建筑工程任务脑力负荷的评估：一种新颖的脑电图（EEG）方法

原文信息

本文是针对论文《建筑工程任务脑力负荷的评估：一种新颖的脑电图（EEG）方法》（Assessing Task Mental Workload in Construction Projects:A Novel Electroencephalography Approach）的一篇论文解析，该论文于2017年发表于《Journal of Construction Engineering and Management》。该研究作者包括Jiayu Chen;John E. Taylor;Semra Comu.

思维导图

摘    要

施工作业中任务分配不当，不仅导致生产效率低下，而且造成较高的错误率和更多的工伤。如果不能对任务需求进行定量评估，那么几乎不可能实现对任务的合理且灵活的分配。然而，要定量、可靠地评估建筑任务的脑力（或认知）需求是极其困难的。本篇论文提出了一种基于主频段功率谱密度（PSD）评估脑力负荷任务的脑电图（EEG）方法。为验证所提出的评估方法，设计并进行了实验，并采用美国航空航天局任务负荷指数(NASA-TLX)对结果进行了验证。采用三向方差分析方法，对30名受试者进行了EEG四个通道的测试。建筑活动类型和脑电信号的频段对EEG信号的PSD的影响均有统计学意义。在所有通道中，位于左额顶叶的通道(Fp1)与脑力负荷水平的相关性最高，尤其是伽马频段。最终的统计结果和频率模型表明，评估结果与NASA-TLX脑力需求评分一致。

关键词：建筑任务；EEG；任务分配；任务脑力负荷；劳动人事问题

研究背景

任务测量

体力和脑力负荷的定量评估是任务分配是否成功和合适的关键。许多研究人员认为，体力负荷和疲劳可以通过直接监测工作时的心率和耗氧量来被确定。脑力负荷已经被证实与错误率和职业安全紧密相关，但是，脑力负荷的评估要比体力负荷的评估更加的困难，美国航空航天局任务负荷系数（NASA-TLX）是最被广泛接受的脑力负荷评估方法。

脑力负荷评估和EEG

神经影像学的发展引入了一些更直接和定量的脑力测量技术，如功能性磁共振成像(fMRI)和脑电图(EEG)。功能磁共振成像(fMRI)检测精度高，但需要较大的空间和专业的团队，而脑电图(EEG)用于大脑监测，携带方便，价格低廉，准确性可接受。脑电图（EEG）是直接观察建筑工人脑力负荷的最佳方法。脑电图设备收集的数据是反映大脑活动的时间序列信号聚合，EEG监测使通过时频分析评估不同建筑任务的脑力负荷成为可能。

任务的脑力负荷评估和建筑工人的能力

Fuller(2005)提出了一个任务–能力接口( task-capability interface,TCI)模型来概念化驾驶事故的过程。后来，Mitropoulos(2009)将TCI模型扩展为任务需求–能力(taskdemand−capacity,TDC)模型，从认知的角度来理解建筑活动。这两种模型的核心思想都是匹配任务的需求和任务中工作人员耗费的能力。Mitropoulos(2009)研究强调了三类影响体力和脑力需求的任务特点，包括(1)任务因素(复杂性、不确定性、工具等)(2)环境因素(天气、身体状况、后勤);(3)工作行为(遵守安全规则)。图1说明了需求和能力的相互关系以及它们与脑力负荷的相互作用。当脑力负荷需求高于工作能力时，员工容易出现较高的错误率和脆弱性；如果任务需求过低和重复，导致工人有较低的专注度和勤奋度。

改进的任务脑力负荷评估模型

图1中的新模型对Mitropoulos等人提出的TDC模型进行了扩展，将与任务需求和劳动者能力等脑力负荷相关的因素形式化。将环境因素和任务需求归类为外部因素(非人为因素)，将劳动者能力和工作行为归类为内部因素(人为因素)。

实验方法

实验对象

本实验对30名被试进行脑电信号采集，所有受试者均为研究生，且从未接受过现场施工培训，其中女性17例，男性13例，年龄均在22岁到28岁之间。

实验仪器

研究团队基于神念科技的思考装置模块（Neurosky Think Gear module）开发的一种可穿戴的EEG头盔。基于国际10-20系统，该头盔能够收集四个传感器位置上的信号(图2)，此外，头盔上还有装着加速度计的微控制器来捕捉其的三轴运动，其中，Fp1的位置与逻辑注意力有关，Fp2的位置与情绪注意有关，TP9和TP10可以作为跨通道的参照。

