CN111680913B - 一种舰员的超负荷工作检测方法及系统 - Google Patents
一种舰员的超负荷工作检测方法及系统 Download PDFInfo
- Publication number
- CN111680913B CN111680913B CN202010511654.6A CN202010511654A CN111680913B CN 111680913 B CN111680913 B CN 111680913B CN 202010511654 A CN202010511654 A CN 202010511654A CN 111680913 B CN111680913 B CN 111680913B
- Authority
- CN
- China
- Prior art keywords
- index
- data set
- evaluation
- task
- principal component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种舰员的超负荷工作检测方法及系统,所述检测方法,首先,采集待测评任务的工作负荷的评价指标,建立评价指标数据集;并对所述评价指标数据集进行统计分析,获取反映时间压力和任务难度的输入指标数据集;然后,对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵;最后,将所述转换矩阵输入训练后的BP神经网络模型,获得待测评任务的工作负荷水平。本发明实现在多种任务类型以及操作环境下,对舰员工作负荷更精准的评价。
Description
技术领域
本发明涉及舰船任务分析技术领域,尤其涉及一种舰员的超负荷工作检测方法及系统。
背景技术
对舰员的超负荷工作进行确定,在舰员工作的调度安排具有至关重要的作用,现有的工作状态进行确定的检测方法通常是通过舰员的主动反映,通过单个任务类型多个舰员的反映对比,确定每个舰员在该任务中的负荷强度,无法实现在多种任务类型以及操作环境下,对舰员工作负荷更精准的评价。
发明内容
本发明的目的是提供一种舰员的超负荷工作检测方法及系统,以实现在多种任务类型以及操作环境下,对舰员工作负荷更精准的评价。
一种舰员的超负荷工作检测方法,所述检测方法包括如下步骤:
采集待测评任务的工作负荷的评价指标,建立评价指标数据集;
对所述评价指标数据集进行统计分析,获取反映时间压力和任务难度的输入指标数据集;
对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵;
将所述转换矩阵输入训练后的BP神经网络模型,获得待测评任务的工作负荷水平;
根据所述工作负荷水平对舰员是否进行超负荷工作进行判断。
可选的,所述评价指标包括:主观工作负荷评价指标、任务绩效评价指标和生理评价指标;
主观工作负荷评价指标包括脑力需求指标、体力需求指标、时间需求指标、情感需求指标、绩效监控需求指标、努力程度指标,以及脑力需求指标、体力需求指标、时间需求指标、情感需求指标、绩效监控需求指标和努力程度指标的总分数指标;
所述任务绩效评价指标包括反应时间指标、身份属性判断时间指标、发送判断时间指标、反馈点击时间指标、漏报率指标、误报率指标、未完成率指标、正确率指标、反馈点击率指标、身份属性判断正确率指标、完成时间指标;
所述生理评价指标包括脑电指标、呼吸指标、心电指标和眼动指标。
可选的,对所述评价指标数据集进行统计分析,获取反映时间压力和任务难度的输入指标数据集,具体包括:
对评价指标数据集中的第i个指标的数据集在每个等级的时间压力和任务难度下进行正态性检验和方差齐性检验,获得检验结果;
若所述检验结果表示第i个指标的数据集在每个等级的时间压力和任务难度下均通过正态性检验和方差齐性检验,则利用参数分析方法对第i个指标的数据集进行统计分析,判定第i个指标对时间压力和任务难度的敏感程度;
若所述检验结果表示第i个指标的数据集没有在每个等级的时间压力和任务难度下均通过正态性检验和方差齐性检验,则利用非参数分析方法对第i个指标的数据集进行统计分析,判定第i个指标对时间压力和任务难度的敏感程度;
分别令i=1,2,…,N,重复上述步骤,确定评价指标数据集中每个指标对时间压力和任务难度的敏感程度;
选取对时间压力和任务难度的敏感程度大于预设阈值的指标的数据集组成反映时间压力和任务难度的输入指标数据集。
可选的,对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵,具体包括:
采用SPSS软件对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵。
可选的,将所述转换矩阵输入训练后的BP神经网络模型,获得待测评任务的工作负荷水平,之前还包括:
对所述转换矩阵进行归一化处理,获得归一化处理后的转换矩阵。
一种舰员的超负荷工作检测系统,所述检测系统包括指标提取模块、工作负荷综合评价模块和任务超负荷评估模块,所述工作负荷综合评价模块包括主成分分析子模块和BP神经网络模型计算子模块;
指标提取模块,用于采集待测评任务的工作负荷的评价指标,建立评价指标数据集;
