一种飞行员行为分析方法及系统技术方案

本发明专利技术提供了一种飞行员行为分析方法及系统。方法包括：获取飞行员与飞行任务相关的生理信号；基于DT算法，计算多种生理信号的贡献度值，将贡献度值大于设定阈值的生理信号作为特征集中的特征信号；根据预设比例将特征集划分为训练集和测试集；根据训练集中的特征信号构建并训练作战行为分析模型；根据测试集中的特征信号对训练后的作战行为分析模型进行测试，判断测试结果与测试集中的特征信号的标签的相符程度是否小于设定阈值；若否，则训练后的作战行为分析模型作为用于分析飞行员行为的最终的作战行为分析模型。根据最终的作战行为分析模型，可有效解决分析飞行员行为时数据处理困难、建模特征冗杂和建模精度较低的问题。

【技术实现步骤摘要】
一种飞行员行为分析方法及系统
本专利技术涉及测试评估
，特别是涉及一种飞行员行为分析方法及系统。
技术介绍
随着脑科学技术、人机工效技术、人工智能技术的迅速发展，将这些关键技术交叉融合后应用到人类行为探索中成为了发展新方向。飞行员作为高技能、高风险的职业，其行为的判断、决策会对整个作战任务的完成情况产生较大影响。而且，飞行员的行为是飞行行为建模与仿真的重要部分，同时也可将飞行员的行为用于辅助预备飞行员的飞行模拟训练。然而，目前的飞行员飞行行为建模方式存在数据处理困难、建模特征冗杂和建模精度较低等问题。
技术实现思路
为了解决上述问题，本专利技术提出了一种飞行员行为分析方法及系统。将DT(决策树)算法与卷积神经网络模型相结合，基于从多模态生理信号中提取的贡献度值较高的飞行员的脑电特征、眼动特征和心电特征，建立用于分析飞行员行为的作战行为分析模型，可有效解决分析飞行员行为时数据处理困难、建模特征冗杂和建模精度较低的问题。为实现上述目的，本专利技术提供了如下方案：一种飞行员行为分析方法，包括：获取飞行员与飞行任务相关的生理信号；基于DT算法，计算多种所述生理信号的贡献度值，将所述贡献度值大于设定阈值的所述生理信号作为特征集中的特征信号；根据预设比例将所述特征集划分为训练集和测试集；根据训练集中的特征信号构建并训练作战行为分析模型；根据测试集中的特征信号对训练后的作战行为分析模型进行测试，判断测试结果与所述测试集中的特征信号的标签的相符程度是否小于设定阈值；若是，则采用优化算法对所述训练后的作战行为分析模型的参数进行优化；若否，则所述训练后的作战行为分析模型作为用于分析飞行员行为的最终的作战行为分析模型。具体的，所述生理信号包括：与飞行任务相关的脑电信号、眼动信号和心电信号。具体的，在获取飞行员与飞行任务相关的生理信号之后还包括：对所述生理信号进行预处理，得到预处理后生理信号；基于DT算法，计算所述预处理后生理信号的所述贡献度值。具体的，基于DT算法，计算多种所述生理信号的贡献度值包括：将多种所述生理信号两两划分为一个特征组；飞行员判断每个所述特征组中两个所述生理信号在飞行任务中的相对重要程度；每个所述特征组中相对重要程度较高的所述生理信号的特征贡献为一；每个所述特征组中相对重要程度较低的所述生理信号的特征贡献为零；将所有所述特征组中每个所述生理信号的特征贡献求和，得到每个所述生理信号的贡献度值。具体的，基于交叉验证方法，对所述作战行为分析模型进行训练和测试。具体的，基于监督学习方法，根据所述测试集中的特征信号对所述训练后的作战行为分析模型进行测试。具体的，采用梯度下降法对所述训练后的作战行为分析模型的参数进行优化。具体的，所述作战行为分析模型以卷积神经网络模型为主体；所述卷积神经网络模型中卷积的计算公式表示为：其中，表示所述卷积神经网络模型中第一层卷积层的mth个通道激活值，通过所述卷积神经网络模型的上一个卷积层和偏置项卷积得出，表示所述第一层卷积层mth通道的输出，f(·)表示所述卷积神经网络模型的激活函数，p表示特征信号对应的训练集或测试集，表示所述卷积神经网络模型的卷积函数，表示的偏置；所述卷积神经网络中池化的计算公式表示为：ul＝wlxl-1+bl；其中，down(·)表示所述卷积神经网络模型的降采样函数，表示所述卷积神经网络模型的偏移系数，表示特征信号的偏置系数；ul表示lth所述卷积神经网络中全连接层的激活值，wl和bl分别表示所述全连接层的权重和偏差。本专利技术还提供了一种飞行员行为分析系统，包括：生理信号获取模块，用于获取飞行员与飞行任务相关的生理信号；贡献度计算模块，用于基于DT算法，计算多种所述生理信号的贡献度值，将所述贡献度值大于设定阈值的所述生理信号作为特征集中的特征信号；特征集划分模块，用于根据预设比例将所述特征集划分为训练集和测试集；模型训练模块，用于根据训练集中的特征信号构建并训练作战行为分析模型；模型测试模块，用于根据测试集中的特征信号对训练后的作战行为分析模型进行测试，判断测试结果与所述测试集中的特征信号的标签的相符程度是否小于设定阈值；若是，则采用优化算法对所述训练后的作战行为分析模型的参数进行优化；若否，则所述训练后的作战行为分析模型作为用于分析飞行员行为的最终的作战行为分析模型。具体的，所述最终的作战行为分析模型以卷积神经网络模型为主体，包括：依次串联的第一数据输入层、第一卷积计算层、第一最大池化层、第二卷积计算层、第一最大池化层、第一全局最大池化层、第四全连接层、第一dropout层和第五全连接层；所述第一数据输入层接收所述飞行员与飞行任务相关的生理信号，经所述最终的作战行为分析模型处理后，于所述第五全连接层输出预测的任务类型。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的一种飞行员行为分析方法及系统，先获取飞行员与飞行任务相关的多模态生理信号，然后利用DT算法从多模态生理信号中筛选出贡献度值较高的生理信号，并基于这些筛选出的生理信号构建并训练作战行为分析模型。在构建并训练好作战行为分析模型后，利用测试集中的特征信号及其标签对训练好的作战行为分析模型进行测试，将测试结果与测试集中的特征信号对应的标签的相符程度作为判断训练好的作战行为分析模型是否符合预设要求的标准。若两者的相符程度小于预设阈值，则认为训练好的作战行为分析模型不符合预设要求，可以通过优化算法对训练好的作战行为分析模型的参数进行进一步的优化；反之，若两者的相符程度大于或等于预设阈值，则认为训练好的作战行为分析模型符合预设要求，可以直接将训练好的作战行为分析模型作为用于分析飞行员行为的最终的作战行为分析模型。综上所述，本专利技术中将飞行员的多模态生理信号与DT算法和卷积神经网络相结合，构建出了能够快捷精确分析飞行员行为的作战行为分析模型，能够有效解决现有存在的飞行员飞行行为建模方式存在数据处理困难、建模特征冗杂和建模精度较低等问题。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例1中飞行员行为分析方法的流程图；图2为本专利技术实施例2中多模态生理信号贡献度结果示意图；图3为本专利技术实施例2中利用作战行为分析模型分别对训练集和测试集进行分析时的准确率示意图；图4为本专利技术实施例2中利用作战行为分析模型分别对训练集和测试集进行分析时的loss示意图；图5为本专利技术实施例3中飞行员行为分析系统的结本文档来自技高网...

