CN117257234A - 飞行机组联合参数疲劳评测方法、系统及电子设备 - Google Patents
飞行机组联合参数疲劳评测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN117257234A CN117257234A CN202311234942.1A CN202311234942A CN117257234A CN 117257234 A CN117257234 A CN 117257234A CN 202311234942 A CN202311234942 A CN 202311234942A CN 117257234 A CN117257234 A CN 117257234A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- value
- variance
- pilot
- kss
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 170
- 238000012360 testing method Methods 0.000 claims abstract description 143
- 230000004622 sleep time Effects 0.000 claims abstract description 113
- 238000013210 evaluation model Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000000875 corresponding effect Effects 0.000 claims description 75
- 238000011160 research Methods 0.000 claims description 71
- 230000004617 sleep duration Effects 0.000 claims description 14
- 230000007958 sleep Effects 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 5
- 230000036578 sleeping time Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims description 2
- 241000238366 Cephalopoda Species 0.000 claims 1
- 230000000149 penetrating effect Effects 0.000 claims 1
- 206010016256 fatigue Diseases 0.000 description 228
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 208000010340 Sleep Deprivation Diseases 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 230000002060 circadian Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009661 fatigue test Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/20—Workers
- A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Anesthesiology (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种飞行机组联合参数疲劳评测方法、系统及电子设备，其方法包括：通过智能穿戴设备采集睡眠时长，通过移动终端采集测评填报数据；按照疲劳监测时间段计算得到睡眠时长均值、睡眠时长方差、KSS均值、KSS方差、PVT测试均值、PVT测试值方差、工作负荷均值、工作负荷方差的特征项；构建联合参数疲劳评测模型输入样本数据进行模型训练；采集研究飞行员当日飞行任务前三天的数据得到多个特征项并预测输出疲劳评测值以及疲劳等级。本发明结合多项指标特征项基于研究飞行员前三天数据进行评测并得到疲劳评测值，疲劳评测结果更准确、全面，能够及时掌握研究飞行员的疲劳情况，便于进行飞行安全管控，提升了航班安全运行水平。
