疲労検知とは何ですか？

疲労検知とは、特に重要な業務環境において、個人の疲労状態を特定し、その程度を評価するプロセスである。高度な技術や手法を活用し、生理的および行動的な指標をモニタリングすることで、安全性とパフォーマンスの向上を図ることを目的としている。効果的な疲労検知は、様々な産業において意思決定の質を高め、リスクを低減することに寄与する。

疲労検知の概要

疲労検知とは何でしょうか？1965年、デメント博士という人物がカリフォルニアでオープンカーを借り、科学実験のために17歳の少年を乗せて走り回りました。 これはホラー映画の冒頭シーンではなく、当時17歳だったランディ・ガードナーが挑戦した睡眠剥奪の世界記録挑戦の一幕です。彼の科学フェアでの実験は最終的に成功し、彼は計画通りの264時間――つまり11日間連続で眠らずに過ごすことに成功しました。

これは極度の疲労の極端な例であり、実際にそのような状態を経験する人はごくわずかです。しかし、私たち誰もが人生のどこかで睡眠不足を経験します。そして、仕事や家族、その間のあらゆる生活上の要求から逃れるために、「科学実験に参加している」という言い訳を使うことはできません。

睡眠不足や、より一般的な疲労感は誰もが経験するものですが、こうした疲労がもたらす影響は深刻なものになり得ます。米国だけでも、最大27万4,000件の労働災害と6,000件の自動車事故による死亡が、睡眠不足と関連していることが報告されています [2-5]。

こうしたケースにおける不眠の原因は、主に社会的・文化的な要請によるものと考えられますが、睡眠不足が日常の一部となっている状況も他にも存在します。戦地にいる兵士、トラック運転手、医療従事者など――ほんの一例に過ぎませんが――彼らは皆、仕事の一環として不眠を強いられるという点で共通しています。

これは必然的に深刻な結果を招く恐れがあります。これらの職業はいずれも、計画通りに物事が進まなかった場合、事故のリスクが高まるからです。疲労が人にどのような影響を与えるかを理解し、それを予測できるようになれば、事故の発生率を劇的に低減し、健康状態を改善し、人々が可能な限り長く最高のパフォーマンスを発揮できるようになるでしょう。では、どうすればよいのでしょうか？

疲労検知の仕組み

疲労の検知について詳しく説明する前に、まず「疲労」とは具体的に何を指すのかを明確にしておくのがよいでしょう。自分が疲れている時は自覚できるため、その定義は簡単だと思われがちですが、必ずしもそうとは限りません。一般的に、自己申告は信頼性に欠けることで知られていますが、疲労に関する自己申告も例外ではありません [6-7]。

疲労はさまざまな観点から研究・定義することができる。具体的には、精神疾患（うつ病など）、身体疾患（パーキンソン病など）、あるいは「消耗を伴う行動」（アルコール依存症など）によって引き起こされる疲労には、それぞれ違いがある [8]。 しかし、疲労に起因する事故率について論じる場合、疲労とは、持続的な認知的負荷や長時間の覚醒に起因する認知機能の低下と定義することができる。

疲労に関する自己申告には本質的に不正確さが伴うため、相手に「どれくらい疲れているか」と尋ねても信頼性は低い――私たちは自分の状態を正確に伝えられないからだ。また、自己申告は疲労を検知する手段としても明らかに非効率的である。必要なのは、身体から受動的かつ非侵襲的に検知でき、その人が実際にどれほど疲労しているかという情報を確実に伝えることができるシグナルだ。幸いなことに、これを実現する方法はいくつか存在する。

疲労を見分ける方法

疲労は運転関連事故の一般的な要因の一つであり、米国では年間約32万8,000件の自動車事故が運転中の疲労に起因しているとされている[3]。車内に座っているという状況は、疲労の度合いを追跡する上でも適した環境である。近年、この分野では研究や技術革新により、いくつかの進展が見られている。

疲労検知において最も広く用いられている手法の一つがアイトラッキングである（例：[9-12]）。この手法では、視線の位置、視線の散漫度、さらにはまばたきさえもが疲労の指標として用いられる。 2018年の研究では、ドライビングシミュレーターとアイトラッカーを組み合わせて、自然な運転行動中の眼球運動を評価したところ、「関心領域（AOI）の平均注視時間と瞳孔面積は、ドライバーの疲労検出における有効な指標として利用できる」ことが明らかになった[13]。