实验过程

(1)坐在椅子上休息5s;(2)爬梯子(1米高，需要3-4秒到达顶端)；(3)选择合适的螺母(2-3s)；(4)安装螺母(4-5分钟)；(5)爬下梯子，然后休息。安装任务要求每个受试者选择合适的螺母，然后用扳手紧固螺栓，所有的受试者都需要重复这个任务三次。实验结束后，所有被试要完成一份问卷来评估任务负荷。在实验过程中，受试者戴上了装有仪器的头盔，头盔通过蓝牙与笔记本电脑无线连接，实验设备如图3所示。

EEG脑力负荷的测量

关于脑电图原始数据的一个关键问题是来自诸如眨眼、肌肉运动、短暂放大器饱和和线噪声等伪迹的污染。在本研究中，作者采用独立成分分析(ICA)剔除因眨眼导致的不合格数据；通过去除高频频段并进行统计分析来降低线噪声；假定肌肉运动引起的伪迹是负荷评估的数据源的一部分。本文分别从时域和频域对原始脑信号进行了研究。本研究的脑力负荷评估指标是基于Berka和Levendowski(2007)的任务参与度的EEG指标。脑电图的绝对和相对PSD（功率谱密度）变量的计算采用Welch(1967)的方法。

用NASA-TLX测量试验后负荷

本研究将EEG数据分析的结果与NASA-TLX评分进行比较和互相参照。NASA-TLX使用六个维度(心理需求、身体需求、时间需求、表现、努力和挫折程度)来衡量任务工作量。另外还要求受试者完成一项额外的物品重量收集测试，受试者必须在15对单词中进行选择。每个受试者有四组问卷，每组问卷对应一个任务，实验中的建筑任务分为四项主要任务:放松、爬梯子、选择螺母、拧紧螺栓。

结果与分析

EEG数据的时频分析

图4显示了从所有四个EEG监测传感器和加速度计收集到的原始数据。图4中的样本数据包括单个受试者在一轮实验中的原始数据。

图5为单个受试者所有活动各传感器的数据统计和PSD图。数据统计图(分位数–分位数图)显示了与标准正态分布相比，一项活动数据集收集到的所有电压水平的有序分布(在图5中表示为粗实线)。通过这样的统计检验，研究人员可以探讨：(1)微伏的幅度是否可以用来识别脑力负荷水平，(2)极值是否随机来自于正态分布。图5中的PSD值为频段电功率。PSD值表明，与问题解决、学习和面对认知挑战相关的伽玛波在Fp1和Tp10通道中具有过高的能量，它们是在频域进行脑力负荷评估的良好备选通道。

表1报告了所有被试的所有四个传感器的所有活动的描述性统计数据。结合图4得出结论，Fp2在所有任务中均值相似，说明Fp2相对独立于所执行的活动。Fp2不适合根据其电压强度来区分建筑活动。其余三个通道的重尾表明，活动类型确实影响检测到的电压水平的幅度。Fp1是最佳的心理负荷指标，因为在进行脑力需求任务时，Fp1的波动较大。Tp9和Tp10也可以用来区分各种类型的活动。

图6描绘了所有通道中所有任务的频谱上的功率分布。图6中的粗黑线描绘了通道的PSD包络曲线，它与活动的频率峰值密切相关。这条曲线帮助研究人员确定哪个通道是使用PSD特征来区分各种活动的最佳候选通道。在每个任务的执行过程中，能量在频谱中是唯一分布的。在爬梯子活动中，在Fp2通道的低频频段功率耗散要慢得多，这说明爬梯子会引起实验对象的情绪波动。在螺母选择和螺栓紧固活动中，Fp1和Tp9在伽玛频段产生了第二个峰值，由于伽玛波与解决问题和认知挑战有关，预计Fp1的功率强度会出现峰值。基于上述发现，作者建议使用PSD频段功率作为任务脑力负荷水平的一项指标。

用三向方差分析法对EEG的PSD进行统计分析

对30名被试的脑电PSD进行变量交互作用下的三向方差分析（ANOVA），分析活动类型T(放松、爬梯子、选择螺母和紧固螺栓);频段B(alpha、beta和gamma);EEG传感通道C(Fp1、Fp2、Tp9、Tp10)。表2包括测试结果的总结。

不同EEG传感通道PSD均值无显著差异(p=0.5255)。任务类型和频段均有显著差异。此外，频段和通道之间没有显著的交互作用(p=0.8063)，但不同的任务影响通道和频段。

图7为方差分析中各变量组的显著性检验结果。可以观察到伽玛频段的PSD组相互之间是存在差异的。相比之下，对于其余的频段，所有PSD的强度分布都是相似的。换句话说，伽马频段PSD强度的均值和方差可以用来区分施工活动。

