System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及任务负荷判定,尤其涉及一种基于多源信息的操控员任务负荷判定方法。
技术介绍
1、操控人员的任务负荷是一种综合性的概念,它由多种因素构成,目前的研究很少对其进行深入的探讨。此外,对于操控员任务负荷的研究中,大部分研究都是基于传统的认知力,比如脑负荷、注意力等,而没有对操控人员的极限状态进行研究。常见的研究中,对选用的任务负荷指标没有进行深入的讨论。但判断操控人员是否达到极限状态,是判断其是否能继续操控集群任务的一个重要判断指标,对操控人员任务负荷的极限状态进行准确判断对于操控任务的成功与否具有关键性的意义。
技术实现思路
1、鉴于上述的分析,本专利技术实施例旨在提供一种基于多源信息的操控员任务负荷判定方法,用以解决现有技术中缺少对于操控人员的任务负荷极限状态进行准确判断问题。
2、本专利技术实施例提供了一种基于多源信息的操控员任务负荷判定方法,包括以下步骤:
3、获取多个被试对象的多个生理状态下的生理特征数据,并标注对应的生理状态类别标签,构建训练样本集;所述生理状态类别包括极限注意力状态、非极限注意力状态、极限脑负荷状态和非极限脑负荷状态;
4、利用所述训练样本集对分类模型进行训练,得到任务负荷检测模型;
5、采集待判定操控员的生理特征数据,并输入所述任务负荷检测模型,得到各生理状态类别的检测结果;以及,基于预设的权重对各生理状态类别的检测结果进行加权融合,得到所述操控员的任务负荷判定结果。
6、进一步的,所
7、所述任务负荷检测模型包括注意力检测模块、脑负荷检测模块、情绪检测模块、脑疲劳检测模块和肌肉疲劳检测模块,分别利用训练样本集中对应生理状态下的生理特征数据训练得到。
8、进一步的,所述极限注意力状态下的生理特征数据通过集群无人机察打任务试验范式采集得到;
9、所述极限注意力状态通过下述方法判定得到:
10、基于被试者执行集群无人机察打任务试验范式中击杀目标的成功率和正确处理率计算得到察打任务绩效,若当前察打任务绩效与上一次察打任务绩效的差值为负值,且所述差值不在预设的第一阈值范围内,则判定所述被试者处于极限注意力状态。
11、进一步的,所述察打任务绩效通过下式得到:
12、
13、其中,nfri为第i轮试验中出现的需要击杀且选择击杀的目标数量,nfi为第i轮试验中出现的需要击杀的目标数量,nfri/nfi为第i轮试验中击杀目标的成功率,nkri为第i轮试验中出现的不需要击杀且未选择击杀的目标数量,ni为第i轮试验中出现的目标数量,(nfri+nkri)/ni为第i轮试验中击杀目标的正确处理率。
14、进一步的,所述极限脑负荷状态下的生理特征数据通过集群操控任务试验范式采集得到;
15、所述极限脑负荷状态通过下述方法判定得到:
16、基于被试者执行集群操控任务试验范式中单架无人机的击杀率和侦察率以及故障处理率计算得到操控任务绩效,若当前操控任务绩效与上一次操控任务绩效的差值为负值,且所述差值不在预设的第二阈值范围内,则判定所述被试者处于极限脑负荷状态。
17、进一步的,所述操控任务绩效通过下式得到:
18、
19、其中,nkj为第j轮试验中单架无人机击杀目标的数量,nj为第j轮试验中总的目标数量,nkj/nj为第j轮试验中单架无人机的击杀率,asj为第j轮试验中单架无人机的侦察面积,aj为第j轮试验中总的待侦察面积,asj/aj为第j轮试验中单架无人机的侦察率,fdj为第j轮试验中正确处置的故障数量,fj为第j轮试验中出现的故障总数量,fdj/fj为第j轮试验中的故障处理率。
20、进一步的,所述注意力检测模块、脑负荷检测模块、情绪检测模块、脑疲劳检测模块和肌肉疲劳检测模块均基于支持向量机模型,通过10折交叉验证方法训练得到。
21、进一步的,每个生理状态下的生理特征数据包括脑电特征数据、心电特征数据、肌电特征数据和皮电特征数据,其中:
22、所述脑电特征数据包括峰度,偏度,峰峰值振幅,信息熵,α、β、θ、γ、δ功率谱,通道对间的互信息以及非对称性特征;
23、所述心电特征包括心率、心率异变性、nn间期标准差、相邻nn间期差值的均方根、低频频带面积、高频频带面积和低频高频功率比值;
24、所述肌电特征包括平均功率频率和中位频率;
25、所述皮电特征包括信号强度的均值和标准差。
26、进一步的,利用各生理特征数据对任务负荷检测模型进行训练前,还包括,筛选特征数据与生理状态类别之间相关性最大且特征数据之间相关性最小的特征数据,用于模型训练。
27、进一步的,所述基于预设的权重对各生理状态类别的检测结果进行加权融合,得到所述操控员的任务负荷判定结果,包括:
