基于头部姿态数据预测车辆操作人员振动引起的颈部不适：一种动态两阶段注意力机制方法

《Engineering Applications of Artificial Intelligence》：Predicting vehicle operators’ neck discomfort under vibration using head posture data: A dynamic two-stage attention-based method

　　

摘要车辆振动会降低驾驶员与车载信息系统（IVIS）的交互质量，具体表现为颈部不适加剧和头部姿态不稳定。我们开展了三项实验室实验，通过操纵界面上下文并施加0–2.5 Hz（赫兹）垂直振动来研究这一问题。参与者基于身体部位感知不适等级量表（BPPLD）对振动相关的颈部不适程度进行评分；头部角度均方根值（RMS）则通过惯性测量单元（IMU）获取。线性混合效应模型显示，振动引起的颈部不适和头部角度RMS呈单调递增趋势。在此基础上，我们实现了一种深度学习方法——动态两阶段注意力网络，该网络通过振动门控多头自注意力机制融合振动与三轴头部姿态特征，并将其应用于高不适风险的二元分类预测，以实现对车辆操作人员的人体工学状态监控。该模型在相同且严格无数据泄漏的协议下，与主流深度学习基线模型（长短期记忆网络和门控循环单元网络、一维卷积神经网络、图神经网络、表格残差网络）进行了基准对比。在分块前向预测条件下（使用0–2.0 Hz数据训练，对未见的2.5 Hz极端条件进行测试），所提出的网络达到了71.79%的准确率、0.7052的平衡准确率、0.7010的宏平均F1分数以及0.8540的受试者工作特征曲线下面积（AUC），在全部四项指标上均优于所有对比基线，并在所有非退化模型中实现了最佳判别能力和最高的高不适敏感性（召回率0.896）。在留一被试交叉验证（LOSO）条件下，采用折隔离归一化和训练侧阈值选择策略，模型达到了69.20%的准确率和0.6692的AUC，表明其具备无数据泄漏的跨被试泛化能力。经过校准的风险评分结合动态优化的决策阈值，可为非铺装路面自适应IVIS提供支持敏感性优先的预警策略。

引言当车辆乘员在非铺装路面上驾驶并与车载信息系统（IVIS）设备交互时，其交互任务表现和身体舒适度将受到严重影响（Ahmad等人，2015；Cole等人，2011；Goode等人，2012；Salmon等人，2011；Deprez等人，2005；Tang等人，2024a）。因为特种车辆（越野车、工程机械和军用车辆（Nakashima，2005；Chi等人，2017））在非铺装路面上行驶时，整车将暴露于振动环境中。在与车辆设备交互的过程中，乘员会产生一系列不良的生物力学、生理和心理反应（Park等人，2019；Griffin和Erdreich，1991；Kociolek等人，2018），导致人体不适感增加，尤其是颈部不适（Park等人，2019；Wertheim，1998；Mansfield，2005）。

先前的研究发现，座椅振动会导致显著的身体振动和不适感（Paddan和Griffin，1988；Tang等人，2024b），而坐姿在这一过程中起着至关重要的作用，并可能导致长期健康风险（如腰部和颈部疼痛）（McGill，1997；Chaffin等人，2006；Rahmatalla和DeShaw，2011）。在整车振动（WBV）过程中，人体的姿态变化在非铺装路面行驶的车辆中显得尤为重要。因为当乘员和设备处于振动状态时，乘员需要根据不同的振动幅度和频率调整姿态来与设备交互（Kittusamy和Buchholz，2004；Eger等人，2008；Olson等人，2009；Smets等人，2010；Rehn等人，2005；Du等人，2018）。人体为对抗振动不良影响而做出的相对运动可能达到极限，在某些情况下会导致相当程度的不适感（Rahmatalla和DeShaw，2011）。对于处于振动环境中的车辆乘员，整车振动（WBV）期间的头部和颈部姿态也会导致人体不适和受伤风险增加（Rahmatalla和DeShaw，2011）。身体不适是影响驾驶安全和交互性能的重要因素（Du等人，2018）。颈部的非中立旋转是专业全地形车（ATV）驾驶员的常见危险因素（Rehn等人，2005），颈部位置对诱导载荷和肌肉活动有显著影响（Rahmatalla和DeShaw，2011）。虽然针对单一环境开发和适用的不适感知模型可能不适用于所有环境（Du等人，2018），但仍有必要进一步关注非铺装路面上车辆乘员的颈部不适。尽管车辆乘员的颈部不适已在先前的研究中有所涉及（Durkin等人，2006；汽车驾驶员不适感综述；Varela等人，2019），但非铺装路面驾驶这一具体场景尚未得到广泛研究。乘员的颈部不适将直接影响任务表现和整体不适感（Vaezipour等人，2022），因此有必要基于不同的环境和状态数据建立和预测乘员颈部不适，以帮助优化乘员舱和交互系统的设计并减轻乘员的不适感。

