基于脑电的乘员信息处理作业脑力负荷状态识别模型

脑力负荷状态的准确识别是装甲车辆乘员信息处理作业行为研究的关键技术,对提高人机系统的作战效能具有重要意义。针对乘员作业类型向信息处理作业转变的基本趋势,提出了融合小波包分解(WPD)和快速独立分量分析(Fast ICA)的脑电信号预处理方法,建立了反映脑力负荷状态的EEG信号特征空间。基于粒子群优化(PSO)算法和支持向量机(SVM)构建了乘员信息处理作业脑力负荷状态识别模型;并面向目标录入典型信息处理作业对识别模型进行了实例应用,旨在为解决乘员信息处理作业脑力负荷的准确识别探索新的途径。结果表明,该模型脑力负荷状态识别的平均正确率可达96%,可实现不同乘员脑力负荷的量化识别,具有良好的预测精度和可重用性。     

基于脑力负荷预测技术的多乘员舱任务分配方案优选方法

针对信息化条件下装甲车辆舱室乘员人数逐渐减少的基本趋势,对乘员的操作特性进行了分析,并运用多资源理论（MRT）构建了乘员脑力负荷预测模型,提出了基于脑力负荷预测技术的乘员舱任务分配优选方法,并以装甲车辆三乘员减少为两乘员作为实例对方法进行了仿真验证,旨在为解决应急任务条件下的装甲车辆舱室任务分配问题探索新的途径.结果表明,该方法能够清楚地描述乘员全任务过程中脑力负荷的变化情况,对任务分配方案进行量化动态优选,具有较好的优选精度和可重用性.      

基于样本选择的跨被试脑力负荷识别

人体的脑力负荷状态与人机操作工作时的工作效率,人力资源分配以及事故的发生等息息相关,因此研究操作人员的脑力负荷状态具有重要意义。为了解决现有脑力负荷识别方法由于训练集中样本数量过少导致分类效果较差的问题,本文提出了一种基于样本选择的跨被试脑力负荷识别方法。将其他被试的脑电数据作为训练集,参考目标被试的少量历史数据对训练集中的特征数据进行样本选择,实现减少样本数量的同时减少训练集和测试集之间的域差异,之后再通过主成分分析对样本选择后的自适应训练集和目标被试测试集特征进行特征降维,最后再用自适应训练集主成分建立支持向量机分类模型识别测试集样本的脑力负荷状态。结果表明,该方法可以在提高分类效率的同时提高分类精度,实现快速、准确的脑力负荷状态识别。     

基于EEG熵值的驾驶员脑力负荷水平识别方法

为了对驾驶员脑力负荷予以有效识别,基于脑电信号指标构建了一种驾驶员脑力负荷识别方法.对驾驶员脑电信号进行快速傅里叶变换(FFT),选取θ(4~8 Hz),α(8~13 Hz),β(13~30 Hz)3个频段的频谱幅值分别进行熵处理,对所得到的熵值作为脑力负荷识别参数,并对识别参数进行Kruskal-Wallis检验,选取差异最为显著的10项参数作为脑力负荷特征指标,在此基础上结合BP模型构建了驾驶员脑力负荷识别模型.基于驾驶模拟器实验数据,模型识别正确率为87.8%~90.4%.结果表明,该模型对驾驶员脑力负荷识别具有较高准确性,可实现不同驾驶员脑力负荷的有效识别,为未来自动辅助驾驶系统构建及车载信息系统优化设计提供算法依据.     

基于任务的乘员脑力负荷典型主观评价方法研究

为研究三种脑力负荷主观评价量表即Cooper-Harper量表、SWAT量表以及NASA-TLX量表能否对装甲车辆乘员信息作业脑力负荷进行测量,通过实验任务,以任务完成时间和量表得分为指标,对三种量表的敏感性以及聚合效度进行对比研究。研究结果表明:SWAT量表的敏感性要略高于CH量表以及NASA-TLX量表,SWAT量表与NASA-TLX量表的聚合效度较高,CH量表与SWAT量表以及NASA-TLX量表的聚合效度比较低,CH量表与后两种量表测定结果一致性较差;通过SWAT量表与NASA-TLX量表进行模糊综合评判比较得出NASA-TLX量表要优于SWAT量表。综上所述,NASA-TLX量表是三种量表中测量乘员脑力负荷较为理想的工具。     

