基于心率变异性的噪声烦恼识别模型构建

Noise Annoyance Recognition Model based on Heart Rate Variability

摘要

目的 探究心率变异性(heart rate variability, HRV)对噪声烦恼的预测效果,构建一种对噪声烦恼进行识别评估的模型。方法 以在职地铁司机群体为被试者,基于地铁模拟器设计了列车司机驾驶实验,采集了40名在职地铁司机在不同噪声环境下的Weinstein噪声敏感性量表与主观噪声烦恼问卷以及心电数据,对HRV特征进行提取并采用Z-Score标准化将数据转化为标准正态分布。特征选择采用随机森林(random forest, RF)对特征值进行重要度排序依次输入挑选最重要特征,建立了多种基于心率变异性特征的司机噪声烦恼识别模型进行比较,并讨论个体噪声敏感性对准确性的影响。结果 多种HRV特征与噪声烦恼相关。经特征选择发现,个体噪声敏感性对识别和检测噪声烦恼有显著作用。对比多种分类模型,使用卷积神经网络模型(convolutional neural network, CNN)对烦恼水平进行识别效果最好,准确率为90.03%。结论 基于心率变异性的深度学习模型具有良好的识别效果,为实时识别职业噪声烦恼提供了方法和理论支撑。

Abstract

Objective To explore the predictive effect of heart rate variability （HRV） on noise annoyance and develop a model for identifying and assessing noise annoyance. Methods A group of employed subway drivers participated in a simulated train driving experiment under different noise conditions. The Weinstein Noise Sensitivity Scale， subjective noise annoyance questionnaire， and electrocardiogram data were collected. HRV features were extracted and transformed into a standard normal distribution using Z-Score normalization. Random Forest （RF） was used for feature selection and important features were inputted to establish various driver noise annoyance identification models based on HRV features. The impact of individual noise sensitivity on accuracy was also discussed. Results Multiple HRV features were found to be related to noise annoyance. Feature selection revealed that individual noise sensitivity significantly influenced the identification and detection of noise annoyance. Among various classification models， the Convolutional Neural Network （CNN） model achieved the best performance in identifying annoyance levels， with an accuracy of 90.03%. Conclusion The deep learning model based on HRV demonstrated excellent performance in identifying noise annoyance， providing a method and theoretical support for real-time recognition of occupational noise annoyance.

关键词

心率变异性 / 噪声烦恼 / 地铁司机 / 卷积神经网络

Key words

Heart rate variability / Noise annoyance / Subway drivers / Convolutional neural network

噪声污染是全球公共卫生问题之一，其中交通噪声被世界卫生组织列为影响人类健康的第二大环境污染源^[1]。噪声作业者长期面临噪声职业病风险，工作环境通常是封闭和压抑的^[2]，罹患听力系统损伤^[3]和非听力系统疾病的概率上升^[4]。此外，噪声职业者容易受到噪声烦恼（noise annoyance）等负面情绪的影响，这不仅影响了他们的心理状态^[5]，还可能导致记忆与认知能力降低^[6]，进而影响工作安全与工作效率。因此，评价和识别噪声烦恼水平具有重大意义。

目前，对噪声烦恼度的研究主要探究客观噪声的声学特性与主观噪声烦恼的关系，通过测量噪声声压级、响度、尖锐度等声学参数来建立噪声烦恼评价模型^[7-9]。然而有研究表明，主观报告的生理与心理健康水平与噪声暴露无关，而是与噪声烦恼有关^[10]，并且在同一噪声水平下，高噪声烦恼水平还会加重噪声影响^[11]。基于噪声暴露的噪声烦恼度模型对于群体长期接触的噪声可以进行方便有效的评价，但是无法对噪声暴露下的个体进行短期噪声暴露烦恼度水平的准确检测。现有研究发现，短期噪声会对个体的生理指标产生显著影响，如脑电图^[12]、心电图^[13]等。心电信号由于其采集简单、设备便携、对被试者干扰低，在工作状态监测中得到广泛应用，如压力^[14]、疲劳^[15]、认知能力^[16]的识别研究，但是在噪声烦恼领域的应用尚少。因此，本研究招募了在职地铁司机作为研究对象，利用地铁驾驶模拟器进行驾驶实验，通过便携设备记录心电数据，探究不同噪声烦恼度下的HRV特征差异，建立噪声烦恼识别模型，对基于个体差异的噪声评价和实时噪声烦恼度检测具有一定的指导意义。