主成分分析子模块,用于对所述评价指标数据集进行统计分析,获取反映时间压力和任务难度的输入指标数据集;并对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵;
BP神经网络模型计算子模块,用于将所述转换矩阵输入训练后的BP神经网络模型,获得待测评任务的工作负荷水平;
任务超负荷评估模块,用于根据所述工作负荷水平对舰员是否进行超负荷工作进行判断。
可选的,所述评价指标包括:主观工作负荷评价指标、任务绩效评价指标和生理评价指标;
主观工作负荷评价指标包括脑力需求指标、体力需求指标、时间需求指标、情感需求指标、绩效监控需求指标、努力程度指标,以及脑力需求指标、体力需求指标、时间需求指标、情感需求指标、绩效监控需求指标和努力程度指标的总分数指标;
所述任务绩效评价指标包括反应时间指标、身份属性判断时间指标、发送判断时间指标、反馈点击时间指标、漏报率指标、误报率指标、未完成率指标、正确率指标、反馈点击率指标、身份属性判断正确率指标、完成时间指标;
所述生理评价指标包括脑电指标、呼吸指标、心电指标和眼动指标。
可选的,所述主成分分析子模块,具体包括:
正态性检验和方差齐性检验单元,用于对评价指标数据集中的第i个指标的数据集在每个等级的时间压力和任务难度下进行正态性检验和方差齐性检验,获得检验结果;
第一统计分析单元,用于若所述检验结果表示第i个指标的数据集在每个等级的时间压力和任务难度下均通过正态性检验和方差齐性检验,则利用参数分析方法对第i个指标的数据集进行统计分析,判定第i个指标对时间压力和任务难度的敏感程度;
第二统计分析单元,用于若所述检验结果表示第i个指标的数据集没有在每个等级的时间压力和任务难度下均通过正态性检验和方差齐性检验,则利用非参数分析方法对第i个指标的数据集进行统计分析,判定第i个指标对时间压力和任务难度的敏感程度;
返回单元,用于分别令i=1,2,…,N,重复上述步骤,确定评价指标数据集中每个指标对时间压力和任务难度的敏感程度;N表示评价指标数据集中指标的数量;
输入指标数据集确定单元,用于选取对时间压力和任务难度的敏感程度大于预设阈值的指标的数据集组成反映时间压力和任务难度的输入指标数据集。
可选的,所述主成分分析子模块,具体包括:
主成分分析单元,用于采用SPSS软件对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵。
可选的,所述检测系统还包括归一化模块,所述归一化模块用于对所述转换矩阵进行归一化处理,获得归一化处理后的转换矩阵。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种舰员的超负荷工作检测方法及系统,所述检测方法,首先,采集待测评任务的工作负荷的评价指标,建立评价指标数据集;并对所述评价指标数据集进行统计分析,获取反映时间压力和任务难度的输入指标数据集;然后,对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵;最后,将所述转换矩阵输入训练后的BP神经网络模型,获得待测评任务的工作负荷水平。本发明实现在多种任务类型以及操作环境下,对舰员工作负荷更精准的评价。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种舰员的超负荷工作检测方法的流程图;
图2为本发明所提供的神经网络训练输出的单人工作负荷与个人实际工作负荷对比图;
图3为本发明所提供的神经网络输出相对误差图;
图4为本发明实施例提供的一种舰员的超负荷工作检测方法的原理图;
图5为本发明实施例提供的一种舰员的超负荷工作检测系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种舰员的超负荷工作检测方法及系统,以实现在多种任务类型以及操作环境下,对舰员工作负荷更精准的评价。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
一种舰员的超负荷工作检测方法,所述检测方法包括如下步骤:
步骤101,采集待测评任务的工作负荷的评价指标,建立评价指标数据集。
所述评价指标包括:主观工作负荷评价指标、任务绩效评价指标和生理评价指标;主观工作负荷评价指标包括脑力需求指标、体力需求指标、时间需求指标、情感需求指标、绩效监控需求指标、努力程度指标,以及脑力需求指标、体力需求指标、时间需求指标、情感需求指标、绩效监控需求指标和努力程度指标的总分数指标;所述任务绩效评价指标包括反应时间指标、身份属性判断时间指标、发送判断时间指标、反馈点击时间指标、漏报率指标、误报率指标、未完成率指标、正确率指标、反馈点击率指标、身份属性判断正确率指标、完成时间指标;所述生理评价指标包括脑电指标、呼吸指标、心电指标和眼动指标。
本发明主要基于文献调研,通过实验平台,采集已有研究中使用的单人工作负荷评价指标的相应数据。该步骤的输出为采集到的各指标数据。
单人工作负荷评价指标包括主观工作负荷评价指标(数据集A)、任务绩效评价指标(数据集B)以及生理评价指标,其中生理评价指标包括脑电指标(数据集C)、呼吸指标(数据集D)及心电指标(数据集E)、眼动指标(数据集F)。
