实性，还可以保证在脑电或者眼动传感器信号缺失时，研究提出的决策层融合的高速铁路行车调度员疲劳状态判别模型仍能可靠地运行。

因此，以SVM-DS建立的决策层融合的高速铁路行车调度员疲劳状态判别模型的具体步骤如下。

（1）确立高速铁路行车调度员疲劳状态判别特征。通过差异性分析和相关性分析，选取合适的眼动和脑电指标作为能有效表征疲劳的特征。

（2）利用支持向量机进行软分类获得BPA。选取的眼动特征和脑电特征分别作为两个证据，通过支持向量机对每一个证据进行分类输出，对判别框架\{\mathrm{正常}\mathrm{状态}，\mathrm{疲劳}\mathrm{状态}\}的识别概率作为每一个证据的基本概率分配BPA值。

（3）确定D-S证据理论的合成规则。将获得的各个证据的BPA值代入改进的D-S证据理论合成规则，得到合成后对判别框架｛正常状态，疲劳状态｝的概率分配。

（4）确定决策结果。将眼动信息、脑电信息以及前一状态的信息进行融合后，选择｛正常状态，疲劳状态｝的概率分配的较大值作为最终的决策结果，即为高速铁路行车调度员疲劳状态判别结果。

基于SVM-DS的高速铁路行车调度员疲劳状态判别流程如图1所示。

2　实验方案设计

2.1　实验调度员选取

实验招募了20名实验调度员。所有实验调度员均熟练掌握高速铁路调度相关操作，且身心健康。实验前一晚禁止服用兴奋性药物且保证8 h充足睡眠。实验当日签署实验知情同意书。

2.2　试验设备

（1）综合调度指挥仿真模拟器。西南交通大学综合调度指挥仿真实验室为本次实验提供了实验条件。该仿真系统分别配置高速铁路行车调度台和助理调度台，每个调度台设置2\times2的显示器，以显示列车运行图、调度命令和站场信息。

（2）脑电设备。64通道Neuroscan脑电仪是一种侵入式设备，利用配套的CURRY 7软件进行数据分析，其电极的分布为国际通用的10-20系统。

（3）眼动设备。德国SMI ETG眼动仪是基于眼动追踪的非侵入式设备，采样率为60 Hz，追踪的距离为40 cm以上，追踪分辨率为0.1°。

2.3　实验设置

研究发现，作为行车组织的核心，行车调度员在工作过程中需要花费大量精力进行调度监控和调度决策，进而易产生精神疲劳^[16]。高速铁路行车调度员的工作时间是四班倒的12 h工作制。一般来说，调度员在工作4 h后会逐渐进入疲劳状态，工作8 h后会产生明显的疲劳现象^[17]。为了获得高速铁路行车调度员在调度工作过程中真实的疲劳变化规律，根据其轮班制的工作特点，本次实验通过全程模拟高速铁路行车调度员的工作情况，对其正常状态和疲劳状态的数据进行采集，其中正常状态定义为0~4 h，疲劳状态定义为8~12 h。

根据某铁路局集团公司调度所管理工作细则，设置高速铁路行车调度员实验工作程序，模拟实验工作程序各作业项目内容如表1所示。

在模拟值班这一模拟程序中，根据高速铁路行车调度员的工作特点，其工作任务主要分为监视作业、通话作业、操作作业以及记录作业，高速铁路行车调度员工作任务表如表2所示。实验过程中，调度仿真系统根据工作任务向实验调度员下达调度任务，以模拟现场高速铁路行车调度工作内容。

2.4　实验流程

本次高速铁路行车调度员疲劳监测实验的开展，已通过了相关伦理道德委员会的批准。实验开始前24 h，向实验调度员讲解实验过程任务以及KSS量表含义，并使其熟练调度仿真实验操作。正式实验开始前15 min，给予实验调度员15 min调度模拟练习。实验开始后，调度仿真系统根据设置的任务每15 min出现相关调度任务，实验调度员按照高速铁路行车组织细则完成任务^[18]。记录实验调度员完成调度任务时的脑电和眼动数据，同时记录其完成任务后的KSS值。

2.5　数据采集

实验调度员的主观疲劳数据通过KSS量表进行采集。KSS量表是常用的主观疲劳测量手段，分为1~9级^[19]。一般认为，KSS将疲劳状态分为正常状态、疲劳状态和过渡状态，当KSS≤4时，实验调度员处于正常状态，当KSS≥7时，实验调度员处于疲劳状态^[20]。若实验调度员的KSS值处于4<KSS<7区间，则将其对应区段的数据进行删除。

