CN114120296A

CN114120296A - 高速铁路调度员疲劳程度定量分级方法及装置

Info

Publication number: CN114120296A
Application number: CN202111466310.9A
Authority: CN
Inventors: 张光远; 章子睿; 胡晋; 何必胜; 鲁工圆
Original assignee: Southwest Jiaotong University
Current assignee: Southwest Jiaotong University
Priority date: 2021-12-03
Filing date: 2021-12-03
Publication date: 2022-03-01
Anticipated expiration: 2041-12-03
Also published as: CN114120296B

Abstract

本发明公开了一种高速铁路调度员疲劳程度定量分级方法及装置，所述方法包括：通过高速铁路行车调度实验，获得调度员的主观KSS值、监督KSS值及PERCLOS值；根据调度员工作内容确定其工作DORATASK值及人因失效概率；将失效概率样本进行聚类分析，以聚类结果确定最优疲劳分级数；采用HMM算法根据所述PERCLOS测试值确定疲劳状态分类值；根据所述主观KSS值、监督KSS值、DORATASK值及疲劳状态分类值融合计算疲劳程度值并构建基于BP神经网络的疲劳程度检测模型通过以上过程进行疲劳程度定量分级。本发明相比于单一通过面部特征信息的判别方法提高了辨识精度与信度，同时解决了数据训练效果差的问题。

Description

高速铁路调度员疲劳程度定量分级方法及装置

技术领域

本发明涉及高速铁路调度员疲劳程度分级方法的技术领域。

背景技术

高速铁路调度员在生产工作中掌握控制车站与列车工作的权限，其决策在高铁安全运营中发挥重要作用。随着工作时间的延长，调度员疲劳程度会逐渐增加，容易出现遗漏关键信息的情况，从而诱发高铁事故，因此，检测高铁调度员疲劳程度是构建高铁调度员疲劳检测预警系统的关键问题，也是有效预防高铁事故的关键因素。

现有疲劳检测技术主要应用于空中管制员和机动车驾驶员的工作疲劳研究中，其常见的研究方式如：研究人员通过眼动仪和视频记录系统，记录空中管制员的面部特征信息，其后根据面部特征信息提取计算综合疲劳度，一些相关研究再通过人工神经网络模型，预测到达指定疲劳水平的时间，并用神经网络和随机优化方法评估几种指标的融合。进一步的，一些现有技术根据这些研究开发了可获取驾驶员相关面部特征信息如眼动数据与嘴部数据的视觉系统，以直观反应实验对象的精神状态。

现有技术中，面部特征参数的收集多采用摄像机与眼动仪等，采集的指标多包括PERCLOS(眼睑闭合度)、嘴部开闭程度、哈欠频率、眨眼频率、头部摆动幅度等，但大多数基于面部特征的疲劳检测方法或采用单一指标主观设定疲劳阈值进行简单判别，或忽略疲劳的时间相关性以及各指标间的相关联系，识别能力弱且不具备预测能力。

如，如说明书附图1所示的一种现有空中管制员的面部特征识别的疲劳监测方法，其包括：通过睡眠剥夺实验采集面部疲劳判定指标，设计疲劳指标融合算法和疲劳程度阈值，根据融合算法计算计算各疲劳程度，加权计算综合疲劳值，并判定疲劳等级。其中，面部特征信息指标包括PERCLOS值、平均闭眼时长、哈欠频率，对其通过指数化处理方法进行归一化，并根据实验数据和研究成果对不同指标设置不同权重，计算综合疲劳程度时，首先根据各疲劳指标的数值计算其单一指标疲劳程度，然后将对应的权重与单一疲劳度相乘加权，最后将3个疲劳指标对应的数值结果相加得到。

该技术方案具有以下缺陷：

对被试的疲劳状态分级数确定较为简单主观，仅根据被试的主观问卷打分值与被试实验数据将疲劳状态分为清醒状态、轻度疲劳、中度疲劳、严重疲劳四类，没有客观的分级数算法；对疲劳判定值的融合算法缺少工作时长对被试影响的考虑；判别模型简单，且缺乏验证。

