CN113192636A - 一种飞行任务负荷评估方法及系统 - Google Patents
一种飞行任务负荷评估方法及系统 Download PDFInfo
- Publication number
- CN113192636A CN113192636A CN202110408806.4A CN202110408806A CN113192636A CN 113192636 A CN113192636 A CN 113192636A CN 202110408806 A CN202110408806 A CN 202110408806A CN 113192636 A CN113192636 A CN 113192636A
- Authority
- CN
- China
- Prior art keywords
- flight
- analysis model
- task
- task load
- load
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 134
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000007477 logistic regression Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 15
- 238000004445 quantitative analysis Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- 238000004451 qualitative analysis Methods 0.000 description 9
- 230000003340 mental effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000002996 emotional effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008451 emotion Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种飞行任务负荷评估方法及系统，涉及测试评估技术领域。方法包括：利用飞机驾驶员的历史飞行任务数据，基于LSTM机器学习算法和逻辑回归算法构建任务负荷分析模型；对任务负荷分析模型进行训练和测试；若任务负荷分析模型的测试结果在预设范围内，得到测试好的任务负荷分析模型；飞机驾驶员根据飞行任务的完成情况对测试好的任务负荷分析模型中的各项指标进行评估，得到飞机驾驶员飞行任务负荷分析结果。本发明在改进后的NASA‑TLX量表的基础上，将LSTM机器学习算法和逻辑回归算法，可实现飞机驾驶员飞行任务负荷的精确分析和评估。
Description
技术领域
本发明涉及测试评估技术领域，特别是涉及一种飞行任务负荷评估方法及系统。
背景技术
近年来，随着飞行智能化以及信息化程度的显著提高，飞机驾驶员在任务执行过程中通常需要同时关注多块仪表盘上的信息，并在脑中对信息进行加工处理和反馈。
基于此，在遭遇紧急飞行状况时，过高的作业压力以及短时间内庞大的信息处理量会导致飞机驾驶员出现脑力负荷超载的情况，从而易导致其操作绩效的降低甚至出现飞行安全事故。
现有亟需一种能够准确评估飞机驾驶员飞行任务负荷的方法及系统，在飞机驾驶员执行完飞行任务后对其飞行任务负荷进行评估，以准确全面了解飞机驾驶员各方面情况，避免上述操作绩效降低以及飞行安全事故等情况的发生。
发明内容
为了解决上述问题，本发明提出了飞行任务负荷评估方法及系统。基于被试人员的多模态生理因素，利用LSTM机器学习算法和逻辑回归算法对多模态生理因素进行定量和定性分析，实现对飞机驾驶员飞行任务负荷影响因素的快速准确评估。
为实现上述目的，本发明提供了如下方案：
一种飞行任务负荷评估方法，包括：
利用飞机驾驶员的历史飞行任务数据，基于LSTM机器学习算法和逻辑回归算法构建任务负荷分析模型；
对所述任务负荷分析模型进行训练和测试；若所述任务负荷分析模型的测试结果在预设范围内，得到测试好的任务负荷分析模型；
飞机驾驶员根据飞行任务的完成情况对所述测试好的任务负荷分析模型中的各项指标进行评估，得到飞机驾驶员飞行任务负荷分析结果。
本发明还提供了一种飞行任务负荷评估系统，包括：
模型构建模块，用于利用飞机驾驶员的历史飞行任务数据，基于LSTM机器学习算法和逻辑回归算法构建任务负荷分析模型；
模型优化模块，用于对所述任务负荷分析模型进行训练和测试；若所述任务负荷分析模型的测试结果在预设范围内，得到测试好的任务负荷分析模型；
分析评估模块，用于飞机驾驶员根据飞行任务的完成情况对所述测试好的任务负荷分析模型中的各项指标进行评估，得到飞机驾驶员飞行任务负荷分析结果。
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：
