生理指标的分类有潜在危险的生理状态的自动检测

文摘

在欧盟资助项目HUMABIO、生理信号作为生物识别技术用于安全目的。收集的数据是通过电极传感器,连接到主体的身体突兀的在某种程度上。为了最大限度地获得信息和受益于使用有些突兀,生理传感器,收集到的数据进行处理,同时检测异常生理状态,可能危及受试者和周围的人在关键操作。三种异常状态进行了研究:药物和酒精消费和睡眠不足。分类的生理学、四个先进的技术比较,支持向量机、模糊专家系统,神经网络,和高斯混合模型。研究结果表明,有巨大的潜力有潜在危险的生理状态的自动检测不需要人力主管和这样一个系统可以包含在设施如核工厂加强安全通过减少人类操作员相关事故的可能性。

1。介绍

睡眠剥夺和毒品和酒精消费之前和期间的工作是三个人类operator-related事故的主要原因。就业状况是高度相关的非法毒品的使用在2002年。在美国,估计有17.4%的失业成年人是吸毒者相比8.2%的全职和10.5%的兼职工作。的1660万年,吸毒者18岁以上,2002年和1240万年(74.6%)全部或部分时间工作。在5110万年,2002年成人酗酒,4080万(80%)全部或部分时间工作。同样,1200万年(79%)的1520万成年人酗酒了1]。滥用酒精和其他药物的员工在工作中容易产生异常行为,和研究表明,药物滥用员工函数在约67%的能力(1]。此外,研究表明,10至20%的美国工人死在工作在酒精或其他药物检测中呈阳性。多达40%的工业事故和工伤的47%可以与饮酒和酗酒2]。事实上,吸毒率最高的行业是一样的那些在高职业伤害的风险,如建筑业、采矿业、制造业和批发(3]。

员工使用药物是3.6倍的工作场所事故和五倍文件工人赔偿要求(4),每年估计有5亿工作日丢失由于酗酒4,5]。

尿液是最常见的测试类型和使用的联邦政府授权的药物测试项目还可能最有效。urine-based药物测试套件的主要缺点的放松可以通过简单的掺假或替换“欺骗”,无法检测电流/在职滥用药物,对SAMHSA-5,所用药物或NIDA-5,无法测试在当前社会6]。

唾液(口服)药物测试套件是无创性的,结果可在几分钟内;然而,他们仍然倾向于比尿液筛查需要花费更长的时间和更多的资金。这种方法是最好的,以确定最近的使用和是一个潜在的损伤指标。唾液药物测试的一个缺点是它不批准该机构使用点/联邦规定的药物测试。此外,口服液体并不被视为生物危害,除非是可见的血液,应该小心处理(6]。

喷雾(汗)药物测试套件是侵入性。喷雾或sweat-based药物测试的主要缺点是他们愿意污染。同时,人际大汗的生产速率变化呈现结果不确定在某些情况下(6]。

目前的药物测试的主要缺点与安全和事故预防是所有这些技术不衡量当前中毒估计和揭示吸毒的信息,可以对安全没有影响,生产力,或性能。有人测试积极服用药物后几天,几周或几个月前(7]。

除了毒品和酒精消费,睡眠可能导致的损失或破坏operator-related事故和降低生产率8]。的损失甚至一个晚上的睡眠会导致极端的短期困倦。每晚睡不到四个小时会损害性能,和睡眠不足的影响是累积和可能导致慢性嗜睡(9]。

