空中交通管制員疲勞檢測與管理綜述

沈志遠 ，魏義濤 ，閆永剛 ，2，赫海園

（1.南京航空航天大學民航學院，南京211016）

（2.中國民用航空空中交通管理局空管部，北京100022）

（3.中國人民解放軍93864 部隊，昌吉831100）

0 引 言

2018 年國際航空運輸協會（IATA）預測，根據國際和國內旅客運輸量的綜合計算，我國將在2025 年前后超越美國成為全球最大的航空市場，到2035 年前后我國民航市場客流量將達到13億。民航事業的發展離不開大型運輸客機的自主研發和高效的空中交通管理體系兩大軟硬實力的支撐。

民航的快速發展給空中交通管理帶來了巨大挑戰，進而對空中交通管制員的需求急劇增加?？罩薪煌ü苤剖且豁棑撝匾踩熑蔚穆殬I，管制員發出的一條錯誤指令可能會造成嚴重的航空安全事故，因此空中交通管制是世界上最具挑戰和困難的工作之一。管制員工作職能主要有三種，分別是塔臺管制、進近管制以及區域管制。塔臺管制員負責管理機場區域的運行，主要對飛行員下發起飛和落地指令；進近管制員負責對終端區進場和離場的飛機進行排序指揮；區域管制員負責對航路上的飛機進行管制。由于工作的重要性，管制員工作過程中需要保持精神和注意力的高度集中，加之其晝夜倒班的工作制度，急劇增加的航班量帶來的工作負荷使得管制員容易處于疲勞狀態。

疲勞通常體現在身體上或者精神上疲倦的狀態，研究表明疲勞狀態可以顯著降低人的警覺性、判斷力、反應力等，被認為是導致人為差錯的重要潛在風險因素。歷史研究數據表明，航空安全事故中與管制員相關的事件大多由其疲勞引起的“錯、忘、漏”相關，因此管制員疲勞檢測對于航空安全以及風險管控具有重要意義。

隨著未來國產ARJ21、C919 機型與波音和空客系列飛機共享天空，由于不同機型的飛行性能不同，會增加航班機動指揮和空中交通調配復雜度，加上突發惡劣氣象條件等因素，使得管制員工作更易疲勞。

然而疲勞作為一個抽象的概念，盡管已經有近一百年的研究歷史，學術界和工業界仍然沒有對其形成統一定義，管制員疲勞檢測亦是一項非常具有挑戰性的研究工作。

當前疲勞檢測研究大體可以分為兩類，主觀評價方法和客觀評價方法。主觀方法主要是通過被測人員填寫疲勞量表的形式來進行。依據疲勞量表的得分，判斷其是否處于疲勞狀態以及疲勞程度，例如，T. Chalder 等提出的多維疲勞量表。盡管這種方法操作簡單，但被測人員往往帶有主觀想法，檢測結果不夠準確?？陀^評價方法是指借助儀器、設備等輔助工具記錄人體生理、生化、行為或人因工程等方面某些指標的變化以判斷疲勞狀態，常見的生理指標有腦電、心電、皮膚電、心率等。這類檢測方法準確度很高，但是實用性不足。一方面，用于檢測信號采集的設備成本高昂且不易操作；另一方面，檢測過程中需要與被測者產生接觸，會使得被測者承受額外的壓力而更容易出現疲勞。

由于主觀檢測方法和客觀接觸式檢測方法用于檢測管制員疲勞的局限性，非接觸式檢測方法開始受到研究人員的關注。依據判斷指標的不同，可以將非接觸式檢測方法歸為四類，具體的，這四種指標為：工作負荷、人因工程、面部特征、語音特征。特別是隨著近年來人工智能和深度學習的快速發展，人們開始利用面部特征和語音特征結合深度學習技術進行研究，取得了較好的研究成果。但總體而言，管制員疲勞檢測的研究比較分散。