先前的研究主要通过柔性压力垫检测车辆乘员的整体舒适度（Porter等人，2003；Na等人，2005），但该设备在测量乘员头部和颈部姿态及不适感方面存在不足。因此，许多研究人员使用高精度光学角度测量仪器（Andreoni等人，2002）来检测乘员的头部姿态，惯性测量单元（IMU）（Vergnano等人，2019；Tang等人，2021）因其更便捷的姿态检测能力也被广泛使用。IMU是由加速度计、陀螺仪和磁力计组成的电子姿态测量设备，主要用于测量方向、加速度、角速率及其他重力数据（IMU）。得益于IMU卓越的便携性和可靠性特征，其在人体头部姿态测量场景中得到了广泛应用（Rahmatalla和DeShaw，2011；Tang等人，2021；Han和Shin，2019）。先前的研究表明，头部屈曲角度的增加会显著加剧颈部不适（Yip等人，2008）。关于预测人体不适的研究也表明（Xu等人，2012；Kyung和Nussbaum，2008），通过头部姿态来映射预测颈部不适是一种可行的方法（Rahmatalla和DeShaw，2011）。机器学习算法在人体姿态和不适感预测中有许多应用，其原理是对数据进行建模，核心任务是从样本中进行推断并使用新数据进行预测（Alpaydin，2020）。许多研究也使用特征数据和机器学习算法构建了活动和姿态预测模型（Mukhopadhyay，2014），这证明了利用振动、IMU姿态和主观不适感等数据预测颈部不适的可行性。因此，利用特征数据（如机器学习算法、振动频率、加速度传感器和主观颈部不适感）构建乘员颈部不适预测模型，以帮助改善振动车辆中乘员的颈部不适问题，是一个亟待解决的关键问题。

对于许多在非铺装路面上行驶的特种车辆，乘员的颈部不适将直接影响交互任务表现和行车安全。先前的研究主要关注普通道路和普通车辆上的乘员，而很少有人关注非铺装路面上特种车辆的乘员不适问题。然而，先前研究中采用的通用预测模型通常对所有输入特征分配静态重要性权重。这种方法可能无法充分捕捉关键特征（如头部姿态）在不同振动条件下对颈部不适影响的动态变化。特别是在非铺装路面上运行的特种车辆中，振动特征是可变的，操作人员的生理和生物力学反应也会动态调整，预测模型需要增强的自适应能力。

本研究的目标是：通过量化振动强度与效应量的趋势，系统表征低频振动（0–2.5 Hz）与乘员主观感知颈部不适之间的关系；量化振动水平对头部姿态角度均方根值（RMS）的影响，并检验其作为整车振动下颈部肌肉负荷变化指标与颈部不适的关联性；通过将振动与头部姿态（包括多轴测量）特征整合到监督模型中并评估其预测和解释价值，表征振动与头部姿态对颈部不适的联合贡献。在上述目标的基础上，我们开发并评估了一种动态两阶段注意力网络，以提高预测准确率、概率校准性和稳定性，并在相同且严格无数据泄漏的协议下，与主流深度学习架构（长短期记忆（LSTM）和门控循环单元（GRU）网络、一维卷积神经网络（1D-CNN）、图神经网络（GNN）和表格残差网络（ResNet））进行基准对比。

我们将本工作定位为一种可推广的设计方法，而非特定领域的报告。其核心理念是：机制感知的预测性设计——将振动（WBV）和姿态动态作为一等设计变量，并学习经过校准的预测器来驱动自适应界面决策。形式化地，我们将不适函数定义为D = f(V, θx, θy, θz, U)，其中V表示振动水平，θ•表示多轴头部姿态，U抽象表示任务/上下文变量。我们的方法包含四个贡献要素。

第一，我们将问题形式化为一种机制感知的预测性设计方法。振动被视为一种上下文变量，用于调节多轴头部姿态特征的相关性。在模型中，姿态测量值被编码为令牌，一种由当前振动水平门控的注意力机制为这些令牌分配依赖于上下文的权重。这种表述将变化的工作条件转化为设计信息而非噪声，并可推广至其他机制耦合的人机交互场景。

第二，我们提出了一种可推广的流程，通过五个步骤将设计与建模联系起来：构建机制驱动的设计空间；使用可靠的仪器测量变量；在控制类别不平衡和过拟合的条件下学习校准的预测器；考虑不确定性预测不适；并基于校准的阈值自适应界面元素。该流程与特定的车辆或界面无关，每当物理机制与人体姿态或控制发生交互时，均可重新应用。

