[发明专利]基于多层融合识别模型的飞行员作业状态监测方法

权利要求书

1.一种基于多层融合识别模型的飞行员作业状态监测方法，其特征在于：其包括以下步骤：

S1、采集飞行员不同作业状态下的外周生理特征集数据、手腕加速度时序数据以及手腕加速度特征集数据，利用KPCA技术对外周生理特征集的数据进行降维处理；

S2、构建基于RBF核函数的SVM脑力负荷识别模型，具体包括以下子步骤：

S21、将步骤S1得到的降维处理后的外周生理特征集数据作为输入数据，并将输入数据设置为训练数据集：

其中，x_i为单个样本，y_i为对样本设定的状态类型；为样本空间，Rⁿ表示该样本空间属于n维欧式空间，表示状态类型向量；

S22、构建基于RBF核函数的SVM脑力负荷识别模型：

0≤α_i≤C,i＝1,2,…,N

其中，K(x_i,x_j)表示核函数，α为最优化问题的解，C0称为惩罚参数，C值越大对误分类的惩罚增大，C值越小对误分类的惩罚越小；

其中，RBF核函数K(x_i,x_j)进一步表示为：

式中，σ为高斯核函数参数；

S23、利用北方苍鹰优化算法对SVM识别模型的参数进行迭代，获得SVM识别模型的最优参数；

S3、基于得到的最优参数设置SVM脑力负荷识别模型，并利用训练数据集训练SVM，得到训练完成的SVM脑力负荷识别模型；

S4、构建基于CNN-LSTM与中间层融合的操作负荷识别模型，操作负荷识别模型由两路神经网络融合组成，将手腕加速度时序数据输入第一路神经网络，手腕加速度特征集数据输入第二路神经网络，第一路神经网络的连接结构为：S1、C1、R1、M1、C2、R2、M2、FL1、L1、L2、FL2；第二路神经网络的连接结构为：S2、C3、R3、M3、C4、R4、M3、FL3，之后对两路网络结构进行拼接融合，融合后的连接结构为：CN1、FC1、FC2、SF1、P1；其中，字母表示模块类型，数字表示模块序号；S表示输入层，C表示卷积层，R表示ReLU层，M表示最大池化层，FL表示Flatten层，L表示LSTM层，CN表示串联拼接层，FC表示全连接层，SF表示Softmax层，P表示分类输出层；

S5、利用采集的数据训练基于CNN-LSTM与中间层融合的操作负荷识别模型，得到训练完成的CNN-LSTM操作负荷识别模型；

S6、构建决策层动态加权融合模式，获得SVM脑力负荷识别模型输出的结果矢量，其各分矢量表示预测外周生理数据属于各标签的概率，提取CNN-LSTM操作负荷识别模型Softmax层输出的矢量，其各分矢量表示预测手腕加速度数据属于各标签的概率，使用线性组合方式，构建动态加权决策融合策略模型，动态加权决策融合策略模型包括飞行员作业特点权重、子分类器的分类性能系数权重以及生理信号质量权重，利用权重计算公式计算权重，基于权重计算结果对分类器输出的矢量进行加权计算，获得最终的概率计算结果矢量；

权重计算公式如下：

P₁＝A₁/(A₁+A₂)；

P₂＝A₂/(A₁+A₂)；

Q₁＝S₁/(S₁+1)；

Q₂＝1/(S₁+1)；

W₁＝(Z₁+P₁+Q₁)/3；

W₂＝(Z₂+P₂+Q₂)/3；

其中，定义SVM脑力负荷识别模型为模型1，CNN-LSTM操作负荷识别模型为模型2；式中，W₁表示模型1的权重，W₂表示模型2的权重；Z₁、Z₂分别表示飞行员作业中的脑力、操作负荷占比；P₁、P₂分别表示模型1与模型2的性能系数，A₁表示模型1的测试集准确率，A₂表示模型2的测试集准确率；Q₁、Q₂分别表示模型1与模型2的生理信号质量权重，S₁为PPG传感器的信号质量评估结果；

S7、利用训练完成的识别模型进行状态识别，具体包括以下子步骤：

S71、实时采集外周生理特征数据与手腕加速度数据，针对外周生理特征数据，利用步骤S1的方法对外周生理特征进行降维，将降维数据输入至步骤S3中训练完成的SVM脑力负荷识别模型中，获得输出的结果矢量；

S72、针对手腕加速度数据，分别将手腕加速度时序数据以及手腕加速度特征集数据输入至步骤S5中训练完成的CNN-LSTM操作负荷识别模型中，获得输出的结果矢量；

S73、利用步骤S6中的决策层动态加权融合模式对输出矢量进行处理，并选择概率最大的类别作为最终的作业状态分类结果。