睡眠可以减少反应时间,警惕,警觉性,浓度,决策速度10]。几个大型事故(核、运输等)是由运营商嗜睡(11]。

在HUMABIO [12),新型传感器综合项目开发的感觉(13]因为生理信号的采集被用来开发一个生物安全系统,基于这些信号。这些在他们的最终形式是无线传感器集成在服装(例如,帽子)来减少它。然而,由于他们需要附加到身体,一些不适为用户是不可避免的。提高传感器的使用超出了他们的安全目的,测量生理信号也被利用来验证主体的名义工作能力。特别是,提取的特征的传感器融合使用现代多模式分类技术,即支持向量机(svm),模糊专家系统(承认),神经网络(NNs)和高斯混合模型(gmm)。结果表明,有效提取信号的组合使分类精度高,减少噪声数据的影响,提高了系统的安全性和antispoofing属性。因此,论文的新颖性是双重的:首先,小说生理信号的使用有限的莽撞,其次,多通道的发展框架的组合和有效集成评估受试者的生理状态。

这旨在检测可能的缺陷(源于药物或饮酒和睡眠剥夺)通过测量描述人的内部生理特性,和它应该应用于案例涉及关键业务需要运营商的充分重视和准备,如驾驶或空中交通控制。使用生理标记和信号估计的状态个人过去广泛研究;然而,主要的工作是对睡眠的检测deprivation-related hypovigilance和剥削的脑电图(EEG)信号14- - - - - -17]。在本文中,我们研究两个额外的检测危险条件和EEG以外的许多生理信号的融合。

2。目标规范和数据测量协议

目的是利用生理测量如脑电图、心电图(ECG)与事件相关电位(ERP)和二次测量,如身体影响评估对象是否在名义上的生理状态,应该充分信任来执行他们的任务。

开展这项研究的第一步是定义一个严格的数据收集协议提供测量从“正常”和“不正常”生理条件从几个科目。

最后的协议是一个只有随机、开放临床试验后四交叉设计。它包括实验共进行了为期一天的筛查和四个为期四天的访问,每个评价对象在下列条件之一根据交叉设计:(我)正常条件下,(2)咪达唑仑管理:课程是管理一个口头平板电脑7.5毫克的咪达唑仑(Dormicum)第二天上午十一时。平板电脑管理自来水的240毫升,(3)饮酒:受试者接受单剂量口服0.5 g酒精/公斤在第二天上午10:30。适当剂量的酒精(伏特加40%,调整为每个主题的体重)是混合着橙汁300毫升的体积,(iv)部分睡眠剥夺:受试者只允许睡眠4个小时(从凌晨3点到7点)。第一天和第二天之间。

中心主题是承认在第一天12点协议设定的条件下每个实验的会话。第一天和第二天,他们执行重复记录进行验证,验证和监控在不同的时间点(仅验证协议将本文中描述)。主题一直在研究中心,直到第三天中午,审查后的安全评估。他们被允许离开中心如果没有医疗条件揭示临床相关的异常。一段至少七天分开两个连续招生中心(第一天)(图1)。

录音同时进行不同的视觉和听觉刺激七次每天每一天:上午和下午和晚上三倍的四倍(7,8,9,11,12:30,或者一点取决于监测测试,17点和晚7:00)。

脑电图此次录音进行在256 Hz使用32电极放置在头皮上的主题,在10 - 20系统。28人用于脑电图和四个小城镇(垂直眼球运动和水平眼球运动)。一个额外的胸部铅是用来记录心电图和另一个固定的后颈被用来记录文物。这些录音同时进行视觉和听觉刺激描述如下。

主题是坐在电脑屏幕前,第一分钟时保持眼睛睁开,闭着眼睛在接下来的一分钟,然后睁大眼睛剩下的分钟。在开放期间,主题是要求盯着屏幕上的一个点。现货可以维护仍然也可以是其他任何方向移动。屏幕可以在其他时刻闪烁。第一分钟结束时,现场消失,和书面句子出现在屏幕上几秒钟,例如“我闭上眼睛。”这个话题被要求阅读,然后闭上眼睛。声音发生50秒后,在第二分钟,主题是要求打开眼睛。在第三分钟结束时,现场消失和书面句子出现几秒钟屏幕上的例如“我闭上眼睛。”这个话题将被要求阅读,然后闭上眼睛。ERP测试(包括简短的声音排放)适用于两分钟。 At the end of the test, the subject is asked to stand up. Then, the subject is asked to perform the body sway test (Figure2)。

