基于支持向量机的管制疲劳检测模型研究

管制疲劳是影响民航安全的重大隐患,准确检测疲劳状态是进行疲劳预警、降低疲劳风险的关键。提出应用支持向量机模型融合多生理参数和眼动指标进行管制疲劳检测,通过MP150多导生理记录仪与眼动仪,采集模拟管制试验中正常与剥夺睡眠状态下被试的试验数据,同时记录其Karolinska疲劳等级和操作绩效。结果表明,RR间期、LF/HF、快慢波比值、PERCLOS和扫视速度均与管制疲劳呈较强相关,利用支持向量机融合五项指标构建管制疲劳检测模型,对于五级疲劳度的识别准确率为78. 1%,判断正常组与剥夺睡眠组的准确率为94. 2%。     

基于脑电信号模糊熵的驾驶疲劳检测分析

为减少因驾驶疲劳导致的交通安全事故,提出基于脑电(EEG)信号模糊熵(FE)的驾驶疲劳检测方法。开展在驾驶仿真模拟试验,采集28名被试模拟正常驾驶和疲劳驾驶的EEG信号;基于2种驾驶状态的EEG信号计算出FE值;运用随机森林(RF)、支持向量机(SVM)、决策树(DT)和K近邻(KNN)等4种分类器检测驾驶疲劳状态;利用多种性能指标及被试工作特征曲线(ROC)对驾驶疲劳检测结果进行分析比较。结果表明:基于疲劳驾驶状态下的EEG信号的FE值明显高于较正常驾驶状态下的值;4种分类器均可有效检测驾驶疲劳,其中K近邻的平均准确率达97.4%;基于EEG信号模糊熵的驾驶疲劳检测方法具有较好的鲁棒性和稳定性。     

眼动指标检测管制疲劳的性能研究

为了挖掘更多检测管制疲劳的眼动指标,利用模拟塔台管制软件和眼动仪搭建试验平台,采集被试的眼动数据和主观疲劳的程度值,通过其疲劳前后眼动指标差异的显著性、与疲劳的相关性、以及受试者的工作特征曲线(ROC)分析,探讨了各眼动指标检测管制疲劳的性能。结果表明:疲劳前后被试的扫视速度、注视点和平均注视时长差异显著,扫视幅度无显著差异;扫视幅度与疲劳无相关性,平均注视时长与疲劳呈弱相关,扫视速度和注视点数与疲劳均呈中等以上的显著相关;利用注视点、扫视速度二元分类识别疲劳的效果为接近较好水平,是有潜力的管制疲劳检测指标,可为管制员疲劳检测和预警提供试验支撑。     

基于多生理信号融合的疲劳驾驶检测研究

为减少交通事故，保障道路交通安全，提出一种能更加有效地检测驾驶人驾驶状态的方法。通过对疲劳状态进行等级划分，利用脉搏波信号(Photoplethysmographic signal, PPG)以及皮肤电反应信号(Galvanic Skin Response, GSR),实现多种生理信号融合，进而构建驾驶人的驾驶疲劳状态数据库。根据采集数据结合主观评测分析驾驶人状态变化规律，选取有效指标进行分析比较，以探究各个指标与疲劳程度的变化趋势。依据状态变化规律和特征，结合主观评测，分析驾驶人的疲劳状态。同时，设定疲劳状态等级，分为清醒、轻度疲劳和重度疲劳状态，构建隐马尔可夫(Hidden Markov Model, HMM)驾驶疲劳水平分级的疲劳评估模型。测试结果显示：训练后的HMM疲劳检测模型准确率为90%。     

基于生理指标的建筑工人攀登作业疲劳实验研究

为研究攀登作业建筑工人生理疲劳状态的评测指标,提出1种基于生理指标的建筑工人攀登作业疲劳测度实验方法。首先,设计实验测量建筑工人的心率、皮肤温度、舒张压、收缩压4项生理指标,结合Brog’s RPE主观疲劳程度量表研究建筑工人生理疲劳的变化;其次,提取上述4项指标的平均值和标准差作为生理指标特征值,利用静息状态下生理指标特征值和疲劳状态下生理指标特征值进行方差分析、球形检验、T检验筛选出与疲劳相关的特征值;最后,利用支持向量机构建疲劳检测模型。研究结果表明：上述8项生理指标特征值与攀登作业工人疲劳具有显著相关性,疲劳检测模型的准确率为96.875%,研究结果可对攀登作业人员疲劳评估和疲劳预警具有实践性意义。     

