基于眼动信息和混合神经网络的空中交通管制遗忘预测
Huibin Jin1, Weipeng Gao2, Kun Li3
1College of Transportation Science and Engineering, Civil Aviation University of China, Tianjin, 300300, China.
Scientific reports
|August 11, 2023
概括
航空中的控制忘记可以使用眼睛运动模式来预测. 一个新的CNN-LSTM模型准确地预测遗忘,通过分析飞行员的眼睛活动来提高飞行安全.
科学领域:
- 航空安全航空安全
- 认知科学 认知科学
- 机器学习 机器学习
背景情况:
- 控制器遗忘是航空安全事故的主要原因之一.
- 飞行员的眼睛运动显著影响了航空安全,但其与控制遗忘的联系尚不清楚.
研究的目的:
- 提出并验证一种新的方法,用于利用眼动数据预测控制忘记.
- 在飞行控制场景中调查眼动特征与控制遗忘之间的关系.
主要方法:
- 开发了一种混合卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 模型 (CNN-LSTM).
- 分析了来自飞行控制模拟的眼动数据.
- 该模型对与时间相关的眼动特征进行了分类,以预测监管性遗忘.
主要成果:
- 在控制忘记方面,CNN-LSTM模型实现了79.2%的预测准确度.
- 这种准确性明显超过了二进制物流回归 (71.3%),CNN (74.6%) 和LSTM (75.1%).
结论:
- 拟议的CNN-LSTM方法提供了一种有效的方法,可以根据眼睛运动来预测控制忘记.
- 这项研究提供了一种创新的途径,通过通过眼睛跟踪来了解飞行员的认知状态,从而提高民用航空安全.