Description
技术领域
本发明涉及飞行员与飞行机组疲劳监控评测领域，尤其涉及一种飞行机组联合参数疲劳评测方法、系统及电子设备。
背景技术
疲劳是由于睡眠不足、长时间保持清醒、所处的昼夜节律阶段以及工作负荷过重而导致的，疲劳会造成开展脑力或体力活动能力降低，这种状态会损害人的警觉度，在民航运输领域，机组成员疲劳将影响安全操纵航空器和履行安全职责的能力。依据民航规章《CCAR-121-R7大型飞机公共航空运输承运人运行合格审定规则》和咨询通告《AC-121-FS-014 CCAR121部合格证持有人的疲劳管理要求》文件的要求，疲劳风险管理既是影响飞行安全的重要方面，也是法律法规重要规定方面。在民航飞行时，疲劳监测、评测以及风险管理是民航安全监管的重要环节，目前存在机组疲劳监测困难的问题，机组疲劳监测应采用多维度方式(若采用单一维度，则存在不客观、不准确的问题)，故此机组疲劳评测是现有技术研究的重点方向及技术难点。
发明内容
本发明的目的在于解决背景技术所指出的技术问题，提供一种飞行机组联合参数疲劳评测方法、系统及电子设备，通过智能穿戴设备、移动终端采集数据并计算得到联合参数的各个特征项，通过联合参数疲劳评测模型输入联合参数疲劳评测样本数据库进行模型训练，然后采集研究飞行员当日飞行任务前三天的数据分别计算得到睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN输入联合参数疲劳评测模型中并预测输出疲劳评测值以及疲劳等级。
本发明的目的通过下述技术方案实现：
一种飞行机组联合参数疲劳评测方法，其方法包括：
S1、通过智能穿戴设备对飞行员进行睡眠时长采集，通过移动终端采集飞行员的测评填报数据，测评填报数据包括KSS测试数据、PVT测试数据、工作负荷测试数据；设定飞行机组疲劳监测的任务计划表，任务计划表设定日监测时间段并以六日的日监测时间段作为一组疲劳监测时间段，其中第四日的日监测时间段为含有航班飞行工作且定义为研究日监测时间段，智能穿戴设备记录飞行员在疲劳监测时间段的睡眠时长为FSNi，i表示疲劳监测时间段中的第i日，i＝1，2…6；计算得到飞行员在疲劳监测时间段中日监测时间段的睡眠时长均值EFSN与睡眠时长方差SFSN；
S2、提取KSS测试数据按照日监测时间段计算出平均值得到对应日监测时间段的KSS值，记录飞行员在疲劳监测时间段的KSS值为FKNi，计算得到飞行员在疲劳监测时间段中日监测时间段的KSS均值EFKN与KSS方差SFKN；提取PVT测试数据得到对应日监测时间段的KSS值，记录飞行员在疲劳监测时间段的PVT测试值为FPNi，计算得到飞行员在疲劳监测时间段中日监测时间段的PVT测试均值EFPN与PVT测试值方差SFPN；提取工作负荷测试数据得到对应日监测时间段的工作负荷量，记录飞行员在疲劳监测时间段的工作负荷量为FTNi，计算得到飞行员在疲劳监测时间段中日监测时间段的工作负荷均值EFTN与工作负荷方差SFTN；
S3、构建联合参数疲劳评测模型，构建联合参数疲劳评测样本数据库，联合参数疲劳评测样本数据库的联合参数疲劳评测样本数据按照研究日监测时间段、研究日疲劳评测结果标签对应存储，研究日疲劳评测结果标签包括疲劳评测值以及疲劳等级，疲劳等级基于疲劳评测值进行区间划分所得；按照步骤S1、S2的方法对联合参数疲劳评测样本数据提取得到睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN作为疲劳评测值对应的特征项；将联合参数疲劳评测样本数据库中的联合参数疲劳评测样本数据输入联合参数疲劳评测模型进行模型训练；
