基于特征融合评估不同光照条件对受试者身心疲劳的影响

Evaluating the Effects of Different Lighting Conditions on Physical and Mental Fatigue in Subjects Based on Feature Fusion

摘要: 室内工作照明环境是影响人类健康和安全的关键因素，使用不适当的照明会导致人们身心疲劳增加。本研究建立一个实验装置，通过长达30分钟的认知和身体任务同时诱导精神疲劳和身体疲劳，通过HRT软件同步记录了涵盖四个照度级别(300 lx、500 lx、750 lx、1000 lx)和五个色温级别(4000 k、4500 k、5000 k、5700 k、6500 k)的20种照明条件下脑电，肌电和心电三项生理数据。首先，研究并分析了各指标下的疲劳情况，然后，融合了脑电的(α + θ)/β指数，肌电的RMS指数，心电的(LF)/(HF)指数三大各自表征疲劳的特征指标，应用熵权法确定权重系数得到综合疲劳得分，基于此，采用响应曲面构建了疲劳评估模型，准确率达到68.5%。

Abstract: Indoor work lighting environment is a key factor affecting human health and safety, and the use of inappropriate lighting can lead to increased physical and mental fatigue. This study established an experimental setup that induced both mental and physical fatigue through cognitive and physical tasks for up to 30 minutes. HRT software was used to synchronously record 20 physiological data, including EEG, EMG, and ECG, under four illumination levels (300 lx, 500 lx, 750 lx, 1000 lx) and five color temperature levels (4000 k, 4500 k, 5000 k, 5700 k, 6500 k). Firstly, the fatigue situation under various indicators was studied and analyzed. Then, three characteristic indicators representing fatigue, namely the (α + θ)/β index of electroencephalography, the RMS index of electromyography, and the (LF)/(HF) index of electrocardiography, were fused. The entropy weight method was applied to determine the weight coefficients to obtain the comprehensive fatigue score. Based on this, a fatigue assessment model was constructed using response surface methodology, with an accuracy rate of 68.5%.

1. 引言

随着人们在日常工作中越来越多地遇到人工照明环境，人工照明对人类健康和生产力的影响研究引起了广泛关注。疲劳是一种随着时间推移而发展、降低个人活力、动力和注意力的状态，身体疲劳和认知疲劳是疲劳的两种类型。身体疲劳通常是由过度的身体活动引起的，并与肌肉群的感觉或整体肌肉疲劳相关；认知疲劳可能源于强烈的心理活动，通常发生在长时间从事高认知要求任务时，导致认知能力下降、注意力下降以及高级信息处理能力的减退[1]。然而，许多职业要求同时满足精神和身体需求，使得个人易于经历身体和精神疲劳。在日常工作中，导致这两种疲劳的原因并没有明显区分。例如，操作重型机械的工人可能需要同时利用认知技能和体力来完成任务。近年来，鉴于基于单一特征信息的疲劳状态预测存在的局限性和不足，学者们主张采用基于多特征信息融合的检测方法来提高预测的可靠性和准确性。目前，基于多特征信息融合的疲劳检测方法主要集中在生理多特征融合和不同类型多特征信息的融合。例如，Hong等人提出了一种利用耳道脑电图测量的疲劳预测方法，该方法整合了传统的光电容积脉搏波(PPG)和心电图数据[2]。此外，还有学者开发了一种基于多特征的工人疲劳预测系统，该系统采用眼球运动、心电图、肌电图和握力等各种功能进行疲劳状态预测[3]。

以前的研究主要集中在单独评估人工照明对个体身体或认知功能的影响，而有关照度和色温的组合对身体和精神疲劳的影响相对稀少。按照IESNA和CIE制定的照度标准，该研究建立了20种不同的照明组合，涵盖四个照度级别(300 lx、500 lx、750 lx、1000 lx)和五个色温级别(4000 k、4500 k、5000 k、5700 k、6500 k)。通过对脑电图(EEG)、心电图(ECG)和肌电图(EMG)等各种生理信号进行综合分析，采用特征融合方法，减少因个体差异和环境条件导致单指标分析的不稳定性和低效性。最后，采用熵权法对脑电、心电、肌电信号进行权重分配，通过线性加权得到综合疲劳评分。然后，通过响应面构建了色温、光照和疲劳之间的关系。