本发明提供的一种飞行任务负荷评估方法及系统，首先对现有的NASA-TLX量表进行了改进，增加了情感压力和操作体验这两项指标，构成了被试飞机驾驶员的多模态生理因素指标。之后本发明基于LSTM机器学习算法对多模态生理因素进行了定性分析，在多模态生理因素中选出了与飞行任务负荷具有预设关联关系的生理因素；基于逻辑回归算法对多模态生理因素进行了定量分析，分别计算出了与飞行任务负荷具有预设关联关系的生理因素的对飞行任务负荷的影响权重；最后将与飞行任务负荷具有预设关联关系的生理因素及其对应的影响权重用加权求和的方式予以表示，构成任务负荷分析模型。
之后采用交叉验证方法对构建好的任务负荷分析模型进行训练和测试，利用AHP一致性检验方法对测试结果进行检验，若检验结果在预设范围内，则可直接利用测试好的任务负荷分析模型对飞机驾驶员当前的飞行任务负荷进行评估；反之则需要利用优化算法对任务负荷分析模型中各参数进行优化调整，并重新训练和测试调整后的任务负荷分析模型，直至对调整后的任务负荷分析模型的检验结果在预设范围内为止。
与现有技术相比，本发明对NASA-TLX量表进行了改进，在其中加入了能够更充分反映被试飞机驾驶员生理和情感对飞行任务负荷产生影响的指标，对现有的NASA-TLX量表进行了完善。另外，本发明通过对多模态生理因素的定性和定量分析，并将定性和定量分析相结合，相比现有技术中单一进行定性分析或定量分析具有更准确的分析精度。将改进后的NASA-TLX量表与改进后的定性定量分析方法结合，能够提升飞机驾驶员生理因素与飞行任务负荷间影响程度的分析精度，进而能够基于最终的分析结果对飞机驾驶员的训练和处理紧急飞行工况能力的提升提供帮助。
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为本发明实施例1中飞行任务负荷评估方法的流程图；
图2为本发明实施例2中改进后的NASA-TLX量表的示意图；
图3为本发明实施例2中判别矩阵的示意图；
图4为本发明实施例2中一致性检验结果C.R.值的示意图；
图5为本发明实施例3中飞行任务负荷评估系统的结构示意图。
符号说明：
1-模型构建模块，2-模型优化模块，3-分析评估模块。
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。
如背景技术中所述，现有的飞机驾驶员在执行任务的过程中需要同时关注多块仪表盘上的信息，并在脑中对所有信息进行加工处理，并基于处理后的结果对飞机进行反馈操作。
在此基础上，若遭遇紧急的飞行工况，过高的作业压力以及短时间内庞大的数据处理量会导致飞机驾驶员出现脑力负荷超载的情况，从而易导致飞行驾驶员的操作绩效降低，甚至会发生飞行安全事故。
为了实现对飞机驾驶员飞行任务负荷和面对紧急情况的处理能力的检测，现有一般采用飞机驾驶员在执行完上次飞行任务后填写相应量表的方式。目前，较为常用的单维度评价量表包括：全工作负荷量表、MCH量表以及贝德福德量表；较为常用的多维度评价量表包括：NASA-TLX量表、SWAT量表以及WP量表。这些现有常用的单维度和多维度量表只关心了与飞机驾驶员有关的任务负荷，而并没有对飞机驾驶员的情感和操作体验进行客观分析和考虑。
例如其中的NASA-TLX量表是美国航空与航天管理局提出的一个多维度量表，主要用于飞机驾驶员对飞行任务负荷状态进行自我评估。本发明考虑到该量表中未考虑飞机驾驶员情感和操作体验与飞行任务负荷的关系，进而无法实现对飞机驾驶员飞行任务负荷的充分精确评估。为此，本发明中对NASA-TLX量表进行了改进，并基于由一种长短时记忆网络的深度学习算法和LSTM机器学习算法构成的生理评价法对量表评估结果进行精确计算。
其中的生理评价法是一种通过监测生理指标随工作负荷强度改变而产生变化量的脑力负荷评价方法。由于研究脑力负荷的最终目的在于在真实的作业环境中提高作业者的工效，因此生理评价法所采集的生理信号一般要便于采集，便于后续处理。在现有便携式测量设备快速发展的前提下，能够使用便携式设备采集的生理指标将更广泛地应用于脑力负荷的研究，例如：EEG、ERP、皮电、心电、呼吸波与功能性近红外光谱等与中枢神经系统活动直接或间接相关的生理信号。
综上，生理评价法的一个重要优势在于其指标的客观性，相较于主观评价法与任务绩效法，生理评价法采集得到的数据更为真实可靠，也更能客观地反映被试人员的真实生理状态。因此，相比现有技术，本发明采用的生理评价法能够通过定量分析和定性分析实现对飞机驾驶员飞行任务负荷的充分精确评估，以基于该评估结果对飞机驾驶员后续的训练和面对紧急飞行工况时的处理能力提供帮助。
具体的，本发明先采用主观评价指标建立任务负荷分析模型，该任务负荷分析模型描述了飞机驾驶员在执行作战任务的过程中所承受的身、心、体、情、体验等指标的工作量，即总的飞行任务负荷中不同指标分别对应的负荷。本发明在构建任务负荷分析模型的过程中，不仅充分考虑了飞机驾驶员在执行飞行任务时所受到的主观影响因素，例如：情感因素、脑力因素、体力因素等，同时还考虑了飞机驾驶员的多模态生理因素，将主观影响因素和多模态生理因素结合，利用由一种长短时记忆网络的深度学习算法和LSTM机器学习算法对结合后的主观影响因素和多模态生理因素进行综合定量定性分析，得到相比现有技术具有更高精度的飞行任务负荷评估结果。
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。
实施例1：
如图1所示，本发明在实施例1中介绍了一种飞行任务负荷的评估方法，图1中的S1-S3表示方法中各步骤，包括：
S1、利用飞机驾驶员的历史飞行任务数据，基于LSTM机器学习算法和逻辑回归算法构建任务负荷分析模型；
