中国安全科学学报

作者：张光远, 邓龙, 王亚伟, 孙自伟, 李莎, 陈诚

单位：1 西南交通大学 交通运输与物流学院,四川 成都 610031；2 西南交通大学 综合交通运输智能化国家地方联合工程实验室,四川 成都 610031；3 西南交通大学 综合交通大数据应用技术国家工程实验室,四川 成都 610031；4 西南交通大学 信息科学与技术学院,四川 成都 610031；5 中国铁道科学研究院集团有限公司 运输及经济研究所,北京 100081

关键词：脑电(EEG)信号,高铁调度员,疲劳状态识别,MobileNet V2网络,ResNet18网络,SoftMax回归

基金：四川省自然科学基金资助(2024NSFSC0178); 西南交通大学本科教改项目(20221103)

为增强铁路行车的稳定性与安全性,有效识别调度员的疲劳状态对行车组织的影响,基于脑电(EEG)信号特征,提出一种调度员疲劳状态识别方法,根据作业时间段划分调度员的疲劳状态,设计高铁调度模拟试验获取脑电信号数据,通过小波级数展开和傅里叶变换提取高铁调度被试的3种脑电波频域幅值作为特征值,结合调度员作业特征和脑电信号特征,验证疲劳状态的划分结果,通过Python语言环境搭建ResNet18+SoftMax和MobileNet V2+SoftMax这2种模型,基于深度学习方法,将输入特征转换为三维立体矩形模型,并优化调整权重,获得最优模型,从而判断高铁调度员的疲劳状态。研究结果表明:ResNet18+SoftMax和MobileNet V2+SoftMax神经网络模型对高铁调度试验参与人员的疲劳状态识别准确率分别为92.78%和99.17%;相较于支持向量机(SVM)模型,这2种模型可提升清醒状态和疲劳状态的识别精度,并降低运算时间,其中,MobileNet V2+SoftMax模型的识别准确率和运行速度最优。以MobileNet V2+SoftMax模型原理为内核,可以更快速准确地识别高铁调度员在长时间作业条件下的潜在疲劳风险。

来源：2024年第6期

《中国安全科学学报》期刊编辑部

查看中国安全科学学报杂志2024年第6期