基于EEG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（FastICA）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。