2. 相关工作

2.1. 不同照明环境对人体表现和疲劳的影响

目前，有广泛的研究调查了光照环境对人体表现各个方面的影响，例如工作热情和表现、清醒程度和注意力。Shamsul等人观察到，参与者更喜欢4000 K的照明环境，并预计可以舒适地工作6小时以上[4]。Yuan研究了室内照明环境对计算机工作疲劳的影响，结果发现，提高照度和色温都可以减轻疲劳，其中色温的影响最为显著[5]。

2.2. 疲劳监测方法

疲劳监测方法通常由主观和客观成分组成。生理信号测量技术主要通过监测生理参数，如脑电图(EEG)、心电图(ECG)、肌电图(EMG)和眼球运动，提供真实的疲劳指标。Suviseshamuthu等人使用脑电图研究了健康受试者在间歇性运动任务期间的大脑激活模式，直到自我感知疲劳，同时记录心电图、脑电图和表面肌电图数据。他们的研究结果揭示了不同疲劳水平下大脑活动谱特征的显著变化，特别是在θ(θ)、α(α)和β(β)频带中[6]。Markus等人利用低成本的心电图传感器通过计算工人的心率变异性来预测疲劳[7]。此外，对这些指标变化的研究有助于评估照明环境对人类疲劳的刺激和影响。

3. 方法

3.1. 环境

该研究在赢富仪器技术(上海)有限公司提供的认知心理学实验室进行。实验室房间的尺寸为5.2米长、4.15米宽和3.5米高，如图1所示。天花板上安装了四个均匀分布的嵌入式LED灯具，尺寸为60厘米 × 60厘米，照度和色温可调。房间里没有窗户以防止自然光干扰实验，除了计算机显示屏外，没有其它光源。墙壁和天花板被漆成白色，以减少眩光，地板上覆盖着灰色地毯以防止反射。实验室环境温度保持在20℃。

Figure 1. Experimental site

图1. 实验场地

3.2. 参数

3.2.1. 照明条件

照度是指每单位面积接收到的可见光能量。由于人类感知到的最小照明差异约为1.5倍，因此中国为工作表面规定了稳定的平均照度值，范围为0.5至5000勒克斯(lx) [8]。LED照明的特性可能导致两个光源看起来不同，尽管它们具有相同的相关色温(CCT)。为了解决这个问题，美国国家标准协会(ANSI)制定了专门针对LED产品色度的指南，称为ANSIC78.377-2008，仅适用于室内照明。此外，国际照明委员会(CIE)标准规定室内区域的色温不应低于4000 K。根据这些指南，该研究建立了五种不同的CCT条件：4000 K、4500 K、5000 K、5700 K和6500 K。根据照明环境的规范，我们设计了20种不同的照明条件。表1中概述了具体的操作参数。因此，本研究中的两个自变量是CCT (相关色温)和照度水平。有五种CCT条件，包括4000 K、4500 K、5000 K、5700 K和6500 K。四个照度级别条件包括300 lx、500 lx、750 lx和1000 lx。采用5 (色温水平) × 4 (照度水平)组合设计。

Table 1. Physical parameters of experimental environment at 20˚C

表1. 20℃下实验环境物理参数

CCT	Illumination	CCT	Illumination
4000 K	300 lx	4500 K	300 lx
	500 lx		500 lx
	750 lx		750 lx
	1000 lx		1000 lx
5000 K	300 lx	5700 K	300 lx
	500 lx		500 lx
	750 lx		750 lx
	1000 lx		1000 lx
6500 K	300 lx
	500 lx
	750 lx
	1000 lx

3.2.2. 生理信号记录

本研究采用西班牙制造的Enobio 8系统，使用干电极测量连续脑电图(EEG)信号，电极通过8通道EEG帽连接。使用干电极测量方法以500 Hz的频率对EEG信号进行采样。以前的研究通常观察到θ和α带功率中的增加，再加上由于疲劳而导致的β带功率显著降低。然而，仅依靠基本频段内的功率可能无法有效地捕捉大脑活动从快波到慢波的转变。相比之下，考虑多个频段能量变化的能量比被证明更可靠。随着疲劳的积累，观察到脑电信号中波段功率的比值显著增加，表明指数(α + θ)/β是更可靠的疲劳指标。因此，在这项研究中，遵循国际10/20系统，将8个干电极放置在特定位置，包括额叶(F3, F4)、前额叶(Fp1, Fp2)、颞叶(T7, T8)和中央(C3, C4)区域，以记录θ、α和β波，如图2所示。所有通道都以耳垂为参考。随后，使用频带能量比(α + θ)/β表征疲劳水平，值越高表示疲劳水平越高。