S2、对任务负荷分析模型进行训练和测试；若任务负荷分析模型的测试结果在预设范围内，得到测试好的任务负荷分析模型；
S3、飞机驾驶员根据飞行任务的完成情况对测试好的任务负荷分析模型中的各项指标进行评估，得到飞机驾驶员飞行任务负荷分析结果。
具体的，历史飞行任务数据包括与飞行任务相关的多模态生理因素以及对多模态生理因素与飞行任务负荷之间关系的分析结果。
具体的，基于LSTM机器学习算法对历史飞行任务数据进行定性分析，在多模态生理因素中选出与飞行任务负荷具有预设关联关系的生理因素，并构建飞行任务负荷与生理因素的关联关系；
基于逻辑回归算法对历史飞行任务数据进行定量分析，分别计算与飞行任务负荷具有预设关联关系的生理因素的权重；
构建任务负荷分析模型；任务负荷分析模型为与飞行任务负荷具有预设关联关系的生理因素及其权重的加权求和形式。
具体的，基于逻辑回归算法对历史飞行任务数据进行定量分析具体包括：
采用逻辑回归算法构建包含回归参数矩阵的假设函数；
根据假设函数构建代价函数；
通过采用梯度下降法对回归参数矩阵进行优化，得到优化后的代价函数；利用优化后的代价函数分别计算与飞行任务负荷具有预设关联关系的生理因素的权重。
具体的，采用交叉验证方法对任务负荷分析模型进行训练和测试。
具体的，对任务负荷分析模型进行训练和测试具体包括：
将预设时段内的历史飞行任务数据根据预设比例分为训练数据集和测试数据集；
以训练数据集中与飞行任务相关的多模态生理因素作为任务负荷分析模型的输入，以对多模态生理因素与飞行任务负荷之间关系的分析结果作为任务负荷分析模型的输出，对任务负荷分析模型进行训练，得到训练好的任务负荷分析模型；
以测试数据集中与飞行任务相关的多模态生理因素作为训练好的任务负荷分析模型的输入，利用训练好的任务负荷分析模型得到输出结果；采用AHP一致性检验方法对输出结果与测试数据集中对多模态生理因素与飞行任务负荷之间关系的分析结果进行检验，若检验结果在预设范围内，则得到测试好的任务负荷分析模型；反之，则重新构建任务负荷分析模型并重新对其进行训练和测试。
具体的，若检验结果不在预设范围内，则采用优化算法对任务负荷分析模型中的参数进行调整；重新利用飞机驾驶员的历史飞行任务数据对调整参数后的任务负荷分析模型进行训练和测试，直至检验结果在预设范围内为止。
具体的，测试好的任务负荷分析模型中的各项指标包括与当前飞行任务相关的多模态生理因素，利用改进后的NASA-TLX量表对与当前飞行任务相关的多模态生理因素进行显示。
具体的，对与飞行任务负荷具有预设关联关系的生理因素及其权重做加权求和计算，得到飞机驾驶员飞行任务负荷分析结果。
接下来对上述各步骤进行详细说明：
本发明中定性分析了飞机驾驶员在执行作战任务过程中的身、心、体的承载能力、情绪变化和思维特点等因素；同时，本发明中定量判别了具体是哪项指标对任务的执行具有更高的影响力。
在定性和定量分析飞机驾驶员在执行作战任务过程中的身、心、体的承载能力、情绪变化和思维特点等因素时，本发明构建了任务负荷分析模型，利用该任务负荷分析模型建立了飞行任务相关的多模态生理因素以及对多模态生理因素与飞行任务负荷之间关系的分析结果的关联关系，并利用改进后的NASA-TLX量表对从多模态生理因素中选取的与飞行任务具有预设关联关系的生理因素进行了显示。
具体的，本发明在构建任务负荷分析模型时采用了LSTM机器学习算法和逻辑回归算法。
LSTM机器学习算法是一种前后两层节点存在连接的循环神经网络，前后两层节点也与该循环神经网络中的隐层节点相连接，进而循环神经网络中的前后两层节点和隐层节点构成了环形结构。将所有输入序列映射到输出序列，并且如果隐层足够多、结构足够丰富，理论上可以逼近任何序列到序列的映射。因此，选取LSTM机器学习算法构建任务负荷分析模型，能够在输入与输出间构建较精确的联系，能够得到飞机驾驶员精确的飞行任务负荷分析结果。
本发明中在构建了多模态生理因素以及对多模态生理因素与飞行任务负荷之间关系的分析结果的关联关系之后，利用历史飞行任务数据对多模态生理因素对飞行任务完成情况的影响程度进行了打分。
在对所有生理因素打分结束之后，对生理因素进行了两两迫选。根据历史飞行任务数据在多个由两个生理因素构成的指标组中选出了认为对飞行任务完成情况影响相对最大的生理因素，选出的生理因素的总次数加1，未选出的生理因素的总次数加0。分别计算各项生理因素被选出的总次数，生理因素被选出的总次数越多代表该生理因素对飞行任务完成情况的影响越大。以各项生理因素被选出的总次数作为各项生理因素分别对应的评估结果。
之后根据各项生理因素指标被选出的总词数计算任意两生理因素之间总次数的比值mij，所有的mij均为判别矩阵内各位置的元素。
其中，xi表示第i个生理因素被选出的总次数，xj表示第j个生理因素被选出的总次数。每个元素mij的意义为判别矩阵中横向维度的生理因素与纵向维度的生理因素相比的重要性程度。
在计算得到了判别矩阵内所有mij的值后，需要通过设置重要程度划分梯度对各项生理因素的重要程度进行划分。所述重要程度划分梯度由具有一定梯度的数值范围构成，根据生理因素所在数值范围的大小判断生理因素的重要程度。
除了对各项生理因素指标的重要程度进行分析外，本实施例还利用AHP一致性检验法对判别矩阵内各项生理因素指标的有效性进行了评估。