S4、以研究飞行员的当日飞行任务作为疲劳评测对象，通过智能穿戴设备检测得到当日飞行任务前三天的睡眠时长，以前三天的睡眠时长作为数据计算得到研究飞行员所对应的睡眠时长均值EFSN与睡眠时长方差SFSN；提取研究飞行员前三天的KSS测试数据计算得到研究飞行员所对应的KSS均值EFKN与KSS方差SFKN；提取研究飞行员前三天的PVT测试数据计算得到研究飞行员所对应的PVT测试均值EFPN与PVT测试值方差SFPN；提取研究飞行员前三天的工作负荷测试数据计算得到研究飞行员所对应的工作负荷均值EFTN与工作负荷方差SFTN；将研究飞行员对应的睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN输入联合参数疲劳评测模型中并预测输出疲劳评测值以及疲劳等级。
为了实现包含若干个研究飞行员的研究飞行机组的疲劳评测值获得，本发明还包括如下方法：
S5、以航班当日飞行任务的研究飞行机组作为疲劳评测对象，研究飞行机组包含若干个研究飞行员，按照步骤S4得到各个研究飞行员对应的疲劳评测值以及疲劳等级，将研究飞行机组所有研究飞行员的疲劳评测值进行求和、求平均处理并得到疲劳评测总值及疲劳评测均值，设定疲劳评测总值阈值、疲劳评测均值阈值，当疲劳评测总值大于疲劳评测总值阈值或疲劳评测均值大于疲劳评测均值阈值，则研究飞行机组输出预警关注提示。
优选地，本发明还包括如下方法：
S6、当研究飞行员的当日飞行任务执飞工作完毕后，智能穿戴设备与移动终端跟踪采集研究飞行员的当日飞行任务后两天的睡眠时长及测评填报数据，按照步骤S1、S2的方法得到睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN与疲劳评测值或疲劳评测修正结果值关联存储作为一条联合参数疲劳评测样本数据。
优选地，在步骤S4中，所述联合参数疲劳评测模型内部设置有睡眠时长均值预警阈值，采集所有飞行员的飞行当日12点至飞行前日12点睡眠时长求取平均值作为睡眠时长均值预警阈值，同时联合参数疲劳评测模型内部设置有睡眠时长方差预警阈值，采集所有飞行员的飞行当日12点至飞行前日12点睡眠时长求取睡眠方差作为睡眠时长方差预警阈值；当研究飞行员对应的睡眠时长均值FFSN小于睡眠时长均值预警阈值并求出睡眠均值差值，并且研究飞行员对应的睡眠时长方差SFSN大于睡眠时长方差预警阈值并求出睡眠方差差值，则输出睡眠均值差值、睡眠方差差值并同时预警关注提示。
优选地，在步骤S4中，采集所有飞行员的飞行当日12点至飞行前日12点KSS值计算得到KSS均值与KSS方差，所述联合参数疲劳评测模型内部设置有KSS预警阈值，KSS预警阈值＝KSS均值+1.96*KSS方差，当研究飞行员对应的KSS均值大于KSS预警阈值并求出KSS预警差值，则输出KSS预警差值并同时预警关注提示。
优选地，在步骤S4中，采集所有飞行员的飞行当日12点至飞行前日12点PVT测试值计算得到PVT测试均值与PVT测试值方差，所述联合参数疲劳评测模型内部设置有PVT预警阈值，PVT预警阈值＝PVT测试均值+1.96*PVT测试值方差，当研究飞行员对应的PVT测试均值大于PVT预警阈值并求出PVT预警差值，则输出PVT预警差值并同时预警关注提示。
优选地，在步骤S4中，采集所有飞行员的飞行当日12点至飞行前日12点工作负荷量计算得到工作负荷均值与工作负荷方差，所述联合参数疲劳评测模型内部设置有工作负荷预警阈值，工作负荷预警阈值＝工作负荷均值+1.96*工作负荷方差，当研究飞行员对应的工作负荷均值大于工作负荷预警阈值并求出工作负荷预警差值，则输出工作负荷预警差值并同时预警关注提示。
优选地，飞行员在疲劳监测时间段中日监测时间段的睡眠时长均值EFSN计算公式为：睡眠时长方差SFSN公式为：飞行员在疲劳监测时间段中日监测时间段的KSS均值EFKN公式为：/>KSS方差SFKN公式为：
PVT测试均值EFPN公式为：PVT测试值方差SFPN公式为：
工作负荷均值EFTN公式为：工作负荷方差SFTN公式为：