我们使用PhysioLAB无线生理监护仪(由上海INFO. instruments提供)来记录参与者的心电图(ECG)和肌电图(EMG)信号。ECG信号反映了自主神经系统的活动，提供有关身体或精神疲劳、情绪状态和工作量的定量信息。肌电图用于评估肌肉疲劳，能够实时、无创地定量测量肌肉电活动，并提供有关肌肉疲劳程度的客观数据。在本研究中，采用PhysioLAB无线生理监护仪记录过滤后的EMG信号的均方根(RMS)和心电图信号中低频功率(LF)与高频功率(HF)的比率，以表征参与者的疲劳程度。

Figure 2. Location of EEG electrodes

图2. 脑电图电极位置

3.2.3. 生理信号的预处理和统计分析

脑电图模块：脑电图信号通常较弱且容易受到干扰。在本研究中，脑电图信号的预处理和数据分析涉及2至50Hz的初始带通滤波，并使用MATLAB® 2018软件中的EEGLAB工具箱去除基线漂移干扰。随后，采用独立成分分析(ICA)来消除来自EOG和EMG 信号的干扰。在整个实验期间对来自每个参与者的预处理脑电图信号进行快速傅里叶变换(FFT)以获得具有不同峰值范围的三个频段：θ (4~8 Hz)、α (8~13 Hz)和β (13~30 Hz)。然后计算每个时期的8个通道上三个波的平均功率，以得出平均α + θ与β功率比。

肌电模块：为了消除循环过程中的位置波动或信号采集过程中的其他环境因素引起的低频漂移，采用了多项式拟合方法来观察显示数据的线性趋势。随后，从原始数据中减去这一趋势以去除低频分量，从而更好地关注信号中的高频变化。最后，使用二阶IIR带通滤波器对去除趋势的信号进行数字滤波，并计算滤波信号的均方根值。

心电图模块：与肌电图信号类似，对心电图信号进行去趋势处理，以强调高频变化。随后，采用频域分析，并使用周期图函数计算ECG信号的功率谱密度(PSD)。在低频(LF)和高频(HF)频段内对PSD进行积分有助于计算LF功率和HF功率，从而允许计算LF/HF比率。

3.3. 参与者

本研究招募并筛选了10名符合实验要求的参与者，包括4名女性和6名男性，平均年龄为24 ± 2岁。这些参与者的视觉正常，没有患有任何慢性疲劳综合征或运动功能障碍。为确保参与者在实验前获得充足的睡眠，他们必须在实验前24小时内保持正常的学习活动。此外，参与者被指示在实验前5小时内不要饮用任何刺激性饮料，如酒精、咖啡或能量饮料，并在实验前3小时内避免任何形式的精神或身体活动。本研究得到了上海理工大学伦理委员会和上海理工大学机构审查委员会的批准。

3.4. 实验设计

实验在赢富科技有限公司提供的实验室进行，包括认知和身体任务。整个实验分为两个阶段：

第1阶段：实验前，测量每个参与者的最大骑行负荷。参与者以每分钟60转(rpm)的速度骑行2分钟，速度每分钟增加10 rpm，直到参与者无法再保持速度(转速 < 90 rpm)。此时记录的循环速度被认为是最大循环负载。为实验选择了最大循环负荷的40%的物理负荷，以确保参与者在整个实验过程中保持适当的体力负荷。

第2阶段：这一阶段的实验旨在诱导身体和精神疲劳，同时在整个过程中收集各种生理数据。每个参与者都以直立姿势坐在配备电子制动器的固定自行车上。2-back任务由MATLAB在笔记本电脑上生成，并放置在自行车前面的水平桌面上。参与者需要确定屏幕上显示的当前字母是否与返回两个字母的字母匹配。如果字母匹配，参与者按键盘上的“B”键；如果没有，则按“N”键。目标刺激与非目标刺激的比例为1:2。