1 对象与方法

1.1 实验对象

本研究被试者为40名地铁司机，具体资料如表1所示。在进行本次实验之前，为了确保实验结果的准确性，要求司机不能在实验前1天内服用任何含有酒精或咖啡因等影响心电数据的食品。本研究经西南交通大学医学伦理道德委员会审核批准（批号：SWJTU-2103-039），在实验准备阶段被试者自愿签署《知情同意书》，禁止在实验后向其他被试者透露本实验的内容、目的以及基本流程。

1.2 实验材料与设备

1.2.1 噪声

为模拟真实地铁司机室噪声，在运营车辆设置自动噪声监测装置，每分钟测量1次并记录。由于地铁噪声频谱广泛^[17]，属于非稳态噪声，取兰州轨道交通1号线列车的7 d原始噪声数据，对数据进行处理，只保留运营期间噪声数据，按小时取司机室等效连续A声级噪声平均值如图1所示。司机驾驶地铁时人耳处最高等效连续声压级约为70.97 dB(A)，低噪声环境为59.65 dB(A)。实验选取两段录制于兰州地铁司机室运营期间的噪声音频，以模拟真实驾驶环境中高噪声与低噪声环境，并控制实验中高噪声环境与低噪声环境下司机人耳处30 min平均声压级与上述测试相近。

1.2.2 问卷

实验采用中文原始温斯顿噪声敏感性量表（weinstein noise sensitivity, WNS）^[18-19]，该量表包含21个条目，被试者从“完全同意”“大部分同意”“基本同意”“部分不同意”“大部分不同意”“完全不同意”六个选项中选择。最终采取6点Linkert计分方式（依次赋分1 ~ 6分）求和，即为被试的噪声敏感值（noise sensitivity score, NSS)，得分越高说明对噪声越敏感。本实验参考ISO/TS 15666标准设计噪声烦恼度问卷^[20]，噪声烦恼度划分为1 ~ 10分，反映无烦恼到极度烦恼的水平。

1.2.3 实验设备

为保证实验安全及提高实验拟真程度，本次实验于兰州轨道交通集团所提供的模拟驾驶器上进行，实验内容根据兰州轨道交通1号线全程设计建模，保证了模拟实验的高拟真度，如图2所示。图2A为驾驶器内部布置，与地铁司机日常工作环境一致，图2B为设备整体外观。为准确采集地铁司机驾驶时的心电数据，使用已有实验验证^[21]的Polar H10心率带设备进行采集，如图3所示，该设备使用手机蓝牙连接，配有专用软件导出心电图（electrocardiogram, ECG）数据。在实验开启前开启心率带并由工作人员帮助司机正确佩戴，观测记录心率数据5 min，保证在司机正式实验中运行良好。

1.2.4 实验设计和流程

本实验自变量为噪声环境与司机噪声敏感性，其中噪声环境分为高噪声环境与低噪声环境，司机分为高噪声敏感和低噪声敏感两个群体。因变量为噪声烦恼水平，指标为实验后噪声烦恼量表分数。实验流程第一步为预实验，司机先填写WNS问卷并佩戴体征数据收集设备。预实验时长约10 min，实验内容为模拟驾驶地铁2 ~ 3站，目的为熟悉手动驾驶实验设备、配合工作人员调试体征数据收集设备。第二步为正式实验，任务设置为模拟驾驶地铁从兰州地铁1号线的东岗站运行到达西站什字站，每站停靠30 s。要求司机按照正常作业规范“手指口呼”，一次实验时长约30 min，每位被试者都需要进行一次高噪声环境实验和一次低噪声环境实验。同时，为排除实验顺序、驾驶疲劳与其他因素的影响，随机选择20位司机先在高噪声环境中实验，另外20位司机先进行低噪声环境下的实验，每次实验间隔休息10 min。