第三，我们推导出了实践者可应用的四个设计命题。将整车振动等机制变量与多轴姿态结合，相比单一领域输入，可产生可分离的类别并减少歧义。当工作机制改变特征的信息量时，动态加权（以门控注意力实现）优于静态特征重要性。在涉及安全的人机交互中，预测应经过概率校准，且干预阈值应优先考虑少数类别的敏感性以避免假阴性。所有评估的架构，包括所提出的注意力网络，其规模均足够紧凑，可在通用CPU上进行低延迟推理，因此模型选择应由预测可靠性而非计算预算来决定（见第4.3节）。

第四，我们用实证数据支持该框架。混合效应模型确立了强烈的振动–不适和振动–姿态关系；交叉验证、消融实验和概率校准证明了稳定性和可靠性；动态注意力模型在准确率和宏F1方面均有所提升，尤其在少数类别上表现突出，从而确认了机制感知加权方法的价值。

该框架不仅适用于车载IVIS，还可推广至机制耦合的人机交互（如运动平台、扰动条件下的手持设备使用），通过相同的设计循环和设计命题支持知识迁移。

我们明确陈述设计命题（DP1–DP4），并将它们映射到本文的实证证据中（见表1）。

DP1：机制变量融合可提升可分性。将振动上下文与多轴头部姿态结合，相比单一领域输入可提供更具信息量的表征。

DP2：在机制变化时，动态加权方法更优。当振动改变姿态维度的信息量时，上下文依赖加权（门控注意力）优于静态特征重要性。

DP3：涉及安全的关键部署需要校准的概率和阈值策略。预测器应评估其概率质量，且干预阈值应优先考虑少数类别敏感性以减少假阴性。

DP4：显式的特征级交互建模对于低维、高度耦合的生物力学数据具有优势。通用深度学习架构（如序列导向的LSTM/1D-CNN、基于图的GNN和残差表格网络）并未显式建模异构表格输入中上下文依赖的特征交互，而所提出的动态两阶段注意力机制提供了一种稳定的、上下文感知的加权方案。

研究概述本研究分为五个步骤进行（图1(a)）：(1) 招募参与者：筛选并招募个体参与实验。(2) 定义振动特征和颈部不适等级：确立实验中主要的振动参数和评估颈部不适的标准。(3) 数据收集：收集参与者的振动频率、头部姿态和主观颈部不适数据。(4) 数据处理与分析：颈部不适与头部姿态分析。

关于评分范围和跨条件一致性的说明。在全部三项实验条件中，颈部不适问卷明确要求参与者仅就振动水平（0、1.5、2.0、2.5 Hz）对不适进行评分；界面元素特征（VM类型、VM尺寸、TB尺寸、TB间距）虽为HCI任务而进行了操纵，但并非不适评分的目标对象（更多详情请参阅Tang等人，2024a）。

因此，LMM事后对比

实证发现：振动、姿势与不适

非铺装路面上特种车辆操作员颈部不适是一个普遍的人体工程学问题，会降低IVIS交互和任务安全性。除了记录振动的强单调关系外，我们的分析还表明，振动还会放大头部姿势角度的均方根值，而均方根值与不适程度呈正相关，这与全身振动下颈部肌肉负荷增加一致。通过融合多轴姿势与振动，提出的动态两阶段

结论：本研究证实了振动的强单调关系，以及振动与头部姿势角度均方根值之间的强正相关关系。利用这些见解，融合多轴姿势与振动的动态两阶段注意力网络在严格的零样本分块前向预测协议下实现了最佳判别能力（AUC 0.8540）和非退化模型中最高的不适敏感性（召回率0.896），并且具有可靠的跨主题性能（准确性

CRediT作者贡献声明：
唐星：撰写–审阅与编辑，撰写–初稿，方法学，调查，资金获取，形式分析，数据管理，概念化。
张凡：撰写–审阅与编辑，方法学。
知金义：监督指导。
石金磊：方法学。
王金：撰写–审阅与编辑。
于东：方法学。

利益冲突声明：作者声明他们没有任何已知的相互竞争的经济利益或个人关系，这些关系可能影响本论文中报告的工作。

致谢：本研究得到了中央高校基本科研业务费（项目编号：A1420502052501-55）、现代设计与文化研究中心2025年度项目（项目编号：MD25B002）以及西南交通大学研究生教育教学改革研究项目（项目编号：YJG6-2025-Y082）的支持。

唐星|张凡|知金义|石金磊|王金|于东