一种飞行机组联合参数疲劳评测系统，包括数据采集模块、模型参数计算模块、联合参数疲劳评测模型和数据输出模块，所述数据采集模块连接有智能穿戴设备和移动终端，所述智能穿戴设备用于采集飞行员睡眠时长并输入到数据采集模块，所述移动终端用于采集飞行员的测评填报数据并输入到数据采集模块，测评填报数据包括KSS测试数据、PVT测试数据、工作负荷测试数据；所述数据采集模块采集样本数据并构建联合参数疲劳评测样本数据库，联合参数疲劳评测样本数据库的联合参数疲劳评测样本数据按照研究日监测时间段、研究日疲劳评测结果标签对应存储，研究日疲劳评测结果标签包括疲劳评测值以及疲劳等级，疲劳等级基于疲劳评测值进行区间划分所得；所述模型参数计算模块内部设定飞行机组疲劳监测的任务计划表，任务计划表设定日监测时间段并以六日的日监测时间段作为一组疲劳监测时间段，其中第四日的日监测时间段为含有航班飞行工作且定义为研究日监测时间段，智能穿戴设备记录飞行员在疲劳监测时间段的睡眠时长为FSNi，i表示疲劳监测时间段中的第i日，i＝1，2…6，然后计算得到飞行员在疲劳监测时间段中日监测时间段的睡眠时长均值EFSN与睡眠时长方差SFSN；所述模型参数计算模块取KSS测试数据按照日监测时间段计算出平均值得到对应日监测时间段的KSS值，记录飞行员在疲劳监测时间段的KSS值为FKNi，计算得到飞行员在疲劳监测时间段中日监测时间段的KSS均值EFKN与KSS方差SFKN；提取PVT测试数据得到对应日监测时间段的KSS值，记录飞行员在疲劳监测时间段的PVT测试值为FPNi，计算得到飞行员在疲劳监测时间段中日监测时间段的PVT测试均值EFPN与PVT测试值方差SFPN；提取工作负荷测试数据得到对应日监测时间段的工作负荷量，记录飞行员在疲劳监测时间段的工作负荷量为FTNi，计算得到飞行员在疲劳监测时间段中日监测时间段的工作负荷均值EFTN与工作负荷方差SFTN；所述模型参数计算模块对联合参数疲劳评测样本数据库的联合参数疲劳评测样本数据进行处理得到睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN作为疲劳评测值对应的特征项并对应研究日疲劳评测结果标签输入联合参数疲劳评测模型进行模型训练；所述数据采集模块还用于以研究飞行员的当日飞行任务作为疲劳评测对象，通过智能穿戴设备检测得到当日飞行任务前三天的睡眠时长，以前三天的睡眠时长作为数据计算得到研究飞行员所对应的睡眠时长均值EFSN与睡眠时长方差SFSN；联合参数疲劳评测模型提取研究飞行员前三天的KSS测试数据计算得到研究飞行员所对应的KSS均值EFKN与KSS方差SFKN；提取研究飞行员前三天的PVT测试数据计算得到研究飞行员所对应的PVT测试均值EFPN与PVT测试值方差SFPN；联合参数疲劳评测模型提取研究飞行员前三天的工作负荷测试数据计算得到研究飞行员所对应的工作负荷均值EFTN与工作负荷方差SFTN；联合参数疲劳评测模型将研究飞行员对应的睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN输入训练后的联合参数疲劳评测模型中并预测得到疲劳评测值以及疲劳等级，数据输出模块用于输出研究飞行员的疲劳评测值以及疲劳等级。
一种电子设备，包括至少一个处理器、至少一个存储器和数据总线；其中：所述处理器与所述存储器通过数据总线完成相互间的通信；所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行实现本发明飞行机组联合参数疲劳评测方法的步骤。
本发明较现有技术相比，具有以下优点及有益效果：
(1)本发明通过智能穿戴设备、移动终端采集数据并计算得到联合参数的各个特征项，通过联合参数疲劳评测模型输入联合参数疲劳评测样本数据库进行模型训练，然后采集研究飞行员当日飞行任务前三天的数据分别计算得到睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN输入联合参数疲劳评测模型中并预测输出疲劳评测值以及疲劳等级。
(2)本发明结合多项指标特征项基于研究飞行员前三天数据进行评测并得到疲劳评测值，疲劳评测结果更准确、全面，能够及时掌握研究飞行员的疲劳情况，便于进行飞行安全管控，提升了航班安全运行水平。
附图说明
图1为本发明飞行机组联合参数疲劳评测系统的结构示意图；
图2为实施例列举的一种飞行机组联合参数疲劳评测系统服务器搭建示意图；
图3为实施例中任务计划表的示意图；
图4为实施例中飞行机组KSS变化图；
图5为实施例中研究飞行员在航班飞行前三天及后两天的睡眠时长变化区间图；
图6为实施例中飞行机组疲劳监测显示界面。
具体实施方式
下面结合实施例对本发明作进一步地详细说明：