本文對近些年的管制員疲勞檢測進展進行綜述。首先從疲勞主觀評價和客觀檢測兩個方面詳細闡述管制員疲勞檢測的研究成果及其優缺點；然后將基于管制陸空通話的語音疲勞檢測方法分成疲勞特征提取與表征、疲勞識別模型構造兩個步驟進行詳細介紹；順應近些年人工智能技術的迅猛發展，對比分析傳統識別模型和基于深入學習疲勞識別模型的構造方法；最后從空管自動化系統的疲勞狀態實時監測預警模塊和考慮疲勞因素的管制員智慧排班系統兩個方面對管制員疲勞檢測的應用前景加以分析。

1 主觀評價方法

疲勞是一個抽象概念，但每個人確實有直觀的感受，因而主觀評價方法很早就被提出。主觀評價方法要求被觀測者根據主觀感受填寫自我疲勞量表或者疲勞問卷，從而判斷其疲勞狀態和疲勞程度。目前國內外流行的疲勞自評量表如表1所示，主要分為單維和多維疲勞量表兩大類。由于考慮到影響疲勞的多個維度，多維疲勞量表的影響力更大，應用也更加廣泛。

表1 國內外流行的疲勞自評量表Table 1 The main fatigue self-assessment scales

盡管針對疲勞檢測的主觀評價方法一直受到研究人員的廣泛關注，但大多運用在臨床醫學治療等領域，將其運用到管制員疲勞檢測的研究相對較少。本節從基于工作負荷的問卷調查和自評量表兩方面介紹針對管制員的主觀疲勞檢測方法。

1.1 管制員工作負荷評定法

工作負荷是引起疲勞的重要因素，因此評定工作負荷便可間接判定疲勞程度。早在20 世紀60年代人們便開始了對管制員工作負荷的相關研究，主要的研究方法集中在主觀評價，當前流行的兩種主觀疲勞評定方法如表2 所示。

表2 當前流行的管制員工作負荷評定法Table 2 The main methods of air traffic workload assessment

1.2 管制員疲勞自評量表

相對于問卷調查的編寫自由，疲勞量表的編制則更加規范化和標準化，數據處理更加方便，并且量表涉及信度和效度的問題，因此疲勞自評量表對于主觀評定疲勞具有更好的科學性。國內外研究了大量信效度及應用性都很好的疲勞量表，但是很少有研究者制定管制員疲勞量表。最具代表性的是MFI-16 管制員疲勞量表，它是2016 年孫瑞山等在MFI-20 量表的基礎上結合國內管制人員工作特點制定的。該量表在原先的MFI-16量表5 維度20 條目的基礎上進行了刪減和增添，刪除了第二維度“活力下降”，在第三維度“腦力疲勞”增加了記憶力下降和記憶力很好這兩條，最終修訂后的量表共4 維度16 條目。通過在管制人員中進行調查分析，該量表的內部一致性信度達到0.803，證明了該量表的可信度和穩定度，為管制人員疲勞狀況調查提供一個實際可行的參考方案。

2 客觀檢測方法

主觀評價方法具有操作簡單、成本低等優點，已成為廣泛采用的測量方法。但是被測對象之間的主觀感受差別很大，評分標準無法統一，測量結果往往不具備客觀性?？陀^評價方法則可以很好地規避上述缺點，其是借助于儀器、設備等輔助工具來檢測人體的各種生理與生化指標，從而客觀地通過指標變化來判斷人體的疲勞程度?？陀^評價方法又可以分為接觸式檢測與非接觸式檢測兩種。

2.1 接觸式檢測方法

接觸式檢測是通過儀器接觸被測者而獲得生理生化指標，常見的生理生化指標包括腦電、心電、眼電、心率、血液等。研究人體生化反應的文獻眾多，但主要集中在體育行業，民航相關的研究甚少，本節重點介紹生理指標在管制員疲勞中的應用研究。

