使用心率变化和机器学习方法评估飞行疲劳
Dalong Guo1, Cong Wang1, Yufei Qin1
1Air Force Medical Center, Air Force Medical University, Beijing, China.
Frontiers in neuroscience
|July 17, 2025
概括
本研究介绍了一种客观的方法,使用心率变化 (HRV) 来检测飞行员的飞行疲劳. 机器学习准确地对疲劳水平进行分类,有助于预防事故.
科学领域:
- 航空安全航空安全
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 飞行疲劳是一种主观的感知,使客观评估具有挑战性.
- 准确识别飞行员疲劳对于航空安全和培训管理至关重要.
- 心率变化 (HRV) 是自主神经系统活动和疲劳状态的公认生物标志物.
研究的目的:
- 开发和验证一种新的,自动的,客观的方法来使用HRV来分类飞行疲劳.
- 根据生理学数据调查机器学习算法的有效性,以区分疲劳水平.
- 为了实现实时监控和早期预警系统的飞行员疲劳.
主要方法:
- 进行了一项涉及90名飞行员的实验研究.
- 统计分析确定了与疲劳水平相关的显著HRV特征和呼吸速率指标.
- 四个机器学习模型 (决策树,SVM,KNN,LightGBM) 被训练并评估为三级疲劳分类.
主要成果:
- 轻GBM模型实现了最高的性能,精度为0.886 ± 0.057.
- 关键性能指标包括精度 (0.837 ± 0.064),回忆 (0.861 ± 0.086) 和F1得分 (0.849 ± 0.067).
- 该模型有效地将飞行疲劳分为三个级别,使用12个HRV特征和一个呼吸指标.
结论:
- 拟议的基于HRV的LightGBM模型为飞行疲劳评估提供了准确和客观的方法.
- 这种方法使得即使是轻微的疲劳也可以及早发现,从而促进及时干预.
- 这些发现表明,通过实时监控,有可能减少与疲劳相关的航空事故.