主观工作负荷(数据集A)取自TWLQ量表中的6个能反映单人工作负荷的维度,包括体力需求、脑力需求、时间需求、情感需求、绩效监控需求、努力程度,除此之外增加一个5个指标总分的维度;任务绩效评价指标(数据集B)主要包括反应时、身份属性判断时间、发送判断时间、反馈点击时间、漏报率、误报率、未完成率、正确率、反馈点击率、身份属性判断正确率、完成时间,数据通过操作平台直接获得;呼吸指标(数据集C)由BioHarness生理遥测系统测量,包括呼吸频率,心电指标(数据集D)主要包括心率、NNVGR、SDNN、RNSSD、SDSD、pNN50、总功率、低频、高频、低高频谱成分功率比等;脑电指标(数据集E)由脑电设备,数据主要包括δ(1-3Hz)、θ(4-7Hz)、α1(8-9Hz)、α2(10-12Hz)、β1(13-17Hz)、β2(18-30Hz)、γ1(31-40Hz)和γ2(41-50Hz)共8个频段的功率谱参数;眼动指标(数据集F)由德国SMI公司研制的IviewX RED桌面遥测式眼动仪测量,主要包括眨眼率、平均眨眼时间、平均注视时间、注视频率、平均注视偏差、扫视路径长度、瞳孔大小、眼跳频率、平均眼跳速度、平均眼跳幅度、平均眼跳时间和平均眼跳延迟时间。
步骤102,对所述评价指标数据集进行统计分析,获取反映时间压力和任务难度的输入指标数据集。
步骤102所述对所述评价指标数据集进行统计分析,获取反映时间压力和任务难度的输入指标数据集,具体包括:对评价指标数据集中的第i个指标的数据集在每个等级的时间压力和任务难度下进行正态性检验和方差齐性检验,获得检验结果;若所述检验结果表示第i个指标的数据集在每个等级的时间压力和任务难度下均通过正态性检验和方差齐性检验,则利用参数分析方法对第i个指标的数据集进行统计分析,判定第i个指标对时间压力和任务难度的敏感程度;若所述检验结果表示第i个指标的数据集没有在每个等级的时间压力和任务难度下均通过正态性检验和方差齐性检验,则利用非参数分析方法对第i个指标的数据集进行统计分析,判定第i个指标对时间压力和任务难度的敏感程度;分别令i=1,2,…,N,重复上述步骤,确定评价指标数据集中每个指标对时间压力和任务难度的敏感程度;N表示评价指标数据集中指标的数量;选取对时间压力和任务难度的敏感程度大于预设阈值的指标的数据集组成反映时间压力和任务难度的输入指标数据集。
具体的,采集到的的数据集A、数据集B、数据集C、数据集D、数据集E、数据集F进行统计分析。该步骤的输出为能显著反映时间压力以及任务难度变化的指标。
基于实验室模拟实验,研究时间压力和场景复杂度对单人工作负荷的评价指标的影响。对于脑电和心电指标,收集操作员在每次任务前休息时的指标作为基准值,将这两类指标转化为它们相对于自身基准值的变化率,以进行后续处理。
对于所得数据,在每个时间压力和复杂度水平下分别使用Shapiro-Wilktest检验检验其正态性,使用Levene’s等方差检验检验方差齐性,计算通过SPSS软件完成。对于通过正态性检验和方差齐次性检验的指标,采用单因素重复测量的双因素方差分析(Two-wayRepeatedMeasuresANOVA)。对于主效应显著的目标,采用最小显著差异法(LeastSignificant Difference,LSD)进行事后配对检验。在重复测量的方差分析中,要进行Mauchly球形检验(test of sphericity)。若通过球形检验,则采用一元方差分析的结果,若未通过球形检验,则以多元方差分析的结果为准。
对于未通过正态性检验和方差齐次性检验的指标,则放弃对两种自变量交互效应影响的研究,采用Kruskal-Wallis秩和检验计算时间压力的效应;采用Friedman秩和检验计算场景复杂度的效应,对p值小于0.05的指标,同样利用LSD方式进行事后成对比较。
具体分析在SPSS软件中实现,将以上数据集A、B、C、D、E、F中的指标数据导入SPSS软件中,按列存储每个指标数据,前两列分别为时间压力和场景复杂度参数数据。首先进行Shapiro-Wilktest正态性检验,在软件中点击分析-探索-图-含检验的正态图,得到每个时间压力和场景复杂度下的正态性检验结果,p值>0.05时,保留原假设,视为该组数据服从正态分布。对通过正态性检验的指标数据进行方差齐性检验,具体步骤为点击分析-比较均值-单因素ANOVA-选项-方差同质性检验,输出方差齐性检验结果,p值>0.05时,保留原假设,视为该组数据方差齐性。对于每个数据集中的指标,如果每个时间压力以及场景复杂度下均通过正态性检验和方差齐性检验,则以下使用参数方法分析,反之使用非参数方法分析。
由于数据集中指标数据均未同时通过正态性检验和方差齐性检验,因此使用非参数方法分析。首先采用Kruskal-Wallis秩和检验计算时间压力的效应,具体步骤为点击非参数检验-旧对话框-K个独立样本,检验变量列表输入各数据集中指标的数据,分组变量选择时间压力,范围选择1~3,点击继续,输出非参数分析结果。p值<0.05时,拒绝原假设,视为该参数对时间压力变化敏感,之后对p值<0.05的指标数据进行事后比较。具体步骤为点击分析-比较平均值-单因素ANOVA-事后多重比较-假定等方差-LSD,输出各时间压力水平参数数据比较结果,p值<0.05时,视为时间压力水平间存在显著差异。
