一种基于脑认识的自动化系统决策快速干预方法技术方案

技术编号:20566344 阅读:16 留言:0更新日期:2019-03-14 09:15
本发明专利技术涉及一种基于脑认识的自动化系统决策快速干预方法,属于自动化技术领域,解决自动化系统的自动干预问题,方法包括,训练错误决策动作—脑电特征模型过程;利用错误决策动作—脑电特征模型进行实时错误决策动作检测,进行在线决策干预过程。本发明专利技术实现对自动化系统快速干预,以及时纠正或阻止自动化系统的错误决策或不利决策,降低自动化系统错误决策或不利决策所带来的损失。

A Fast Intervention Method for Decision Making in Automated System Based on Brain Cognition

The invention relates to a fast decision-making intervention method for automation system based on brain recognition, which belongs to the field of automation technology and solves the problem of automatic intervention for automation system. The methods include training the process of error decision-making action-EEG feature model, real-time error decision-making action detection by using error decision-making action-EEG feature model, and online decision-making intervention process. The invention realizes rapid intervention to the automation system, corrects or prevents the wrong decision or unfavorable decision of the automation system in time, and reduces the loss caused by the wrong decision or unfavorable decision of the automation system.

【技术实现步骤摘要】
一种基于脑认识的自动化系统决策快速干预方法
本专利技术涉及自动化
,尤其是一种基于脑认识的自动化系统决策快速干预方法。
技术介绍
在工业生产中,自动化系统发挥极其重要的作用,有效提升了生产效率。由于自动化系统的智能水平自身的局限性,其在自动完成作业时候,可能会做出错误的决策或不利的决策,进而产生不可预估的影响。而且,在自动化系统做出错误的决策或不利的决策时候,目前还主要依靠人工手段干预方式。但人工手段干预方式存在响应时间长的缺点。因此,迫切需要一中更有效的、更快的干预方法,以实现对自动化系统的快速干预。
技术实现思路
鉴于上述的分析,本专利技术旨在提供一种基于脑认识的自动化系统决策快速干预方法,以解决自动化系统做出错误决策或不利决策时的快速干预,有效缩短干预响应时间,降低自动化系统错误决策或不利决策所带来的损失。本专利技术的目的主要是通过以下技术方案实现的:一种基于脑认识的自动化系统决策干预方法,包括,训练决策动作—脑电特征模型:建立决策动作训练样本集,自动化系统执行训练样本集中样本时,同步采集注视自动化系统的操作人员的脑电信号,提取相应的脑电特征,进行模型训练,得到训练错误决策动作—脑电特征模型;在线实时决策干预:实时采集注视自动化系统执行决策动作下的操作人员的脑电信号,提取相应的脑电特征,输入到所述错误决策动作—脑电特征模型进行检测,当检测到错误决策动作时,发出干预控制指令到自动化系统,进行决策干预。进一步地,所述决策动作训练样本集包括正确决策动作样本和错误决策动作样本。进一步地,所述同步采集操作人员注视自动化系统执行决策动作时的脑电信号,是通过预设时长的滑动窗,从自动化系统执行决策动作后,立即开始抽取操作人员的脑电信号。进一步地,所述脑电特征包括时域特征、空域特征和频域特征。进一步地,采用ESSP方法提取滑动窗内脑电信号的脑电特征。进一步地,所述检测模型训练过程包括,1)采集自动化系统执行每个训练样本时,注视自动化系统执行操作人员的脑电信号,所述脑电信号为在预设时长滑动窗内的脑电信号;2)提取与每个训练样本对应的脑电信号的脑电特征,建立脑电特征与决策动作类型映射数据集;3)以所述脑电特征为输入,以决策动作类型为标签,输入检测模型中进行模型参数训练,得到模型参数;4)根据得到的模型参数,建立错误决策动作与脑电特征之间的对应关系,即得到所述错误决策动作—脑电特征模型。进一步地,所述检测模型为SVM支持向量机模型。进一步地,所述在线实时决策干预过程包括,1)实时采集自动化系统执行过程中,注视自动化系统执行的操作人员在预设时长滑动窗内的脑电信号;2)提取所述脑电信号的脑电特征,输入错误决策动作—脑电特征模型,进行错误决策动作检测;3)如果检测结果中不存在错误决策动作,则回到1);如果检测结果中存在错误决策动作,则输出决策干预指令到自动化系统;4)自动化系统接收决策干预指令,对错误决策动作进行干预。进一步地,所述滑动窗的预设时长根据人脑对突发事件的反应速度进行设置。进一步地,所述滑动窗的预设时长范围为100ms到500ms。本专利技术有益效果如下:本专利技术给出的基于脑认知的自动化系统快速决策干预方法,该方法具有响应时间短的优势。相比于人工手段干预方法,基于脑认知的自动化系统快速决策干预方法可实现对自动化系统快速干预,以及时纠正或阻止自动化系统的错误决策或不利决策,降低自动化系统错误决策或不利决策所带来的损失。附图说明附图仅用于示出具体实施例的目的,而并不认为是对本专利技术的限制,在整个附图中,相同的参考符号表示相同的部件。图1为本专利技术实施例中检测模型的训练方法流程图;图2为本专利技术实施例中在线决策的实时干预方法流程图。具体实施方式下面结合附图来具体描述本专利技术的优选实施例,其中,附图构成本申请一部分,并与本专利技术的实施例一起用于阐释本专利技术的原理。本专利技术实施例公开了一种基于脑认识的自动化系统决策干预方法,本实施例中所述的自动化系统包括无人驾驶车辆和无人机等。本实施例的基于脑认识的自动化系统决策干预方法包括,训练决策动作—脑电特征模型:建立决策动作训练样本集,自动化系统执行训练样本集中样本时,同步采集注视自动化系统的操作人员的脑电信号,提取相应的脑电特征,进行模型训练,得到训练错误决策动作—脑电特征模型;在线实时决策干预:实时采集注视自动化系统执行决策动作下的操作人员的脑电信号,提取相应的脑电特征,输入到所述错误决策动作—脑电特征模型进行检测,当检测到错误决策动作时,发出干预控制指令到自动化系统,进行决策干预。具体的,如图1所示,检测模型的训练,包括以下步骤:步骤S101、建立决策动作训练样本集;决策动作训练样本集中的样本为自动化系统执行决策动作事件,并且,训练样本集中包括正确决策动作样本和错误决策动作样本。为了提高训练效果,建立的决策动作训练样本集中的训练样本应当具有普遍性,需针对自动化系统进行专门设计,并且具有一定的数量,能够涉及到自动化系统的各种决策动作类型;例如设计1000个自动化系统执行决策动作事件,其中包括500个正确的决策动作类型和500个错误的决策动作类型。步骤S102、采集自动化系统执行每个训练样本时,注视自动化系统执行操作人员的脑电信号;操作人员在观察到自动化系统执行决策动作时,脑电信号会发生相应的变化,特别是,在观察到自动化系统做出错误或不利决策时,会产生与错误或不利决策相关的脑电负波信号。在本实施例中,利用一个预设时长的滑动窗,对自动化系统执行每个训练样本时,注视自动化系统执行操作人员的脑电信号进行采集;特殊的,由于人脑的反应特点决定,在事件突发时,反应最激烈,过后会慢慢平静,因此,滑动窗的预设时长根据人脑对突发事件的反应速度进行设置。根据通常人脑的反应速度,可把滑动窗的预设时长范围设置为100ms到500ms,例如200ms,既可以满足采集到人脑对自动化系统执行每个训练样本时,特别是错误或不利决策样本时,人脑剧烈反应的脑电信号,又可以满足避免采集过多人脑平静后的脑电信号,对剧烈反应的脑电信号的干扰。步骤S103、提取与每个训练样本对应的脑电信号的脑电特征,建立脑电特征与决策动作类型映射数据集;对采集的脑电信号进行预处理后,进行时域、空域和频域分析,得到包括时域特征、空域特征和频域特征在内的脑电特征;其中,时域特征包括N100成份潜伏期长短,幅自大小等;空域特征包括不同脑区脑电信号强度;频域特征包括不同频段的能量大小。可选的,对脑电特征的提取可采用事件相关电位空间频率模式,即ESSP法,进行脑电特征提取。通过ESSP法可以提升目标信号的信噪比。所述ESSP法的基本步骤包括:第一步:通过将各试次脑电信号按线性组合方式建立拼接脑电的生成式模型。第二步:通过最大后验估计得到生成式模型参数。第三步:通过建立的生成式模型对脑电信号进行空间频率模式分解,得到脑电特征。步骤S104、以得到的“脑电特征”为输入,以“决策动作类型”为标签,输入检测模型中进行模型参数训练,得到模型参数;采用的检测模型可以是SVM支持向量机模型;通过采用包括500个正确的决策动作类型和500个错误的决策动作类型的训练样本,及对应的脑电特征,进行模型的训练,得到分类器参数;步骤S105、根据得到的模型参数,建立错误决策动作与脑电特征之间本文档来自技高网...