2.1.1 腦電檢測

腦電圖（Electroencephalogram，簡稱 EEG）可以直接反映腦部活動的變化，被認為是檢測人體疲勞的最有效方法，也是國內外研究管制員疲勞的熱點。早期的研究主要在于證明不同頻帶范圍的腦電波的能量變化與疲勞之間的關系，例如S.K.Lal 等和 H.J.Eoh 等通過統計分析的方法發現在疲勞狀態下

δ

波與

θ

波活動會顯著增加，并且

β

和（

α

+

θ

）/

β

等比值具有顯著差異；P. Arico等基于在校管制學員做模擬機收集的EEG 信號，提出了管制員腦力疲勞系數，并建立了相關管制員工作負荷模型；D.Dasari 等通過模擬實驗連續監測管制員的EEG 信號，實驗結果顯示，管制員在70 min 時開始出現疲勞狀態，判斷反應能力也逐漸變差；王莉莉等采集了32 名在職管制員在大流量且有特情情況下進行管制模擬機的EEG信號，采用反應時長作為疲勞指標，結果顯示管制員在夜間00∶00 之后的疲勞指標值會陡然增加，存在極大疲勞隱患。

2.1.2 心電檢測

腦電圖雖然能夠非常準確地檢測管制員疲勞狀態，但是檢測設備成本高昂，而且穿戴檢測設備也會給管制員帶來干擾，因此人們開始著力研究更易獲取的心電信號（Electrocardiograph，簡稱ECG）與管制員疲勞之間的關系。在心電疲勞檢測的研究中，主要包括處理心電數據，建立管制員疲勞與心電時頻域指標的聯系，以及心電多融合指標評價方法等，其中心率差異性（Heart Rate Variability，簡稱HRV）是公認的反映疲勞程度的可靠指標。趙曉華等分析了心電信號隨工作時間的變化規律，采用主成分分析法綜合各項指標后得出，心電指標中的RRmean，SDNN 兩個指標可對疲勞狀態進行評價；陳鳳蘭采用心電信號疲勞指標討論了不同排班制度對管制員疲勞的影響，發現上2 小時休息2 小時的輪班方式顯示的心電值最低，疲勞程度最??；呂川將心電信號作為其中一項輸入量，借鑒人工智能算法，構建疲勞預測模型，發現心電指標隨疲勞度變化相關性較高。

2.1.3 皮膚電檢測

隨著各種生理測量儀器的發明應用，研究人員可以快速獲得除傳統腦電、心電以外的其他生理指標，比如皮膚電信號。皮膚電信號反映的是皮膚表層的汗腺活動強度。相關研究表明，疲勞狀態下人體的交感神經和中樞神經處于相對抑制狀態，導致汗腺分泌液少，皮膚電均值較低；相反人體清醒狀態下中樞神經和交感神經處于活躍狀態，控制汗腺分泌液多，皮膚電均值增大。2020 年，陳鳳蘭等利用 Mangold-10 生理多導儀軟件從皮膚電信號中提取相關疲勞表征指標，針對西南空管局管制員不同輪休方式下的疲勞狀態進行了對比實驗，結果表明，隨著工作時長累積，皮膚電指數顯示正相關增加。

2.2 非接觸式檢測方法

近年來，隨著人工智能與深度學習的飛速發展，計算機視覺識別以及語音識別技術在諸多領域展現了極好的應用性。上述接觸性檢測技術盡管表現了很好的疲勞識別準確性，但是往往需要讓管制員穿戴不同的生理檢測設備，實驗操作復雜，智能性過低，難以很好地應用到管制員疲勞檢測中。因此，近些年很多學者利用眼動跟蹤、面部識別、語音識別等技術間接判定管制員疲勞狀態。

