基于神经网络的心率变异性指标预测的研究

作     者：王健 邢科家 王玺 

作者机构：中国铁道科学研究院 中国铁道科学研究院集团有限公司通信信号研究所 

出 版 物：《铁道科学与工程学报》 (Journal of Railway Science and Engineering)

年 卷 期：2025年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 082303[工学-交通运输规划与管理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

基　　金：国家自然科学基金资助项目(52172323) 

主　　题：铁路安全 运输岗位 疲劳预测 神经网络 心率变异性 

摘      要：岗位疲劳与不安全行为有明确关联，与运输生产安全紧密相关。岗位疲劳检测已经得到了广泛的研究，但目前研究主要是基于实时指标的疲劳状态检测。如果对识别疲劳的指标做出预测，则可进一步预测未来的疲劳状态，从而提前采取措施更好地应对疲劳作业。门控循环单元神经网络（GRU）已被证实在处理时序预测问题中表现良好，本文旨在开发一种基于GRU的预测模型，以提高铁路运输岗位疲劳的预测能力，从而为提前干预提供依据。在基于心率变异性（HRV）指标的疲劳检测中，MEAN、SDNN、RMSSD和HR等时域指标是最基础、最常用的。本研究采用重叠窗口采样方法进行数据预处理，并利用贝叶斯优化（BO）的GRU模型进行HRV基础时域指标的预测。以铁路车站在岗值班员为对象采集8组数据，从各组数据中提取MEAN、SDNN、RMSSD和HR数据集，用拟合度（R2）和均方根误差(Erms)作为验证指标，采用交叉验证法检验预测结果的准确性。以基于长短期记忆神经网络（LSTM）的模型为对比，比较LSTM、GRU、BOLSTM和BO-GRU模型的预测效果。研究结果表明：在MEAN、SDNN、RMSSD和HR的预测任务中，BO-GRU模型都能够实现高精度预测，拟合度（R2）平均值分别达到0.95199、0.9626、0.96222和0.94846；均方根误差(Erms)均值分别为11.217（毫秒）、9.4517（毫秒）、12.657（毫秒）和1.5357（次/分钟），均优于对比模型。研究结果为铁路运输行业在应对岗位疲劳及保障生产安全方面提供了重要参考。