疲勞是影響飛行安全的一個重要因素,可能導致飛行員操作能力下降、錯誤判斷和飛行錯覺,甚至會引發(fā)嚴重飛行事故。當飛行員疲勞時,其自主神經系統(tǒng)會發(fā)生相應的變化,心率與自主神經系統(tǒng)活動存在一定的相關性,心電信號可以在一定程度上反映人的疲勞狀態(tài)。
為了滿足飛行員自然駕駛和安全飛行的需求,本研究選擇了采樣率高、數據可靠、操作方便、非侵入性強的ECG心電傳感器,并結合主觀自我評估來識別飛行員的疲勞狀態(tài),從而保證了飛行員疲勞數據的實時性和準確性。
研究框架
通過飛行模擬實驗收集飛行員心電(ECG)和Samn–Perell7級疲勞量表數據識別飛行員的疲勞狀態(tài)。對采集的ECG數據進行預處理后,通過弗里德曼檢驗和主成分分析(PCA)選擇并提取ECG數據的時域、頻域和非線性特征指標?;谔卣鬟x擇和提取的結果,利用學習向量化算法神經網絡(LVQ)建立了飛行員的疲勞狀態(tài)識別模型,并確定飛行員的非疲勞、輕度疲勞和疲勞狀態(tài)。最后將鑒定結果與反向傳播神經網絡(BPNN)、支持向量機(SVM)等傳統(tǒng)方法進行了比較。
研究框架
實驗設備和流程
招募30名獲得飛行資格證的飛行員。飛行員在 Cessna 172模擬飛行器執(zhí)行飛行任務,佩戴津發(fā)科技BIO無線可穿戴ECG傳感器采集ECG信號,并通過ErgoLAB人機環(huán)境同步云平臺記錄和處理ECG信號,Cessna 172模擬飛行器和無線可穿戴ECG傳感器的佩戴如下圖。每個飛行員每天在上午、下午、晚上分別執(zhí)行一次模擬飛行,共持續(xù)30天。
飛行模擬實驗設備(a)Cessna172飛行模擬器;(b)Cessna172飛行模擬器的控制面板;(c)無線可穿戴心電數據采集裝置
飛行任務流程示意圖
飛行員和主試在每次飛行前后根據飛行員的疲勞狀態(tài)在Samn–Perelli7級疲勞量表中選擇最靠近的疲勞水平,結果取其平均值,并將疲勞量表得分不大于3定義為非疲勞狀態(tài),大于3但不大于5定義為輕度疲勞狀態(tài),大于5定義為疲勞狀態(tài)。
實驗流程圖
疲勞量表分析
飛行員的疲勞水平在9:00-11:00、14:00-16:00和19:00-21:00的三個時間段內有顯著差異,這三個時間段對應的飛行員疲勞狀態(tài)可分為非疲勞、輕度疲勞和疲勞。使用非疲勞、輕度疲勞和疲勞狀態(tài)作為模型訓練的標簽。
Samn–Perell7級疲勞量表數據統(tǒng)計
疲勞狀態(tài)特征選擇
選擇22人數據(1152樣本)為訓練集,剩下8人數據(288樣本)為測試集,通過弗里德曼檢驗得出差異顯著的ECG 的4個時域指標( AVNN、AVHR、RMSSD、PNN50)、3個頻域指標(LFnorm、HFnorm、LF/HF)和3個非線性指標(SD1、A++、B++)。以時域指標為例弗里德曼檢驗的箱圖如下。
特征選擇后時域指標的箱圖 (a)AVNN的箱圖;(b)AVHR的箱圖;(c)RMSSD的箱圖;(d)PNN50的箱圖
疲勞狀態(tài)特征提取
采用主成分分析,進一步消除了特征提取之間的相互作用,主成分分析結果見下圖,選擇PC1、PC2、PC3、PC4和PC5作為模型訓練的新特征指標。
主成分分析結果
主成分分析的因子加載矩陣
疲勞狀態(tài)識別
選擇均方誤差(MSE)作為損失函數。MSE值越小,模型輸出分布和樣本標簽分布越接近?;贚VQ模型的飛行員疲勞狀態(tài)識別的準確率和MSE如下圖所示。當神經元個數為13時,準確率最高,MSE相對較小。
LVQ模型中對不同數量神經元的識別準確率和MSE
識別結果分析
測試集中飛行員疲勞識別結果如圖10,其中“0”、“1”、“2”分別代表非疲勞、輕度疲勞和疲勞狀態(tài)。LVQ模型的平均識別準確率為82.29%。
基于LVQ模型的飛行員疲勞識別結果
模型性能評估
對比LVQ模型與BPNN模型和SVM模型的準確率、精確度、召回率、F1指數和ROC曲線,結果表明:LVQ模型在飛行員疲勞狀態(tài)識別上更為準確、可信、穩(wěn)定、有效。
LVQ模型的混淆矩陣
各分類模型識別準確率
各分類模型性能評估結果
各分類模型的ROI曲線
本研究利用ErgoLAB人機環(huán)境同步云平臺在模擬飛行任務中采集和分析飛行員心電信號進行疲勞狀態(tài)識別的計算機建模,這為將來基于心電信號的飛行員疲勞狀態(tài)識別研究奠定了基礎,為減少飛行員疲勞引起的飛行事故提供了理論依據。同時研究結果也為飛行員疲勞風險管理和智能飛機自動駕駛系統(tǒng)的發(fā)展提供實際的參考。
1.Pan T, Wang H, Si H, Li Y, Shang L. Identification of Pilots' Fatigue Status Based on Electrocardiogram Signals. Sensors (Basel). 2021 Apr 25;21(9):3003. doi: 10.3390/s21093003.
2.Caldwell, J.A.; Mallis, M.M.; Caldwell, J.L.; Paul, M.A.; Miller, J.C.; Neri, D.F. Fatigue counter measures in aviation. Aviat. Space Environ. Med. 2009, 80, 29–59.
3.Avers, K.; Johnson, W.B. A review of federal aviation administration fatigue research: Transitioning scientifific results to the aviation industry. Aviat. Appl. Hum. Factors 2011, 1, 87–98.
人機工程、人的失誤與系統(tǒng)安全、人機工效學、工作場所與工效學負荷等
從安全的角度和著眼點,運用人機工程學的原理和方法去解決人機結合面安全問題
人-車-路-環(huán)境系統(tǒng)的整體研究,有助于改善駕駛系統(tǒng)設計、提高駕駛安全性、改善道路環(huán)境等
ErgoLAB可實現桌面端、移動端以及VR虛擬環(huán)境中的眼動、生理、行為等數據的采集,探索產品設計、人機交互對用戶體驗的影響
研究如何通過城市規(guī)劃與建筑設計來滿足人的行為心理需求,以創(chuàng)造良好環(huán)境,提高工作效率
通過ErgoLAB采集和分析消費者的生理、表情、行為等數據,了解消費者的認知加工與決策行為,找到消費者行為動機,從而產生恰當的營銷策略使消費者產生留言意向及留言行為
掃一掃,加微信
版權所有 © 2024北京津發(fā)科技股份有限公司(m.taotvgo.com)
備案號:京ICP備14045309號-4
技術支持:智慧城市網 管理登陸 GoogleSitemap