然后采用Friedman秩和检验计算场景复杂度的效应,具体步骤为点击非参数检验-旧对话框-K个相关样本,检验变量列表输入各数据集中p值<0.05指标的数据。对每个输入指标的数据,按照6个场景复杂度进行分列,输入变量选择该指标的6个场景复杂度的数据,输出非参数检验结果。p值<0.05时,拒绝原假设,视为该参数对场景复杂度变化敏感,之后对p值<0.05的指标数据进行事后比较。具体步骤为点击分析-比较平均值-单因素ANOVA-事后多重比较-假定等方差-LSD,输出各场景复杂度水平参数数据比较结果,p值<0.05时,视为场景复杂度水平间存在显著差异。
根据统计分析结果可知,主观评价指标中的所有指标,包括脑力需求、体力需求、时间需求、情感需求、绩效监控需求、努力程度以及总分对任务难度的变化均较为敏感;绩效评价指标中的反应时间、身份判断时间、发送判断时间、确认反馈时间、完成时间、漏报率、完成率对工作负荷的变化较为敏感,反应时间、漏报率、完成率对任务难度的变化较为敏感;生理评价指标包括三类,分别为脑电指标、呼吸及心电指标、眼动指标,其中脑电指标中的δ相对功率值、γ1相对功率值、γ2相对功率值对工作负荷的变化较为敏感,呼吸及心电指标中的SDNN、RNSSD、SDSD、PNN50、TP、HF对工作负荷的变化较为敏感,HR对任务难度的变化较为敏感,眼跳指标中的眨眼频率、平均眨眼时间、注视频率、平均注视偏差、扫视路径长度、平均眼跳时间、平均眼跳幅度、平均眼跳速度对工作负荷的变化较为敏感,平均眼跳幅度对任务难度的变化较为敏感。
步骤103,对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵。
步骤103所述对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵,具体包括:采用SPSS软件对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵。
具体的,通过主成分分析方法对步分析得到的所有能显著反映时间压力和任务难度的指标数据进行降维融合,得到一个包含多组数据的数据集。该步骤的输出为各主成分组成的数据集。
主成分分析的具体计算通过SPSS软件完成,具体操作步骤如下,输入为所有能显著反映时间压力和任务难度的指标数据,点击分析-降维-因子-描述-相关性矩阵-KMO和球形度检验,输出各主成分结果和转换矩阵。
KMO检验和Barylett检验结果显示,KMO检验中的MSA统计量为0.548;Barylett检验中χ2=8256.62,p<0.001,达到显著水平,说明所选指标之间的相关性较高,适合进行主成分分析。
主成分分析提取出的主成分以及它们对应的特征值和方差贡献率如下:第1主成分的特征值为5.501,可解释原始变量方差的比例约为20.202%;第2个主成分特征值3.564,方差贡献率约为14.258%;第3个主成分特征值2.709,方差贡献率约为10.838%;第4个主成分特征值2.230,方差贡献率约为8.918%;第5个主成分特征值2.061,方差贡献率约为8.245%;第6个主成分特征值1.686,方差贡献率约为6.745%;第7个主成分特征值1.110,方差贡献率约为4.44%。第8个主成分特征值1.011,方差贡献率约为4.044%。根据筛选原则,提取特征值大于1的这8个主成分,它们的累计方差贡献率达到77.7%,说明这8个主成分已经可以解释原始变量将近80%以上的方差。主成分分析的转换矩阵如表1所示。
表1主成分分析的转换矩阵列表
表1中第一行分别代表主成分1-8,每个主成分可以通过转换矩阵的计算得到,每个主成分等于各个指标乘以该列数值的总和。具体以主成分1为例,主成分1=反应时间×0.29+身份属性判断时间×0.239+发送判断时间×0.244+……-平均眼跳幅度×0.017+平均眼跳速度×0.313。
本发明还对所述转换矩阵进行归一化处理,获得归一化处理后的转换矩阵。具体的,对主成分数据进行归一化处理的具体过程按照如下公式进行转化。
y=(x-min)/(max-min)
其中x为某一主成分的转换矩阵中的主成分数据,min为该主成分数据的最小值,max为该主成分数据的最大值,按照如上公式对每一个主成分的数值进行转换,输出为归一化处理后的主成分数据。
步骤104,将所述转换矩阵输入训练后的BP神经网络模型,获得待测评任务的工作负荷水平;
步骤105,根据所述工作负荷水平对舰员是否进行超负荷工作进行判断。
BP神经网络模型拓扑结构包括输入层、隐层和输出层。本发明采用单隐含层的神经网络结构,隐含层节点数一般通过如下公式进行参考:
l<n-1
l=log2n
其中,l表示隐含层节点数量;n表示输入变量的数量;m表示输出变量的数量;a为0-10中的任意整数。
使用BP神经网络模型进行训练,按照如下步骤建立单人工作负荷的综合评价模型:
(1)对网络进行初始化,确定网络的学习速率和节点转移函数。
(2)计算隐含层输出。
(3)计算输出层输出。
(4)计算预测误差。
(5)权值、阈值更新。
(6)判断迭代是否结束,若没有则返回步骤(2).