或如，现有技术文献公开了一种采用支持向量机(support vector machine SVM)的疲劳分类模型，其融合了K-means聚类方法，将驾驶员状态分为正常驾驶和疲劳两个等级，并设置两个等级分别对应的数据标签，提取被试脉搏信号主波波峰间隔K1、呼吸信号周期均值K2、皮电信号均值K6，进行归一化处理后选择480组特征参数作为训练数据，其后采用径向基(RBF)核函数将问题空间变换至高维特征空间，使用K-means聚类法提取疲劳聚类中心8个以及清醒聚类中心8个，以16个聚类中心代表原来480组初始训练数据，将其作为输入数据输入SVM模型中，根据K折交叉验证法与网格寻优法搜寻最优参数变量惩罚系数C与核变量γ。

该技术方案具有以下缺陷：

SVM模型仅支持简单二分类判别，无法设置多疲劳层级下的状态识别分类问题，对于实际存在多状态的场景适应性较差；该方法采取指标包括脉搏、皮电与呼吸信号，在实际应用中较为困难。

或如，现有技术文献“基于HMM的驾驶员疲劳评估模型研究”(许晓明)中采用了隐马尔可夫模型(Hidden Markov Model HMM)进行疲劳分类与预测，其提取了PERCLOS、AECS、PERLVO指标并对应设置该三项指标的二分类阈值，其后采用HMM模型，在不同的输入参数下构造两项疲劳判别模型：(1)单一PERCLOS作为输入的HMM模型；(2)PERCLOS，AECS，PERLVO的8种二分类状态组合作为输入的模型，其后经过B-W算法训练状态转移矩阵和观测概率矩阵并在Viterbi算法求解之后得到两个模型的疲劳状态判别序列。

该技术方案具有以下缺陷：

其对三项指标的二分类阈值的选取采用既有经验，对不同被试不同实验条件下的数据适应性较差；HMM预测指标状态只依赖于输入的序列指标，当输入存在多个状态的多个指标时，需要通过排列组合的方式列举出多个指标并一一对应各状态，当输入指标个数较多，指标状态空间较大时，将导致状态转移矩阵和观测概率矩阵的维数过大，容易产生系统性误差，且当输入的多项指标同时包含连续性指标与离散型指标时，HMM模型无法处理，使本方法的精确性及广泛适用性受到明显制约。

另一方面，由于不同行业的工作内容不同，从业者的疲劳诱因不完全相同，在一种应用情境下开发的疲劳预测方法对另一应用情境并不严格适用，因此针对不同行业开发不同的疲劳分级预测方法是有必要的。而现有技术中仍缺少针对高速铁路行车调度员工作疲劳程度分级与预测的针对性研究。

发明内容

本发明的目的在于提出一种可通过主观、半主观及客观指标综合评判高速铁路调度员疲劳程度的方法和装置，该方法同时兼顾了个体差异和客观工作量，相比于单一通过面部特征信息的判别方法提高了辨识精度与信度，该方法同时解决了现有技术中直接通过HMM算法进行多状态多指标处理时数据训练效果差的问题。

本发明首先提供了如下的技术方案：

高速铁路调度员疲劳程度定量分级方法，其包括：

S1通过高速铁路行车调度实验，基于被试调度人员的面部数据获得其主观卡罗林斯卡嗜睡量表评分、由所述主观卡罗林斯卡嗜睡量表评分计算得到的监督卡罗林斯卡嗜睡量表评分和其PERCLOS测试值；

S2根据高速铁路调度员的工作内容确定其工作的DORATASK值，及其人因失效概率，获得其失效概率样本；

S3对所述失效概率样本进行聚类分析，根据聚类结果确定最优疲劳分级数；

S4采用HMM算法根据所述PERCLOS测试值确定疲劳状态分类值；

S5基于所述主观卡罗林斯卡嗜睡量表评分、所述监督卡罗林斯卡嗜睡量表评分、所述疲劳状态分类值、及所述DORATASK值融合计算疲劳程度值；

S6基于S1-S5的疲劳程度计算过程，构建基于BP神经网络的疲劳程度检测模型，所述模型的输入为高速铁路调度员的面部数据及其工作时间，输出为该调度员的疲劳程度；

其中，所述面部数据包括所述被试调度人员的眼部数据和嘴部数据。

上述方案中，所述PERCLOS(percentage of eyelid closure over the pupil)测试值是指单位时间内眼睛闭合程度超过某一闭值的时间，DORATASK值是指由英国运筹理事会提出工作负荷定量研究方法，是一种以时间占用率为依据的脑力负荷测量方法，BP神经网络是指反向传播神经网络，HMM(Hidden Markov Model)算法是指隐马尔可夫模型。