【技术保护点】
1.一种基于脑认识的自动化系统决策干预方法,其特征在于,包括,训练决策动作—脑电特征模型:建立决策动作训练样本集,自动化系统执行训练样本集中样本时,同步采集注视自动化系统的操作人员的脑电信号,提取相应的脑电特征,进行模型训练,得到训练错误决策动作—脑电特征模型;在线实时决策干预:实时采集注视自动化系统执行决策动作下的操作人员的脑电信号,提取相应的脑电特征,输入到所述错误决策动作—脑电特征模型进行检测,当检测到错误决策动作时,发出干预控制指令到自动化系统,进行决策干预。

【技术特征摘要】
1.一种基于脑认识的自动化系统决策干预方法,其特征在于,包括,训练决策动作—脑电特征模型:建立决策动作训练样本集,自动化系统执行训练样本集中样本时,同步采集注视自动化系统的操作人员的脑电信号,提取相应的脑电特征,进行模型训练,得到训练错误决策动作—脑电特征模型;在线实时决策干预:实时采集注视自动化系统执行决策动作下的操作人员的脑电信号,提取相应的脑电特征,输入到所述错误决策动作—脑电特征模型进行检测,当检测到错误决策动作时,发出干预控制指令到自动化系统,进行决策干预。2.根据权利要求1所述的决策干预方法,其特征在于,所述决策动作训练样本集包括正确决策动作样本和错误决策动作样本。3.根据权利要求2所述的决策干预方法,其特征在于,所述同步采集操作人员注视自动化系统执行决策动作时的脑电信号,是通过预设时长的滑动窗,从自动化系统执行决策动作后,立即开始抽取操作人员的脑电信号。4.根据权利要求3所述的决策干预方法,其特征在于,所述脑电特征包括时域特征、空域特征和频域特征。5.根据权利要求4所述的决策干预方法,其特征在于,采用ESSP方法提取滑动窗内脑电信号的脑电特征。6.根据权利要求1所述的决策干预方法,其特征在于,所述检测模型训练过程包括,1)采集自动化系统执行每个训练样本时,注视自...

【专利技术属性】
技术研发人员:陈远方张利剑
申请(专利权)人:北京机械设备研究所
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1