基于支持向量机的飞行情境人员应激状态评定系统和方法技术方案

本发明专利技术提供了一种基于支持向量机的飞行情境人员应激状态评定系统，包括数据预处理模块、模型训练模块、应激状态评定模块、结果输出模块。数据预处理模块对导入数据进行标准化和规范化处理并储存。模型训练模块通过已导入的标签与特征基于支持向量机建立分类模型并储存。应激状态评定模块首先选择合适的模型，然后根据模型导入需要的测试特征，最后进行应激状态的评定。结果输出模块将应激评定结果进行综合输出，包括：应激状态的综合评定结果、时序切片结果、图像结果及选定时间段的应激稳定度结果。利用该系统能够快速有效地对人员在各种飞行任务条件下的应激状态进行在线评估，可用于指导飞行员培训，提高飞行员应对应激的能力以提升飞行安全。以提升飞行安全。以提升飞行安全。

【技术实现步骤摘要】
基于支持向量机的飞行情境人员应激状态评定系统和方法


[0001]本专利技术涉及一种基于支持向量机(Support vector machine，SVM)的飞行情境人员应激状态评定系统和方法。

技术介绍

[0002]个体处于危险环境时总会表现出战斗或逃避的状态，这种状态称为应激(stress)状态。飞行情境操作复杂、危险性高、且事故发生率高，极易引发飞行员的应激状态，对飞行员的认知和绩效产生不利影响，从而影响飞行安全。因此实现对飞行员应激状态下综合能力的实时评估，可为飞行员应激状态的获取提供依据，用于指导飞行员培训，提高飞行员应对应激的能力以提升飞行安全。
[0003]应激测量过程中典型的测量方法有主观测量法、生理测量法和绩效测量法。主观测量法通常使用主观量表对人员的状态进行测量，常见的与应激相关的主观状态测量包括焦虑、注意力、恢复、感知压力、疲劳和工作负荷等。常用的测量人员急性应激状态的主观方法有简短应激状态问卷(Short Stress State Questionnaire)，此外，飞行情境下产生的急性应激在人员的情境意识、工作负荷和疲劳上同样会有所体现，其中，测量情境意识的常用主观方法为情境意识评定量表(Situation Awareness Rating Technique，SART)，测量工作负荷的常用主观方法为工作负荷量表(National Aeronautics and Space Administration Task Load Index，NASA
‑
TLX)，测量疲劳的常用主观方法为疲劳评定量表(Stanford Sleepiness Scale，SSS)。生理测量法则是通过测量人员的心电、脑电、眼动、皮肤电及生化指标评估人员的应激状态，其中最为常用的生理指标包括心率、心率变异性、唾液皮质醇等。对于应激的绩效测量，根据应激与绩效关系的倒U形理论，可以认为飞行环境下的应激水平与绩效呈负相关关系(即处于倒U形应激曲线的高应激侧)。
[0004]目前，对于衡量人员应激水平的应激评估指标体系尚不成熟，而对于飞行情境的应激评估模型研究更是有限。传统的应激评估指标(如唾液皮质醇等)存在侵入性强、不能实时监测的劣势，因而不适用于飞行任务情境。对于人员的应激评估标准一般仅使用应激量表或心电指标，对复杂飞行情境来说可能不足以综合评价人员的应激状态。