1.3 识别模型的构建

在工作状态的识别中，常采用机器学习、回归分析和深度学习等方法。为进一步验证噪声敏感性与心率变异性在地铁司机的噪声烦恼识别中起到的作用，并建立一个适用性较强的模型，本文建立5种模型并进行对比，包括机器学习中的支持向量机（support vector machine, SVM）、RF、高斯朴素贝叶斯（gaussian naive bayes, GNB）和回归分析中采用的逻辑回归（logistic regression, LR），深度学习中采用的卷积神经网络模型（convolutional neural network, CNN）。模型训练时将样本数据80%划分训练集，20%为测试集，并采用网格搜索和10折交叉验证的方法提高模型准确性。

2 结果

2.1 量表结果与处理

2.1.1 噪声敏感人群分类

司机噪声敏感性量表得分结果如图4所示，平均分为79.625，标准差为9.01，最低为57分，最高为96分。

根据噪声敏感人群分类方法^[22]，将司机按照NSS每10分1组，为满足统计分析条件下将得分低于60分与高于99分的司机分别与[60 ~ 69]、[90 ~ 99]两组合并，结果分为4组；从第1组到第4组得分区间为[21 ~ 69]、[70 ~ 79]、[80 ~ 89]和[90 ~ 126]，分别占人数比为10%、45%、25%和20%。对两组间噪声综合烦恼度进行独立样本t检验，结果如表2所示。由表2可知，第3组和第4组被试间噪声烦恼度无显著差异(P > 0.05），第3组（或第4组）与第1、2组中的任何一组被试者的噪声烦恼度均有统计学意义（P < 0.01），因此可将第3、4组被试者归为噪声高敏感人群，第1、2组划分为低噪声人群。

2.1.2 噪声烦恼度量表

对被试者在不同环境下烦恼度得分计算，得到的平均值与标准误差如图5所示。高敏感人群主观噪声烦恼度显著高于低噪声烦恼人群，而且在高噪声环境下两种人群的差异显著增加。以上结果表明，本次实验中噪声环境设置是合理的，两种环境下都可以引发司机烦恼，且高噪声时会显著加重司机受到的负面影响。

根据以上结果对司机受到的噪声烦恼程度进行分类。根据司机噪声烦恼度，取前50%为高噪声烦恼水平，后50%为低噪声烦恼水平。从图中可知，不同敏感性人群噪声烦恼度在同一噪声情况下的评价差异较大，若仅以噪声烦恼水平分类，从图中可以看出低噪声环境下的高敏感人群和高噪声环境下的低敏感人群噪声烦恼度与95%误差范围非常接近，不利于烦恼度检测。故根据噪声环境不同，将司机噪声烦恼水平分为4类：高噪声高烦恼、高噪声低烦恼、低噪声高烦恼、低噪声低烦恼。

2.2 心电特征提取结果

依据ECG信号在采集过程中常见的信号干扰类型及相关心电处理文献^[23]，心电信号在实验过程中会受到许多因素干扰，主要有电极接触噪声、肌肉噪声、运动伪影等。因此对ECG信号进行预处理，采用QRS波算法进行检测并提取RR间隔，对原始间隔数据去除离群值并处理异位搏动点，即剔除超过1 500 ms和低于300 ms的离群间期点，最后使用线性插值法对缺失值进行修正^[24]。在数据处理过程中取每3 mim为一个短程HRV特征提取时间窗口^[25]，取相邻时间窗口重复率为50 %，将处理后的RR间隔数据输入，使用Python-hrvanalysis库计算得到相应特征值^[26]。本文中选取心率变异性时域特征15个、频域特征7个、非线性特征3个^[27]，特征值说明及缩写如表3所示。

根据不同噪声烦恼水平对HRV特征值进行计算，基于本文实验设置采用独立样本t检验分析不同噪声环境下的HRV特征值是否有显著性差异，得到的结果如表4所示。

2.3 特征处理及选择

传统模型主要使用声学因素^[28]对噪声烦恼进行评估，本文在此基础上增加司机HRV特征输入到模型中，尝试建立一个可实时检测个体烦恼的模型。由于存在个体差异，所以首先采用Z-Score标准化将每位司机的HRV特征值转化为标准正态分布值。随后进行特征选择，特征选择采用随机森林对特征值进行重要度排序，从重要度高到低依次添加特征，输入到5种模型中，根据模型表现来选择保留特征个数。由于4分类样本数量不平衡，相较于准确率，F1-scores同时考虑了查准率和查全率，故以模型F1-scores作为选择标准。5种模型的特征选择过程如图6所示，为验证个体差异在识别噪声烦恼中的作用，图6A为仅输入噪声环境（ambient noise, AN）与HRV特征，图6B输入AN、HRV特征和NSS。