NASA-TLX数据报告

为了验证所提出的评估方法，我们要求所有受试者在实验结束后完成NASA-TLX问卷。受试者需要确定每项任务是否需要体力和脑力，以及在多大程度上需要体力和脑力。通过所有报告项目的加权内积，然后计算出一个分数来表示总体任务工作量。对于最终的分数，正值表示被试认为任务要求很高，而负值则相反。表3总结了实验后NASA-TLX评分的平均值。调查问卷的结果表明，基于总体分数，受试者认为选择螺母是要求最高的任务，爬梯子更需要体力，挑选螺母更需要脑力。

图8报告了各任务NASA-TLX调查结果的数据统计框图。在爬梯子任务中，被试倾向于有更高的体力需求，而在选择螺母任务中，被试觉得有更高的脑力需求。这些发现与表3一致，表明在爬梯子需要体力和挑选螺母需要脑力方面，受试者之间有很强的一致性。

图9显示了EEG评估和NASA-TLX评分之间的交叉验证。图9左上角的柱状图显示了alpha,beta和gamma波的频段功率。右上角、左下角和右下角的框图表示NASA-TLX调查估计的总任务工作量、脑力负荷和体力负荷。

EEG评估结果：Fp1和Tp10的总频段功率峰值出现在爬梯活动期间；Fp2和Tp9的峰值出现在螺母选择活动期间；所有频段中，gamma频段在螺母选择活动中表现出最高的功率密度，TP1通道尤为明显；功率密度与脑力负荷得分趋势相同。

NASA-TLX评估结果：从总任务图可以看出，爬梯任务与选择螺母任务的工作量相似，均高于紧固螺栓任务；脑力负荷得分显示，选择螺母任务的脑力负荷最高；体力负荷表明，爬梯子和紧固螺栓是更需要体力的任务。

这些数据证实了EEG测量在不同任务中的有效性。

他们还提出，EEG频段评估更符合脑力需求，而不是体力或总负荷需求。为了进一步验证，作者采用Berka和Levendowski的模型，通过计算1-Hz单元的相对PSD变量来量化任务投入。评估包括6个频段:低α波(8-10Hz)、高α波(10-12Hz)、低β波(13-18Hz)、高β波(18-30Hz)、低γ波(31-40Hz)和高γ波(40-50Hz)。合格单元的相对PSD要高于1%，与NASA-TLX脑力负荷评分的趋势相同。表4列出了可用于参与度评估的合格单元的数量。表4表明Fp1提供了最多的可用于参与度估计和分类的变量。

综上所述，EEG评估在评估任务脑力负荷方面具有可行性和有效性。EEG评估和主观分析的比较表明，NASA-TLX和脑力需求得分具有良好的一致性，与体力和总负荷需求没有一致性。信号强度和频段的PSD可以作为特征变量。伽马频段的高功率强度与高脑力负荷呈显著正相关。相对于其他通道，Fp1与NASA-TLX评分的相关性最高。统计分析还表明，Fp1数据的偏度较小，能够更好地区分任务。

讨    论

客观的脑电方法将通过提供交叉参考和实现自动数据收集来补充现有的主观方法。本研究发现，EEG信号与工人在各种工作中所投入的脑力负荷有关。方差分析(ANOVA)表明，高频gamma波段比低频的alpha和beta波段更适合任务区分。gamma波段的PSD强度与脑力需求呈显著正相关。

EEG方法在实际建筑应用中有很大的潜力，Fp1显示了巨大的分析和实际用途的潜力，它具有更高的相关性和更多的PSD变量。

EEG信号更符合脑力负荷而不是体力负荷。

结    论

在本研究中，作者提出并测试了一种以EEG为基础的方法来定量评估建筑工人的脑力负荷。基于频段的PSD评估了4项任务的脑力负荷。30个实验对象的结果与NASA-TLX脑力负荷评分一致。

局 限 性

第一，作者假设肌肉运动对直接观察到的大脑信号有有限的影响，但是，体力负荷和脑力负荷是紧密而复杂地相互关联的。与建筑活动相关的EEG监测研究中，需要有高精度的运动检测和数据记录系统。

第二，EEG相关数据分析的一个关键问题是伪迹的检测和去除。本研究采用一种被广泛接受的ICA（独立成分分析）方法进行伪迹的检测和消除。在今后的研究中，建议开发算法或采用更复杂的算法，使信号与伪迹的有意义区别更高。

第三，更多的数据试验和更多的被试，特别是非学生的被试，将大大提高本研究的效度和信度。

引用：Jiayu Chen, John E. Taylor, Semra Comu. Assessing Task Mental Workload in Construction Projects: A Novel Electroencephalography Approach[J]. Journal of Construction Engineering and Management, 2017, 143 (8): 04017053.

END

扫

码

关

注

用心前行，腾飞2021