根据本发明的一些优选实施方式，所述聚类分析使用K-means聚类方法。

根据本发明的一些优选实施方式，所述PERCLOS测试值具体为其P80值。

所述P80值是指指单位时间内眼睛闭合程度超过瞳孔面积80％的时间。

根据本发明的一些优选实施方式，所述主观卡罗林斯卡嗜睡量表评分或所述监督卡罗林斯卡嗜睡量表评分基于所述高速铁路行车调度实验中获得的被试调度人员的闭眼时长、注视时长、瞳孔大小、眼跳持续时间、眼跳幅度、眼跳平均速度、眨眼频率、眨眼时长和哈欠频率获得。

根据本发明的一些优选实施方式，所述主观卡罗林斯卡嗜睡量表评分由多名受训观察员打分得到，所述监督卡罗林斯卡嗜睡量表评分为所述主观卡罗林斯卡嗜睡量表评分的均值。

根据本发明的一些优选实施方式，所述人因失效概率的基于CREAM模型获得。

根据本发明的一些优选实施方式，所述人因失效概率的获得包括：

根据高速铁路调度员工作任务，将其作业行为分为4种类型，包括监控、操作、通讯和记录，计算其工作的DORATASK值；

根据对不同的情景环境的评价确定共同绩效条件下控制模式为战略型，设定人因失效概率区间为(0.0005，0.01)；

采用专家调查法和三角模糊数，根据问卷调查结果和三角模糊数的对应关系，计算出所有工作流程对应的认知功能权重；

根据串联系统的可靠度计算式，获得高速铁路调度员人因失效概率；

其中，所述串联系统的可靠度计算计算式如下：

人因失效概率计算式如下：

其中，R_s(t)为串联系统的可靠度，R_i(t)为系统中第i个工作步骤工作时的可靠度，n为串联系统的步骤总数，t为当前时刻，P为人因失效概率，

为工作中第i个工作步骤的失效概率的标准化修正值。

根据本发明的一些优选实施方式，步骤S4进一步包括：

以根据所述高速铁路行车调度实验获得的所述PERCLOS测试值的P80状态序列作为所述HMM算法的输入观测状态序列，以所述最优疲劳分级数作为所述HMM算法的分类值上限，对应得到的隐藏状态序列为所述疲劳分类值、作为所述HMM算法的输出。

根据本发明的一些优选实施方式，，所述融合计算进一步包括：

通过层次分析法得到所述主观卡罗林斯卡嗜睡量表评分、所述监督卡罗林斯卡嗜睡量表评分、所述DORATASK值及所述疲劳状态分类值该四个指标的权重；

对获得的该四个指标的数据进行如下的标准化转化：

其中，u₁为主观卡罗林斯卡嗜睡量表评分，u₂为监督卡罗林斯卡嗜睡量表评分，u₃为DORATASK值，u₄为疲劳状态分类值，u_pi为u_i进行标准化转换后的值，u_max为u_i的取值上限，u_min为u_i的取值下限；

根据所述最优疲劳分级数设置不同疲劳级别下的主观卡罗林斯卡嗜睡量表评分、监督卡罗林斯卡嗜睡量表评分、DORATASK值及疲劳状态分类值的范围；

根据以下计算模型获得疲劳程度值U_p：

其中，a₁，a₂，a₃，a₄分别表示主观卡罗林斯卡嗜睡量表评分、监督卡罗林斯卡嗜睡量表评分、DORATASK值及疲劳状态分类值的所述权重。

根据本发明的一些优选实施方式，所述疲劳程度检测模型中，

输入层节点a至隐含层任意节点t以及隐含层任意节点t至输出层节点e的传递函数设置为：

其中，

为神经元间连接的权值系数；

为偏置；f为Sigmoid函数；

和/或，

输出端结果为：

其中，

为隐含层至输出层所有节点的连接权值系数矩阵，

为输入层至隐含层所有节点的连接权值系数矩阵，a_i为输入层各特征指标参数，θ_e至输出层的偏置矩阵，θ_t为隐含层为输入层至隐含层的偏置矩阵；

和/或，其损失函数为如下的交叉熵函数L：

其中，N为样本数量，y为疲劳程度真实值，

为疲劳程度预测值。

根据以上定量分级方法，可进一步得到一种高速铁路调度员疲劳程度定量分级装置，其包括存储有可实现上述定量分级方法的程序和/或模型和/或所需数据的存储介质。

本发明具备以下有益效果：

本发明技术方案在主观打分评价的基础上，引入了监督KSS值与DORATASK值，融合计算人因失效概率，以此确定疲劳分级标准，降低了主观方法因个体差异产生的系统误差。