实施例一
如图3～图6所示，一种飞行机组联合参数疲劳评测方法，其方法包括：
S1、通过智能穿戴设备对飞行员进行睡眠时长采集(还可以采集生理参数，后续设定生理参数的危险值，便于进行比较，提高飞行员的身体监测及安全飞行检测的水平)，通过移动终端采集飞行员的测评填报数据，测评填报数据包括KSS测试数据(KSS全称为Karolinska Sleepiness Scale)、PVT测试数据(PVT测试全称为Psychomotor VigilanceTest)、工作负荷测试数据(英文简称为NASA-TLX)。设定飞行机组疲劳监测的任务计划表(参见图3，任务计划表中含有飞行任务及疲劳监测节点)，任务计划表设定日监测时间段并以六日的日监测时间段(在本实施例中，日监测时间段是按照中午12点至中午12点来划分的，按照公历日来看，前一个公历日的中午12点至本公历日的中午12点的时间区间)作为一组疲劳监测时间段，其中第四日的日监测时间段为含有航班飞行工作且定义为研究日监测时间段，智能穿戴设备记录飞行员在疲劳监测时间段的睡眠时长为FSNi，i表示疲劳监测时间段中的第i日，i＝1，2…6。计算得到飞行员在疲劳监测时间段中日监测时间段的睡眠时长均值EFSN与睡眠时长方差SFSN。飞行员在疲劳监测时间段中日监测时间段的睡眠时长均值EFSN计算公式为：睡眠时长方差SFSN公式为：
S2、提取KSS测试数据按照日监测时间段计算出平均值得到对应日监测时间段的KSS值，记录飞行员在疲劳监测时间段的KSS值为FKNi(在同一个日监测时间段内，其KSS值需要测量两次或多次，则FKNi为多次测量值的平均值)，计算得到飞行员在疲劳监测时间段中日监测时间段的KSS均值EFKN与KSS方差SFKN。飞行员在疲劳监测时间段中日监测时间段的KSS均值EFKN公式为：KSS方差SFKN公式为：提取PVT测试数据得到对应日监测时间段的KSS值，记录飞行员在疲劳监测时间段的PVT测试值为FPNi，计算得到飞行员在疲劳监测时间段中日监测时间段的PVT测试均值EFPN与PVT测试值方差SFPN。PVT测试均值EFPN公式为：PVT测试值方差SFPN公式为：提取工作负荷测试数据得到对应日监测时间段的工作负荷量，记录飞行员在疲劳监测时间段的工作负荷量为FTNi，计算得到飞行员在疲劳监测时间段中日监测时间段的工作负荷均值EFTN与工作负荷方差SFTN。工作负荷均值EFTN公式为：/>工作负荷方差SFTN公式为：
S3、构建联合参数疲劳评测模型，构建联合参数疲劳评测样本数据库，联合参数疲劳评测样本数据库的联合参数疲劳评测样本数据按照研究日监测时间段、研究日疲劳评测结果(疲劳评测结果是联合参数疲劳评测样本数据对应的研究飞行员进行严格各项疲劳测试与专家评测得到，样本数据来源于对研究飞行员随机抽检并采集对应联合参数疲劳评测样本数据，疲劳评测与联合参数疲劳评测样本数据对应。在本实施例中，疲劳评测结果是关联睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN等疲劳评测值特征项的综合评测数值，数值越大表示疲劳程度越高)标签对应存储，研究日疲劳评测结果标签包括疲劳评测值以及疲劳等级，疲劳等级基于疲劳评测值进行区间划分所得。按照步骤S1、S2的方法对联合参数疲劳评测样本数据提取得到睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN作为疲劳评测值对应的特征项。将联合参数疲劳评测样本数据库中的联合参数疲劳评测样本数据输入联合参数疲劳评测模型进行模型训练(模型训练会得到模型参数，模型参数为所有特征项与疲劳评测结果的函数关系)。