3.5. 实验程序

实验程序由实验准备、实验过程、实验过渡三部分组成。实验过程如图3所示。

Figure 3. Location of EEG electrodes

图3. 脑电图电极位置

1) 实验开始前，实验人员与参与者进行了相关的准备工作。该准备工作包括提供有关实验程序和设备的解释，以及帮助参与者适应实验环境和应用脑电图(EEG)帽、肌电图(EMG)传感器和心电图(ECG)传感器等设备。

2) 完成实验前准备后，参与者开始了正式的30分钟疲劳诱导任务。在整个任务中，确保参与者遵循标准工作流程来诱导身心疲劳，同时记录他们的EEG、EMG和ECG信号。

3) 为了减轻昼夜节律的影响，第二天同时实施了照明条件的变化，从而使参与者能够在不同的照明条件下进行下一轮实验。

4) 实验完成后，参与者移除设备并存储相关数据。

3.6. 综合疲劳指数

线性加权法是最简单和最常用的方法。熵加权法根据每个指标的信息熵确定权重。较高的信息熵表示该指标的信息内容越多，因此权重较大。然后计算加权总和以获得综合指数。线性加权方法简单直观，而熵加权方法提供了更精确的权重分布，并有理论基础支持，有效地综合了来自各种指标的信息，以反映不同光照条件下的整体疲劳程度。在这个实验中，我们有n (其中n = 200)个样本和m (其中m = 3)个维度。我们将每个随机变量的值表示为X_ij，其中$i=1,\cdots ,n$ 和$j=1,\cdots ,m$ 。因此，我们构建了一个数据矩阵。

$R_X={\left(X_{ij}\right)}_{m*n}\left\{\begin{array}{cccc}{X}_{11}& X_{12}& \cdots & X_{1n}\\ X_{21}& X_{22}& \cdots & X_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ X_{m1}& X_{m2}& \cdots & X_{mn}\end{array}\right\}$ (1)

1) 每个因子的值根据选项的数量进行标准化。由于本实验中使用的指标较小时效果更好(表明疲劳程度较低)，因此我们选择负指标。

${X^{\prime }}_{ij}=\frac{\max \left(X_{1j},X_{2j},\cdots ,X_{nj}\right)-X_{ij}}{\max \left(X_{1j},X_{2j},\cdots ,X_{nj}\right)-\min \left(X_{1j},X_{2j},\cdots ,X_{nj}\right)}$ (2)

2) 计算第J个指标的熵值：

$e_j=-k{\displaystyle \sum _{i=1}^n{p}_{ij}\ln }\left(p_{ij}\right),j=1,\cdots ,m$ (3)

$p_{ij}=\frac{X_{ij}}{{\displaystyle \sum _{i=1}^n{X}_{ij}}},j=1,\cdots ,m$ (4)

$k=\frac{1}{\ln \left(n\right)}>0,E_j\ge 0$ (5)

3) 计算信息熵冗余(差值)：

$d_j=1-e_j,j=1,\cdots ,m$ (6)

4) 计算每个指标的权重：

$S_i={\displaystyle \sum _{j=1}^m{W}_{ij}{X}_{ij},i=1,\cdots ,n}$ (7)

其中，X_ij为归一化数据。

5) 计算每个样本的综合指数得分：

$W_{ij}=\frac{d_j}{{\displaystyle \sum _{j=1}^m{d}_j}}$ (8)

3.7. 综合疲劳模型

在本研究中，为了构建一个将复合疲劳值与色温和照度相关的模型，我们选择了响应曲面法(RSM)。RSM是一种统计方法，用于通过实验设计分析多因素和多个水平条件下响应变量之间的关系。响应面法的基本思想是通过近似构造一个具有明确表达形式的多项式来表达隐式功能函数。本质上来说，响应面法是一套统计方法，用这种方法来寻找考虑了输入变量值的变异或不确定性之后的最佳响应值[9]。在本实验中，RSM用于模拟色温和光照两个关键因素对疲劳值的影响，并评估它们的交互效应。

$Z={\beta }_0+{\displaystyle \sum _{i=1}^k{\beta }_i{x}_i+{\displaystyle \sum _{i=1}^k{\beta }_{ii}{x}_i^2+{\displaystyle \sum _{i＜j}^{}{\beta }_{ij}{x}_i{x}_j}+\epsilon }}$ (9)

