【技术实现步骤摘要】
一种综合多模态生理信号数据的飞行员工作负荷预测方法
[0001]本专利技术属于人机环系统领域，涉及一种综合多模态生理信号数据的飞行员工作负荷预测方法。
技术介绍
[0002]工作负荷指的是单位时间内个体所承受的工作量，或指个体完成任务所承受的工作负担与压力及其所付出的努力与注意力大小。工作负荷又可以分为生理负荷和心理负荷两大类。在确保系统整体产出、工作速度、运行精度以及运行可靠性处于正常恒定水平的条件下，工作负荷程度就成为了衡量人机环系统性能优劣的关键评价指标。研究与应用中通常把工作负荷程度分为低、中、高三个等级。
[0003]飞机座舱是高度密集的人机交互系统，其设计直接影响飞行安全。通常，飞行员需要在相对较短的时间内处理大量信息，并作出快速反应决定，以应对可能出现的紧急空域情况。因此，合理优化操作者的工作负荷分配可以有效减少人因失误，提高系统可靠性和操作者舒适度。通过对飞行员工作负荷预测的研究，主动推显合理有效的座舱人机界面，可以及时有效地辅助飞行任务和飞行员的心理状态调适，从而最大限度地预防飞行事故的发生。
【技术保护点】
【技术特征摘要】
1.一种综合多模态生理信号数据的飞行员工作负荷预测方法，其特征在于，包括：采集并第一预处理飞行员在执行A任务时的多模态生理信号，得到多模态生理参数；第一预处理用于去除采集设备误差和飞行员个体差异；将多模态生理参数作为执行A任务的特征描述输入离线阶段建立的工作负荷程度预测认知计算模型，输出飞行员的负荷状态；其中，工作负荷程度预测认知计算模型是根据飞行员工作负荷程度心理物理实验即N
‑
back实验的实验结果训练出的极限学习模型。2.根据权利要求1所述的方法，其特征在于，所述工作负荷程度预测认知计算模型训练方法包括：在N
‑
back实验中，采集多个被试飞行员处于不同负荷状态下的多模态生理信号；负荷由刺激的程度而定，每次N
‑
back实验同时采用数字和图像两种刺激；对多个被试飞行员处于不同负荷状态下的多模态生理信号进行第二预处理，得到模型可读的特征描述样本和对应的负荷状态样本；第二预处理包括人工预处理和第一预处理；基于模型可读的特征描述样本和对应的负荷状态样本，利用极限学习机的机器学习算法建立工作负荷程度预测认知计算模型。3.根据权利要求2所述的方法，其特征在于，多模态生理信号包括生理信号和前额叶脑电波形信号；生理信号信号包括：心率信号、心率变异率信号、皮肤电均值信号、皮肤电波峰信号，以及运动加速度信号；第一预处理飞行员在执行A任务时的多模态生理信号，包括：获取该飞行员未执行A任务前安静状态下的多模态生理信号；根据该飞行员未执行A任务前安静状态下的生理信号和执行A任务时的生理信号，计算心率差、心率变异率差、皮肤电均值差、皮肤电波峰差、运动加速度差；根据该飞行员执行A任务时的前额叶脑电波形信号计算波形、位相、调节及调幅、出现形式；根据该飞行员未执行A任务前平静状态下的前额叶脑电波形信号和执行A...
【专利技术属性】
技术研发人员：李晨，邓平煜，裘旭益，张响阳，王金岩，姚子羽，黄鑫，万华根，徐杰，
申请(专利权)人：中国航空无线电电子研究所，
类型：发明
国别省市：
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。