从图6A可看出，随机森林模型在输入AN与nni_50两个特征时表现最好，F1-scores为0.77。从整体得分趋势来看，心率变异性对识别司机噪声烦恼度有一定的作用，但仅使用噪声环境与HRV两类特征对个体的噪声烦恼检测效果并不好。所以结合对噪声敏感性的研究，将噪声敏感组分类作为特征加入上述模型输入，并进行同样的特征选择，其特征选择过程如图6B所示。此时除GNB模型外的4个模型都表现良好，平均得分约0.85。当输入前14个最重要的特征时，CNN模型F1-scores = 0.89达到所有模型最高分，相较于无噪声敏感组分类输入的模型得分提升了约15 %。此时选择的特征有AN、NSS、pnni_50、max_hr、nni_20、nni_50、mean_hr、min_hr、median_nni、pnni_20、cvcd、lf、hf、std_hr，为降低模型的复杂度，避免过拟合的风险，以这14个特征作为最终模型输入。

2.4 模型结果

对上述5个模型以选取的14个特征作为特征输入，以精确率、召回率，以及F1_scores作为模型性能指标，采用10折交叉验证法进行训练，结果如表5所示。RF模型最优参数为树数量为100，不限制最大深度，max_features = 1，min_samples_split = 2。SVM模型核函数为linear，c = 1，g = 1。GNB模型alpha = 1.0。LR模型求解器采用liblinear，c = 1.0。CNN模型损失函数为categorical_crossentropy，使用随机梯度下降作为优化器，激活函数为ReLU。首先使用全连接层与Reshape层调整数据维度，再使用（4.4）大小的卷积核进行二维卷积，经过二维最大池化层后以0.2的概率对上一层的输出进行随机失活，再重复上述层后经过全连接层输出。从表5中可以看出准确性最高的模型是CNN，其识别精确率、召回率分别为90.03%、89.23%。各个模型十折交叉验证的ROC曲线如图7所示，可以看出RF与CNN表现最好。

3 讨论

在对个体进行噪声烦恼评价时，必须考虑个体差异的影响，噪声烦恼不仅与噪声的声学因素相关，还与听者的个人社会属性等非声学因素有关^[29]。因此，为进一步验证噪声敏感性与心率变异性在地铁司机的噪声烦恼识别中起到的作用，并建立一个适用性较强的模型，本文选择了机器学习算法GNB、RF、SVM，以及回归模型中的Logistic回归、深度学习中的CNN建立分类器用于分类不同环境下噪声烦恼水平，对比发现添加个人噪声敏感性差异特征对噪声烦恼识别模型的准确性有显著提升，未来可以通过测试司机的噪声敏感性分析其对工作环境的适应能力，或基于司机个体差异进行不同的工作排班，以保护司机心理状态。

HRV是一种反映交感神经和副交感神经的相互作用、相互作用的复杂、量变的指标，现有对噪声烦恼与HRV关系的研究比较缺乏。本实验分析了25种常见HRV特征与噪声烦恼的关系，发现不同噪声情况的工作环境下司机心率变异性特征在具有显著差异。根据统计结果可得，相较于低噪声烦恼状态，处于高烦恼状态的司机HRV时域特征中的sdnn，以及4个心率相关特征显著增加（P < 0.05），表明了心率的总体变异性增加，说明司机处于应激状态，可能是对噪声刺激的一种生理适应。而sdsd、rmssd等特征呈现出减少（P < 0.05），反映出自主神经调节功能的紊乱。在频域指标中lf、lf_hf_ratio、lfnu、total_power、vlf显著增加，hfnu减少，可能与交感神经活性增加，副交感神经活性下降有关。非线性域的特征值是庞加莱图中的参数，其中sd1下降，sd2、ratio_sd2_sd1上升，反映心跳间期的长期心率变异性相对短期变异性的比例增加，即心率变异性整体减少。综上所述，司机由于环境压力在高烦恼情况下长时间处于应激状态，且存在自主神经系统的紊乱，心率变异性整体上表现出一种减少的趋势，可能会影响司机的生理状态和注意力水平，导致焦虑、压力、慢性疲劳等问题，增加了驾驶风险。这些特征值的变化有助于对噪声烦恼进行评估，对建立接触噪声工作职业人群的噪声烦恼实时检测模型有一定意义。