融合心电特征提取的矿工疲劳状态识别

疲劳引起的人为失误是事故的主要原因。为准确识别矿工疲劳状态，降低作业风险，利用麻雀搜索算法(Sparrow Search Algorithm, SSA)优化反向传播(Back Propagation, BP)神经网络，构建疲劳识别模型。首先，通过模拟日常作业进行疲劳诱发试验，将OpenBCI Cyton开发套板作为心电信号的采集装置；其次，借助MATLAB对所采集心电信号(Electrocardiogram, ECG)数据进行预处理，基于疲劳等级形成初始样本数据集；进而利用Pan-Tompkins算法进行特征提取；最后，针对特征间皮尔逊相关系数进行假设检验，从而获得优选指标并用于模型训练，经疲劳识别模型得出结果。结果表明，与传统BP神经网络、支持向量机(Support Vector Machines, SVM)、遗传算法(Genetic Algorithm, GA)优化BP神经网络相比，模型准确率分别提高6.25百分点、22.92百分点、2.78百分点，从而为企业作业人员休息制度的制定及完善提供了理论依据。研究结果对于相关便携式精神状态监测硬件研发具有参考价值。     

基于多模态信息融合的心理负荷评估*

为了相对稳定地识别人员是否处于心理负荷状态,设计并实施含能材料起爆作业心理负荷诱导试验。首先对心理负荷诱导情况进行判断,然后分别采集27名被试在静息状态和实施含能材料撞击起爆作业状态下的眼动、心率变异性（HRV）和脑电信号（EEG）,通过正态性检验和假设检验获得心理负荷表征指标并进行统计功效分析,依据表征指标,采用支持向量机（SVM）和随机森林（RF）算法建立多模态信息融合的心理负荷评估模型,最后采用被试工作特征曲线（ROC曲线）分析各模态组合和分类器的心理负荷识别性能。研究结果表明:双模态（眼动+EEG）下SVM算法和3模态下RF算法评估性能和稳健性较高,多模态信息组合具有优异的识别效果。     

基于生理信号的驾驶疲劳综合指标试验研究

研究驾驶过程中随着疲劳的产生驾驶员生理信号的变化规律,提取反映驾驶疲劳程度的综合指标。采用驾驶模拟器对20名被试进行驾驶模拟试验,用MP150多导生理仪实时采集并记录驾驶员在60 min驾驶任务过程中的心电信号、脑电信号、肌肉电阻信号、皮肤温度信号和呼吸频率信号。运用R软件对数据进行线性回归分析,对比一般回归分析,逐步线性回归分析克服了一般回归分析许多变量不显著的缺点,得到了最优的驾驶综合指标方程,确定了与各项指标相关的驾驶疲劳评价综合指标,并通过3名被试模拟驾驶试验验证了综合指标作为评价驾驶疲劳的有效性。     

基于眼动追踪技术的引航员情景意识识别研究

情景意识(Situation Awareness, SA)缺失是引航作业人为失误的主要根源,有效识别引航员SA水平是保障引航安全的关键。针对现有测量方法的侵入性、主观性、间断性问题,设计典型场景引航模拟试验,利用眼动特征开展引航员SA水平识别研究。应用眼动追踪技术实时采集引航员的眼动试验数据;采用独立样本t检验和Mann-Whitney检验方法研究SA与眼动指标的关联效应;基于敏感眼动指标结合支持向量机(Support Vector Machine, SVM)构建引航员SA识别模型,实现引航操作任务下SA的有效识别。结果显示：高SA组的视觉搜索效率大于低SA组,高SA组主要关注窗外视景而低SA组更多关注电子海图,高SA组比低SA组获取信息的能力更强;平均扫视次数(Average Saccade Count, ASC)、注视总时间百分比(Fixation Duration Percentage, FDP)、平均注视持续时间(Average Fixation Duration, AFD)3个眼动指标与引航员SA水平具有显著相关性;采用“ASC+FDP+AFD”组合指标时且在5 s时间窗口长...     

基于眼动指标的脑力疲劳识别研究

为减少因脑力疲劳导致的安全事故的发生,研究如何测量和识别脑力疲劳具有十分重要的现实意义.本文提出通过作业前后心算可靠性下降率作为判断脑力疲劳程度的指标,利用眼动追踪仪Tobii Glasses设备测量被试者疲劳前后的瞳孔直径、注视点、陀螺和加速计等眼动参数指标,探究被测试者眼动指标变化规律与脑力疲劳之间的关系.结果表明:发生脑力疲劳时瞳孔直径增加,陀螺和加速计的值减小,注视点的分散程度增加.瞳孔直径、注视点、陀螺和加速计等眼动指标都与脑力疲劳相关.本文研究结果可为建立脑力疲劳评价指标体系和预测脑力疲劳奠定基础.     

驾驶人认知分心识别随机森林模型研究

为识别驾驶人认知分心状态,招募13名驾驶人参与驾驶模拟器试验。通过眼动仪采集被试正常驾驶及认知分心状态下的眼动数据,提取5 s时间窗口内的眼动特征。运用随机森林方法构建认知分心识别模型,应用网格搜索确定最优模型参数,并采用100次留出法评估模型性能。根据随机森林模型特征重要性度量结果,进一步分析认知负荷对驾驶人注视及眨眼持续时间的影响。结果表明:当决策树数量为125、最大特征数为5时,模型识别平均准确率为83.69%;注视持续时间及噪声持续时间是认知分心识别的2个关键特征,随着认知负荷的提高,驾驶人注视持续时间减少、眨眼时间增加。     

基于驾驶操作行为的驾驶员疲劳状态识别模型研究

以驾驶疲劳状态监测为研究对象,介绍现有几种疲劳检测方法及其优缺点,提出把驾驶行为操作和驾驶员生理指标相结合建立疲劳识别模型的思想。通过大量模拟器驾驶实验,建立驾驶操作和驾驶员生理指标之间的关系模型,并运用最小二乘法对数学模型进行了参数识别。利用驾驶员生理指标能较好判别驾驶员状态特性的特点,找出驾驶操作行为和驾驶状态之间的关系。研究结果有助于建立驾驶操作行为和驾驶员疲劳状态之间的关系模型。     

基于眼-脑生理指标的大型地下洞室驾驶员疲劳演化特征研究

为保障大型地下洞室驾驶安全，提出眼动和脑电双模态驱动的大型地下洞室驾驶疲劳评价方法，探究驾驶员疲劳演化特征。首先，根据实地数据设计大型地下洞室模拟场景，利用驾驶模拟技术开展驾驶试验，实时采集驾驶员的眼动和脑电数据；其次，对数据进行分段处理，基于格拉布斯准则剔除眼动异常数据，通过快速傅里叶变换分解出脑电节律，构建脑电疲劳指数模型；最后，开展不同区段下驾驶员平均瞳孔直径、眨眼持续时间、眨眼频率及θ、α、β节律等指标的差异性分析，以平均瞳孔直径和脑电疲劳指标F为参量，提出基于模糊综合评价的驾驶疲劳度量方法。结果表明，驾驶员的视觉疲劳出现明显早于精神疲劳，而精神疲劳可以更精确地体现影响驾驶状态的内在疲劳。相较于地上路段，驾驶员在大型地下洞室中的疲劳累积更快，呈现反复、波动式上升，且其综合疲劳程度在中后段达到峰值，之后受洞口光亮刺激在末段减弱。     

岩溶塌陷倾向性等级的KPCA-SVM预测模型

为了快速、有效地预测岩溶塌陷倾向性等级,在统计分析大量观测实例的基础上,选取岩性系数、岩体结构系数、地下水系数、覆盖层系数、地形地貌系数和环境条件系数作为特征指标。利用核主成分分析(KPCA)方法在高维空间提取岩溶塌陷影响因子的主成分,将获取的主成分作为支持向量机(SVM)的特征向量,建立基于KPCA的岩溶塌陷倾向性等级的SVM预测模型。将12组观测数据作为学习样本对模型进行训练。采用回代估计法进行回检,误判率为0。利用训练好的模型对2组待判样本进行预测。结果表明:经KPCA后指标个数减少,相关性降低,SVM运算的复杂度降低。用该模型所得预测结果的准确率为100%。     