脑电数据和眼动数据分别通过Neuroscan脑电仪和SMI ETG眼动仪进行采集。其中脑电数据在采集完毕后需要进行预处理。将脑电数据的采样率设置为1 000 Hz，带宽频率根据脑电节律的大小设置为0.5~30 Hz，并将电极参考设置为全头平均。利用matlab的EEGLAB脑电分析工具箱进行主成分分析，以此来分离心电、眼电以及肌电的伪迹，从而避免伪迹干扰。

3　高速铁路行车调度员疲劳特征提取

3.1　脑电疲劳特征的提取

反映人体疲劳的脑电节律由低到高可分为\delta(0.5~4 Hz)、\theta(4~8 Hz)、\alpha(8~14 Hz)、\beta(14~30 Hz)。当人体处于清醒警觉的状态时，脑电节律趋向于分布在高频波段；当人体处于疲劳状态时，脑电节律趋向于分布在低频波段^[6，21]。高速铁路行车调度员将来自调度显示屏的调度信息通过大脑的自我认知进行加工处理，做出相应的调度决策，从而导致脑力疲劳。因此，提取高速铁路行车调度员的脑电特征有助于疲劳状态的判别。由于\delta波在深度睡眠时才会出现，高速铁路行车调度员在工作时不会出现严重的瞌睡现象，故不对\delta波范围内的脑电特征进行讨论。

脑电信号的频域特征能表达作业人的认知能力，同时也与疲劳程度息息相关。所以，本研究通过对高速铁路行车调度员的脑电原始信号进行频域分析，进而获得与疲劳相关的脑电频域特征。功率谱估计在脑电频域分析中应用广泛，利用welch法计算相应频段的平均功率以提取脑电特征。大脑的前额区(FP1、FP2)负责决策和计划工作，与脑力疲劳高度相关^[22]。同时，枕区(O1、O2、Oz)在表征疲劳时也有良好表现^[23]。由于全头脑电设备具有侵入性，为了后续实际应用中能够通过便携式脑电设备对高速铁路行车调度员的脑电数据进行采集，将探索与高速铁路行车调度员脑力疲劳相关区域。利用公式⑸计算脑电通道FP1，FP2，O1，O2，Oz中\theta，\alpha，\beta频段内的平均功率密度。其次为了避免个体差异，利用公式⑹求得非线性组合\theta /\beta，\alpha /\beta，(\alpha +\theta )/\beta，(\alpha +\theta )/(\alpha +\beta )^[6]的功率谱比值。

G(h)=\frac{{\int }_{f_d}^{f_u}p(f)\mathrm{d}f}{f_u-f_d}⑸

式中：G(h)为功率谱比值；f_u为频段h的上限频率；f_d为频段h的下限频率；p(f)为功率谱密度。

R=\frac{G(h_{\mathrm{1}})}{G(h_{\mathrm{2}})}⑹

式中：G(h_{\mathrm{1}})为h_{\mathrm{1}}频段的平均功率谱比值；G(h_{\mathrm{2}})为h_{\mathrm{2}}频段的平均功率谱比值。

对选取的脑电指标进行疲劳状态改变后的差异性检验以及与疲劳程度的相关性检验。脑电指标在不同疲劳程度下的配对样本t检验如表3所示，其展示了在不同状态下脑电指标的差异性变化结果，可以看出\alpha /\beta，(\alpha +\theta )/\beta在不同状态下有显著的差异性变化。因此，对这2个指标进行相关性分析，脑电指标与疲劳程度的Spearman秩检验如表4所示，可见选定的2个脑电指标对疲劳程度有显著性影响。因此，在判别高速铁路行车调度员疲劳时，选取\alpha /\beta，(\alpha +\theta )/\beta作为脑电指标。

3.2　眼动疲劳特征的选取

高速铁路行车调度员在12 h的工作过程中会长时间盯控调度显示屏，通过视觉将信息传递给大脑。由此可见，眼动特征是反应脑力疲劳的有效手段^[24]。

利用SMI ETG眼动仪对高速铁路行车调度员的眼动信息进行采集，提取的眼动信息包括注视的起始时间、结束时间和注视坐标，眨眼的起始时间和结束时间，以及对应的瞳孔直径大小。眼动指标主要从眼球运动(眼跳、注视)、眨眼和瞳孔进行分类^[25]，通过初始的眼动信息，可以获得的眼动指标包括平均注视时间(FT)、扫视幅度(S_r)、眨眼频率(BF)、平均眨眼时间(BT)以及瞳孔直径变异系数(P_{cv})，其中扫视幅度和瞳孔直径变异系数的具体计算步骤如下。