2.2.1 基于眼動跟蹤技術

基于眼動跟蹤技術的疲勞檢測方法是指利用被測人員眼部特征變化規律來判斷其疲勞水平，常用的眼動特征包括：眼睛閉合時間占某一特定時間的百分率（Percentage of Eyelid Closure Over the Pupil Over Time，簡稱PERCLOS）、眨眼頻率、瞳孔變化、眼睛開合狀態等，其中PERCLOS 已經成為公認有效的疲勞評判標準?；谘蹌犹卣髋c疲勞水平的緊密關系，并且眼動儀技術的不斷改進，使得學者獲得眼動數據更加容易，因此更多的研究開始將其與自動向量機、神經網絡等模型結合起來進行疲勞預測，取得了很好的預測準確率。例如，F.Friedrichs 等在實際駕駛實驗中采集眼睛開合速度、PECLOSE 和眨眼時間等數據，通過神經網絡進行識別，最終的疲勞準確率達到82.5%。

鑒于眼動檢測技術在地面疲勞駕駛領域的豐富成果，研究者逐漸將其引入到管制員疲勞檢測中。陳健首先研究眼動數據、PERCLOS 與管制員疲勞之間的關系，研究發現基于PERCLOS 和眨眼頻率可以很好地擬合管制員的疲勞狀態，當閾值達到0.35 時可被判斷為疲勞狀態；N.M.Sarah等則模擬了低、中、高三種不同流量強度的管制場景，發現環形視線掃描是管制員的主要模式；靳慧斌等研究了管制員的視覺搜索特征，選擇注視持續時間、水平、垂直視角、掃視幅度和速度等作為表征特征，結果顯示被試的視覺搜索特征隨飛機的數目變化不大；董斌結合眼動行為特征，提出了一種新的扇區交通運行特征分析方法，對管制員眼動行為與扇區交通運行特征之間的關系進行研究，結果表明，不同的眼動指標與交通運行特征的相互關系不同；王艷軍等通過faceLAB眼動儀采集了專家與新手的眼動指標，結果發現專家的平均注視時間更長，注視點更少，掃描幅度更小。綜上所述，眼動跟蹤技術在管制員疲勞檢測上取得了一定的進展，但是大多集中在淺層探究不同眼動特征在不同管制場景下的變化關系，缺乏更深層次的理論分析。

2.2.2 基于面部特征識別技術

基于管制員面部特征的檢測方法是分析被測人員的面部特征，對比管制員在正常狀態和疲勞狀態下面部的不同表現，典型的面部疲勞特征有眨眼頻率、打哈欠檢測、頭部狀態等，這些從計算機視覺角度也都是易測可靠的特征。研究表明，眨眼頻率增加、打哈欠、頭部低下、眼睛閉合時間延長等現象表明被測人員開始出現疲勞狀態。

卷積神經網絡（Convolutional Neural Network，簡稱CNN）可以自動提取圖像的深層特征，避免人工提取特征導致的魯棒性差等問題，因此在圖像分類以及識別方面得到廣泛的使用。疲勞檢測方面，目前集中在利用CNN 進行人眼和嘴部狀態的識別檢測。孫超考慮單一面部特征識別的局限性，提出了基于多模態融合學習的疲勞識別模型，利用算法分別提取眼部特征和嘴部特征，然后利用深度學習的棧式去噪自編碼機進行特征提取并且抽象層融合，提高系統疲勞檢測的魯棒性。

目前基于面部識別技術在管制員疲勞識別領域的應用不是特別深入，更多的研究還是圍繞面部中的眼部特征展開，并且很少融合當前流行的深度學習方法。2012 年，汪磊等采用 OpenCV開發平臺，結合圖像二值化和模塊匹配技術，對管制員疲勞狀況進行識別，取得了不錯的檢測成果；2015 年，史增鵬首先采用 Adaboost 算法實現對人臉的快速定位，之后選用基于統計學習的人臉檢測算法，進一步確定眼睛和嘴巴的矩形區域，最后進行狀態識別和預測，疲勞識別成功率達到85%。除此以外，利用完備面部特征進行疲勞檢測的研究很少。