S4、以研究飞行员的当日飞行任务(参见图3，包含飞行任务及疲劳检测节点工作)作为疲劳评测对象，通过智能穿戴设备检测得到当日飞行任务前三天的睡眠时长，以前三天的睡眠时长作为数据计算得到研究飞行员所对应的睡眠时长均值EFSN与睡眠时长方差SFSN(反映不同飞行员个体的差异)。在一些实施例中，可以设置如下方法：当睡眠时长均值EFSN或前三天任一天的睡眠时长小于或等于330分钟，确定为睡眠缺乏，则立马输出该研究飞行员的报警提示并采取疲劳缓解措施。提取研究飞行员前三天的KSS测试数据计算得到研究飞行员所对应的KSS均值EFKN与KSS方差SFKN；参见图4，统计出疲劳监测时间段的六个日监测时间段的飞行机组KSS变化图，图中直接准备至落地为研究飞行员的当日飞行任务(对应研究日监测时间段)的部分展示，航班前一天至航班前三天是按照日监测时间段统计的KSS值。在一些实施例中，可以设置如下方法：当KSS均值EFKN或前三天任一天的KSS值大于或等于7，确定为主观疲劳严重，则立马输出该研究飞行员的报警提示并采取疲劳缓解措施。提取研究飞行员前三天的PVT测试数据计算得到研究飞行员所对应的PVT测试均值EFPN与PVT测试值方差SFPN。提取研究飞行员前三天的工作负荷测试数据计算得到研究飞行员所对应的工作负荷均值EFTN与工作负荷方差SFTN。将研究飞行员对应的睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN输入联合参数疲劳评测模型中并预测输出疲劳评测值以及疲劳等级。
在一些实施例中，步骤S4中联合参数疲劳评测模型还配合建立有如下预警关注提示：所述联合参数疲劳评测模型内部设置有睡眠时长均值预警阈值，采集所有飞行员的飞行当日12点(公历日中午12点)至飞行前日12点(公历日中午12点)睡眠时长求取平均值作为睡眠时长均值预警阈值，同时联合参数疲劳评测模型内部设置有睡眠时长方差预警阈值，采集所有飞行员的飞行当日12点至飞行前日12点睡眠时长求取睡眠方差作为睡眠时长方差预警阈值。当研究飞行员对应的睡眠时长均值EFSN小于睡眠时长均值预警阈值并求出睡眠均值差值，并且研究飞行员对应的睡眠时长方差SFSN大于睡眠时长方差预警阈值并求出睡眠方差差值，则输出睡眠均值差值、睡眠方差差值并同时预警关注提示。
在一些实施例中，步骤S4中联合参数疲劳评测模型还配合建立有如下预警关注提示：采集所有飞行员的飞行当日12点(公历日中午12点)至飞行前日12点(公历日中午12点)KSS值计算得到KSS均值与KSS方差，所述联合参数疲劳评测模型内部设置有KSS预警阈值，KSS预警阈值＝KSS均值+1.96*KSS方差，当研究飞行员对应的KSS均值大于KSS预警阈值并求出KSS预警差值，则输出KSS预警差值并同时预警关注提示。
在一些实施例中，步骤S4中联合参数疲劳评测模型还配合建立有如下预警关注提示：采集所有飞行员的飞行当日12点至飞行前日12点PVT测试值计算得到PVT测试均值与PVT测试值方差，所述联合参数疲劳评测模型内部设置有PVT预警阈值，PVT预警阈值＝PVT测试均值+1.96*PVT测试值方差，当研究飞行员对应的PVT测试均值大于PVT预警阈值并求出PVT预警差值，则输出PVT预警差值并同时预警关注提示。
在一些实施例中，步骤S4中联合参数疲劳评测模型还配合建立有如下预警关注提示：采集所有飞行员的飞行当日12点至飞行前日12点工作负荷量计算得到工作负荷均值与工作负荷方差，所述联合参数疲劳评测模型内部设置有工作负荷预警阈值，工作负荷预警阈值＝工作负荷均值+1.96*工作负荷方差，当研究飞行员对应的工作负荷均值大于工作负荷预警阈值并求出工作负荷预警差值，则输出工作负荷预警差值并同时预警关注提示。
S5、以航班当日飞行任务的研究飞行机组作为疲劳评测对象，研究飞行机组包含若干个研究飞行员(以国际航班为例，研究飞行机组一般包括四个飞行员)，按照步骤S4得到各个研究飞行员对应的疲劳评测值以及疲劳等级，将研究飞行机组所有研究飞行员的疲劳评测值进行求和、求平均处理并得到疲劳评测总值及疲劳评测均值，可以通过图6所示疲劳监测显示界面进行数据展示。在一些实施例中，可以设定疲劳评测总值阈值、疲劳评测均值阈值，当疲劳评测总值大于疲劳评测总值阈值或疲劳评测均值大于疲劳评测均值阈值，则研究飞行机组输出预警关注提示。
本实施例的方法主要应用于国际航班，当然也可以拓展至国内航班，可以应用于某条航线的疲劳评测(则对应只采集该条航线的所有飞行员及航班飞行机组，疲劳评测结果将更精准)。
实施例二
相比于实施例一，本实施例还包括如下方法：