本发明,在剔除异常值后,共有102组数据可进行神经网络建模。BP神经网络使用MATLAB实现。取92组数据作为训练集,另外10组为测试集,其中训练集和测试集数据由程序随机划分。
通过上面的公式及试凑法,将隐含层节点数量选取为3个,即整个神经网络结构为8-3-4结构,输入层有8个节点,隐含层有3个节点,输出层有1个节点,学习速率选取为0.68,其中输入层的8个节点对应节点对应归一化处理后的主成分数据,输出层的1个节点对应主观工作负荷评价指标。
训练过程关键代码如下:
取92组数据作为训练集,另外10组作为测试集。
input_train=input(n(1:102),:)';
output_train=output(n(1:102),:)';
input_test=input(n(93:102),:)';
output_test=output(n(93:102),:)';
初始化神经网络,并进行神经网路训练。
net=newff(inputn,outputn,3,{'logsig','purelin'});其中inputn,outputn为输入和输出,3代表隐藏层节点数量;
net.trainParam.epochs=100;输入最大训练次数100;
net.trainParam.lr=0.68;输入学习速率0.68;
net.trainParam.goal=0.1;输入训练允许的最大误差0.1
net=train(net,inputn,outputn);进行神经网络训练过程
将预测集数据输入模型,输出预测结果。
an=sim(net,inputn_test);net为前一步训练所得神经网络,inputn_test为测试集输入数据。
(7)以测试集作为输入变量,检验步骤(6)中得到的训练后的BP神经网络模型对单人工作负荷的预测效果。
检验过程关键代码如下:
计算预测误差。
error=BPoutput-output_test;BP神经网络预测与实际总分差值;
errorsum=sum(abs(error));对所有差值取绝对值后求和;
预测结果与测试集结果图形可视化对比:
figure(1)
subplot(2,2,1);
plot(BPoutput(1,:),':og');对BP神经网络预测进行绘图;
hold on
plot(output_test(1,:),'-*');对实际总分进行绘图;
legend('预测输出','期望输出')
title('BP网络预测输出-总分','fontsize',12)
ylabel('函数输出','fontsize',12)
运用训练集对BP神经网络进行训练后,使用测试集对模型进行测试,测试结果如图2、图3所示,图中2和3展示了神经网络的输出结果与实验收集到的主观工作负荷指标的对比,展现了良好的拟合效果。大部分的测试相对误差都在20%以内,使用平均绝对百分误差(MAPE)验证模型精度的结果是MAPE=17.34%,在本方法中的数据规模下,预测精度较为良好。
根据工作负荷水平评估所述任务是否超荷,具体包括:
将NASA-TLX量表评分高于满分的75%时,视为工作负荷水平较高,作为超荷的初始标准。后续超荷的定义及范围可根据船舶领域任务实际需要进行修正。
本发明还提供一种舰员的超负荷工作检测系统,所述检测系统包括指标提取模块、工作负荷综合评价模块和任务超负荷评估模块,所述工作负荷综合评价模块包括主成分分析子模块和BP神经网络模型计算子模块;
指标提取模块,用于采集待测评任务的工作负荷的评价指标,建立评价指标数据集;所述评价指标包括:主观工作负荷评价指标、任务绩效评价指标和生理评价指标;主观工作负荷评价指标包括脑力需求指标、体力需求指标、时间需求指标、情感需求指标、绩效监控需求指标、努力程度指标,以及脑力需求指标、体力需求指标、时间需求指标、情感需求指标、绩效监控需求指标和努力程度指标的总分数指标;所述任务绩效评价指标包括反应时间指标、身份属性判断时间指标、发送判断时间指标、反馈点击时间指标、漏报率指标、误报率指标、未完成率指标、正确率指标、反馈点击率指标、身份属性判断正确率指标、完成时间指标;所述生理评价指标包括脑电指标、呼吸指标、心电指标和眼动指标。
主成分分析子模块,用于对所述评价指标数据集进行统计分析,获取反映时间压力和任务难度的输入指标数据集;并对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵;
所述主成分分析子模块,具体包括:正态性检验和方差齐性检验单元,用于对评价指标数据集中的第i个指标的数据集在每个等级的时间压力和任务难度下进行正态性检验和方差齐性检验,获得检验结果;第一统计分析单元,用于若所述检验结果表示第i个指标的数据集在每个等级的时间压力和任务难度下均通过正态性检验和方差齐性检验,则利用参数分析方法对第i个指标的数据集进行统计分析,判定第i个指标对时间压力和任务难度的敏感程度;第二统计分析单元,用于若所述检验结果表示第i个指标的数据集没有在每个等级的时间压力和任务难度下均通过正态性检验和方差齐性检验,则利用非参数分析方法对第i个指标的数据集进行统计分析,判定第i个指标对时间压力和任务难度的敏感程度;返回单元,用于分别令i=1,2,…,N,重复上述步骤,确定评价指标数据集中每个指标对时间压力和任务难度的敏感程度;N表示评价指标数据集中指标的数量;输入指标数据集确定单元,用于选取对时间压力和任务难度的敏感程度大于预设阈值的指标的数据集组成反映时间压力和任务难度的输入指标数据集。主成分分析单元,用于采用SPSS软件对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵。
BP神经网络模型计算子模块,用于将所述转换矩阵输入训练后的BP神经网络模型,获得待测评任务的工作负荷水平;
任务超负荷评估模块,用于根据所述工作负荷水平对舰员是否进行超负荷工作进行判断。
所述检测系统还包括归一化模块,所述归一化模块用于对所述转换矩阵进行归一化处理,获得归一化处理后的转换矩阵。
