基于多源生理数据和CGAN-DBN模型的飞行学员认知负载识别研究
Ting Pan1, Haibo Wang2, Haiqing Si2
1College of Civil Aviation, Nanjing University of Aeronautics and Astronautics, Nanjing, China.
Ergonomics
|July 17, 2024
概括
这项研究引入了一种新的CGAN-DBN模型,使用生理信号准确识别试点认知负载. 这一进步对于减少由人为因素造成的飞行错误和事故至关重要.
科学领域:
- 航空心理学 航空心理学
- 人类因素工程 人类因素工程
- 机器学习 机器学习
背景情况:
- 现代飞机的驾驶是信息密集型的,要求飞行员快速做出判断.
- 高度的认知负载会影响飞行员的感知,决策,并可能导致错误或事故.
研究的目的:
- 开发和验证一个模型,准确识别飞行员的认知负载.
- 为了减少归因于人为因素和过度认知负载的飞行事故.
主要方法:
- 在模拟过程中从飞行学员中收集多源生理信号 (眼动,心电图,呼吸).
- 开发了一种混合模型,将条件生成对抗网络 (CGAN) 和深信网络 (DBN) 结合起来.
- 从生理数据中提取特征索引来训练CGAN-DBN模型.
主要成果:
- CGAN-DBN模型在识别飞行学员的认知负载方面取得了很高的准确性.
- 该模型有效地区分了飞行任务期间不同程度的认知负载.
结论:
- CGAN-DBN模型为飞行员实时认知负载评估提供了可靠的方法.
- 这项研究对提高飞行安全和预防事故具有重大实际影响.