已有研究证实职业性噪声暴露对心血管的影响机制，短期内释放儿茶酚胺，导致心率增加与交感神经兴奋^[30]，与本文研究结果一致。

本研究仍然有一定局限性，随着噪声暴露时间增加，司机适应能力增加，应激反应减弱。本实验时间设置较短，仅研究了心率变异性特征在不同噪声条件下的短期变化，尚未研究人在长时间接触噪声作用下对噪声的适应能力的变化，构建的分类模型也未涉及时间序列。本次实验被试者数量较少，且没有女性司机参与实验，未探究性别等个人差异对噪声烦恼的影响。另外，本文仅使用了HRV特征，有一定局限性。未来将开展更广泛的实验，基于更多模态的数据建立性能更强的分类模型，对噪声影响因素及导致生理变化做进一步研究。

4 结论

本研究开展了模拟驾驶实验，证实了个体噪声敏感性与HRV对于噪声烦恼的识别作用，并结合AN、NSS、HRV三类特征建立了噪声烦恼识别模型，经对比发现CNN模型比传统模型具有更高的准确性。该模型可以用于职业噪声暴露环境下的个体噪声烦恼评估，有助于监控工作状态、改善工作环境噪声和预防噪声职业危害。

参考文献

[1] MÜNZEL T, KRÖLLER-SCHÖN S, OELZE M, et al. Adverse cardiovascular effects of traffic noise with a focus on nighttime noise and the new WHO noise guidelines[J]. Annu Rev Public Health, 2020, 41: 309-328.

[2] 胡勇, 王建新, 张美辨. 非稳态噪声导致职业性听力损失的研究进展[J]. 中华劳动卫生职业病杂志, 2021, 39(7): 550-554.

[3] 刘治会, 汪运, 王永义, 地铁和单轨列车司机噪声接触水平与听力损失情况比较[J]. 中国职业医学, 2022, 49(1): 71-74.

[4] MANOHARE M, RAJASEKAR E, PARIDA M, et al. Bibliometric analysis and review of auditory and non-auditory health impact due to road traffic noise exposure[J]. Noise Mapp, 2022, 9(1): 67-88.

[5] GONG X, FENECH B, BLACKMORE C, et al. Association between noise annoyance and mental health outcomes: a systematic review and meta-analysis[J]. Int J Environ Res Public Health, 2022, 19(5): 2696.

[6] SONG C, LI H, MA H, et al. Effects of noise type and noise sensitivity on working memory and noise annoyance[J]. Noise Health, 2022, 24(114): 173-181.

[7] FAN SP, LI J, LI LY, et al. Noise annoyance prediction of urban substation based on transfer learning and convolutional neural network[J].Energies,2022,15(3):749-749.

[8] MA M, RAN W, WU J, et al. Evaluating the impact of metro interior noise on passenger annoyance: an experimental study[J]. Int J Environ Res Public Health, 2022, 19(9): 5041.

[9] MARQUIS-FAVRE C, BRAGA R, GOURDON E, et al. Estimation of psychoacoustic and noise indices from the sound pressure level of transportation noise sources: investigation of their potential benefit to the prediction of long-term noise annoyance[J]. Appl Acoust, 2023, 211: 109560.

[10] SCHRECKENBERG D, GRIEFAHN B, MEIS M. The associations between noise sensitivity, reported physical and mental health, perceived environmental quality, and noise annoyance[J]. Noise Health, 2010, 12(46): 7-16.

[11] 李远飞, 国耀宇, 胡松林, 噪声敏感性对短期噪声暴露效应影响的研究[J]. 载人航天, 2021, 27(2): 175-181.