2.2.3 基于語音特征識別技術

空中交通管制員的最主要工作是通過陸空通話與機組進行交流，一方面這些通話記錄根據中國民航局的要求需要在語音記錄設備中保存一段時間，另一方面頻繁重復的通話語音中包含了豐富的人體生理與心理信息。具體到個人的海量語音數據為管制員疲勞檢測提供了可行性。相較主觀檢測方法和接觸性生理指標檢測以及基于面部特征檢測，基于語音特征的疲勞檢測方法具有采集便利、操作簡單、全天候、環境適應性高等優點。因此，基于語音特征識別技術受到了業界的廣泛關注。

目前，在研究過程中將語音信號的產生用線性系統模型來近似。這一近似理論認為當分段足夠小時，線性系統可以近似表示非線性系統。這類方法（如線性預測、同態卷積等）簡單且易于實現，被廣泛應用于基于語音特征的疲勞檢測之中。A.M.Laukkanen 等研究了疲勞癥狀與聲學變量之間的關系，研究發現，在大聲閱讀時，咽喉疲勞與平均基頻、聲音壓力值（Sound Pressure Level，簡稱 SPL）相關；J. Krajewski 等介紹了一種由基頻、共振峰、倒譜系數等語音線性特征構成的疲勞特征向量并簡要討論了基于該特征的疲勞狀態檢測方法的有效性，檢測結果的平均準確率為76.5%。

然而語音信號既不是確定性的線性過程，也不是完全的隨機過程，而是一個復雜的非線性過程，其中存在著產生混沌的機制。隨著混沌理論和分形理論的發展成熟，人們開始利用語音非線性技術進行語音疲勞研究。K.Shiomo針對五大元音信號在相空間內的混濁吸引子軌跡，定性地分析了在非線性動力學模型下語音與人體腦活力（腦力疲勞）之間的關系。隨著人工智能技術的迅速發展，一些基于語音信號的智能疲勞識別系統被提出，例如 J.Krajewski 等提出了將語音非線性動力學分析與機器學習分類算法相結合的語音信號疲勞模式識別框架。由此可見，提取具有高準確率的語音疲勞特征是一項挑戰性工作，但是基于語音特征識別技術提供了進行管制員疲勞檢測的可能性。

與此同時，為了能夠更加準確地對比分析管制員疲勞研究進展，管制員疲勞評價方法及相關文獻如表3 所示。

表3 管制員疲勞評價方法以及研究文獻歸納Table 3 The summary of fatigue detection methods and references of ATCs

3 基于陸空通話的語音疲勞檢測方法

通過對語音與疲勞狀態的相關性研究，人體疲勞對語音參數的影響主要體現在如下四個方面：（1）疲勞狀態下聲帶、聲道、面部肌肉及喉部的松弛，會引起共振峰和聲門參數等音質特征的變化；（2）呼吸平緩、肺部氣壓降低會導致聲壓降低，從而影響語速和短時能量等韻律特征；（3）疲勞引起的體溫變化影響聲道的熱傳導、黏彈性以及聲道壁對氣流的摩擦，這些會引起語音分形參數等非線性特征參數的變化；（4）疲勞狀態自然導致反應力降低，大腦遲鈍和發音的反應時間變長，這些導致發音清晰度降低和語速變慢等現象?；谏鲜鲅芯?，分別對四種特征參數的提取進行描述。

3.1 語音疲勞特征參數的提取

3.1.1 韻律特征

疲勞狀態下最容易感知的是語音的韻律變化，比如音調、音長、輕重等。韻律的存在使得在忽略字詞意義的基礎上可以獲得一些“超語言學特征”。當前語音疲勞領域最常用的韻律特征包括基音頻率、短時平均能量和短時平均過零率。