【技术保护点】
1.一种飞行员行为分析方法，其特征在于，包括：/n获取飞行员与飞行任务相关的生理信号；/n基于DT算法，计算多种所述生理信号的贡献度值，将所述贡献度值大于设定阈值的所述生理信号作为特征集中的特征信号；/n根据预设比例将所述特征集划分为训练集和测试集；/n根据训练集中的特征信号构建并训练作战行为分析模型；/n根据测试集中的特征信号对训练后的作战行为分析模型进行测试，判断测试结果与所述测试集中的特征信号的标签的相符程度是否小于设定阈值；/n若是，则采用优化算法对所述训练后的作战行为分析模型的参数进行优化；若否，则所述训练后的作战行为分析模型作为用于分析飞行员行为的最终的作战行为分析模型。/n

【技术特征摘要】
1.一种飞行员行为分析方法，其特征在于，包括：
获取飞行员与飞行任务相关的生理信号；
基于DT算法，计算多种所述生理信号的贡献度值，将所述贡献度值大于设定阈值的所述生理信号作为特征集中的特征信号；
根据预设比例将所述特征集划分为训练集和测试集；
根据训练集中的特征信号构建并训练作战行为分析模型；
根据测试集中的特征信号对训练后的作战行为分析模型进行测试，判断测试结果与所述测试集中的特征信号的标签的相符程度是否小于设定阈值；
若是，则采用优化算法对所述训练后的作战行为分析模型的参数进行优化；若否，则所述训练后的作战行为分析模型作为用于分析飞行员行为的最终的作战行为分析模型。


2.根据权利要求1所述的飞行员行为分析方法，其特征在于，所述生理信号包括：
与飞行任务相关的脑电信号、眼动信号和心电信号。


3.根据权利要求1所述的飞行员行为分析方法，其特征在于，在获取飞行员与飞行任务相关的生理信号之后还包括：
对所述生理信号进行预处理，得到预处理后生理信号；
基于DT算法，计算所述预处理后生理信号的所述贡献度值。


4.根据权利要求1所述的飞行员行为分析方法，其特征在于，基于DT算法，计算多种所述生理信号的贡献度值包括：
将多种所述生理信号两两划分为一个特征组；
飞行员判断每个所述特征组中两个所述生理信号在飞行任务中的相对重要程度；
每个所述特征组中相对重要程度较高的所述生理信号的特征贡献为一；
每个所述特征组中相对重要程度较低的所述生理信号的特征贡献为零；
将所有所述特征组中每个所述生理信号的特征贡献求和，得到每个所述生理信号的贡献度值。


5.根据权利要求1所述的飞行员行为分析方法，其特征在于，基于交叉验证方法，对所述作战行为分析模型进行训练和测试。


6.根据权利要求5所述的飞行员行为分析方法，其特征在于，基于监督学习方法，根据所述测试集中的特征信号对所述训练后的作战行为分析模型进行测试。


7.根据权利要求1所述的飞行员行为分析方法，其特征在于，采用梯度下降法对所述训练后的作战行为分析模型的参数进行优化。


8.根据权利要求1所述...

【专利技术属性】
技术研发人员：王夏爽，毛磊，张金鹏，王智斌，郭宇飞，
申请(专利权)人：中国航天科工集团第二研究院，
类型：发明
国别省市：北京;11