规定之前,第五次记录可以12:30或13:45 -根据监控测试。每个监测测试之前和之后,大脑皮层状态(CBS)测试进行校准的目的。这个测试包含2分钟眼睛睁开(EO),两分钟EC 2分钟光电。同时脑电图、小城镇和心电图记录在这个测试和分析这些信号也被执行。更具体地说,同步方法被用来分析这些信号。

在表1,从原始数据中提取的特征测量报告。这些特征作为输入的分类算法在以下部分中描述。

3所示。分类算法

根本原因基于多个分类器的决策信息的固有限制在一个单一的方法。范围的融合算法是有效地结合每个模式针对的信息更准确和可靠的分类决策。此外,多通道的使用分类器部分地址的问题吵了传感器数据,减少损坏的风险数据值。此外,使用多个模式降低了欺骗的风险或作弊,因为这个话题应该欺骗所有的工作模式。

异常的生理状态的检测是一个两级的问题。生理测量设置可以分为“正常”或“不正常”相比,先前存储测量集对应于主体的名义状态。

四个最先进的融合技术是利用,即支持向量机(svm),模糊专家系统(承认),高斯混合模型(gmm)和人工神经网络(NNs)。这些技术遵循不同的哲学融合的单峰输入为了产生一个整体的评估人的生理状态。

(我)一个典型的支持向量机实现了(18]。径向基核函数是用于将输入数据映射到高维空间中,他们是线性可分的19]。支持向量机的参数,优化在训练参数γ内核的惩罚参数的两个类(正常和异常状态)和支持向量的定义。上述参数的优化是通过完整的枚举。三种不同的支持向量机模型的训练,每一个检测特定的变态(毒品消费、饮酒、睡眠剥夺)。

(二)啧啧菲斯(20.)开发中描述(21]。菲斯的前提空间由三个输入框。每个前提输入被三个梯形隶属度函数分段导致27三维模糊规则的创建。前提选择输入,通过大量的实验,从可用的(见表1)的变化取决于异常状态。药物检测输入,4、5、6(见表1)输入的前提下,对酒精检测输入,17日,18日和19日前提了最好的分类率,最后对睡眠剥夺,菲斯的前提空间被输入组,1,2,3。人的生理条件的菲斯估计是一个合成(加权平均)27个模糊规则输出。每一个模糊规则的输出是一个线性函数的所有参数表所示1以包含所有可用的信息对人的生理机能。线性输出函数的参数以及参数定义的模糊规则前提的位置空间的分割(或换句话说前提输入通过隶属度函数的形状和定位)是由一个真正的优化编码(21)遗传算法(22]。

(3)贝叶斯分类和决策是基于概率论和的原则选择最可能的或最低的风险(预期成本)选项。高斯分布通常是很好的近似为一个类模型的形状选择合适的特征空间。高斯分布是一个假设,一个基本的类模型确实是一个模型类。然而,如果多通道的实际模型,这个模型不能连贯地捕获底层分布。高斯混合模型(GMM)的混合几个高斯分布和,因此,代表不同的子类内部类(23]。概率密度函数被定义为高斯函数的加权和 在哪里组件的重量吗,和 参数列表定义了一个特定的高斯混合概率密度函数。高斯混合参数估计为一个类可以被认为是无监督学习的情况下,样品是由单个组件生成的混合分布,没有知识的示例生成的组件。

三个gmm发达,每个相应的异常状态。三个gmm由四个混合组件。组件的重量估计在广泛的实验(一)咪达唑仑摄入量:,,,,(b)饮酒:,,,,(c)睡眠不足:,,,。