（1）扫视幅度：眼部完成一次扫视动作后所覆盖的区域范围。

S_r=\sqrt[]{{(Start.Loc\_X-End.Loc\_X)}^{\mathrm{2}}+{(Start.Loc\_Y-End.Loc\_Y)}^{\mathrm{2}}}⑺

式中：S_r为扫视幅度；Start.Loc\_X为扫视开始时的横坐标；Start.Loc\_Y为扫视开始时的纵坐标；End.Loc\_X为扫视结束后的横坐标；End.Loc\_Y为扫视结束后的纵坐标。

（2）瞳孔直径变异系数：单位时间内，瞳孔直径大小的标准差与瞳孔直径大小的平均值的比值。

P_{cv}=\frac{\sigma }{\overline{u}}⑻

式中：P_{cv}为瞳孔直径变异系数；\sigma为瞳孔直径大小的标准差；\overline{u}为瞳孔直径的平均值。

对选取的眼动指标进行疲劳状态改变后的差异性检验以及与疲劳程度的相关性检验。眼动指标在不同疲劳程度下匹配的t检验如表5所示，可以看出平均注视时间、眨眼频率和瞳孔直径变异系数在不同状态下有显著的差异性变化。因此，对这3个指标进行相关性分析，眼动指标与疲劳程度的Spearman秩检验如表6所示，可见选定的3个眼动指标与疲劳程度有显著性影响。因此，在判别高速铁路行车调度员疲劳时，选取眨眼频率、注视时间和瞳孔直径变异系数作为眼动指标。

3.3　特征分布分析

虽然选择的眼动指标和脑电指标在正常状态和疲劳状态下都表现出了差异性，但其在不同状态下的分布变化仍然具有不确定性，眼动特征与脑电特征在不同状态下的分布状况如图2所示。可以看到，在正常状态和疲劳状态下，各个指标都存在分布的重合，这种不确定性可能会给高速铁路行车调度员的疲劳判别结果带来误差。因此，在以SVM输出获得基本分配概率的基础上，利用改进后的D-S证据理论进行决策层的融合，从而减轻误差得到合理的判别结果。

4　疲劳判别结果分析

在3.2眼动疲劳特征的选取中，筛选出眨眼频率、注视时间和瞳孔直径变异系数作为眼动特征。

将20名实验调度员的3类眼动特征作为SVM算法的分类依据，对工作状态进行分类，其中60%作为训练集，40%作为测试集，不同眼动特征组合下疲劳状态判别的准确率如表7所示。从表7可以看出，疲劳状态判别的准确率随着眼动特征数目的增加而提高。选取的眼动特征对高速铁路行车调度员疲劳状态判别的准确率达到84.38%，说明选取的眼动特征对疲劳状态的判别是有效的。

除此之外，选取了\alpha /\beta和(\alpha +\theta )/\beta作为脑电特征，其对高速铁路行车调度员疲劳状态判别的准确率达到89.84%，说明选取的脑电特征对疲劳状态的判别也是有意义的。

单个高速铁路调度员疲劳判别模型检测准确率对比图如图3所示。由图3可知基于眼动和脑电信息融合的高速铁路调度员疲劳判别模型准确率基本上高于只依靠单一眼动或者脑电特征的疲劳判别模型准确率。其中，20名实验调度员的融合信息判别准确率最高达到了95.88%。同时，依靠单一脑电特征的疲劳判别模型准确率基本高于依靠单一眼动特征的疲劳判别模型准确率，证实了在单一信息中脑电信号的疲劳检测准确性较高这一结论。此外，在脑电信号的基础上加入眼动信号，利用基于眼动信号的疲劳检测稳定性最强这一特性，使得基于融合信息的高速铁路调度员疲劳判别模型准确率最高。

