基于脑电的建筑工地工人压力识别

引言：本文是针对论文《基于脑电的建筑工地工人压力识别（EEG-based workers’ stress recognition at construction sites）》的一篇论文解析，这篇论文的目的是开发一种在真实的建筑工地运用可穿戴脑电设备获得脑电图信号特征，从而自动识别工人压力的程序。该篇论文在2018年发表于《Automation in Construction》。

文章标题

基于脑电的建筑工地工人压力识别

思维导图

 原文信息

发表时间：2018年

发表期刊： 《Automation in Construction》

作者：Houtan Jebelli、Sungjoo Hwangb、SangHyun Lee

摘要

考虑到许多建筑工人承受着过度的压力，这对他们的安全和健康产生了不利影响，及早认识压力是进行压力管理的重要步骤。在这方面，脑电图(EEG)已被广泛应用于通过分析临床领域中的脑电波来评估个体的压力。随着可穿戴脑电设备的最新进展，脑电图的能力可以扩展到现场工作人员，特别是通过非侵入性地评估建筑工人的压力。本研究提出了一种利用脑电图信号自动识别建筑工人压力的方法。具体来说，作者收集了建筑现场工人的脑电图信号，并对其进行预处理，以捕获高质量的信号。此外，研究人员还收集了工人的唾液皮质醇(一种压力荷尔蒙)来标记他们在工作场所工作时的低或高压力水平。采用固定窗和滑动窗方法分别计算脑电信号的时域和频域特征。最后，作者应用了几种监督学习算法来识别工人在现场工作时的压力。结果表明，固定窗口方法和高斯支持向量机(SVM)产生的最高分类准确率为80.32%，因为在使用分离式和有线脑电设备并且受试者进行最小身体运动的临床领域中，应激识别的准确率相似。结果表明，所提出的现场压力识别程序可用于早期检测工人的压力，这有助于提高工人的安全、健康、福利和生产率。

关键词：脑电图(EEG)、脑电波模式、建筑工人的压力、监督学习、建筑工地工人的健康、安全和生产力、可穿戴生物传感器

 研究背景、现状及问题提出

一、研究背景

工人过度的职业压力已被证明会增加出错、事故、受伤和健康问题的可能性，并与停滞/下降的生产率有关，这些问题在建筑行业都很普遍。此外，据报道，68%的建筑工人因在建筑业工作而承受过度的压力。为了管理过度的职业压力，认识到工人在现场的压力是一个必不可少的步骤。

二、当前理论发展现状

迄今为止，在临床领域中，对个体脑电图信号的大量关注已经被用于测量和监控工作者的精神状态。脑电图在识别个人压力方面的优势在于，它可以克服基于调查的心理压力测量方法的可能偏差，从脑电波模式中量化压力。此外，最近可用的无线和可佩戴脑电图设备（图1）可以扩展脑电图的能力，实现非侵入性地评估建筑现场工人的压力水平。

图1 无线和可佩戴式脑电图设备

三、研究问题

为了解决“来自许多不同领域压力源和不同受试者的复杂脑电图模式”这一问题，本文的目的是开发一种能基于可穿戴脑电设备获取的真实工地建筑工人脑电信号计算工人压力状况的程序。

实验

一、实验设计

1. 实验目的：为了检查开发的压力识别程序的性能，在临床领域实现类似的压力识别准确性。

2. 被试：作者从三个真实的建筑工地收集了脑电信号。脑电图信号是从11名男性工人获得的。受试者没有癫痫史、学习障碍和精神障碍。

二、实验步骤

图2 基于脑电图的压力识别程序

第一步：现场施工人员脑电图数据采集

在施工现场工作的七名受试者被要求在三种不同条件（图2）下执行相同的重复任务，这些条件具有不同程度的操作危险(即，在地面、梯子顶部和受限空间中工作)。

图2 工人在不同工作条件的建筑工地工作

四名在非现场制造车间工作的受试者被要求在休息后的不同时间（图3）以不同的工作小时数执行他们的日常任务(即，在计划的休息时间之后，以及在计划的休息时间之后的一个或两个小时)，这可能产生不同的压力水平。

图3 非现场工作情况下不同工作时长工人的脑电数据采集

作者以前的研究表明，与在地面上工作和在有足够休息时间后工作相比，工人在梯子顶部/有限的空间和连续工作而没有足够的休息时会感到更多的负面情绪。使用现成的可佩戴脑电图设备，从14个通道（图4）捕获工人的脑电波。