S6、当研究飞行员的当日飞行任务执飞工作完毕后，智能穿戴设备与移动终端跟踪采集研究飞行员的当日飞行任务后两天的睡眠时长及测评填报数据，如图5所示，研究飞行员的当日飞行任务前三天为图5中飞行过程中睡眠时长左侧的睡眠时长数据，研究飞行员的当日飞行任务后两天为图5中飞行过程中睡眠时长右侧的睡眠时长数据。按照步骤S1、S2的方法得到睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN与疲劳评测值或疲劳评测修正结果值关联存储作为一条联合参数疲劳评测样本数据。
实施例三
如图1所示，一种飞行机组联合参数疲劳评测系统，包括数据采集模块、模型参数计算模块、联合参数疲劳评测模型和数据输出模块，所述数据采集模块连接有智能穿戴设备和移动终端，所述智能穿戴设备用于采集飞行员睡眠时长并输入到数据采集模块，所述移动终端用于采集飞行员的测评填报数据并输入到数据采集模块，测评填报数据包括KSS测试数据、PVT测试数据、工作负荷测试数据。所述数据采集模块采集样本数据并构建联合参数疲劳评测样本数据库，联合参数疲劳评测样本数据库的联合参数疲劳评测样本数据按照研究日监测时间段、研究日疲劳评测结果标签对应存储，研究日疲劳评测结果标签包括疲劳评测值以及疲劳等级，疲劳等级基于疲劳评测值进行区间划分所得。所述模型参数计算模块内部设定飞行机组疲劳监测的任务计划表，任务计划表设定日监测时间段并以六日的日监测时间段作为一组疲劳监测时间段，其中第四日的日监测时间段为含有航班飞行工作且定义为研究日监测时间段，智能穿戴设备记录飞行员在疲劳监测时间段的睡眠时长为FSNi，i表示疲劳监测时间段中的第i日，i＝1，2…6，然后计算得到飞行员在疲劳监测时间段中日监测时间段的睡眠时长均值EFSN与睡眠时长方差SFSN。所述模型参数计算模块取KSS测试数据按照日监测时间段计算出平均值得到对应日监测时间段的KSS值，记录飞行员在疲劳监测时间段的KSS值为FKNi，计算得到飞行员在疲劳监测时间段中日监测时间段的KSS均值EFKN与KSS方差SFKN。提取PVT测试数据得到对应日监测时间段的KSS值，记录飞行员在疲劳监测时间段的PVT测试值为FPNi，计算得到飞行员在疲劳监测时间段中日监测时间段的PVT测试均值EFPN与PVT测试值方差SFPN。提取工作负荷测试数据得到对应日监测时间段的工作负荷量，记录飞行员在疲劳监测时间段的工作负荷量为FTNi，计算得到飞行员在疲劳监测时间段中日监测时间段的工作负荷均值EFTN与工作负荷方差SFTN。所述模型参数计算模块对联合参数疲劳评测样本数据库的联合参数疲劳评测样本数据进行处理得到睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN作为疲劳评测值对应的特征项并对应研究日疲劳评测结果标签输入联合参数疲劳评测模型进行模型训练。所述数据采集模块还用于以研究飞行员的当日飞行任务作为疲劳评测对象，通过智能穿戴设备检测得到当日飞行任务前三天的睡眠时长，以前三天的睡眠时长作为数据计算得到研究飞行员所对应的睡眠时长均值EFSN与睡眠时长方差SFSN。联合参数疲劳评测模型提取研究飞行员前三天的KSS测试数据计算得到研究飞行员所对应的KSS均值EFKN与KSS方差SFKN。提取研究飞行员前三天的PVT测试数据计算得到研究飞行员所对应的PVT测试均值EFPN与PVT测试值方差SFPN。联合参数疲劳评测模型提取研究飞行员前三天的工作负荷测试数据计算得到研究飞行员所对应的工作负荷均值EFTN与工作负荷方差SFTN。联合参数疲劳评测模型将研究飞行员对应的睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN输入训练后的联合参数疲劳评测模型中并预测得到疲劳评测值以及疲劳等级，数据输出模块用于输出研究飞行员的疲劳评测值以及疲劳等级。如图2所示，本发明飞行机组联合参数疲劳评测系统可以应用于服务器的互联网络上来，模型参数计算模块、联合参数疲劳评测模型和数据输出模块搭建在服务器端上，客户端为监管人员使用、查询的终端。
一种电子设备，包括至少一个处理器、至少一个存储器和数据总线。其中：所述处理器与所述存储器通过数据总线完成相互间的通信。所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行实现本发明飞行机组联合参数疲劳评测方法的步骤。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种飞行机组联合参数疲劳评测方法，其特征在于：其方法包括：