利用单一信号和融合信息通过SVM-DS模型对20名实验调度员的疲劳状态进行判别，单一信号和融合信息的判别结果评价如表8所示。结果表明，融合信息的SVM-DS模型的准确率为93.75%、灵敏度为92.42%、特异性为95.16%，可以看出其模型的准确性、鲁棒性以及可靠性都优于只采用单一特征的模型。而相较于只融合了眼动和脑电信息的模型而言，融合信息模型的灵敏度略低，因为融合信息的模型增加了上一时间点疲劳判别结果这一证据，不会单纯地因为眼动或者脑电数值的改变而影响最终的疲劳状态判别结果，还要参考行车调度过程中上一时间点的疲劳状态，使得最终的判别结果更具真实性。

将改进后的决策级融合判别方法与未改进的判别方法进行对比，改进前后D-S理论的疲劳判别准确率如图4所示。可以看出，改进后的D-S证据理论方法在高速铁路调度员的疲劳状态判别方面有更好的效果，同时也体现了D-S证据理论作为多源信息融合的理论方法，在高速铁路调度员的疲劳状态判别方面具有适用性。

5　结论

基于高速铁路行车调度模拟实验提取调度员在作业过程中的眼动信息和脑电信息，结合上一时间点的疲劳判别结果，利用改进的SVM-DS模型提出了一种判别高速铁路行车调度员工作疲劳状态的新方法，主要结论如下。

（1）增加眼动特征的数量可以提高对工作疲劳状态判别的准确率。采用眨眼频率、注视时间、瞳孔直径变异系数对高速铁路行车调度员的工作疲劳判别准确率最高，可达84.38%。

（2）证实了大脑的前额区与枕区在高速铁路行车调度员工作过程中与其脑力疲劳相关联，提取的脑电特征的单独判别准确率达到89.84%。在未来的实际应用中，可以通过便携式脑电设备对高速铁路行车调度员的脑电信息进行采集，从而对疲劳状态进行判别，降低脑电设备对调度作业的侵入性干扰。

（3）加入上一时间点的疲劳判别结果作为一个证据链，可增强判别模型的准确率、泛化能力和可靠性。能对高速铁路行车调度员的疲劳状态动态地进行判别，增加了疲劳判别结果的真实性，同时，改进后的D-S证据理论对高速铁路行车调度员工作疲劳状态的判别准确率提升，避免了眼动和脑电数据的差异性在证据合成的过程中发生决策冲突，进一步说明对模型改进具有有效性。

（4）利用信息融合技术，挖掘高速铁路行车调度员的状态信息，在人-机-环概念中，为后续高速铁路调度指挥风险预警的研究提供理论支持。通过信息融合对调度员疲劳状态进行判别，为调度工作提供技术支撑，从而确保了运输安全。后续可在实际的工作环境下对该方法的适用性及指标等做进一步验证。

参考文献

[1] 杨奎. 铁路列车调度员疲劳机理与发展规律研究[D]. 成都：西南交通大学，2017.

[2] 李子杏，兰珍，唐邓清，等. 基于ERP信号的目标检测研究综述[J]. 计算机工程与应用，2021，57(23)：37-49.

[3] LI Zixing， LAN Zhen， TANG Dengqing，et al. Survey on ERP-Based Target Detection[J]. Computer Engineering and Applications，2021，57(23)：37-49.

[4] AKERSTEDT T， GILLBERG M. Subjective and Objective Sleepiness in the Active Individual[J]. The International Journal of Neuroscience，1990，52(1-2)：29-37.

[5] AHLSTROM C， NYSTRÖM M， HOLMQVIST K，et al. Fit-for-Duty Test for Estimation of Drivers' Sleepiness Level：Eye Movements Improve the Sleep/Wake Predictor[J]. Transportation Research Part C：Emerging Technologies，2013，26：20-32.

[6] WANG J， WU Y Y， QU H，et al. EEG-Based Fatigue Driving Detection Using Correlation Dimension[J]. Journal of Vibroengineering，2014，16(1)：407-413.

[7] LAL S K L， CRAIG A， BOORD P，et al. Development of an Algorithm for an EEG-Based Driver Fatigue Countermeasure[J]. Journal of Safety Research，2003，34(3)：321-328.

[8] 汪磊，孙瑞山. 基于面部特征识别的管制员疲劳监测方法研究[J]. 中国安全科学学报，2012，22(7)：66-71.

[9] WANG Lei， SUN Ruishan. Study on Face Feature Recognition-Based Fatigue Monitoring Method for Air Traffic Controller[J]. China Safety Science Journal，2012，22(7)：66-71.

[10] 牛清宁，周志强，金立生，等. 基于眼动特征的疲劳驾驶检测方法[J]. 哈尔滨工程大学学报，2015，36(3)：394-398.