式中，Z表示响应变量，x代表自变量，也就是输入因子，β_i代表自变量的一次效应系数，β_ii代表自变量的二次效应系数，β_ij代表交互作用系数，ε代表随机误差。

4. 结果分析

4.1. 单一指标分析结果

4.1.1. 脑电指标

脑电指标预处理前后的脑电信号如图4所示。

Figure 4. (a) EEG signals before preprocessing; (b) EEG signals after preprocessing

图4. (a) 预处理前的EEG信号；(b) 预处理后的EEG信号

可以看到，在EEGLAB中进行预处理后，信号质量得到了明显的提高。信号更清晰、更平滑，去除伪影使信号能够更准确地反映实验条件下的大脑活动。来自高频分量的干扰已减少，从而提高了数据的可靠性。

Figure 5. Average value (α + θ)/β value under different lighting conditions

图5. 不同照明条件下的平均值(α + θ)/β值

图5总结了CCT和照度水平的20种组合对参与者脑电图疲劳值的影响，并附有显著性水平(P值)。如表2所示，色温和照度对脑电图指标有显著影响(F = 13.676, P < 0.001; F = 0.8.129, P < 0.001)，但未发现色温和照度的交互作用对脑电图指标的影响存在显著差异(F = 1.715, P = 0.067)。在本实验中，在20种不同的照明条件下对脑电图指标进行了事后测试。结果表明，绝大多数照明条件组合之间存在显著差异。这表明照度和色温的不同组合对参与者的大脑活动有重大影响。考虑到实验设计的敏感性、样本量和参与者之间的个体差异，这些结果是合理的。实验数据表明，大脑活动对环境照明的变化很敏感，照明条件的变化会显著影响EEG活动。

Table 2. Significance analysis of electroencephalogram indicators

表2. 脑电图指标的显著性分析

	Sum of squared deviations	df	variance	F	Sig.
CCT	130.972	4	32.743	13.676	<0.001^*
Illumination	58.39	3	19.463	8.129	<0.001^*
Illumination × CCT	49.286	12	4.107	1.715	0.067

如表2所示，脑电指标的显著性分析表明，不同的照度水平和色温水平都对大脑活动有显著影响。为了直观地呈现这些差异，本研究使用热图来显示照度组之间和色温组之间的显著性差异如图6和图7所示。图中的每个块都表示一组与另一组之间的比较，图表的对角线(从右上角到左下角)表示自身与自身的比较，故不会有显著差异。通常，小于0.05的P值被视为具有统计显著性，因此我们将蓝色设置为无显著性(P值 > 0.05)，将红色设置为表示显著性(P值 < 0.05)。这种可视化不仅强调了组之间的差异，还有助于观察不同照明和色温条件下显著性水平的分布。

Figure 6. Significant differences in EEG indicators between illumination

图6. 照度水平之间脑电图指标的显着性差异

Figure 7. Differences in EEG indicators between color temperatures

图7. 色温之间脑电图指标的差异

4.1.2. 心电图指标

如图8所示，LF/HF的心率在5700 K、1000 lx的照明条件下，LF/HF值最高。5700 K和5000 K色温下的LF/HF值波动明显，通常高于4000 K下的色温，表明色温对疲劳的影响可能更大。

Figure 8. The average LF/HF values under different lighting conditions

图8. 不同照明条件下的平均LF/HF值

Kruskal-Wallis测试结果显示如表3所示，在20种不同的照明条件下，心电图指标存在显著差异(P = 0.002)。事后测试结果显示，在190种照明条件的成对组合中，有34种组合的心电图指标显著性小于0.05。此外，5000 K、500 lx和6500K、500 lx的照明条件不仅在脑电图和肌电指标方面显示出显著差异，而且在心电图指标方面也显示出显著差异。

Table 3. Significance analysis of electrocardiogram signals

表3. 心电图信号的显著性分析

	Sum of squared deviations	df	variance	F	Sig.
CCT	10.458	4	2.614	1.5	0.204
Illumination	6.615	3	2.205	1.265	0.288
Illumination × CCT	61.073	12	5.089	2.92	0.001