(iv)第四算法是一个三层前馈神经网络(NN) [24]。层由输入神经元,隐藏的神经元和一个输出神经元,等于测量生理特性的数量(从表),按照国家异常变化,通过试验。神经元完全紧密联系在一起的,偏见是应用于每个神经元。传递函数是选择乙状结肠,以解决非线性的输入数据集。对于权重的训练,著名的反向传播方法。训练迭代和训练参数的最优数量设置一些和取决于诊断案例(睡眠剥夺和酒精或药物的摄入)(一)咪达唑仑摄入量:,,,(b)饮酒:,,,(c)睡眠不足:,,。

在哪里是隐藏的神经元的数量,是神经元传递函数系数,是每个神经元的偏差因素。迭代收敛后取得了500年到1000年根据异常状态(咪达唑仑摄入量的神经网络训练速度更快)。

4所示。生理状态评估准确性

4.1。概述可用的数据和方法训练集和验证集的创建

主体生理状态的估计使用前面提到的机器学习技术是基于特征向量的分类(模式)中描述的数据表组成1。在许多模式,一些值是缺失的,因为没有进行相应的测量。这导致与非常数的数量的组件模式。支持向量机分类器可以把这些情况下通过假设值“0”缺失的值。自从值缩放(−1比1)范围内,这对应于假设一个缺失值属于其中一个类(正常和异常)和概率相等。GMM分类器,计算概率密度函数只基于可用的特性。但另一方面,菲斯和神经网络分类器,只有模式包括的所有特性。

咪达唑仑和饮酒,只有时间在消费后立即测试(11)。原因是毒品和酒精的影响随着时间的推移很快消失。睡眠不足,测试了最新的测量(晚),因为这种情况变得更加强烈的影响随着时间的流逝。

基线值对应于名义状态计算的平均测量控制天(第一天)的确切时间测量。换句话说,药物和酒精的州,11点45分到第一天的平均值测量被认为是名义价值。

相对较少的主体(20)的可用数据集需要使用交叉验证提出的有效的评价方法。因此,15名受试者被用于机器学习算法的训练,剩下的5被用于评估训练算法。通过移动每个主题训练集和测试集,反之亦然,20个训练集和评价集。报告结果的平均分类率在20个实验。

由于小尺寸的训练数据集包含只有15主题和四个样本/主题/状态(正常和三个异常为每个异常状态),这使得每州60训练样本,训练只持续几秒钟,使用英特尔奔腾4。5个科目的训练算法的验证,并不包括在训练数据集立即发生。

必须指出的是,大多数的分类检测算法计算复杂的部分是训练阶段。然而,由于培训执行离线,只有一次,它不影响系统的性能在运营阶段的分类个体生理状态的实时执行。

4.2。培训和评估结果

在下面的表,并给出了不同算法的比较结果。假废品率(FRR)表示错误的比率估计异常状态的系统,和错误接受率(远)表示错误的比率估计名义状态,而这些措施报告的一半的平均总错误率(ht)类比与典型的用于生物识别安全系统精度的措施。

通过检查的结果表2,3,4,第一次观察到药物摄入量比酒精更准确地检测到,而睡眠不足,条件是最少的检测精度。这一结果可以预期,因为人表现出不同的敏感性,酒精,因此有更强的重叠的正常/异常类的毒品消费情况,在诱导物质会导致一个更客观地描述为“不正常”。检测精度从药物的摄入可以被认为是非常满意的,因为测试结果只有5%的错误。咪达唑仑和酒精摄入量的影响主要是检测后不久消费。尽管结果本文目前只在时间“11”系统的性能(消费)后对咪达唑仑和酒精,这些条件在以后时间的检测是不准确的。

睡眠不足,另一方面,更难以检测(如图3(一个))。误差达到40%(30%在使用不完整的模式和虚拟特性值),不能被认为是令人满意的。然而,这可能是由于这样的事实,受试者可以在夜间睡眠四个小时前测试(而不是正常的八小时),所以他们没有达到临界水平的困倦的分析,可以更准确地发现他们的生理指标。