本发明还提供了以下具体的实施方式以对本发明的方法和系统进行说明:
实施例1
本发明实施例1提供了一种舰员工作负荷综合评价方法,如图2所示,所述工作负荷综合评价方法包括如下步骤:
从任务中提取工作负荷评价指标,在工作负荷评价模块计算后得到工作负荷综合评价得分,最后判定任务是否超负荷。
实施例2
本发明的实施例2提供一种舰员工作负荷综合评价方法的优选方案。如图4所示所述工作负荷评价方法包括如下步骤:
首先从任务中提取工作负荷评价指标,按照不同指标的获取方式对指标数据进行收集,作为工作负荷综合评价系统的输入变量。工作负荷综合评价模块将指标数据输入到BP神经网络训练得到的模型,得到工作负荷综合评价的得分作为输出,最后通过任务超负荷评估模块得到任务是否超负荷的结果。
实施例3
本发明实施例3提供一种舰员工作负荷综合评价方法的另一优选的实施方式。如图4所示,所述工作负荷综合评价方法具体包括如下步骤:
从任务执行的过程中,获取工作负荷评价指标的数据,按照工作负荷综合评价系统中得到的转换矩阵,将指标数据进行降维处理,使得转换后的数据不再有相关性。将降维处理后的指标数据输入到BP神经网络训练得到的模型,获取工作负荷的综合评价得分。基于任务超负荷评估模块,对任务是否超负荷进行判定。
实施例4
本发明实施例4提供一种舰员工作负荷综合评价系统。
如图5所示,所述工作负荷综合评价系统包括:指标提取模块、工作负荷综合评价模块以及任务超负荷评估模块。
实施例5
本发明实施例5提供了本发明的工作负荷综合评价系统的优选的实施方式。
如图5所示,所述工作负荷综合评价包括:指标提取模块、工作负荷综合评价模块以及任务超负荷评估模块。其中,指标提取模块包含绩效指标提取子模块和生理指标提取子模块,绩效指标提取子模块包括任务完成时间和任务完成率,生理指标提取子模块包括脑电指标、呼吸及心电指标和眼动指标。工作负荷综合评价模块包括主成分分析子模块和BP神经网络模型计算子模块。
实施例6
本发明实施例6提供一种工作负荷综合评价系统的使用方式。
为了实现对操纵员执行任务过程中的脑力负荷的评价,首先需要对工作负荷综合评价系统中的工作负荷评价指标进行数据收集,形成数据集。对数据集按照工作负荷综合评价系统中的主成分转换矩阵,对数据集进行降维处理,得到无相关关系的数据集。之后将降维处理后的数据集输入到工作负荷综合评价系统中训练得到的BP神经网络模型,得到工作负荷的综合评价得分。最后按照任务超负荷评估的范围,对操纵员是否超负荷进行判定。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种舰员的超负荷工作检测方法及系统,所述检测方法,首先,采集待测评任务的工作负荷的评价指标,建立评价指标数据集;并对所述评价指标数据集进行统计分析,获取反映时间压力和任务难度的输入指标数据集;然后,对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵;最后,将所述转换矩阵输入训练后的BP神经网络模型,获得待测评任务的工作负荷水平。实现在多种任务类型以及操作环境下,对舰员工作负荷更精准的评价。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种舰员的超负荷工作检测方法,其特征在于,所述检测方法包括如下步骤:
采集待测评任务的工作负荷的评价指标,建立评价指标数据集;
对所述评价指标数据集进行统计分析,获取反映时间压力和任务难度的输入指标数据集;
对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵;
将所述转换矩阵输入训练后的BP神经网络模型,获得待测评任务的工作负荷水平;
根据所述工作负荷水平对舰员是否进行超负荷工作进行判断;
对所述评价指标数据集进行统计分析,获取反映时间压力和任务难度的输入指标数据集,具体包括:
对评价指标数据集中的第i个指标的数据集在每个等级的时间压力和任务难度下进行正态性检验和方差齐性检验,获得检验结果;
若所述检验结果表示第i个指标的数据集在每个等级的时间压力和任务难度下均通过正态性检验和方差齐性检验,则利用参数分析方法对第i个指标的数据集进行统计分析,判定第i个指标对时间压力和任务难度的敏感程度;
若所述检验结果表示第i个指标的数据集没有在每个等级的时间压力和任务难度下均通过正态性检验和方差齐性检验,则利用非参数分析方法对第i个指标的数据集进行统计分析,判定第i个指标对时间压力和任务难度的敏感程度;
分别令i=1,2,…,N,重复上述步骤,确定评价指标数据集中每个指标对时间压力和任务难度的敏感程度;N表示评价指标数据集中指标的数量;
选取对时间压力和任务难度的敏感程度大于预设阈值的指标的数据集,组成反映时间压力和任务难度的输入指标数据集。
2.根据权利要求1所述的舰员的超负荷工作检测方法,其特征在于,所述评价指标包括:主观工作负荷评价指标、任务绩效评价指标和生理评价指标;
主观工作负荷评价指标包括脑力需求指标、体力需求指标、时间需求指标、情感需求指标、绩效监控需求指标、努力程度指标,以及脑力需求指标、体力需求指标、时间需求指标、情感需求指标、绩效监控需求指标和努力程度指标的总分数指标;
所述任务绩效评价指标包括反应时间指标、身份属性判断时间指标、发送判断时间指标、反馈点击时间指标、漏报率指标、误报率指标、未完成率指标、正确率指标、反馈点击率指标、身份属性判断正确率指标和完成时间指标;
所述生理评价指标包括脑电指标、呼吸指标、心电指标和眼动指标。
3.根据权利要求1所述的舰员的超负荷工作检测方法,其特征在于,对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵,具体包括:
采用SPSS软件对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵。