根據聲帶震動方式的不同將聲音分為濁音和清音，其中清音沒有明顯的周期性，而濁音需要聲帶的周期性變化，濁音所引起的聲帶振動頻率稱為基音頻率。當前對于基音頻率的提取方法主要包括短時自相關法、短時平均幅度差函數法、倒譜法的基音周期估計等。短時平均能量是指每一幀語音信號的平均能量，常用來描述相關聲壓幅度的變化。人體一般隨著疲勞感的增加而降低音量，因此在不同疲勞狀態下短時平均能量表現出差異。短時平均過零率是指每幀信號通過零值的次數，其可以用來反映清濁音的切換以及有聲和無聲的語音端點檢測。上述韻律特征參數的數學提取方法詳見文獻［64］，限于篇幅，不再贅述。

3.1.2 音質特征

音質是形容語音的一種主觀評價指標，常用來闡述語音是否清晰或者純凈等。在語音疲勞檢測的研究中，共振峰頻率被認為是最主要的音質特征參數，其與說話人的疲勞狀態有著密切的聯系。

共振峰是指頻譜當中能量相對集中的一些頻帶區域，可以反映聲道的物理特性，并且所包含的頻率的分布特性反映了語音的音色。把聲道比作一條非均勻的管道，當聲音經過聲道時會產生共振現象，進而使得某些頻率能量得到增強，體現在頻譜上為該頻率的振幅提高，這些共振增強的頻率稱為共振頻率，也稱為共振峰。一條語音信號通常會存在4～5 個穩定的共振峰，在語音疲勞的檢測中，一般采集前三個共振峰進行研究。常用的共振峰提取方法有兩個：倒譜法和線性預測編碼法。

3.1.3 基于譜的特征

聲音的產生很大程度上受到聲道形狀的影響，研究表明可以用頻域很好地模擬聲道的特點。譜特征即被認為是聲道形狀變化和發聲運動之間相關性的體現，已經在語音說話人識別以及情感識別領域有著成功的運用。當前語音識別領域的譜特征如表4 所示。

表4 常見譜特征舉例Table 4 Common spectral features

MFCC 模擬的是人耳的聽覺系統的處理特點，因此語音識別領域具有良好的魯棒性和準確性，得到業界的廣泛關注，也是目前語音疲勞識別的譜特征運用的主用特征。

根據人耳聽覺系統的相關研究，人的聽覺系統是類似濾波器組的特殊非線性系統，對不同頻率的語音有著不同的靈敏反應，而

mel

頻率恰好可以模擬這種特性。其中

mel

頻率與普通頻率的關系如下：

式中：

f

為語音信號的頻率。

MFCC 表示的是語音信號的短時功率譜，其提取過程如圖1 所示。

圖1 MFCC 參數提取過程Fig.1 The extracting progress of MFCC

3.1.4 非線性動力學特征

隨著語音線性特征參數的研究漸漸難以突破，加上混沌理論和分形理論的逐漸興起，語音的一些非線性動力學特征開始被人們關注，最大Lyapunov 指數、近似熵和分形維數等是最常用的特征參數，如表5 所示。

表5 常用非線性動力學特征簡介Table 5 Brief introduction of common nonlinear dynamic characteristics

3.2 語音疲勞識別模型搭建

在獲得初始語音特征參數的基礎上，模式識別領域的很多算法都可以用于語音疲勞檢測的研究，分別從傳統識別模型和深度學習識別模型兩方面進行介紹。

3.2.1 傳統識別模型

應用最廣泛的傳統識別模型有隱馬爾可夫模型（Hidden Markov Model，簡稱HMM）、支持向量機（Support Vector Machines，簡稱 SVM）、高斯混合模型（Gaussian Mixture Model，簡稱GMM）和

