疲勞是影響飛行安全的一個重要因素,可能導(dǎo)致飛行員操作能力下降、錯誤判斷和飛行錯覺,甚至?xí)l(fā)嚴(yán)重飛行事故。當(dāng)飛行員疲勞時,其自主神經(jīng)系統(tǒng)會發(fā)生相應(yīng)的變化,心率與自主神經(jīng)系統(tǒng)活動存在一定的相關(guān)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(shù)據(jù)可靠、操作方便、非侵入性強的ECG心電傳感器,并結(jié)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(shù)據(jù)的實時性和準(zhǔn)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(shù)據(jù)識別飛行員的疲勞狀態(tài)。對采集的ECG數(shù)據(jù)進行預(yù)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(shù)據(jù)的時域、頻域和非線性特征指標(biāo)。基于特征選擇和提取的結(jié)果,利用學(xué)習(xí)向量化算法神經(jīng)網(wǎng)絡(luò)(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(jié)果與反向傳播神經(jīng)網(wǎng)絡(luò)(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(shè)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(wù),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(shè)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(shù)據(jù)采集裝置
飛行任務(wù)流程示意圖
飛行員和主試在每次飛行前后根據(jù)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(jié)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(nèi)有顯著差異,這三個時間段對應(yīng)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(xùn)練的標(biāo)簽。
Samn–Perell7級疲勞量表數(shù)據(jù)統(tǒng)計
疲勞狀態(tài)特征選擇
選擇22人數(shù)據(jù)(1152樣本)為訓(xùn)練集,剩下8人數(shù)據(jù)(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(biāo)( AVNN、AVHR、RMSSD、PNN50)、3個頻域指標(biāo)(LFnorm、HFnorm、LF/HF)和3個非線性指標(biāo)(SD1、A++、B++)。以時域指標(biāo)為例弗里德曼檢驗的箱圖如下。
特征選擇后時域指標(biāo)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(jié)果見下圖,選擇PC1、PC2、PC3、PC4和PC5作為模型訓(xùn)練的新特征指標(biāo)。
主成分分析結(jié)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(shù)。MSE值越小,模型輸出分布和樣本標(biāo)簽分布越接近?;贚VQ模型的飛行員疲勞狀態(tài)識別的準(zhǔn)確率和MSE如下圖所示。當(dāng)神經(jīng)元個數(shù)為13時,準(zhǔn)確率最高,MSE相對較小。
LVQ模型中對不同數(shù)量神經(jīng)元的識別準(zhǔn)確率和MSE
識別結(jié)果分析
測試集中飛行員疲勞識別結(jié)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(zhǔn)確率為82.29%。
基于LVQ模型的飛行員疲勞識別結(jié)果
模型性能評估
對比LVQ模型與BPNN模型和SVM模型的準(zhǔn)確率、精確度、召回率、F1指數(shù)和ROC曲線,結(jié)果表明:LVQ模型在飛行員疲勞狀態(tài)識別上更為準(zhǔn)確、可信、穩(wěn)定、有效。
LVQ模型的混淆矩陣
各分類模型識別準(zhǔn)確率
各分類模型性能評估結(jié)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(wù)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(chǔ),為減少飛行員疲勞引起的飛行事故提供了理論依據(jù)。同時研究結(jié)果也為飛行員疲勞風(fēng)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(xué)、工作場所與工效學(xué)負(fù)荷等
從安全的角度和著眼點,運用人機工程學(xué)的原理和方法去解決人機結(jié)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(shè)計、提高駕駛安全性、改善道路環(huán)境等
ErgoLAB可實現(xiàn)桌面端、移動端以及VR虛擬環(huán)境中的眼動、生理、行為等數(shù)據(jù)的采集,探索產(chǎn)品設(shè)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(shè)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(shù)據(jù),了解消費者的認(rèn)知加工與決策行為,找到消費者行為動機,從而產(chǎn)生恰當(dāng)?shù)臓I銷策略使消費者產(chǎn)生留言意向及留言行為
掃一掃,加微信
版權(quán)所有 © 2024北京津發(fā)科技股份有限公司(2020rfz.cn)
備案號:京ICP備14045309號-4
技術(shù)支持:智慧城市網(wǎng) 管理登陸 GoogleSitemap