其中的AHP一致性检验法是一种层次权重决策分析方法，该方法的优点是定性分析与定量分析相结合，对目标问题能够进行系统性地、条理性地分析。给方法要求飞机驾驶员判断同一层次的两个生理因素指标的相对重要性，同时给出对应的定量描述。
具体的，该AHP一致性检验方法的流程如下：
先计算判别矩阵中各元素按行相乘的积
作为第一计算结果：
其中，mij表示任意两项指标之间权重的比值。
之后，对
做归一化处理，得到第二计算结果γi：
其中，
表示判别矩阵中各元素按行相乘的积，
表示利用判别矩阵中各元素按列相乘的积，
表示第j个生理因素指标被选出的总次数与第i个生理因素指标被选出的总次数的比值，即判别矩阵第i行第j列位置的元素值。
之后基于第二计算结果γi计算判别矩阵的最大特征根λmax：
其中，(M·γ)i表示向量判别矩阵M中的第i个参数。
之后根据得到的判别矩阵的最大特征根λmax计算一致性指标C.I.：
然后需要基于一致性指标C.I.计算一致性比例C.R.：
最后，需要判断计算得到的一致性比例C.R.是否在预设范围内，若在预设范围内，则认为利用判别矩阵中各生理因素指标是有效的。
在利用LSTM机器学习算法构建了飞行任务相关的多模态生理因素以及对多模态生理因素与飞行任务负荷之间关系的分析结果的关联关系后，本发明采用了逻辑回归算法对从多模态生理因素中选出的与飞行任务具有预设关联关系的生理因素的权重进行了计算，具体过程如下：
设定逻辑回归的假设函数为hθ(x)＝σ(θTx)，其中，θ表示(n+1)*k维度的回归参数矩阵，该回归参数矩阵中各个位置的值表示各生理因素分别对应的权重，其中的n+1表示回归参数矩阵的横向维度，k表示回归参数矩阵的纵向维度，回归参数矩阵中的各维度位置对应一个参数值；初始化回归参数矩阵中的所有参数为0；σ表示sigmoid函数，具体的，
之后根据设定的假设函数定义逻辑回归的代价函数，具体为：
其中，m表示样本数量，λ表示正规化参数，xi＝(x1,x2,……,xn)T表示生理因素指标，其中的n表示生理因素指标的数量；输出yi＝(y1,y2……,yn)T表示生理因素指标与标签的关联关系结果，将生理因素指标xi与飞行任务负荷存在预设的关联关系，则yi＝1；若生理因素指标xi与飞行任务负荷不存在预设的关联关系，则yi＝0；θj表示回归参数矩阵中第j列的参数值。
之后利用梯度下降法对代价函数进行计算，得到下式：
其中，xij表示回归参数矩阵中第i行第j列位置的参数值。
采用梯度下降法可优化得出回归参数矩阵θ。
在实际应用中，可直接将与飞行任务负荷有预设关联关系的生理因素指标作为逻辑回归算法的输入，利用上述过程计算出各项生理因素指标分别对应的权重，得到如下表：
其中的A1、A2、A3、B1、B2、B3和W分别表示7个不同的子任务，表格左侧的B1-B3、H1-H10、E1-E6分别表示各项生理因素指标。生理因素指标与子任务的交叉位置的数据表示对应子任务下生理因素指标的权重系数。
由该表可得出任务负荷分析模型中用于计算飞机驾驶员飞行任务负荷分析结果的公式表示形式：
表1中各子任务的飞机驾驶员飞行任务负荷分析结果的计算方式如下：
A1＝-0.156B1-0.121B2-0.058B3-1.059H1-0.953H2+…+1.122H10-0.139E1+0.339E2+…-1.151E6-0.287
A2＝-0.141B1-0.189B2+0.112B3-0.408H1+1.901H2+…-0.519H10+0.265E1+0.609E2+…-0.271E6-0.219
A3＝-0.422B1-0.373B2+0.558B3-0.045H1+0.39H2+…-0.267H10-0.453E1+0.299E2+…-0.673E6-0.153
B1＝0.673B1-0.001B2+1.123B3-0.37H1+1.172H2+…-0.319H10-0.099E1+0.298E2+…-0.571E6-0.117
B2＝1.651B1-0.226B2-1.789B3-0.715H1-0.666H2+…+0.757H10-0.644E1+0.548E2+…+0.15E6-0.303
B3＝-0.287B1-0.355B2+0.382B3+0.256H1+0.006H2+…+0.142H10+0.894E1-0.284E2+…+0.017E6-0.011
W＝-0.101B1-0.344B2+0.17B3+0.234H1-0.247H2+…-0.031H10+0.543E1-0.555E2+…-0.402E6-0.077
其中的Bi表示表2中的脑电指标，bi表示脑电指标对应的权重系数；Hj表示表2中的心电指标，hj表示心电指标对应的权重系数；Ek表示表2中的眼动指标，ek表示眼动指标对应的权重系数；ε表示各子任务对应的截距值。R表示将生理因素指标的打分结果与对应权重做加权求和计算后得出的飞机驾驶员飞行任务负荷分析结果。
表1 LR模型不同任务的指标权重系数及模型预测准确率
在得到上述任务负荷分析模型中用于计算飞机驾驶员飞行任务负荷分析结果的公式形式后，本发明采用了交叉验证(CV Error)方法对上述任务负荷分析模型进行了训练和测试，以防止出现过拟合情况。