4.1.3. 肌电指标

从图9的RMS值可以看出，总体而言，5700 K和6500 K照明条件下的RMS值高于其他色温，表明在这些条件下疲劳程度更为明显。

Figure 9. Average RMS values under different lighting conditions

图9. 不同照明条件下的平均RMS值

表4总结了在20种组合下参与者EMG疲劳值的色温和照明水平以及显着性水平(P值)。图10使用热图来显示色温组之间的显著性差异。由此可见，色温对EMG信号有显著影响(F = 7.172, P < 0.001*)，而照明的主效应不显著(F = 2.303, P = 0.079)。还观察到色温和照度之间的显着交互作用(F = 1.874, P = 0.004)。在这项研究中，对20种不同照明条件下的EMG指标进行了事后测试。结果显示以下照明条件组合之间存在显着差异(P < 0.05)：

① 4000 K、300 lx和6500 K、1000 lx的照明条件之间存在显著差异(P < 0.05)；

② 5000 K、500 lx和6500 K、1000 lx的照明条件之间存在显著差异(P < 0.05)；

③ 4500 K、300 lx和5000 K、500 lx的照明条件之间存在显著差异(P < 0.05)；

④ 5700 K、300 lx和5000 K、500 lx的照明条件之间存在显著差异(P < 0.05)；

⑤ 6500 K、500 lx和5000 K、500 lx的照明条件之间存在显著差异(P < 0.05)。

Table 4. Significant analysis of electromyography

表4. 肌电图显著性分析

	Sum of squared deviations	df	variance	F	Sig.
CCT	47029.91	4	11757.48	7.172	<0.001^*
Illumination	11325.05	3	3775.018	2.303	0.079
Illumination × CCT	36860.06	12	3071.672	1.874	0.04

Figure 10. Significant differences in EMG indicators between color temperatures

图10. 色温之间EMG指标的显著性

4.2. 特征融合指标

我们使用信息熵计算了EEG、ECG和EMG指标的权重：

$W_j=\left[0.66,0.21,0.13\right]$ (10)

每个照明条件因素的综合疲劳评分如图11所示。

Kruskal-Wallis测试结果显示，在不同照明条件下，平均疲劳评分存在显著差异(P < 0.001*)。从条形图中可以看出，照明条件5700 K-300 lx、6500 K-300 lx和4000 K-300 lx的平均分数较高，表明被试在这些条件下经历了最高的疲劳。相比之下，照明条件4500 K-1000 lx和6500 K-1000 lx的平均分数较低，表明受试者在这些条件下经历的疲劳最小，标准差较小，表明疲劳响应在这些条件下更加一致。随后的成对比较显示，在190种组合中，34对照明条件之间的疲劳评分存在显着差异(P < 0.05)，表明不同的照明条件显着影响受试者的疲劳水平。

Figure 11. Average comprehensive fatigue score under different lighting conditions

图11. 不同照明条件下的平均综合疲劳评分

4.3. 照明疲劳模型

在本实验中，RSM用于模拟色温和光照两个关键因素对疲劳值的影响，并评估它们的交互效应。具体来说，我们进行了不同色温水平(4000 K、4500 K、5000 K、5700 K和6500 K)和照度(300 lx、500 lx、750 lx和1000 lx)的系统实验设计，可以清楚地表示不同照明条件组合下疲劳值的变化，如图12中的模型所示。

Figure 12. The influence of illuminance response surface and color temperature on fatigue rating

图12. 照度响应面和色温对疲劳评分的影响

通过RSM模型的拟合分析，本研究量化了每个因素对疲劳值及其交互作用的单独影响。RSM的应用使我们能够生成一个数学方程，如方程(11)所示，其中色温和照度被视为自变量，以预测特定照明组合下的综合疲劳值。此过程包括确定最佳模型类型、拟合回归方程以及通过方差分析(ANOVA)验证模型的显著性和拟合度。

$Z=78.93+0.007\text{CCT}-0.027\text{IL+2}\text{.3}{e}^{-7}{\text{CCT}}^2-4.1e^{-7}{\text{IL}}^2-3.5e^{-7}\left(\text{CCT}\times \text{IL}\right)$ (11)

该方程表明色温和疲劳值之间呈正相关，而照明与疲劳值呈负相关。具体来说，随着色温的增加，疲劳值呈上升趋势，而照度的增加会导致疲劳值降低。响应面模型的决定系数(R²)为0.68，均方误差 (MSE)为22.67。决定系数表明，该模型可以解释疲劳值中68.5%的变化，表明该模型与实验数据具有合理的拟合度，表现出了一定的准确性。