4.根据权利要求1所述的舰员的超负荷工作检测方法,其特征在于,将所述转换矩阵输入训练后的BP神经网络模型,获得待测评任务的工作负荷水平,之前还包括:
对所述转换矩阵进行归一化处理,获得归一化处理后的转换矩阵。
5.一种舰员的超负荷工作检测系统,其特征在于,所述检测系统包括指标提取模块、工作负荷综合评价模块和任务超负荷评估模块,所述工作负荷综合评价模块包括主成分分析子模块和BP神经网络模型计算子模块;
指标提取模块,用于采集待测评任务的工作负荷的评价指标,建立评价指标数据集;
主成分分析子模块,用于对所述评价指标数据集进行统计分析,获取反映时间压力和任务难度的输入指标数据集;并对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵;
BP神经网络模型计算子模块,用于将所述转换矩阵输入训练后的BP神经网络模型,获得待测评任务的工作负荷水平;
任务超负荷评估模块,用于根据所述工作负荷水平对舰员是否进行超负荷工作进行判断;
所述主成分分析子模块,具体包括:
正态性检验和方差齐性检验单元,用于对评价指标数据集中的第i个指标的数据集在每个等级的时间压力和任务难度下进行正态性检验和方差齐性检验,获得检验结果;
第一统计分析单元,用于若所述检验结果表示第i个指标的数据集在每个等级的时间压力和任务难度下均通过正态性检验和方差齐性检验,则利用参数分析方法对第i个指标的数据集进行统计分析,判定第i个指标对时间压力和任务难度的敏感程度;
第二统计分析单元,用于若所述检验结果表示第i个指标的数据集没有在每个等级的时间压力和任务难度下均通过正态性检验和方差齐性检验,则利用非参数分析方法对第i个指标的数据集进行统计分析,判定第i个指标对时间压力和任务难度的敏感程度;
返回单元,用于分别令i=1,2,…,N,重复上述步骤,确定评价指标数据集中每个指标对时间压力和任务难度的敏感程度;N表示评价指标数据集中指标的数量;
输入指标数据集确定单元,用于选取对时间压力和任务难度的敏感程度大于预设阈值的指标的数据集组成反映时间压力和任务难度的输入指标数据集。
6.根据权利要求5所述的舰员的超负荷工作检测系统,其特征在于,所述评价指标包括:主观工作负荷评价指标、任务绩效评价指标和生理评价指标;
主观工作负荷评价指标包括脑力需求指标、体力需求指标、时间需求指标、情感需求指标、绩效监控需求指标、努力程度指标,以及脑力需求指标、体力需求指标、时间需求指标、情感需求指标、绩效监控需求指标和努力程度指标的总分数指标;
所述任务绩效评价指标包括反应时间指标、身份属性判断时间指标、发送判断时间指标、反馈点击时间指标、漏报率指标、误报率指标、未完成率指标、正确率指标、反馈点击率指标、身份属性判断正确率指标和完成时间指标;
所述生理评价指标包括脑电指标、呼吸指标、心电指标和眼动指标。
7.根据权利要求5所述的舰员的超负荷工作检测系统,其特征在于,所述主成分分析子模块,具体包括:
主成分分析单元,用于采用SPSS软件对所述输入指标数据集进行主成分分析,提取输入指标数据集中的主成分及每个主成分对应的特征值,建立主成分分析的转换矩阵。
8.根据权利要求5所述的舰员的超负荷工作检测系统,其特征在于,所述检测系统还包括归一化模块,所述归一化模块用于对所述转换矩阵进行归一化处理,获得归一化处理后的转换矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010511654.6A CN111680913B (zh) | 2020-06-08 | 2020-06-08 | 一种舰员的超负荷工作检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010511654.6A CN111680913B (zh) | 2020-06-08 | 2020-06-08 | 一种舰员的超负荷工作检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680913A CN111680913A (zh) | 2020-09-18 |
CN111680913B true CN111680913B (zh) | 2023-09-01 |
Family
ID=72435147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010511654.6A Active CN111680913B (zh) | 2020-06-08 | 2020-06-08 | 一种舰员的超负荷工作检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680913B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686495A (zh) * | 2020-12-03 | 2021-04-20 | 中广核工程有限公司 | 核电厂操作员工作负荷评估方法、系统、介质及电子设备 |
CN113192636B (zh) * | 2021-04-16 | 2024-01-05 | 中国航天科工集团第二研究院 | 一种飞行任务负荷评估方法及系统 |
CN114569130B (zh) * | 2022-02-25 | 2023-07-04 | 西南交通大学 | 高速铁路行车调度员监控工作的注意力水平识别方法 |
CN116595423B (zh) * | 2023-07-11 | 2023-09-19 | 四川大学 | 一种基于多特征融合的空中交通管制员认知负荷评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306297A (zh) * | 2011-07-11 | 2012-01-04 | 南京航空航天大学 | 一种空中交通管制员工作负荷测量方法 |