若测试后的任务负荷分析模型的输出结果不在预设范围内，本发明还考虑采用优化算法对任务负荷分析模型的参数进行优化以进一步提高对数据的识别正确率，为更准确地任务负荷解码分析进行建模。若测试后的任务负荷分析模型的输出结果在预设范围内，可直接利用该测试后的任务负荷分析模型对飞机驾驶员飞行任务负荷进行实时评估。
实施例2：
本发明在实施例2中基于如图2所示的改进后的NASA-TLX量表、针对7个子任务对12名被试飞机驾驶员进行了飞行任务负荷分析结果评估，并对评估结果进行了AHP一致性检验，以判断本发明实施例1中所述方法中构建的任务负荷分析模型是否符合要求。
具体的，如图2所示，为本实施例中由8个与飞行任务负荷具有预设关联关系的生理因素构成的改进后的NASA-TLX量表。原有的NASA-TLX量表只包括六维因素：脑力需求、体力需求、时间压力、业绩评估、努力程度和挫折程度。本发明在此基础上增加了情感压力和操作体验这两个指标，目的是更加全面地分析飞机驾驶员在作战过程中的情感变化、操作体感等生理因素对行为的影响。
飞机驾驶员需要根据当前的飞行任务完成情况在0-20分的打分范围内对该改进后的NASA-TLX量表中的各因素指标进行打分。该对各项生理因素指标的打分结果用于后续飞行任务负荷分析结果的计算。
在对各生理因素指标打分结束并完成生理因素指标的两两迫选后，得到如图3所示形式的判别矩阵。之后本实施例中通过设置重要程度划分梯度对各生理因素指标的重要程度进行排序。具体的，本实施例中的重要程度划分梯度由1、3、5、7、9构成，其中的1表示对应的两项生理因素指标同等重要，3、5、7、9分别表示位于分子部分的生理因素指标稍微重要、较强重要、强烈重要、绝对重要。若需要进一步提高精度，需要在1、3、5、7、9之间划分更小的数值区间，即加入2、4、6、8这四个数值点，以对每两项生理因素指标间的重要程度进一步细分。
同理，若位于分子部分的生理因素指标的权重值小于位于分母部分的生理因素指标的权重值，则可以采用由小数构成的重要程度划分梯度对每项生理因素指标的重要程度进行划分。
具体的，本实施例中由小数构成的重要程度划分梯度包括1、1/3、1/5、1/7、1/9这些数值点，1表示位于分子和分母部分的两项生理因素指标同等重要，1/3、1/5、1/7、1/9分别表示位于分子的生理因素指标相比于位于分母的生理因素指标稍微次要、明显次要、强烈次要、极端次要。而且，若进一步提高划分精度，可在1/3、1/5、1/7、1/9这些数值点之间加入1/2、1/4、1/6、1/8这些数值点，也能对每两项生理因素指标间的重要程度进一步细分。
之后，本实施例中利用逻辑回归算法计算如图2所示的改进后的NASA-TLX量表中所示的8项生理因素指标的权重，并利用如实施例1中所示的任务负荷分析模型计算出了本实施例中12名被试飞机驾驶员针对7个子任务的飞行任务负荷分析结果，并利用如实施例1中所示的AHP一致性检验方法分别计算出了各飞行员在执行对应子任务时的C.R.值。本实施例中选取的8个与飞行任务负荷具有预设关联关系的生理因素指标对应的R.I.值如下表所示为1.41，利用如实施例1中所示的AHP一致性检验方法和该数值分别对12名被试飞机驾驶员针对7个子任务得到的C.R.值进行分析。
表2R.I.值参考表
| 标度 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
| R.I. | 0.00 | 0.00 | 0.52 | 0.89 | 1.12 | 1.26 | 1.36 | 1.41 | 1.46 | 1.49 |
另外，本实施例中将一致性比例C.R.的合格点设置为了0.1，若C.R.<0.1，则认为本实施例中基于各生理因素指标构建的判别矩阵是有效的，可用于任务负荷分析模型的构建以及飞机驾驶员飞行任务负荷分析结果的准确输出。
本实施例中12名被试飞机驾驶员针对7个子任务的一致性比例C.R.值如图4所示，由该图可看出，其中的所有C.R.值均小于0.1，即利用如实施例1中的飞行任务负荷的评估方法构建的判别矩阵可用于飞机驾驶员飞行任务负荷分析结果的计算，能够保证较高的分析计算精度。能够基于飞机驾驶员对各项生理因素指标的评分结果和各项生理因素指标的权重准确反映飞机驾驶员各方面的因素对飞行任务完成情况的影响程度，进而可基于各生理因素指标不同的影响程度对飞机驾驶员后续的飞行训练和承压能力训练做出积极调整。
综上所述，本发明在改进NASA-TLX量表的同时，将利用LSTM机器学习算法得到的对飞机驾驶员飞行任务负荷的定性评估结果与利用逻辑回归算法得到的对飞机驾驶员飞行任务负荷的定量评估结果相结合，有效提高了对飞机驾驶员飞行任务负荷的评估精度，进而有效提高了对飞机驾驶员飞行任务负荷承载能力的准确了解，从而为后续飞机驾驶员训练提供了帮助。
而且，本发明在行为分析建模过程中，充分考虑到飞机驾驶员在执行任务时所受到的主观影响因素，例如情感因素、脑力因素、体力因素等，将人机工效学所考察的影响因素作用添加到了对飞机驾驶员飞行任务负荷的分析和评估过程中，为作战行为建模提供了更贴近于作战人员真实行为的分析基础，进而为真实了解飞机驾驶员飞行任务负荷和执行任务时的行为和承压能力提供了帮助。
实施例3：
本发明在实施例3中介绍了一种飞行任务负荷评估系统，包括：依次串联的模型构建模块1、模型优化模块2和分析评估模块3。其中，
模型构建模块1用于利用飞机驾驶员的历史飞行任务数据，基于LSTM机器学习算法和逻辑回归算法构建任务负荷分析模型；