他の研究者たちは、アイトラッキングデータに基づいて被験者が感じている疲労度を予測するために、機械学習モデルを採用している [14]。また、眼球閉鎖率のデータも、疲労度の有効な予測因子として用いられている [15]。 また、まぶたの距離を測定する手法を用いた研究もあり、疲労の平均予測精度は90%であった[16]。これらは、個人が経験している疲労レベルに関する情報を提供する上で、アイトラッキングデータが持つ感度を示すほんの一例に過ぎない。

アイトラッキングの手法は、運転シーン以外にも応用可能です。複数のカメラを用いた追跡やアイトラッキングメガネといった柔軟な手法を用いれば、困難な状況下での眼球運動を検知することができます。これはパイロット、航空管制官、ドローン操縦者などに容易に適用でき、作業者がいつ順調に業務を行っているか、またいつ休憩が必要かをより深く把握するのに役立ちます。

表情分析は、個人が感じている疲労の度合いに関する情報を、非侵襲的な方法で伝達できる手法のもう一つの例である。特定の動き（あくびなど）や、複数の顔の動きのデータを組み合わせることで、疲労の度合いを予測することができる。 複数の研究者が、Affectivaのようなシステムから自動的に収集された表情データを用いて、眠気の発生を正確に予測できる機械学習モデルを構築している（例：[17-19]）。

疲労の程度を確実に測定するために適用できるもう一つの主要な手法が、脳波検査（EEG）である。この技術は、脳の活動を直接測定するため、眠気の程度を測定するのに特に適している[20]。研究者たちは、有線および無線のEEGヘッドセットを用いて、眠気の始まりに対応する脳波の発生頻度の上昇（例えば、後頭部の徐波活動の増加[21]）を検知してきた。

研究者たちはまた、心拍活動と生理的・心理的覚醒度の間に明確な関連性があることを活用している。心拍数や心拍変動性といった指標は、疲労の兆候に関する情報を確実に伝えるだけでなく、認知負荷をより具体的に測定することも可能である[22, 23]。

また、皮膚電気活動（EDA、GSRとも呼ばれる）の測定を通じて疲労を予測することも可能です。研究者たちは、この手法を用いて、眠気と反応時間の短縮との関連性をモニタリングしてきました[24]。この結果は自動車運転タスクにおいても再現されており[25]、さらには疲労によって引き起こされる不安を評価するために用いられた例もあります[26]。

結論

疲労の影響は甚大なものとなり得ます。疲労状態にある人々に起因する事故や死亡事故の増加が、そのことを如実に物語っています。 幸いなことに、事故のリスクが危険なレベルにまで高まるタイミングを追跡、測定、予測するための方法は多岐にわたって用意されている。個人が直面する業務は多岐にわたるため、安全性と成功を正確に評価するには、それぞれの状況を個別に検討する必要があるのは避けられないが、そのためのツールや能力はすでに備わっている。あとは、実際に着手するだけである。

疲労検知に関する記事をお楽しみいただけたでしょうか。疲労を追跡するために用いられる主要な手法についてさらに詳しく知りたい方は、以下の無料アイトラッキングガイドをダウンロードしてください。

参考文献

[1] デメント、ウィリアム・C. (1999). 『睡眠の約束』. ニューヨーク：デル・パブリッシング.

[2] Klauer SG、Dingus TA、Neale VL、Sudweeks JD、Ramsey DJ. 『運転者の不注意がニアミス・事故リスクに与える影響：100台自然主義研究データを用いた分析』、2006年。バージニア州スプリングフィールド：DOT；発行年。DOT HS 810 594。

[3] Tefft, B. C., AAA交通安全財団. 『居眠り運転による自動車事故の発生状況：米国、2009年～2013年』[457 KB]. ワシントンD.C.：AAA交通安全財団；2014年。2015年10月19日。

[4] 米国医学研究所. 『睡眠障害と睡眠不足：未解決の公衆衛生問題』. ワシントンD.C.：ナショナル・アカデミー・プレス；2006年.

[5] Shahly V, Berglund PA, Coulouvrat C, et al. 不眠症と高額な職場事故およびミスとの関連：アメリカ不眠症調査の結果. Arch Gen Psychiatry. 2012;69(10):1054–1063.

[6] Adams A, Soumerai S, Lomas J, Ross-Degnan D. (1999). ガイドライン遵守の評価における自己報告バイアスの証拠. Int J Qual Health Care; 11(3): 187–192.

[7] Dalziel, J.R., Job, R.F. (1997). タクシー運転手における自動車事故、疲労、および楽観バイアス. Accident Analysis Prevention 29, 489–494.

