机器学习评估模型在低可见性环境中对飞行员工作负载进行评估
Yuansheng Wang1,2, Xinyao Guo3,4, Shaoshuai Guo1,2
1School of Environmental and Municipal Engineering, North China University of Water Resources and Electric Power, Zhengzhou, 450046, China.
Scientific reports
|July 2, 2025
概括
飞行员在低能见度的情况下工作量增加,这可以通过更高的心率和NASA-TLX分数来证明. 使用心电图数据的机器学习模型准确评估飞行员的工作量,提高飞行安全.
科学领域:
- 航空心理学 航空心理学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 飞行员工作量评估对于飞行安全至关重要,尤其是在低可见度条件下.
- 现有的方法可能无法完全捕捉工作负载的生理和主观方面.
- 了解工作负载的变化有助于制定更好的安全协议.
研究的目的:
- 分析低可见度飞行中的飞行员工作量趋势.
- 开发一个对飞行员工作负载的定量评估方法.
- 识别工作负载的敏感生理指标.
主要方法:
- 使用E01-pro模拟飞行平台和PhysioPlux测试器收集40名飞行员的心电图数据.
- 在正常和低可见性环境中监控飞行员,收集ECG信号和NASA-TLX工作负载量表数据.
- 采用机器学习,特别是隐藏的马尔科夫模型 (HMM),集成心电图索引和主观数据.
主要成果:
- 飞行员的平均心率 (HR) 和NASA-TLX得分在低可见性条件下显著增加.
- 电脑电图指数pNN20,HF/LF,SD2/SD1和HR显示了工作负载水平的显著差异.
- 基于HMM的工作负载评估模型的准确率达到87.5%.
结论:
- 低能见度显著影响飞行员的生理和主观工作量.
- 特定的ECG衍生心率变化 (HRV) 指数对工作负载变化很敏感.
- 开发的HMM模型为快速评估飞行员工作负载提供了一种可靠的方法.