基于任务的乘员脑力负荷典型主观评价方法

为研究三种脑力负荷主观评价量表即Cooper-Harper量表、SWAT量表以及NASA-TLX量表能否对装甲车辆乘员信息作业脑力负荷进行测量,通过实验任务,以任务完成时间和量表得分为指标,对三种量表的敏感性以及聚合效度进行对比研究。研究结果表明:SWAT量表的敏感性要略高于CH量表以及NASA-TLX量表,SWAT量表与NASA-TLX量表的聚合效度较高,CH量表与SWAT量表以及NASA-TLX量表的聚合效度比较低,CH量表与后两种量表测定结果一致性较差;通过SWAT量表与NASA-TLX量表进行模糊综合评判比较得出NASA-TLX量表要优于SWAT量表。综上所述,NASA-TLX量表是三种量表中测量乘员脑力负荷较为理想的工具。     

民机驾驶舱人机交互脑力负荷预测模型

针对民机驾驶舱人机交互中飞行员脑力负荷问题,设计不同难度的人机交互飞行实验任务,分析飞行作业过程中飞行员脑力负荷在评估指标上的变化.在此基础上,提出一种新的改进的多元线形回归方法,探索人机交互中飞行人员脑力负荷变化预测模型的构建方法.结果显示:飞行作业过程中脑力负荷在反应时间、正确率、NASA-TLX、SDNN 4个评估指标上变化显著;在RRI Count、Max RRI、Minimum RRI、Mean RRI、Max/Min 5个评估指标上变化不显著.改进的多元线形回归模型可对不同飞行难度下个体脑力负荷水平进行预测和等级划分,平均预测准确率为87.5％.提出的预测模型与实测数据吻合性较好,能够较准确地反映民机驾驶舱人机交互中飞行员脑力负荷变化特性,可为未来民机驾驶舱人机交互中工效学评价与优化设计提供依据.     

基于图卷积神经网络的脑力负荷识别

针对生理信号特征提取过程依赖于先验知识，且传统深度学习算法不考虑通道间耦合关系的问题，构建了基于图卷积神经网络的脑力负荷识别模型。数据集包含多通道连续采集的近红外光谱，分别计算基于互信息、锁相值和皮尔森相关系数的连通性矩阵来反映通道间的内在联系，并将近红外光谱和连通性矩阵组成图结构输入到图卷积神经网络。实验结果表明，该模型具有良好的抽象特征提取能力，在输入中融合通道间相关性系数有助于提升脑力负荷的识别精度，且连通性矩阵的可视化结果表明大脑额叶区对脑力负荷变化较敏感。     

脑电信号中独立分量特征提取与脑力负荷分类

脑力负荷过高会造成作业绩效下降和人因事故,过低则会造成人力资源浪费,所以研究操作人员脑力负荷状态非常有意义。现有脑力负荷分类方法利用脑电(electroencephalogram, EEG)信号特征进行分类,准确率较低。所以,本文针对视觉和操作类脑力负荷提出一种基于脑电独立分量特征的分类方法,该方法采用独立分量分析(Independent Component Analysis, ICA)对脑电信号进行分离,直接对得到的独立分量提取四种不同频段的能量特征,最后将特征作为支持向量机(Support Vector Machine, SVM)的输入,对脑力负荷进行分类。由于直接使用脑电独立分量特征,所以分类精度高于现有方法,平均分类精度提高29.14%。本文还进一步发现脑电独立分量中存在的眼电伪迹对分类结果没有明显影响。本文提出的方法可以实现快速、准确、自动的脑力负荷分类。     

基于自适应主成分分析维度寻优的脑力负荷识别

脑力负荷识别对提高作业操作人员工作效率，减少人因事故具有重要意义。然而，由于脑电( electroencephalogram，EEG) 信号的采集是由多通道脑电帽采集的，并且分布在各个频带上，因此经过特征提取得到的特征维度过高，造成后续识别模型复杂度过高。对此，通常使用主成分分析(principal component analysis，PCA)对高维特征向量进行降维处理，但是降维维度的取值很难确定。本文提出了一种基于主成分分析的自适应维度寻优方法，该方法利用实验数据集中高维特征通过分析主成分分析降维后在各个维度的分类精度表现，自适应地找到该实验数据集的最优降维维度，并将该维度应用到同实验的其他实验数据上进行脑力负荷识别。结果表明，该方法可以准确识别出在同实验数据集中通用的最优降维维度，有效提高识别效率。