28、提供各生理状态类别对于任务负荷相关程度的判断矩阵,并进行一致性检验和特征值求解,得到各生理状态类别的权重系数;
29、对所述任务负荷检测模型中各模块输出的判定结果进行赋值,包括:对极限注意力、极限脑负荷、消极情绪、脑疲劳状态以及肌肉疲劳状态的判定结果赋值为1,对非极限注意力、非极限脑负荷、积极情绪、非脑疲劳状态以及非肌肉疲劳状态的判定结果赋值为0;
30、基于所述权重系数对赋值后的各模块的判定结果进行加权求和,得到任务负荷评分;若所述任务负荷评分大于预设的任务负荷阈值,则判定所述操控员的任务负荷达到极限状态。
31、与现有技术相比,本专利技术采用极限注意力和极限脑负荷状态下的生理特征数据进行模型训练,能够更准确的判断操控员是否处于极限状态,更符合应用场景。其判断结果明显优于传统的采用注意力集中与否、脑负荷高低等数据构建的模型。本专利技术对不同生理状态进行加权,能更好的筛选出对操控任务有帮助的生理状态。最后,将短板理论和权重系数相结合,避免了未触发极限的检测指标的干扰,能更准确的判断操控人员是否处于极限状态。本专利技术采用多模态生理信息(脑电、心电、肌电和皮电)数据,进行任务负荷的综合研究,构建了从多模态数据到到任务负荷的综合评判方法,提高了任务负荷极限状态的判定准确性。
32、本专利技术中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本专利技术的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
本文档来自技高网...【技术保护点】
1.一种基于多源信息的操控员任务负荷判定方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多源信息的操控员任务负荷判定方法,其特征在于,所述生理状态类别还包括:积极和消极情绪状态、脑疲劳和非脑疲劳状态以及肌肉疲劳和非肌肉疲劳状态;
3.根据权利要求1所述的基于多源信息的操控员任务负荷判定方法,其特征在于,所述极限注意力状态下的生理特征数据通过集群无人机察打任务试验范式采集得到;
4.根据权利要求3所述的基于多源信息的操控员任务负荷判定方法,其特征在于,所述察打任务绩效通过下式得到:
5.根据权利要求3所述的基于多源信息的操控员任务负荷判定方法,其特征在于,所述极限脑负荷状态下的生理特征数据通过集群操控任务试验范式采集得到;
6.根据权利要求5所述的基于多源信息的操控员任务负荷判定方法,其特征在于,所述操控任务绩效通过下式得到:
7.根据权利要求2所述的基于多源信息的操控员任务负荷判定方法,其特征在于,所述注意力检测模块、脑负荷检测模块、情绪检测模块、脑疲劳检测模块和肌肉疲劳检测模块均基于支持向量机
8.根据权利要求2所述的基于多源信息的操控员任务负荷判定方法,其特征在于,每个生理状态下的生理特征数据包括脑电特征数据、心电特征数据、肌电特征数据和皮电特征数据,其中:
9.根据权利要求8所述的基于多源信息的操控员任务负荷判定方法,其特征在于,利用各生理特征数据对任务负荷检测模型进行训练前,还包括,筛选特征数据与生理状态类别之间相关性最大且特征数据之间相关性最小的特征数据,用于模型训练。
10.根据权利要求1所述的基于多源信息的操控员任务负荷判定方法,其特征在于,所述基于预设的权重对各生理状态类别的检测结果进行加权融合,得到所述操控员的任务负荷判定结果,包括:
...【技术特征摘要】
1.一种基于多源信息的操控员任务负荷判定方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多源信息的操控员任务负荷判定方法,其特征在于,所述生理状态类别还包括:积极和消极情绪状态、脑疲劳和非脑疲劳状态以及肌肉疲劳和非肌肉疲劳状态;
3.根据权利要求1所述的基于多源信息的操控员任务负荷判定方法,其特征在于,所述极限注意力状态下的生理特征数据通过集群无人机察打任务试验范式采集得到;
4.根据权利要求3所述的基于多源信息的操控员任务负荷判定方法,其特征在于,所述察打任务绩效通过下式得到:
5.根据权利要求3所述的基于多源信息的操控员任务负荷判定方法,其特征在于,所述极限脑负荷状态下的生理特征数据通过集群操控任务试验范式采集得到;
6.根据权利要求5所述的基于多源信息的操控员任务负荷判定方法,其特征在于,所述操控任务绩效通过下式得到:
<...【专利技术属性】
技术研发人员:赵小川,金雷明,刘华鹏,刘莹,刘珊,洪天阁,
申请(专利权)人:中国兵器工业计算机应用技术研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。