模型优化模块2用于对任务负荷分析模型进行训练和测试；若任务负荷分析模型的测试结果在预设范围内，得到测试好的任务负荷分析模型；
分析评估模块3用于飞机驾驶员根据飞行任务的完成情况对测试好的任务负荷分析模型中的各项指标进行评估，得到飞机驾驶员飞行任务负荷分析结果。
由于该系统基于如实施例1中所述的飞行任务负荷评估方法实现，进而利用该系统对飞机驾驶员的飞行任务负荷进行评估，也能有效解决如本发明背景技术部分所述的对飞机驾驶员飞行任务负荷评估准确性较低的问题，也能够基于该系统提升对飞机驾驶员的飞行任务负荷评估精度，进而能够为飞机驾驶员飞行任务负荷承载能力的准确了解和后续对飞机驾驶员的训练提供更多帮助。
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，对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。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种飞行任务负荷评估方法，其特征在于，包括：
利用飞机驾驶员的历史飞行任务数据，基于LSTM机器学习算法和逻辑回归算法构建任务负荷分析模型；
对所述任务负荷分析模型进行训练和测试；若所述任务负荷分析模型的测试结果在预设范围内，得到测试好的任务负荷分析模型；
飞机驾驶员根据飞行任务的完成情况对所述测试好的任务负荷分析模型中的各项指标进行评估，得到飞机驾驶员飞行任务负荷分析结果。
2.根据权利要求1所述的飞行任务负荷评估方法，其特征在于，所述历史飞行任务数据包括与飞行任务相关的多模态生理因素以及对多模态生理因素与飞行任务负荷之间关系的分析结果。
3.根据权利要求2所述的飞行任务负荷评估方法，其特征在于，
基于LSTM机器学习算法对所述历史飞行任务数据进行定性分析，在所述多模态生理因素中选出与所述飞行任务负荷具有预设关联关系的生理因素，并构建所述飞行任务负荷与所述生理因素的关联关系；
基于逻辑回归算法对所述历史飞行任务数据进行定量分析，分别计算与所述飞行任务负荷具有预设关联关系的生理因素的权重；
构建任务负荷分析模型；所述任务负荷分析模型为与所述飞行任务负荷具有预设关联关系的生理因素及其权重的加权求和形式。
4.根据权利要求3所述的飞行任务负荷评估方法，其特征在于，基于逻辑回归算法对所述历史飞行任务数据进行定量分析具体包括：
采用逻辑回归算法构建包含回归参数矩阵的假设函数；
根据所述假设函数构建代价函数；
通过采用梯度下降法对所述回归参数矩阵进行优化，得到优化后的代价函数；利用所述优化后的代价函数分别计算与所述飞行任务负荷具有预设关联关系的生理因素的权重。
5.根据权利要求2所述的飞行任务负荷评估方法，其特征在于，采用交叉验证方法对所述任务负荷分析模型进行训练和测试。
6.根据权利要求5所述的飞行任务负荷评估方法，其特征在于，对所述任务负荷分析模型进行训练和测试具体包括：
将预设时段内的历史飞行任务数据根据预设比例分为训练数据集和测试数据集；
以所述训练数据集中与所述飞行任务相关的多模态生理因素作为所述任务负荷分析模型的输入，以所述对多模态生理因素与飞行任务负荷之间关系的分析结果作为所述任务负荷分析模型的输出，对所述任务负荷分析模型进行训练，得到训练好的任务负荷分析模型；
以所述测试数据集中与所述飞行任务相关的多模态生理因素作为所述训练好的任务负荷分析模型的输入，利用所述训练好的任务负荷分析模型得到输出结果；采用AHP一致性检验方法对所述输出结果与所述测试数据集中所述对多模态生理因素与飞行任务负荷之间关系的分析结果进行检验，若检验结果在预设范围内，则得到测试好的任务负荷分析模型；反之，则重新构建所述任务负荷分析模型并重新对其进行训练和测试。
7.根据权利要求6所述的飞行任务负荷评估方法，其特征在于，若所述检验结果不在预设范围内，则采用优化算法对所述任务负荷分析模型中的参数进行调整；重新利用飞机驾驶员的历史飞行任务数据对所述调整参数后的任务负荷分析模型进行训练和测试，直至所述检验结果在预设范围内为止。
8.根据权利要求2所述的飞行任务负荷评估方法，其特征在于，所述测试好的任务负荷分析模型中的各项指标包括与当前飞行任务相关的多模态生理因素，利用改进后的NASA-TLX量表对所述与当前飞行任务相关的多模态生理因素进行显示。
9.根据权利要求3所述的飞行任务负荷评估方法，其特征在于，对与所述飞行任务负荷具有预设关联关系的生理因素及其权重做加权求和计算，得到飞机驾驶员飞行任务负荷分析结果。
10.一种飞行任务负荷评估系统，其特征在于，包括：
模型构建模块，用于利用飞机驾驶员的历史飞行任务数据，基于LSTM机器学习算法和逻辑回归算法构建任务负荷分析模型；
模型优化模块，用于对所述任务负荷分析模型进行训练和测试；若所述任务负荷分析模型的测试结果在预设范围内，得到测试好的任务负荷分析模型；