技术实现思路

[0005]针对现有技术的上述问题，本专利技术人开发了一种系统，其基于模拟飞行任务，通过采集处理量表、生理、绩效等数据信息，利用机器学习算法中的支持向量机，基于数据信息进行建模分析，评定飞行情境下人员应激状态，实现了对飞行情境下人员应激状态综合能力的在线评估。
[0006]本专利技术提供了一种基于支持向量机的飞行情境人员应激状态评定系统，包括数据预处理模块、模型训练模块、应激状态评定模块、结果输出模块四个部分。数据预处理模块对导入的数据(主观量表数据、眼动数据、心电数据和绩效数据)进行标准化和规范化处理包括：异常值处理、缺失值处理、标准化处理和归一化处理，处理后的数据储存在内存空间
中。模型训练模块在数据预处理模块储存的数据中选择标签与特征，基于支持向量机方法建立分类模型，模型训练完成后显示五折交叉验证的准确率，训练完的分类模型储存在内存空间中。应激状态评定模块首先在模型训练模块储存的分类模型中选择合适的模型，然后根据模型需要的输入特征导入数据预处理模块储存的测试数据，最后进行应激状态的在线评定分析。结果输出模块将应激的在线评定结果进行综合输出，包括：应激状态的综合评定结果、应激状态的时序切片结果、应激状态图像结果以及选定时间段的应激稳定度结果。
[0007]本专利技术的有益效果包括：本专利技术克服了当前人员应激状态测量和评估技术的不足，针对飞行情境下人员的应激状态，采集人员的主观量表数据、生理数据及绩效数据，基于绩效和量表结果建立应激评估标签，以眼动和心电结果作为特征建立支持向量机模型对人员的应激状态水平进行多等级在线评估。本专利技术实现了多种飞行任务环境下人员应激状态水平的在线评估，为指导飞行员培训，提高飞行员应对应激的能力提供依据，提升飞行安全。
[0008]本专利技术的优点包括：
[0009](1)提供了一种飞行情境下人员应激状态评定系统，可通过眼动和心电等生理数据实现人员应激状态的多等级评定，对于不同飞行任务情境，可以通过选择合适的标签训练特定的模型，系统具有应用场景多、泛化能力强、正确率高等优点；
[0010](2)多类别的标签选择可以提供多角度的综合应激评估标准，为复杂飞行任务条件下人员的应激状态综合评价提供依据。
[0011](3)适于民航客机、舰载机、模拟训练等多种场景下执行飞行任务过程中的人员应激综合状态监测，为提高飞行员应对应激的能力提供依据，从而有助于提高飞行安全。
附图说明
[0012]图1是根据本专利技术的一个实施例的基于支持向量机的飞行情境人员应激状态评定系统的架构图；
[0013]图2是根据本专利技术的一个实施例的基于支持向量机的飞行情境人员应激状态评定系统的用户界面示意图；
[0014]图3是根据本专利技术的一个实施例的基于支持向量机的飞行情境人员应激状态评定系统的操作方法流程图；
[0015]图4(a)至4(d)是根据本专利技术的一个实施例的基于支持向量机的飞行情境人员应激状态评定系统在各个操作状态下的用户界面示意图。
具体实施方式
[0016]1总体概述
[0017]本专利技术针对不同场景和或不同设备的应用与不同的使用需求，建立了基于支持向量机的飞行情境人员应激状态评定模型及系统，采用人员主观、绩效、眼动及心电特征的多特征组合对人员应激状态进行多级评定。
[0018]2基于支持向量机的飞行情境人员应激状态评定系统架构
[0019]如图1所示，根据本专利技术的一个实施例的基于支持向量机的飞行情境人员应激状态评定系统包括四个模块：数据预处理模块、模型训练模块、应激状态评定模块、结果输出
模块。具体说明如下。
[0020](1)数据预处理模块
[0021]数据预处理模块用于将导入的特征(眼动数据、心电数据)及标签数据(主观量表数据、绩效数据)进行异常值处理、缺失值处理、标准化处理和归一化处理，然后将预处理后的标签数据进行聚类处理生成类别标签，将预处理后的特征数据进行特征降维提取出重要特征，最后将标签与特征储存在内存空间中。其中导入的数据内容包括：
[0022]主观量表数据，包括简短应激状态问卷结果、疲劳评定量表结果、工作负荷量表结果、情境意识评定量表结果等；
[0023]绩效数据，包括滚转操纵稳定性结果、航向操纵稳定性结果、俯仰操纵稳定性结果、任务绩效量表结果等；
[0024]眼动数据，包括瞳孔的空间位置坐标结果、瞳孔直径结果、注视指标结果(注视点数目、注视率、注视时长等)、扫视指标结果(扫视幅度、扫视速度、扫视点数目、扫视率等)等；