另一个观察是所有算法,即使他们遵循不同的理论方法的分类问题,达到相似的诊断率(图3 (b))三个异常条件。这让我们相信报道结果接近最高精度的水平时,可以达到利用给定的特性。

5。结论

在本文中,我们提出了一个研究的潜在生理测量的自动分类和派生功能检测特定危险的生理状态。这样的过程是非常重要的,当应用到工作场所,包括关键的操作可能会影响员工的健康和安全,但也更大的人群(例如,专业司机和运营商在核工厂)。生理特性的分类是追求的发展最先进的模式识别和分类算法,即支持向量机,菲斯,GMM,安。支持向量机取得了最好的估计精度;然而,精度范围极大地取决于变态。毒品消费的条件最大的事故风险检测准确率达到了95%。咪达唑仑治疗有很大的生理作用的几乎所有的个体。这个“全球”效果演示,验证结果使用对象以外的训练数据集不是远比训练结果。这意味着系统的离线训练后的生理测量获得的,训练有素的系统可以应用于新的未知的主题和类似的检测精度。

然而,这是不正确的,用酒精,培训结果明显好于验证的结果。因此,我们得出这样的结论:酒精的影响表现出的人际关系变化。这是预期,导致我们认为系统应该训练有素的专门为每个主题为了提取个性化陶醉“签名”。这个复合体系统部署超过药物检测情况;非个性化培训,然而,即使在发现饮酒与近85%的精度可以满足安全要求的部署工具。

睡眠不足的主要原因hypovigilance发现大约有70%的准确率。低精度的主要原因在检测hypovigilance由于睡眠不足是大人际关系的变化,“软”睡眠剥夺协议允许四个小时的睡眠,睡眠与自然deprivation-related hypovigilance: hypovigilance表现不是线性和稳定的方式,但是嗜睡和警觉性交替时刻。此外,附加电极的过程中,以及协议本身是基于测量测试,而不是在通常的条件下使受试者紧张和警惕。

另一方面,hypovigilance可以使用其他传感器检测更准确(相机)和功能(眼睑活动参数)(21]。系统提出了并不旨在反对地操作这些系统还存在其他unobtrusiveness等优势,而是以实现协同运作,使检测更加健壮。

这项研究表明,传感器已经申请了生理信号的采集几个目的(例如,安全12和健康或压力监测13])也可以用于验证一个人的名义生理状态作为事故预防措施,增加价值,另一个目的生理学测量知觉的设置,通常是突兀的科目。

下一步包括进一步测试,以探讨性能恶化当几个特性,他们的收购是困难的,需要特殊的设备被丢弃。如果对检出率的影响是最小的,它可以导致unobtrusiveness和简化协议的生理学和其他数据的集合。排斥的总理候选人是ERP和身体影响,因为这些模式贡献主要是为了验证初始名义状态的复杂性系统,要求特定的耗时的协议和数据采集专用设备。