4.4. 模型对比验证

为证明本研究的先进性与可靠性，我们从模型准确率、指标融合方法与应用场景等角度与现有文献进行对比。在现有研究中，Seunghyeok Hong团队提出基于耳道脑电图和光电容积脉搏波及心电图融合的疲劳检测系统，模型准确率达71.2% [2]。但其模型未充分考虑环境照明因素的影响，且应用场景较为单一，仅针对是否困倦进行检测。马志鹏团队开发了一种驾驶疲劳监测系统，通过眼动、握力和心电数据的融合，检测驾驶过程中是否出现疲劳，准确率为69.8% [3]。相比之下，本文基于脑电、心电和肌电的多特征融合，传统方法中等权分配和主成分分析常用于权重计算，但忽略了各特征指标在疲劳预测中的差异性。熵权法通过信息熵计算各指标的信息量，分配动态权重，有效解决多特征异质性问题。在指标融合时，本研究实现了权重分配的科学性与精准性，弥补了单一指标分析的不稳定性。通过熵权法优化权重分配，结合响应曲面法构建疲劳评估模型，尽管准确率为68.5%，但考虑到20种复杂光照条件下的多变量影响，这一结果更具可靠性，体现了模型在复杂工作场景中的应用潜力。再从实验设计与场景覆盖来看，方圆团队研究了室内照明对计算机工作疲劳的影响，尽管证实了高色温和高照度组合可减轻疲劳，但仅限于单一认知疲劳类型，缺乏对身体疲劳的整合分析而且其研究的色温和照度仅有300 lx，500 lx与3000 K，4000 K这两组，适用性相对较低，结果也不能完全让人信服[5]。本文实验设置涵盖4种照度水平(300 lx至1000 lx)和5种色温水平(4000 K至6500 K)，在20种光照条件下诱导和记录身心疲劳反应，结合脑电、心电和肌电数据进行全面评估，首次构建了色温与照度交互作用对综合疲劳影响的响应曲面模型，拓宽了照明疲劳研究的适用范围。综上，本研究在方法创新性、多变量场景适应性和融合科学性上优于现有研究。在复杂光照条件和多任务场景下具有更高实用性和可靠性，填补了照明条件下疲劳评估的研究空白。

5. 结论与展望

5.1. 结论

综上所述，我们从脑电、心电图和肌电中提取和整合疲劳相关特征指标，包括(α + θ)/β指数、低频高频功率比(LF/HF)和均方根(RMS)，客观评估疲劳水平，具体结果如下。

1) 整合EEG、EMG和ECG指标后，在不同光照条件下发现综合疲劳得分存在显著差异(P < 0.001)，成对比较结果显示，在190种组合中，34对照明条件之间的疲劳评分存在显著差异(P < 0.05)，进一步表明不同的照明条件显着影响疲劳水平。

2) 色温对脑电和肌电指标有显著影响(F = 13.676, P < 0.001; F = 7.172, P < 0.001)，而照度只对脑电有显著影响(F = 8.129, P = 0.001)。色温和照度之间的交互作用在心电图和肌电图指标中均显著(F = 20.815, P < 0.001*; F = 2.29, P = 0.001; F = 1.874, P = 0.04)，在脑电指标中并不显著。

3) 响应曲面模型显示，人类疲劳与CCT呈正相关，与照度呈负相关，在本研究的范围内，改善工作环境的照明和CCT有助于降低疲劳程度，即疲劳程度在4500 K-500 lx和4500 K-750 lx环境下最低，而在5700 K-1000 lx条件下相对较高。在室内工作环境条件下，发现照度因子对计算机工作疲劳的影响最大。

5.2. 展望

在本研究中，实验缺乏对受试者的更详细分析和对照明环境的更精细分类。为了更好地了解室内照明环境对身心疲劳的影响，在不同的工作场景中进一步工作将是有益的。未来的研究应集中在两个关键方面。首先，应考虑更多的照明环境因素，因为目前尚不清楚哪些照明因素与人体疲劳最相关。其次，应根据实验结果考虑受试者的身体特征，例如年龄。在本研究中，除4名参与者外，所有参与者都受到近视的影响，但是，没有提供有关这种损害程度的信息。因此，研究结果无法提供关于照明条件与疲劳之间潜在关系的进一步证据。总之，未来的研究应该让来自不同年龄段的参与者参与进来，并考虑不同的受控环境。

NOTES

^*通讯作者。