本发明将高铁调度员工作特征与疲劳分级相结合，有效避免了仅通过面部特征对高速铁路调度员疲劳分级的非针对性，同时将工作时间参与模型输入，平均误差为10.147％，当隐含层节点数为20时，达到最佳效果，误差仅为6.739％，表明当输入端包含工作时间时，模型达到较高精度。

本发明采用多个模型分步处理，解决了现有的HMM处理多状态多指标数据输入维度过大，效果较差的问题，同时，通过将与调度员生理疲劳相关性较强的连续指标P80作为输入，经连续HMM模型处理、与两项KSS值等融合计算后输入BP神经网络，增强了识别方法的准确率和健壮性，与多项指标再多元聚类后直接输入BP神经网络的模型相比，本发明ROC判别曲线的AUC面积增大21.2％。

附图说明

图1为一种现有技术的实施过程示意图。

图2为一种具体的高速铁路调度员疲劳程度分级方法的流程示意图。

图3为一种具体的行车调度实验过程示意图。

图4为一种具体的人因失效概率计算方法过程示意图。

图5为一种具体的人因失效概率样本进行K-means聚类分析的过程示意图。

图6为一种具体的采用HMM算法确定疲劳状态分级数的过程示意图。

图7为一种具体的疲劳程度值融合计算过程示意图。

图8为一种具体的BP神经网络构建过程示意图。

图9为一种具体的BP神经网络模型结构示意图。

具体实施方式

以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。

参照图2，本发明的一种具体的高速铁路调度员疲劳程度分级方法包括：

进行行车调度实验，招募被试在指定工作环境下进行指定工作内容，记录眼部数据、面部数据以及KSS数据，获得主观KSS值、监督KSS值和PERCLOS值。

根据工作内容确定人因失效概率三角模糊数并解模糊。

将失效概率样本进行K-means聚类确定最优疲劳分级数。

采用HMM算法根据PERCLOS值P80确定疲劳状态分类值。

基于HMM分类值、主观KSS值、监督KSS值和DORATASK值融合计算疲劳程度值。

构建基于BP神经网络的疲劳程度检测模型，将实验采集的眼部数据、嘴部数据以及工作时间作为输入进行疲劳判别。

其中，进一步的，参照图2，一种具体的行车调度实验设计如下：

招募一定数量、特征的高速铁路行车调度员；如招募32名男性高速铁路行车调度员，特征要求包括：年龄在28至38岁之间，熟练掌握高铁调度操作技能，身体健康，不配戴眼镜，在实验前一周没有服用任何药物，在实验前一晚保持8h睡眠，不摄入咖啡等刺激类药物；

将参与人员随机分组，在高速铁路模拟调度台上进行所述实验，其中包括工作时长6/12小时的白/夜班实验，实验过程中控制变量，记录参与者在执行调度任务过程中的面部特征信息；如将招募到的32名男性调度员分为20人与12人两组，对其中12人一组进行工作时长6/12小时的白/夜班实验，过程中控制变量，共进行48次实验，记录每次实验中参与者在执行调度任务过程中的面部特征信息。

实验内容包括：

实验前24h，向被试人员讲解实验区段的线路、车站、运行图、任务情况以及KSS的说明解释，以便参与者了解实验任务；

实验前20min，让被试人员进入实验室(即所述模拟调度台)，熟悉实验环境与实验器材如眼动仪，调度台等；

实验前10min，由被试人员检查实验系统初始状态；

实验开始后，启动实验室内列车实绩运行图模拟系统；

实验开始10min后，设置模拟系统随机出现突发事件，且突发事件以1次/20min(标准差为3.0)的频率总共出现8次；

在实验开始后，利用2个摄像头全程录像，同时，采用眼动仪记录被试者眼部特征信息，采样参数可设置如：采样率60Hz，场景相机分辨率960×720P@30FPS；

根据录像记录及眼动仪，提取被试者的包括眼部特征信息和嘴部特征信息的面部信息，其中：

眼部特征信息通过眼动仪采集，且将采集数据指标分为三组：包括记录了闭眼时长、注视时长、瞳孔大小的注视组，记录了眼跳持续时间、眼跳幅度、眼跳平均速度的眼跳组，记录了眨眼频率、眨眼时长的眨眼组，并记录各数据组的PERCLOS指标中的P80值；