k

-近 鄰 分 類 模 型（

k

-Nearest Neighbor，簡 稱KNN）等。

這些傳統識別模型在疲勞檢測領域有著廣泛的應用，取得了很好的研究成果。例如，Shen Z Y等通過對管制員疲勞語音進行小波轉換，隨后提取改進的分形維數，將其作為疲勞特征并在自建管制員疲勞語音數據庫利用SVM 進行識別，得到了良好的識別結果；劉亞威基于眼動追蹤技術采集訓練了多個眼動指標作為輸入，隨后使用SVM 進行模型訓練，對管制員的疲勞識別率達到了95.68%；傳統識別模型都具有良好的分類作用，但是一方面需要研究者前期訓練提取語音疲勞參數作為模型輸入量，另一方面需要大量的有標簽數據進行訓練。隨著深度學習和機器學習的發展，加上語音數據集的便利采集，人們嘗試利用深度學習來自動提取更深層更準確的語音疲勞特征以取代之前的人工訓練，從而達到更好的訓練識別結果。

3.2.2 深度學習識別模型

大多數的深度學習都是基于人工神經網絡（Artificial Neural Networks，簡稱ANN），因此也可稱為深度神經網絡。人工神經網絡一般只有2～3層，而深度學習網絡最多可以達到幾百層。近年來，深度學習在眾多領域的研究表現都超過了傳統的機器學習，各領域研究人員都把目光投向了深度學習，語音疲勞識別自然也不例外。深度學習在語音疲勞識別領域的優勢在于，可以省略疲勞特征提取與特征選擇的步驟，從特征識別到訓練分類的所有環節都可由深度學習算法自主完成。當前在語音疲勞識別領域的深度學習模型主要有卷積神經網絡（Convolutional Neural Networks，簡稱CNN），循環神經網絡（Recurrent Neural Networks，簡稱RNN），自動編碼機（Autoencoders，簡稱AE），遷移學習（Transfer Learning）等。

CNN 處理的一般是類似圖片的網狀拓撲結構數據，一般由卷積層、池化層、全連接層組成。卷積層的作用是提取更深維度的特征，第一層卷積層可能只能提取一些低級的特征如邊緣、線條和角等層級，更多層的網路能從低級特征中迭代提取更復雜的特征。池化層是為了降低卷積層的數據維度從而減少計算復雜度。進過多層卷積和池化后，最終被提取的深度特征展開成二維向量作為全連接層的輸入，如人工神經網絡一樣進行反饋訓練。A.M.Badshah 等基于柏林語音情感數據庫使用語譜圖作為數據輸入，將AlexNet 模型預訓練的參數遷移到自己構造的卷積神經網絡，提高了識別準確率和訓練效率。

RNN 專門用于處理時序數據，通過內部記憶機制，可以保留先前的輸入數據，因此在對序列的非線性特征進行學習時具有一定優勢。其中雙向循環神經網絡和長短期記憶神經網絡（Long Short Term Memory，簡稱LSTM）是最常見循環神經網絡，經常也和卷積神經網絡結合使用，在駕駛員疲勞檢測和語音情感識別等領域有很好的應用，但是當前在管制員疲勞檢測領域還是空白。

然而在實際的應用過程中會遇到由于標記成本或者場景不全等因素造成標記的疲勞語音信號短缺的問題。為了保證良好的識別率，非監督學習和半監督學習方法也引起廣泛的研究，其核心算法包括主動學習、自編碼機以及遷移學習等。李響等便基于實際應用過程中的標記樣本稀缺與測試樣本數據分布偏移分布等問題，提出了一種基于遷移學習的半監督疲勞檢測方法。首先他們通過遷移學習的特征空間轉換，解決源域的有標簽樣本與目標域的無標簽樣本數據間的分布偏移和特征維度過高的問題；然后利用半監督學習的方式對無標簽數據進行偽標記；最后的平均疲勞識別率達到86.7%，展現了良好的實際應用價值。