图4 14通道脑电图电极的位置

第二步：

1) 脑电预处理和伪迹去除

由于工人的广泛运动和现有的不同环境因素(例如，建筑设备的噪声)，当从实际建筑工地的建筑工人获取脑电图信号时，信号伪迹显著更大。通常，外部伪迹(例如，电极爆裂、运动伪迹、环境噪声和脑电图传感器中的接线噪声)与脑电波具有不同的频率。因此，使用截止频率较高(64赫兹)和截止频率较低(0.5赫兹)的带通滤波器来消除大多数导致脑电图信号缓慢和快速变化的外部伪迹。与外部信号伪迹不同，内部信号伪迹与脑电信号在相同的频率范围内。为了消除内在伪迹，独立成分分析(ICA)被用于检测脑电图记录信号中存在的人工成分(例如，眼球运动、眨眼和肌肉伪迹)。独立分量分析方法可以通过识别脑电信号中的人工脑电信号分量并减去与固有伪迹相关联的分量来获得干净的脑电信号，从而从原始脑电信号中分离出脑电信号固有伪迹，而不会丢失脑电信号。

2) 脑电信号特征提取和选择

特征是检测到的信号的信息和可测量的属性。在处理脑电信号时，时域和频域都有大量的特征。本文首先采用基于相关性的方法筛选出与预测精度相关性最小的特征。然后，作者研究了通过应用包装方法最大化分类精度的最佳特征子集。540个特征来自14个脑电图通道(每个脑电图通道40个特征)，最终考虑到总体预测精度以及计算成本和时间，选择导致最大预测精度的前80个特征。但在单次脑电图读数上计算特征并不能提供信息，为了克服单次脑电图数据点数量大（每秒128个）的问题，将从称为窗口的连续读数块中提取特征。3-12s是有效窗口大小，5s是最佳窗口大小。将数据划分为不同窗口，整个动作序列数据划分为单个连续段（图5 固定窗口法），从窗口片段中提取特征进行分类分析。滑动窗口方法能够替代固定窗口法分割数据，最终选择具有最高分类精度的方法。

图5 脑电图开窗法:(1)固定开窗法；(2)滑动窗口方法

第三步：脑电图分类

本文使用固定窗口和滑动窗口方法对不同的监督机器学习算法进行了全面的测试。对所选分类器使用10倍交叉验证来验证所获得的分类精度；每次使用90%的训练数据和10%的测试数据进行十次分类。

第四步：数据标注

为了给数据选择合适的标签(即低压力和高压力)，高压力任务：在危险条件下工作（例如，在梯子顶部工作和在有限的空间内工作）以及随着时间的推移而产生的疲劳感（例如，连续工作而没有休息时间）会对工人的压力水平产生不利影响。低压力任务：在地面上工作和短暂休息后立即工作。此外，作者选择了两个工作场所压力源:工作危害和疲劳。

为了筛选数据并选择最合适的数据集来训练和测试压力识别过程，作者测量了受试者在每次训练后从唾液样本中获得的皮质醇水平。更高的皮质醇水平表明更高的压力水平。在11名受试者中，选择了7名皮质醇水平明显较高的人，他们在危险的条件下工作，连续工作而不休息。

表1 参与者的数据大小、皮质醇水平和标签概述

三、实验结果

表2显示了基于固定和滑动窗口方法的所有测试方法的分类精度。分类精度计算为正确预测结果(真实高应力和低应力)占测试数据点总数的比例。高斯SVM采用固定窗口方法提取特征作为学习输入，在测试的监督学习方法中，预测精度最高，为80.32%。

表2 每个测试算法的分类精度

 讨论

结果表明，所提出的方法能够在现场识别建筑工人的压力，同时在真实的建筑工地使用可穿戴脑电设备记录的脑电信号。在使用可穿戴脑电图进行现场数据采集期间，采集和处理来自显著移动的受试者的脑电图信号是具有挑战性的。在所有用于压力识别过程的测试分类器中，SVM表现出较高的预测精度。

此外，考虑到顺序脑电图信号具有不同的水平，一些限制仍然存在，需要在未来的研究中加以解决。不同的受试者在面对相同的应激源时表现出不同的脑电波模式，为了进一步提高识别的准确性，作者建议应用多主体/任务学习算法。同时，认识到不同的压力水平将有助于加强本研究中建议的程序。尽管本研究中提出的高斯SVM分类器将数据分为两类(低压力和高压力)，也可以在未来的研究中识别更多的类别。

 结论

本研究开发并检验了一个现场程序，所提出的现场压力识别程序可作为一种手段，用于在建筑工地的各种压力下对工人的压力进行负担得起的连续监测，这有助于工人的压力管理。

尽管数据集很大(总共952，320个数据点)，并且应用了验证步骤(10倍交叉验证)，但数据是从7名受试者收集的。为了确认拟议框架在识别各行业工人的压力水平方面的表现，建议今后的研究使用从更多工人收集的更大样本量进一步审查拟议框架的表现。

参考文献：

[1] Jebelli, H.; Hwang, S.; Lee, S. EEG-based workers’ stress recognition at construction sites [J]. Automation in Construction, 2018, 93:315-324.

                   内容来源：南佳慧

                   本期编辑：董博，薛朋东

                   校       对：侯彩霞，郭晓彤

                   审       核：王萌萌，付汉良