嘴部特征信息主要为哈欠频率。

根据录像记录，通过至少两名受过训练的观察员对被试调度人员的面部特征进行KSS评分，作为其主观KSS值，取各主观KSS值的平均值记为监督KSS值。

进一步的，具体的人因失效概率计算方法可通过CREAM模型，结合三角模糊数与可靠性计算获取，其更具体的步骤可参照图4，包括：

Step1对高铁调度员作业行为进行分析，根据高速铁路调度员工作任务，将其作业行为分为4种类型：监控、操作、通讯和记录，用于识别分类高速铁路行车调度员的工作内容，并根据该4种类型的工作，以秒为单位，分别记录单位小时内行车调度员的四项工作任务的占用时间，相加作为其DORATASK值。

Step2对不同的情景环境进行评价，可参考现有技术文献《CREAM——第二代人因可靠性分析方法》(王遥，沈祖培；工业工程与管理，2005，03)：17-21)进行，确定共同绩效条件下控制模式为战略型，设定人因失效概率区间为(0.0005，0.01)，即设置各项作业的失效概率取值大于0.0005，小于0.01。

Step3采用专家调查法和三角模糊数，根据问卷调查结果和三角模糊数的对应关系，计算出所有流程对应的认知功能权重。其中三角模糊数的隶属函数公式为：

其中，

表示三角模糊数

的隶属函数，x为模糊数指标值，为隶属函数自变量，s为指标值x可能性最大的值，s-r与s+t分别为模糊数指标x的上限和下限；r与t分别为模糊数指标x可能性最大值s与模糊数下上限的差值。

Step4根据串联系统的可靠度计算式，获得高速铁路调度员人因失效概率。

其中，串联系统的可靠度计算计算式如下：

其中，R_s(t)为串联系统的可靠度，R_i(t)为系统中第i个部件单独工作时的可靠度，n为串联系统的部件总数，t为当前时刻。

高速铁路调度员工作样本的人因失效概率如下：

其中，P为人因失效概率，

为调度员工作中第i个工作步骤的失效概率的标准化修正值。

在本发明的一些具体实施例中，根据以上过程可得到432项人因失效概率样本。

进一步的，参照图5，具体的将所得人因失效概率样本进行K-means聚类分析的过程可包括：

Step1输入人因失效概率样本，如T＝x₁，x₂，x₃，...，x₄₃₂。

Step2随机选择s个数据样本点μ₁，μ₂，μ₃，...，μ_s作为初始聚类中心。

Step3判定从属类别关系，包括：对每个样本点x₁，将其作为距离类别中心最近的类别，样本类别

按下式计算：

Step4更新类别中心为类别包含样本点的均值μ_j，如下：

其中，m_j为属于该类别中心点j下的所有样本。

Step5重复Step3～Step4，直到类别中心变化小于某阈值且满足迭代次数要求，获得聚类结果。

进一步的，参照图6，具体的采用HMM算法根据PERCLOS值P80确定疲劳状态分级数的过程可包括：

Step1确定状态转移关系，根据轮廓系数的最大值对应聚类簇3，确定高铁调度员疲劳程度分为3级，令从状态等级S_i到S_j状态转移概率为a_ij，其中i，j＝1，2，3。

Step2参数训练，HMM模型参数包括：初始状态概率分布矩阵π，当前时刻t的隐藏状态i_t转移至下一时刻状态i_t+1的状态转移矩阵A，隐藏状态对应观测状态的观测概率矩阵B，输入观测状态序列O和初始参数λ⁰＝(π⁰，A⁰，B⁰)。经过HMM中BW算法的训练，即可得到状态转移矩阵以及观测概率矩阵的训练值

E步骤：计算期望，根据h次迭代的模型参数现有估计值，计算最大似然估计值。

M步骤：求解出Q最大的情况下λ的最大值λ^(h+1)。

给定模型参数λ，在t时刻处于i状态，观测到时刻t之前的观测状态O＝(o₁，o₂，...，o_t)的概率称为前向概率α_t(i)＝P(o₁，...o_t，i_t＝q_i|λ)。

同样地，给定模型参数λ，在t时刻处于i状态，观测到时刻t之后的观测状态O＝(o_t，o_t+1，...，o_T)的概率称为后向概率β_t(i)＝P(o_t+1，...o_T|i_t＝q_i，λ)