[8] Barofsky, I., Legro, M. W. (1991). 「疲労の定義と測定」。『Reviews of Infectious Diseases』第13巻、別冊第1号、1月～2月、94–97頁、https://doi.org/10.1093/clinids/13.Supplement_1.S94

[9] W. Horng、C. Chen、Y. Chang、C. Fan、「視線追跡と動的テンプレートマッチングに基づく運転者の疲労検知」、IEEE International Conference on Networking, Sensing and Control 論文集、台湾、第1巻、2004年、7–12頁。

[10] H. Huang, Y. S. Zhou, F. Zhang, F. C. Liu. (2007). 運転者の疲労監視のための最適化された眼球位置検出・追跡システム. ICWAPR 会議録, 第3巻, pp. 1144–1149

[11] R. C. Coetzer および G. P. Hancke (2011). リアルタイム車両運転者疲労監視システムのための眼球検出. IEEE インテリジェント・ビークル・シンポジウム論文集, 6月, pp. 66–71

[12] C. A. Perez, A. Palma, C. A. Holzmann, および C. Pena. (2001). デジタル画像処理に基づく顔および眼球追跡アルゴリズム. 『IEEE国際システム・人間・サイバネティクス会議論文集』第2巻、10月、pp. 1178–1183.

[13] Xu J, Min J, Hu J. 運転者の疲労評価のためのリアルタイム視線追跡. Healthc Technol Lett. 5(2):54-58. doi:10.1049/htl.2017.0020.

[14] 山田 陽子、小林 真（2018）。動画視聴時のアイトラッキングデータを用いた精神的疲労の検出：若年層および高齢者を対象とした評価、『Artificial Intelligence in Medicine』91、39e48、https://doi.org/10.1016/j.artmed.2018.06.005。

[15] Lin, L., Huang, C., Ni, X., Wang, J., Zhang, H., Li, X., & Qian, Z. (2015). 眼の状態に基づく運転者の疲労検知. Technology and Health Care, 23(2), 453–463.

[16] Wenhui Dong、Xiaojuan Wu（2005）。「まぶたの開き具合に基づく疲労検知」。『2005 IEEE International Workshop on VLSI Design and Video Technology 論文集』、中国・蘇州、2005年、pp. 365-368。

[17] Henni, K., Mezghani, N., Gouin-Vallerand, C. et al. (2018). Appl Inform, 5: 7. https://doi.org/10.1186/s40535-018-0054-9

[18] Gu, H. & Ji, Q. (2004). 疲労検知のための自動顔認識システム, IEEE国際顔・ジェスチャー認識会議論文集, pp. 111-116.

[19] J. Qiang、Z. Zhiwei、および P. Lan（2004）。「運転者の疲労に関するリアルタイム非侵襲的モニタリングと予測」。『IEEE Transactions on Vehicle Technology』、第53巻、1052–068頁、7月。

[20] Borghini, G., Astolfi, L., Vecchiato, G., Mattia, D., and Babiloni, F. (2014). 航空機パイロットおよび自動車運転者の神経生理学的信号の測定による精神的負荷、疲労、および眠気の評価. Neurosci. Biobehav. Rev. 44, 58–75. doi: 10.1016/j.neubiorev.2012.10.003

[21] Neu, D., Mairesse, O., Verbanck, P., Linkowski, P., and Le Bon, O. (2014). 疲労および眠気におけるノンレム睡眠の脳波パワー分布. J. Psychosom. Res. 76, 286–291. doi: 10.1016/j.jpsychores.2014.02.002

[22] Segerstrom, S. C., & Nes, L. S. (2007). 心拍変動は自己調節能力、努力、および疲労を反映する。Psychological Science, 18, 275–281. doi:10.1111/j.1467-9280.2007.01888.x

[23] Patel, M.; Lal, S.K.L.; Kavanagh, D.; Rossiter, P. (2001). 心拍変動データに対するニューラルネットワーク解析の適用による運転者の疲労評価. Exp. Syst. Appl. 38, 7235–7242.

[24] Miro E, Cano-Lonzao MC, Buela-Casal G. (2002). 完全睡眠剥奪中の皮膚電気活動およびその他の活性化・パフォーマンス指標との関連性. J Sleep Res. 11:105–12.

[25] Dorrian, J., Lamond, N., Kozuchowski, K., & Dawson, D. (2008). 運転者の覚醒度テレメトリ制御システム（DVTCS）：実験的に誘発された睡眠不足および疲労に対する感度の検討. Behavior Research Methods, 40, 1016-1025.

[26] Rani, P., Sarkar, N., Smith, C.A., Kirby, L.D. (2004). 不安を検知するロボットシステム――暗黙的な人間とロボットの協働に向けて. Robotica, 22:85–95.