[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

说明书

本发明提供一种基于多层融合识别模型的飞行员作业状态监测方法，其包括S1、采集基于不同传感器的外周生理特征数据以及手腕加速度时序数据与手腕加速度特征集数据；S2、构建基于RBF核函数的SVM识别模型；S3、根据最优参数建立SVM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；S5、训练得到CNN‑LSTM操作负荷识别模型；S6、构建决策层动态加权融合模式；S7、利用训练完成的识别模型进行状态识别。本发明采用KPCA降维技术，通过输入多层融合模型能够充分感知飞行员在不同维度的状态信息，在作业状态监测方面具有较好的性能，可集成至新一代飞机座舱中，更好地提升人机协作水平。

技术领域

本发明涉及航空文档信息抽取领域，具体涉及一种基于多层融合识别模型的飞行员作业状态监测方法。

背景技术

随着航空技术的发展，航空装备的飞行环境与飞行任务日益复杂，飞行员的主要任务转变为对态势信息的监控以及对关键战术任务的决策。为提升人与装备之间的协作水平，人机交互系统需要得到相应的改进。改进新一代军用飞机人机交互系统的关键之一是提高其对飞行员作业状态的智能感知。人员状态监测技术在智能航空领域有着广泛的应用，主要是为了提高飞行员的工作效率和安全性、防止人为差错、实现最佳的人机协作。

传统上，飞行员的人员状态评估主要基于专家访谈与问卷调查，如NASA-TLX任务负荷量表、疲劳自觉症状调查表等，这些间接的分析存在许多问题：问卷调查评估人员状态是主观的，其结果受不同人主观因素影响较大；问卷调查需要中断被试的作业任务，在实际飞行任务情况下无法进行；主观评价只能在离散的时间点开展，不能提供连续的、与任务相关的人员状态变化监测信息。

为解决这些问题，人们提出了更加客观以及时间连续的方法，通过单一生理信号识别人的状态，例如心电测量技术(Electrocardiogram)、眼动测量技术(Ocularmeasures)、脑电测量技术(Electroencephalogram)、呼吸测量技术(Respiration)和皮电测量技术(Electrodermal activity)等。但是单一生理信号的识别存在稳定性差、数据信息减少、可靠性低、判别能力低等问题。此外，一些研究也涉及到不同信号的组合，但在很多方面仍然没有达成共识，例如，哪些指标应该被用作输入，应该采用什么样的分类模型等。随着工效学传感器技术、芯片技术以及机器学习、深度学习等算法技术的进一步发展，生理计算(Physiological computing)成为一种可行的模式。通过采集多模态数据，借助机器学习或深度学习技术构建分类模型，表征生理数据与人员状态之间的映射关系，可建立具有实时性、较高准确性与鲁棒性的人员状态监测能力。

除了采用机器学习技术构建分类模型、输入融合特征集，对模型的关键参数进行智能优化也是改进模型性能的一种方式。这些优化方式在以前的研究中被频繁使用。但是，现有的方法并不能完全保证监测结果的准确，因此，急需研究一种性能优异的飞行员作业状态监测方法。

发明内容

为了解决上述现有技术的不足，本发明提出一种基于多层融合识别模型的飞行员作业状态监测方法，其利用KPCA技术对便携式可穿戴设备采集计算得到的外周生理特征集进行降维，并在不断迭代过程中寻找SVM识别模型的最优参数，而后根据最优参数建立SVM脑力负荷识别模型，利用基于CNN-LSTM与中间层融合的神经网络结构建立操作负荷识别模型，进一步构建多模型动态加权决策融合策略模型，利用融合模型进行状态识别，对飞行员作业状态进行智能监测，保证优异性能的作业状态监测。

具体地，本发明提供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：