CN104636890A (zh) * | 2015-03-13 | 2015-05-20 | 中国民航大学 | 一种空中交通管制员工作负荷测量方法 |
CN105225539A (zh) * | 2015-09-30 | 2016-01-06 | 中国民用航空总局第二研究所 | 基于主成分分析的扇区运行性能综合指数的方法及系统 |
CN107788970A (zh) * | 2017-11-15 | 2018-03-13 | 中国航天员科研训练中心 | 一种基于多生理参数方法融合的脑力负荷评估方法 |
CN108090613A (zh) * | 2017-12-18 | 2018-05-29 | 南京航空航天大学 | 一种进近管制扇区管制员工作负荷预测方法 |
-
2020
- 2020-06-08 CN CN202010511654.6A patent/CN111680913B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306297A (zh) * | 2011-07-11 | 2012-01-04 | 南京航空航天大学 | 一种空中交通管制员工作负荷测量方法 |
CN104636890A (zh) * | 2015-03-13 | 2015-05-20 | 中国民航大学 | 一种空中交通管制员工作负荷测量方法 |
CN105225539A (zh) * | 2015-09-30 | 2016-01-06 | 中国民用航空总局第二研究所 | 基于主成分分析的扇区运行性能综合指数的方法及系统 |
CN107788970A (zh) * | 2017-11-15 | 2018-03-13 | 中国航天员科研训练中心 | 一种基于多生理参数方法融合的脑力负荷评估方法 |
CN108090613A (zh) * | 2017-12-18 | 2018-05-29 | 南京航空航天大学 | 一种进近管制扇区管制员工作负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111680913A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680913B (zh) | 一种舰员的超负荷工作检测方法及系统 | |
CN104490390B (zh) | 基于神经电生理信号联合分析的人体运动能力判别方法 | |
CN104616212B (zh) | 继电保护系统可靠性分析方法与系统 | |
CN110889082B (zh) | 基于系统工程理论的人机工程设备综合评价方法 | |
CN113297994B (zh) | 一种飞行员行为分析方法及系统 | |
CN108647707A (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN105303771A (zh) | 一种疲劳判断系统及方法 | |
Silva et al. | Fusion of clinical, self-reported, and multisensor data for predicting falls | |
US20230386665A1 (en) | Method and device for constructing autism spectrum disorder (asd) risk prediction model | |
CN105354414A (zh) | 一种基于层次分析的人体健康状况评估方法 | |
CN114783552A (zh) | 操作人员岗前疲劳检测方法和系统 | |
CN113537738A (zh) | 一种多循环与多约束融合的航空应急救援效能评估方法 | |
WO2022231589A1 (en) | Predicting mental state characteristics of users of wearable devices | |
CN113192636B (zh) | 一种飞行任务负荷评估方法及系统 | |
CN112768066A (zh) | 一种神经外科患者综合诊疗方法及系统 | |
Kim et al. | An experimental approach to estimate operator’s information processing capacity for diagnosing tasks in NPPs | |
CN117084683B (zh) | 一种技术人员心理状态监测评估方法及系统 | |
CN110459276A (zh) | 一种数据处理方法及相关设备 | |
CN112656372B (zh) | 基于脑网络拓扑规律的脑力疲劳检测方法及系统 | |
CN115105078B (zh) | 一种识别飞行员的脑认知状态的方法及系统 | |
Shams et al. | Fuzzy model for detection and estimation of the degree of autism spectrum disorder | |
RU2813438C1 (ru) | Система и способ выявления и использования эталонного эмоционально-интеллектуального профиля (эи-профиля) по группам анализа | |
KR102536982B1 (ko) | 문진표를 이용한 인공지능 기반의 질병 예측 방법 및 장치 | |
CN115691812A (zh) | 一种适用于智能船舶机舱轮机员的脑力负荷评估系统 | |
CN115067909A (zh) | 基于生物信息数据处理的远程塔台人因工效确定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |