基于便携式心电设备的模拟舰载机飞行员认知负荷识别

摘要

目的 基于Su-33飞行模拟器平台采集飞行员生理数据,识别飞行员在不同飞行阶段中的认知负荷水平。方法 通过舰载机飞行任务实验,获取6名被试飞行学员在起飞爬升、巡航、进近着陆3个飞行阶段中的美国国家宇航局任务负荷指数量表和光电容积脉搏波数据。使用随机森林(RF)对心率变异性(HRV)指标进行重要性评价,并采用统计学分析比较飞行阶段的差异,最终选取最能反映认知负荷的HRV指标。使用支持向量机、 K最近邻(KNN)算法、 RF 3种机器学习算法,以及卷积神经网络和双向长短期记忆网络两种神经网络算法进行认知负荷识别。结果 进近着陆阶段的认知负荷水平最高,巡航阶段次之,起飞爬升阶段最低。各分类模型对认知负荷的识别效果较好,基于便携式心电设备采集数据的精度较高,其中KNN算法表现最佳,识别准确率达92.9%。结论 通过HRV指标,结合多种机器学习与神经网络算法,可以有效识别不同飞行阶段的认知负荷水平,为飞行员训练与认知评估提供了科学依据。

关键词

航空安全 / 飞行员 / 认知负荷 / 机器学习 / 神经网络 / 便携式心电监测设备