分析评估模块，用于飞机驾驶员根据飞行任务的完成情况对所述测试好的任务负荷分析模型中的各项指标进行评估，得到飞机驾驶员飞行任务负荷分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110408806.4A CN113192636B (zh) | 2021-04-16 | 2021-04-16 | 一种飞行任务负荷评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110408806.4A CN113192636B (zh) | 2021-04-16 | 2021-04-16 | 一种飞行任务负荷评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113192636A true CN113192636A (zh) | 2021-07-30 |
| CN113192636B CN113192636B (zh) | 2024-01-05 |
Family
ID=76977062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110408806.4A Active CN113192636B (zh) | 2021-04-16 | 2021-04-16 | 一种飞行任务负荷评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113192636B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102246198A (zh) * | 2008-10-14 | 2011-11-16 | 普罗秋斯生物医学公司 | 用于在游戏环境中结合生理数据的方法和系统 |
| CN103784119A (zh) * | 2014-01-24 | 2014-05-14 | 北京航空航天大学 | 基于飞行模拟器的飞行员脑力负荷测定系统 |
| CN110619482A (zh) * | 2019-09-27 | 2019-12-27 | 深圳前海车米云图科技有限公司 | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 |
| CN111407292A (zh) * | 2020-03-30 | 2020-07-14 | 西北工业大学 | 基于眼动和多参生理数据信息的飞行员工作负荷评估方法 |
| CN111680913A (zh) * | 2020-06-08 | 2020-09-18 | 中国船舶工业综合技术经济研究院 | 一种舰员的超负荷工作检测方法及系统 |
| US20210103295A1 (en) * | 2019-10-03 | 2021-04-08 | Thales | Machine learning for mission system |
| CN112635048A (zh) * | 2020-12-09 | 2021-04-09 | 北京航空航天大学 | 一种视觉任务脑力负荷量化评估方法及系统 |
-
2021
- 2021-04-16 CN CN202110408806.4A patent/CN113192636B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102246198A (zh) * | 2008-10-14 | 2011-11-16 | 普罗秋斯生物医学公司 | 用于在游戏环境中结合生理数据的方法和系统 |
| CN103784119A (zh) * | 2014-01-24 | 2014-05-14 | 北京航空航天大学 | 基于飞行模拟器的飞行员脑力负荷测定系统 |
| CN110619482A (zh) * | 2019-09-27 | 2019-12-27 | 深圳前海车米云图科技有限公司 | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 |
| US20210103295A1 (en) * | 2019-10-03 | 2021-04-08 | Thales | Machine learning for mission system |
| CN111407292A (zh) * | 2020-03-30 | 2020-07-14 | 西北工业大学 | 基于眼动和多参生理数据信息的飞行员工作负荷评估方法 |
| CN111680913A (zh) * | 2020-06-08 | 2020-09-18 | 中国船舶工业综合技术经济研究院 | 一种舰员的超负荷工作检测方法及系统 |
| CN112635048A (zh) * | 2020-12-09 | 2021-04-09 | 北京航空航天大学 | 一种视觉任务脑力负荷量化评估方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| PENGBO ZHANG等: "Learning Spatial–Spectral–Temporal EEG Features With Recurrent 3D Convolutional Neural Networks for Cross-Task Mental Workload Assessment", 《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》, vol. 27, no. 1, pages 31 - 42, XP011696536, DOI: 10.1109/TNSRE.2018.2884641 * |