[0025]心电数据，包括时域指标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于支持向量机的飞行情境人员应激状态评定系统，其特征在于包括：A)数据预处理模块，用于对导入的特征及标签数据进行包括异常值处理、缺失值处理、标准化处理和归一化处理的预处理，然后将预处理后的标签数据进行聚类处理生成类别标签，将预处理后的特征的数据进行特征降维提取出重要特征，将类别标签与重要特征储存在内存空间中，其中导入的特征包括：主观量表数据，包括简短应激状态问卷结果、疲劳评定量表结果、工作负荷量表结果、情境意识评定量表结果；绩效数据，包括滚转操纵稳定性结果、航向操纵稳定性结果、俯仰操纵稳定性结果、任务绩效量表结果；眼动数据，包括瞳孔的空间位置坐标结果、瞳孔直径结果、注视指标结果、扫视指标结果；心电数据，包括时域指标结果、频域指标结果、心电原始波形数据结果，所述预处理的包括：对异常值采用剔除
±
3倍标准差范围外数据进行处理；对缺失值采用均值插补法进行处理；进行标准化处理，包括采用min
‑
max标准化方法对原始数据进行线性变换，使其映射到[0,1]之间，转换函数如下：其中，x代表原始数据，x
mon
代表原始数据中的最小值，x
max
代表原始数据中的最大值，进行归一化处理，包括将负向指标转换为正向指标，并使结果落在[0,1]之间，转换函数为：其中，x代表原始数据，x
mon
代表原始数据中的最小值，x
max
代表原始数据中的最大值，B)模型训练模块，用于通过设置参数建立三个“一对一”支持向量机SVM1－SVM3，然后读入数据预处理模块储存的标签及特征，分别传输至支持向量机SVM1－SVM3进行计算：其中：支持向量机SVM1将高应激状态所对应的向量作为正集+1，中应激状态所对应的向量作为负集
‑
1；支持向量机SVM2将高应激状态所对应的向量作为正集+1，低应激状态所对应的向量作为负集
‑
1；支持向量机SVM3将中应激状态所对应的向量作为正集+1，低应激状态所对应的向量作为负集
‑
1，支持向量机SVM1－SVM3分别得到分类1、分类2、分类3，使用投票法确定应激状态水平最终分类，即把分类1－3中出现最多次数的结果作为最终分类，模型训练完成后通过五折交叉验证方法对模型准确率进行验证，通过改变每个支持向
量机SVM1－SVM3的设置参数，改变训练模型以达到规定的准确率，将模型储存在内存空间中，设置参数包括：核函数包括线性核函数、二次核函数、三次核函数、高斯核函数；核尺度参数默认值为“自适应”；框约束级别默认值为1，C)应激状态评定模块，用于通过选择合适的模型，并根据选择模型的输入特征读入数据预处理模块储存的特征的数据，并将特征传输至分类模型对人员的应激状态水平进行在线评定分析，D)结果输出模块，用于将应激评定结果进行综合输出，其中：应激评定结果包括：应激状态的综合评定结果、应激状态的时序切片结果、应激状态图像结果以及选定时间段的应激稳定度结果，应激状态的时序切片结果为每段时间切片的应激评定结果；应激状态图像结果显示每段时间切片的应激状态；应激状态的综合评定结果为整个时间段的综合应激状态水平，每段时间切片的应激状态STRESS
i
的取值可能为表示低应激水平的
‑
1()、表示中应激水平的
‑
2、表示高应激水平的
‑
3，计算公式为：其中，STRESS
i
表示每段时间切片的应激状态，n表示时间切片总数，应激稳定度stability采用归一化后的应激评定结果的样本方差进行表征，计算公式为：其中，样本方差S2∈[0,2]，因此max＝2,min＝0，stability∈[0,1]，应激稳定度越大说明该时间段内的应激状态变化越小。2.根据权利要求1所述的基于支持向量机的飞行情境人员应激状态评定系统，其特征在于：注视指标结果包括注视点数目、注视率、注视时长，扫视指标结果包括扫视幅度、扫视速度、扫视点数目、扫视率，时域指标结果包括心率、平均RR间期、PNN20，频域指标结果包括低/高频功率及相对功率。3.根据权利要求1所述的基于支持向量机的飞行情境人员应激状态评定系统，其特征在于：模型可以通过通过设置核函数、核尺度及框约束级别进行调整，核函数包括线性核函数、二次核函数、三次核函数、高斯核函数；核尺度参数默认值为“自适应”；框约束级别默认
值为1，框约束级别越小，训练中允许的错误样本数越多，支持向量个数越多，泛化能力越强；框约束级别越大，支持向量个数越少，过拟合风险会增大。4.根据权利要求1所述的基于支持向量机的飞行情境人员应激状态评定系统，其特征在于：综合输出的结果支持选择指定路径将数据列表及状态图以包括png、txt的多种格式导出。5.基于支持向量机的飞行情境人员应激状态评定方法，其特征在于包括：S1)数据...

【专利技术属性】
技术研发人员：完颜笑如，王一行，刘双，冯传宴，钱春颖，王子仪，党予卿，陈星江，梁超然，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：