Step3求解疲劳程度值。该步骤由Viterbi算法实现，根据第二步中输入的观测状态序列O以及第二步经BW算法训练的状态转移矩阵以及观测概率矩阵

递推求解隐藏状态序列I＝{i₁，i₂，...，i_T}从t＝1至t＝T的最优路径，即求解推算t＝1至t＝T疲劳状态。

所述Viterbi算法采用动态规划求解概率最大路径(即最优路径)，每条路径对应从初始时刻到终止时刻的隐藏状态时间序列I＝(i₁，i₂，...，i_T)。从t＝1开始，递推计算下一时刻以各结点为终点的部分路径的最优路径和概率，直至t＝T。此时，可以得出整体最优路径，以及最优路径的概率P^*，具体包括：

定义在时刻t状态为i的最优局部路径的概率为δ_t(i)，该路径的第t-1个结点为ψ_t(i)，有

在初始化条件δ₁(i)＝π_ib_i(o₁)，ψ_t(i)＝0时，通过上述递推公式，可以得出最优路径概率和其终点

回溯即可求得各结点

得到隐藏状态序列

当观测序列O为连续型数据时，应采用连续HMM模型，可以采用高斯混合密度(GMD)的形式定义观测概率密度以代替观测概率矩阵B，当GMD的混合数足够大时，可以比较准确地描述特征向量的概率密度，再通过BW算法估计出概率密度。

本发明中，输入的观测状态序列O为实验采集的PERCLOS指标中的P80状态序列，输出的隐藏状态序列I为检测出的HMM疲劳分类值，分类值的上限由根据前述K-means聚类求解出的最优聚类数获取，通过提供足够的P80样本保证GMD的混合数满足要求。

进一步的，参照图7，具体的基于HMM分类值、主观KSS值、监督KSS值和DORATASK值融合计算疲劳程度值的过程可包括：

Step1通过层次分析法计算输出端包含的4项指标、即主观KSS值μ₁、监督KSS值μ₂、DORATASK值μ₃，HMM分类值u₄的权重a₁，a₂，a₃，a₄。

Step2对各指标的原始数据进行标准化转化，转化式如下：

其中，u₁为主观KSS值，u₂为监督KSS值，u₃为DORATASK值，u₄为HMM分类值，u_pi为u_i进行标准化转换后的值，u_max为u_i的取值上限，u_min为u_i的取值下限。

Step3设置指标疲劳等级，疲劳等级设置为最优聚类分级状态下的主观KSS值、监督KSS值、DORATASK值和HMM分类值，如最优聚类分级为3级时，可设置疲劳等级如下表所示：

级别	主观KSS值	监督KSS值	DORATASK值	HMM分类值
					轻度疲劳	[1，6)	[1，6)	[0，0.5)	1
中度疲劳	[6，8)	[6，8)	[0.5，0.8)	2
					重度疲劳	[8，9]	[8，9]	[0.8，1]	3

Step4将权重与标准化值相乘，再将4项指标对应的结果相加获得输出端疲劳程度值U_p，如下：

进一步的，参照图8，具体的BP神经网络构建过程可包括：

在BP神经网络中，设置高铁调度员的疲劳程度值作为输出端，眼动仪的记录指标包括闭眼时长、注视时长、瞳孔大小、眼跳持续时间、眼跳幅度、眼跳平均速度、眨眼频率，眨眼时长、哈欠频率和工作时间作为输入端，输出端状态量选取为最优聚类的聚类数，隐含层神经元个数可根据实验效果选取，构建出高速铁路调度员疲劳程度判定模型。

在一个具体实施例中，参照图9，所述模型的结构包括：

含有a₁～a₉共9个节点的输入层a，含有t₁～t_s共s个节点的隐藏层t，及1个输出节点的输出层e，并设置：

输入层节点a至隐含层任意节点t以及隐含层任意节点t至输出层节点e的传递函数为：

其中，

为神经元间连接的权值系数；

为偏置；f为Sigmoid函数。

输出端结果为：

其中，

为隐含层至输出层所有节点的连接权值系数矩阵，

为输入层至隐含层所有节点的连接权值系数矩阵，a_i为输入层各特征指标参数，θ_e至输出层的偏置矩阵，θ_t为隐含层为输入层至隐含层的偏置矩阵。

构造损失函数L为交叉熵函数，如下：

其中，N为样本数量；y为疲劳程度真实值；

为疲劳程度预测值。

通过寻找使模型交叉熵最小的超参数值，确定模型。

以上实施方式或实施例例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。