[11] NIU Qingning， ZHOU Zhiqiang， JIN Lisheng，et al. Detection of Driver Fatigue Based on Eye Movements[J]. Journal of Harbin Engineering University，2015，36(3)：394-398.

[12] 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.

[13] 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.

[14] 张光远，文原劲，王亚伟，等. 基于眼动特征的高速铁路调度员工作状态识别干预方法研究[J]. 铁道运输与经济，2023，45(4)：78-85.

[15] ZHANG Guangyuan， WEN Yuanjin， WANG Yawei，et al. Working Status Recognition and Intervention Method of High Speed Railway Dispatchers Based on Eye-Movement Characteristics[J]. Railway Transport and Economy，2023，45(4)：78-85.

[16] 徐军莉， 王平， 穆振东.融合眼动和脑电特征的疲劳驾驶检测研究[J].重庆交通大学学报(自然科学版)，2021，40(12)：7-11.

[17] XU Junli， WANG Ping， MU Zhendong. Fatigue Driving Detection Based on Eye Movement and EEG Features[J]. Journal of Chongqing Jiaotong University(Natural Science)，2021，40(12)：7-11.

[18] 陈小强，熊烨，王英，等. 面部多特征融合的列车司机疲劳检测方法研究[J]. 铁道学报，2021，43(12)：70-78.

[19] CHEN Xiaoqiang， XIONG Ye， WANG Ying，et al. Fatigue Detection Method for Train Drivers Based on Facial Multiple Feature Fusion[J]. Journal of the China Railway Society，2021，43(12)：70-78.

[20] AI L M， WANG J， WANG X L. Multi-Features Fusion Diagnosis of Tremor Based on Artificial Neural Network and D-S Evidence Theory[J]. Signal Processing，2008，88(12)：2927-2935.

[21] VAPNIK V N， CHERVONENKIS A Y. On the Uniform Convergence of Relative Frequencies of Events to Their Probabilities[J]. Theory of Probability & Its Applications，1971，16(2)：264-280.

[22] 蒋雯，邓鑫洋. D-S证据理论信息建模与应用[M]. 北京：科学出版社，2018.

[23] HOCKEY R. The Psychology of Fatigue：Work，Effort and Control[M]. Cambridge：Cambridge University Press，2013.

[24] 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.

[25] 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：中国铁路成都局集团有限公司，2018.

[26] KAIDA K， TAKAHASHI M， ÅKERSTEDT T，et al. Validation of the Karolinska Sleepiness Scale Against Performance and EEG Variables[J]. Clinical Neurophysiology，2006，117(7)：1574-1581.

[27] WANG X S， XU C. Driver Drowsiness Detection Based on Non-Intrusive Metrics Considering Individual Specifics[J]. Accident Analysis & Prevention，2016，95：350-357.

[28] MAKEIG S， JUNG T P， SEJNOWSKI T J. Awareness during Drowsiness：Dynamics and Electrophysiological Correlates[J]. Canadian Journal of Experimental Psychology-Revue Canadienne De Psychologie Experimentale，2000，54(4)：266-273.

[29] BELGER A， PUCE A， KRYSTAL J H，et al. Dissociation of Mnemonic and Perceptual Processes during Spatial and Nonspatial Working Memory Using fMRI[J]. Human Brain Mapping，1998，6(1)：14-32.

[30] 张朋，周前祥，于洪强，等.基于EEG信号特征的脑力疲劳快速检测方法研究[J].北京航空航天大学学报，2023，49(1)：145-154.

[31] ZHANG Peng， ZHOU Qianxiang， YU Hongqiang，et al. Research on Fast Detection Method of Mental Fatigue Based on EEG Signalcharacteristics[J]. Journal of Beijing University of Aeronautics and Astronautics，2023，49(1)：145-154.

[32] YI X， FENG M， YIXUAN L，et al. Sustained Attention is Associated with Error Processing Impairment： Evidence from Mental Fatigue Study in Four-Choice Reaction Time Task[J]. Plos One，2015，10(3)： 1-15.

[33] 田芸，于赛克，周前祥，等. 眼动指标在脑力疲劳研究中的应用分析[J]. 人类工效学，2015，21(4)：69-73.

基金资助

四川省自然科学基金项目(24NSFSC0485)

中国国家铁路集团有限公司科技研究开发计划课题(Q113623S04003)

西南交通大学本科教改项目(20221103)

西南交通大学本科教改项目(2103065)