[12] LI ZG, DI GQ, JIA L. Relationship between Electroencephalogram variation and subjective annoyance under noise exposure[J]. Appl Acoust, 2014, 75: 37-42.

[13] AARBAOUI T EL, MÉLINE J, BRONDEEL R, et al. Short-term association between personal exposure to noise and heart rate variability: the RECORD MultiSensor study[J]. Environ Pollut, 2017, 231: 703-711.

[14] 刘坤, 焦钰博, 张晓明, 基于心电的铁路列车驾驶压力检测研究[J]. 中国安全科学学报, 2022, 32(6): 31-37.

[15] SHI L, ZHENG L, JIN D, et al. Assessment of combination of automated pupillometry and heart rate variability to detect driving fatigue[J]. Front Public Health, 2022, 10: 828428.

[16] RAHMAN H, AHMED U M, BARUA S, et al. Non-contact-based driver’s cognitive load classification using physiological and vehicular parameters[J].Biomedical Signal Processing and Control, 2020, 55:101634-101634.

[17] 孙志强, 孙方遒, 丁德云, 钢轨调频阻尼器质量分布与性能研究[J]. 铁道科学与工程学报, 2024, 21(09): 3585-3594.

[18] WEINSTEIN ND. Individual differences in reactions to noise: a longitudinal study in a college dormitory[J]. J Appl Psychol, 1978, 63(4): 458-466.

[19] 韩涛, 吴建平. 噪声敏感性量表的修订及信效度[J]. 中国健康心理学杂志, 2015, 23(2): 196-200.

[20] 国家质量监督检验检疫总局、中国国家标准化管理委员会. 声学 应用社会调查和社会声学调查评价噪声烦恼度: GB/Z 21233—2007 [S]. 北京: 中国标准出版社, 2008.

[21] GILGEN-AMMANN R, SCHWEIZER T, WYSS T. RR interval signal quality of a heart rate monitor and an ECG Holter at rest and during exercise[J]. Eur J Appl Physiol, 2019, 119(7): 1525-1532.

[22] DI GQ, YAO Y, CHEN C, et al. An experiment study on the identification of noise sensitive individuals and the influence of noise sensitivity on perceived annoyance[J]. Appl Acoust, 2022, 185: 108394.

[23] PHAM T, LAU ZJ, CHEN SHA, et al. Heart rate variability in psychology: a review of HRV indices and an analysis tutorial[J]. Sensors (Basel), 2021, 21(12): 3998.

[24] JIAO YB, SUN ZQ, FU LP, et al. Physiological responses and stress levels of high-speed rail train drivers under various operating conditions - a simulator study in China[J]. Int J Rail Transp, 2023, 11(4): 449-464.

[25] LIU K, JIAO Y, DU C, et al. Driver stress detection using ultra-short-term HRV analysis under real world driving conditions[J]. Entropy (Basel), 2023, 25(2): 194.

[26] NAYAK SK, PRADHAN B, MOHANTY B, et al. A review of methods and applications for a heart rate variability analysis[J]. Algorithms, 2023, 16(9): 433.

[27] GU Z, ZARUBIN V, MARTSBERGER C. The effectiveness of time domain and nonlinear heart rate variability metrics in ultra-short time series[J]. Physiol Rep, 2023, 11(22): e15863.

[28] 何家敏, 周俊召, 罗雁云. 基于神经网络模型的高架轨道噪声烦恼度预测[J]. 噪声与振动控制, 2023, 43(1): 227-231, 250.

[29] MOGHADAM SMK, ALIMOHAMMADI I, TAHERI E, et al. Modeling effect of five big personality traits on noise sensitivity and annoyance[J]. Appl Acoust, 2021, 172: 107655.

[30] 刘涛, 王淼, 祝洪凯, 职业性噪声暴露对健康影响的研究进展[J]. 公共卫生与预防医学, 2023, 34(6): 127-131.

基金资助

甘肃省科技厅项目(22CX8JA142)

民航飞行技术与飞行安全重点实验室开放项目(Q113621Q02002)

兰州市轨道交通有限公司资助项目(R113620H01035)