4 管制員疲勞檢測應用前景展望

近些年航空需求保持著快速增長，基于空域有限的現實條件，一定空域內的航班量必然增加，這給空中交通管制工作帶來了新挑戰。其中空中交通管制員的指揮能力即小時管制航班量是影響空域容量的重要指標，當前主要根據經驗進行評估，然而管制員處于不同的身體疲勞狀態下，指揮能力與管制航空風險會有很大變化。與此同時，空中交通管制員的工作性質需要24 h 不間斷的進行管制服務，這決定了管制員必須實行倒班制，這與人體正常的生理節律很難達成穩定，再加上工作強度以及壓力等因素，這些都致使管制員更易感到疲勞。主、客觀的疲勞檢測方法成果在此背景下有如下兩方面應用方向。

4.1 融入空管自動化系統的疲勞狀態實時監測預警模塊

通過實時檢測管制員的疲勞狀態，可以提前規避人為因素導致的風險源，降低航空事故及事故征候發生的概率，提高航空安全管制水平。在一線單位使用的空管自動化系統中嵌入疲勞檢測模塊，能夠依據實時陸空通話數據識別管制員的疲勞狀態，及時調整管制員執勤安排，從而從人為因素上盡可能降低管制運行的差錯，提升民航的安全運行水平。主要的研究內容包括如下三個方面：

（1）管制員疲勞等級的細化分類：當前的疲勞監測研究都是簡單的二分類——疲勞與正常，并不能滿足實際疲勞監測工作的要求。

（2）管制員語音疲勞大數據庫建立：完備的大數據庫對于訓練高效準確的管制員疲勞狀態監測系統具有重要作用，可在 Shen Z Y 等創建的管制員語音疲勞數據庫基礎上，建立面向每個管制員的疲勞大數據庫。

（3）管制員實時疲勞監測模型優化：如果將疲勞預測種類從當前的兩類進一步擴展，對于模型的訓練邏輯以及算法選擇方面也需要進行進一步優化，以達到實際應用效果。

4.2 融合疲勞分析的管制員智能排班系統

空管一線單位的排班制度往往由帶班主任依據個人經驗，在考慮班組的搭配水平下隨機分配，并且手動排班往往效率低、耗時長，而且很難綜合考慮各種影響因素，例如個人值班習慣、疲勞狀態、班組管制能力均衡等，因此只能得到可行解，很難達到最優解。具體的當前管制員手動排班管理主要存在的問題有：（1）繁忙期工作負荷大；（2）常規三班倒工作模式導致休息時間不足；（3）勞逸分配不均以及崗位交接班頻繁。

以國外sabre 公司給航空公司研發的飛行機組智能排班系統為例，除了考慮傳統排班約束條件，例如飛行員執勤期規定，機組資質（包括高原機場、二類機場、特殊機場等），機組能力，飛機銜接，機組帶教等，新型系統加入了更多人為因素的約束變量，例如白夜班平衡、人體正常身體疲勞周期等，從而可以在保證勞動力成本優化，工作時間符合規章標準的同時，最大限度地平衡工作負荷，提高飛行安全水平。

當前管制員自動排班系統的理論研究，主要的優化目標是平衡工作負荷，然而具體如何從人為因素角度定量評估工作負荷，這方面的研究較少。管制員疲勞監測對于工作負荷提供了一種人因評價指標，可以通過監測管制員工作過程的疲勞表現而間接進行工作負荷評估，從而可以量化標準，這也為開發融合疲勞分析的管制員智能排班系統提供了可能。

通過實現上述應用場景，可以在不降低航空安全的基礎上科學提高空域管制容量，滿足快速增長的航空需求，為民航的穩定發展提供堅實的管制基礎保障。

5 結束語

空中交通管制員作為支撐民航發展的重要組成，其疲勞狀態檢測與管理是影響航空安全的重要因素，已經引起了企業界和學術界的廣泛關注，也被認為是構建智慧民航、智慧空管的重要環節。本文介紹了人工智能技術大背景下，面部疲勞識別技術和語音疲勞識別技術等前沿研究的最新進展，概述了管制員疲勞檢測在空管自動化系統的應用前景，展現了管制員疲勞檢測研究的實際應用價值及進一步研究的潛力與必要性。