| 卫宗敏等: "飞行员脑力负荷测量指标和评价方法研究进展", 《科学技术与工程》, vol. 19, no. 24, pages 1 - 8 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113192636B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tsang et al. | Diagnosticity and multidimensional subjective workload ratings | |
| US5808908A (en) | Method for measuring the usability of a system | |
| ÇAĞLAR et al. | Automatic recognition of Parkinson’s disease from sustained phonation tests using ANN and adaptive neuro-fuzzy classifier | |
| Rosenbaum | A new u-statistic with superior design sensitivity in matched observational studies | |
| CN111680913B (zh) | 一种舰员的超负荷工作检测方法及系统 | |
| CN110889082B (zh) | 基于系统工程理论的人机工程设备综合评价方法 | |
| CN104616212B (zh) | 继电保护系统可靠性分析方法与系统 | |
| Giacobbi Jr et al. | A measurement and conceptual investigation of exercise imagery establishing construct validity | |
| CN113576481B (zh) | 一种脑力负荷评估方法、装置、设备、介质 | |
| CN110704293B (zh) | 一种三维多通道界面可用性评估方法 | |
| CN113297994B (zh) | 一种飞行员行为分析方法及系统 | |
| CN103646184A (zh) | 一种利用slim预测车间人因失误概率的方法 | |
| Chen et al. | Evaluating aircraft cockpit emotion through a neural network approach | |
| CN113192636B (zh) | 一种飞行任务负荷评估方法及系统 | |
| CN111887803A (zh) | 飞机驾驶舱人机工效多维监测评价系统 | |
| CN116725501A (zh) | 一种地下及遮蔽空间救援人员状态监测系统效能评估方法 | |
| CN116739037A (zh) | 具有人格特征的人格模型构建方法及装置 | |
| Kuravsky et al. | Optimizing the mutual arrangement of pilot indicators on an aircraft dashboard and analysis of this procedure from the viewpoint of quantum representations | |
| CN115153549A (zh) | 一种基于bp神经网络的人机交互界面认知负荷预测方法 | |
| Das et al. | Assessing mental workload using eye tracking technology and deep learning models | |
| CN114999641A (zh) | 一种隧道工人岗前测试方法与系统 | |
| Bustillos et al. | Considerations of the Mental Workload in Socio-Technical Systems in the Manufacturing Industry: A Literature Review | |
| Zhang | A Mental Workload Evaluation Model Based on Improved Multibranch LSTM Network with Attention Mechanism | |
| Yousoof et al. | Optimizing instruction for learning computer programming–a novel approach | |
| Blennow | Improvement of Human Body Model Rib Fracture Risk Prediction: Creation of injury risk curves and rib cortical bone regression models for age adjusted risk prediction |
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 |