基于ARIMA与SVM的飞行事故组合预测方法

飞行事故预测的目的在于预防事故。为提高事故预防的针对性和有效性,必须加强预测,以增强预防飞行事故的主动性。在ARIMA和SVM基础上,提出一种飞行事故组合预测方法。首先建立ARIMA模型,用以描述历史数据中的线性关系;然后,对ARIMA模型的残差构建SVM模型,用以模拟数据中的非线性规律,两者预测值之和就是最后的预测结果。美国空军1954—1993年飞行事故损坏飞机万时率的实证分析结果表明:利用该方法所建立的模型,能够对飞行事故作出较为准确的预测,模型精度总体优于单一的ARIMA或SVM模型。     

脑力疲劳与非疲劳状态眼动指标的判别

为研究利用眼动指标(注视点个数FC、平均注视时间AFD、平均眼跳幅度ASA、最大瞳孔面积Pupil Max及反应时RD)对脑力疲劳状态进行判定,通过眼动追踪技术,测试了不同脑力疲劳程度的眼动指标值并进行分析。结果表明:1)通过FC、AFD、ASA和Pupil Max四个眼动指标可以判定被试者所处的疲劳状态; 2)当测试者注视点个数FC处于(11,13)区间,平均注视时间AFD处于(328,409)区间,平均眼跳幅度ASA处于(5,7)区间,最大瞳孔面积Pupil Max处于(992,1 124)区间时为非疲劳状态;当FC处于(7,10)区间,AFD处于(263,319)区间,ASA处于(2,4)区间,最大瞳孔面积Pupil Max处于(584,935)时可以认定被试者为疲劳状态。     

基于面部特征识别的管制员疲劳监测方法研究

为进一步控制疲劳诱发的空管人为差错,提出一套基于面部特征识别的空中交通管制员疲劳实时监测方法。应用眼动仪和视频记录系统开展36 h睡眠剥夺试验,确定PERCLOS值、平均闭眼时长、哈欠频率3个疲劳判定指标的判定阈值,并给出综合疲劳程度的融合算法。应用机器视觉的理论和方法,开发功能完整的管制员疲劳状态实时监测告警原型系统。结果表明,通过对面部特征的识别和状态融合能够实现对管制员疲劳状态的实时监测。建议在此基础上进一步开发可实用的疲劳监测系统。     

基于卷积神经网络的煤泥水外溢检测算法

为解决工厂煤泥水外溢这一难题,提出一种实时监督煤泥水外溢的解决方案。首先,构建基于深度学习的煤泥水外溢视频检测模型,利用卷积神经网络(CNN)提取煤泥水监测图像特征;然后,将提取到的特征代入模型进行训练,通过微调方法,使准确率不断提升;最后,采用相关评价指标评估模型的性能。结果表明：采用基于CNN的煤泥水外溢检测模型相较于传统的检测算法,在各项评价指标上可提高15%以上;在煤泥水外溢的严重程度上也能做出精准判断,各项评价指标均达到90%以上,有助于降低煤泥水外溢状况发生。     

基于多元线性回归的煤矿驾驶员情绪预测模型*

为研究煤矿人车驾驶员情绪状态不良引发的煤矿驾驶事故问题,设计眼动实验并建立基于多元线性回归的驾驶员情绪状况预测模型对驾驶员情绪状况进行预测;通过眼动仪采集煤矿驾驶员良好情绪与不良情绪状态下的各项眼动指标,记录其主观情绪状态;使用多元线性回归方程对数据进行分析与建模,采用平均相对误差对预测模型进行评估。结果表明:每秒注视点个数、平均扫视速度、反应时间、危险源辨识个数在情绪变化前后存在显著差异,且与情绪状态呈较强相关;基于多元线性回归的驾驶员情绪状况预测模型预测精度较高,平均相对误差为8.16%。模型适用于煤矿人车驾驶员的情绪监测,可为煤矿驾驶员安全行驶提供保障。     

基于模糊数学的飞行学员安全状态综合评价

探讨飞行学员在训练过程中的安全状态，既可以减少飞行训练事故，保证飞行训练安全，又可以为飞行训练提供参考依据。通过对飞行学员飞行训练调查研究和分析，结合各方面专家在人为因素上的研究成果，建立了飞行学员安全状态综合评价体系，并用层次分析法（AHP）确定各评价指标权重，构建了飞行学员安全状态的模糊综合评价模型，并对飞行学员安全状态进行了综合评价，得出了安全状态综合评价等级。