承认

这项工作是支持的EC号合同下一部分。fp6 - 026990 HUMABIO [12]。

引用

1. 物质滥用和精神健康服务管理局”,结果从2002年全国药物使用和健康调查:国家发现,”2003年。视图:谷歌学术搜索
2. m·伯恩斯坦和j·马奥尼,”管理观点酗酒:雇主的股份酗酒治疗,”职业医学,4卷,不。2、223 - 232年,1989页。视图:谷歌学术搜索
3. 我们Labor-Occupational安全&健康管理部门,“工作场所滥用药物,”http://www.osha.gov/SLTC/substanceabuse/index.html/。视图:谷歌学术搜索
4. 美国卫生和人类服务部物质滥用和精神健康服务管理局,1999年全国家庭调查药物滥用卫生和人类服务部,罗克维尔市,马里兰州:我们,2000。
5. 协会的医生,治疗是答案:白皮书酗酒和药物依赖治疗的成本效益协会的医生,拉古纳山,加州,美国,1991年。
6. 维基百科,“药物测试”,http://en.wikipedia.org/wiki/Drug_test。视图:谷歌学术搜索
7. “在工作场所药物测试:总结结论独立调查药物测试的工作,”2004年,http://www.jrf.org.uk/node/1183/。视图:谷歌学术搜索
8. l·史密斯,美国Folkard和c·j·m·普尔“夜班增加伤害。”《柳叶刀》,卷344,不。8930年,第1139 - 1137页,1994年。视图:出版商的网站|谷歌学术搜索
9. j·a·霍恩和l·a·雷恩,”交通事故相关的睡眠:审查。”职业与环境医学卷,56号5,289 - 294年,1999页。视图:谷歌学术搜索
10. c . j . Reissman一名卡车司机指南睡眠、疲劳、和休息24小时在我们的社会美国弗吉尼亚州亚历山德里亚,美国卡车协会,1996。
11. m . m . Mitler m . a . Carskadon c·a·泽w . c .疯狂的d·f·丁格斯和r·c·格雷柏”灾难,睡眠,与公共政策:共识报告,“睡眠,11卷,不。1,第109 - 100页,1988。视图:谷歌学术搜索
12. i . g . Damousis d Tzovaras, a . Bekiaris“低调的多通道生物认证:HUMABIO项目概念,“Eurasip在信号处理的发展》杂志上ID 265767条,卷。2008年,11页,2008年。视图:出版商的网站|谷歌学术搜索
13. 大肠Bekiaris和s . Nikolaou“先进传感器技术的工业应用,”程序的感觉(SCI ' 04)美国奥兰多,佛罗里达州,2004年7月。视图:谷歌学术搜索
14. i . g . Damousis Cester, s . Nikolaou和d . Tzovaras”基础睡眠生理指标预测为避免驾驶事故,”第29届国际年会的IEEE工程学报》在医学和生物学的社会卷,2007年,页6699 - 6704,里昂,法国,2007年8月。视图:谷歌学术搜索
15. i . g . Damousis和i Cester在线脑电图分析和分类的预测hypovigilance相关驾驶事故,”感觉第二次国际会议的程序,监测睡眠和睡眠新的传感器在医学和工业应用有关希腊,2007。视图:谷歌学术搜索
16. c·t·r . c . Wu, s . f .梁和t·p·荣格“基于脑电图频谱估计驾驶性能和模糊神经网络”《IEEE国际神经网络联合会议2004年7月,页585 - 590。视图:谷歌学术搜索
17. t·p·荣格s Makeig m . Stensmo和t . j . Sejnowski“从脑电图功率谱估计警觉性,”IEEE生物医学工程,44卷,不。1、60 - 69、1997页。视图:出版商的网站|谷歌学术搜索
18. c . j . c . Burges”教程对支持向量机模式识别,”数据挖掘和知识发现,卷2,不。2、121 - 167年,1998页。视图:谷歌学术搜索
19. n Christianini和j . Shawe-Taylor介绍支持向量机和其他基于学习的方法英国剑桥,剑桥大学出版社,2000年。
20. 高木涉和t . m . Sugeno”模糊识别系统及其应用程序建模和控制,”IEEE系统,人与控制论,15卷,不。1,第132 - 116页,1985。视图:谷歌学术搜索
21. i . g . Damousis和d . Tzovaras模糊融合hypovigilance-related事故预测,眼睑活动指标”IEEE智能交通系统,9卷,不。3、491 - 500年,2008页。视图:出版商的网站|谷歌学术搜索
22. d·e·戈德堡遗传算法在搜索、优化和机器学习美国,addison - wesley,纽约,纽约,1989年。
23. m·a·f·Figueiredo和a . k . Jain有限混合模型的无监督学习,”IEEE模式分析与机器智能,24卷,不。3、381 - 396年,2002页。视图:出版商的网站|谷歌学术搜索
24. m·盖与神经网络信号和图像处理约翰·威利& Sons,纽约,纽约,美国,1994年。

版权

版权©2011 i g . Damousis等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。