S1、通过智能穿戴设备对飞行员进行睡眠时长采集，通过移动终端采集飞行员的测评填报数据，测评填报数据包括KSS测试数据、PVT测试数据、工作负荷测试数据；设定飞行机组疲劳监测的任务计划表，任务计划表设定日监测时间段并以六日的日监测时间段作为一组疲劳监测时间段，其中第四日的日监测时间段为含有航班飞行工作且定义为研究日监测时间段，智能穿贼设备记录飞行员在疲劳监测时间段的睡眠时长为FSNi，i表示疲劳监测时间段中的第i日，i＝1，2…6；计算得到飞行员在疲劳监测时间段中日监测时间段的睡眠时长均值EFSN与睡眠时长方差SFSN；
S2、提取KSS测试数据按照日监测时间段计算出平均值得到对应日监测时间段的KSS值，记录飞行员在疲劳监测时间段的KSS值为FKNi，计算得到飞行员在疲劳监测时间段中日监测时间段的KSS均值EFKN与KSS方差SFKN；提取PVT测试数据得到对应日监测时间段的KSS值，记录飞行员在疲劳监测时间段的PVT测试值为FPNi，计算得到飞行员在疲劳监测时间段中日监测时间段的PVT测试均值EFPN与PVT测试值方差SFPN；提取工作负荷测试数据得到对应日监测时间段的工作负荷量，记录飞行员在疲劳监测时间段的工作负荷量为FTNi，计算得到飞行员在疲劳监测时间段中日监测时间段的工作负荷均值EFTN与工作负荷方差SFTN；
S3、构建联合参数疲劳评测模型，构建联合参数疲劳评测样本数据库，联合参数疲劳评测样本数据库的联合参数疲劳评测样本数据按照研究日监测时间段、研究日疲劳评测结果标签对应存储，研究日疲劳评测结果标签包括疲劳评测值以及疲劳等级，疲劳等级基于疲劳评测值进行区间划分所得；按照步骤S1、S2的方法对联合参数疲劳评测样本数据提取得到睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN作为疲劳评测值对应的特征项；将联合参数疲劳评测样本数据库中的联合参数疲劳评测样本数据输入联合参数疲劳评测模型进行模型训练；
S4、以研究飞行员的当日飞行任务作为疲劳评测对象，通过智能穿戴设备检测得到当日飞行任务前三天的睡眠时长，以前三天的睡眠时长作为数据计算得到研究飞行员所对应的睡眠时长均值EFSN与睡眠时长方差SFSN；提取研究飞行员前三天的KSS测试数据计算得到研究飞行员所对应的KSS均值EFKN与KSS方差SFKN；提取研究飞行员前三天的PVT测试数据计算得到研究飞行员所对应的PVT测试均值EFPN与PVT测试值方差SFPN；提取研究飞行员前三天的工作负荷测试数据计算得到研究飞行员所对应的工作负荷均值EFTN与工作负荷方差SFTN；将研究飞行员对应的睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN输入联合参数疲劳评测模型中并预测输出疲劳评测值以及疲劳等级。
2.按照权利要求1所述的飞行机组联合参数疲劳评测方法，其特征在于：还包括如下方法：
S5、以航班当日飞行任务的研究飞行机组作为疲劳评测对象，研究飞行机组包含若干个研究飞行员，按照步骤S4得到各个研究飞行员对应的疲劳评测值以及疲劳等级，将研究飞行机组所有研究飞行员的疲劳评测值进行求和、求平均处理并得到疲劳评测总值及疲劳评测均值，设定疲劳评测总值阈值、疲劳评测均值阈值，当疲劳评测总值大于疲劳评测总值阈值或疲劳评测均值大于疲劳评测均值阈值，则研究飞行机组输出预警关注提示。
3.按照权利要求1所述的飞行机组联合参数疲劳评测方法，其特征在于：还包括如下方法：
S6、当研究飞行员的当日飞行任务执飞工作完毕后，智能穿贼设备与移动终端跟踪采集研究飞行员的当日飞行任务后两天的睡眠时长及测评填报数据，按照步骤S1、S2的方法得到睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN与疲劳评测值或疲劳评测修正结果值关联存储作为条联合参数疲劳评测样本数据。
4.按照权利要求1所述的飞行机组联合参数疲劳评测方法，其特征在于：在步骤S4中，所述联合参数疲劳评测模型内部设置有睡眠时长均值预警阈值，采集所有飞行员的飞行当日12点至飞行前日12点睡眠时长求取平均值作为睡眠时长均值预警阈值，同时联合参数疲劳评测模型内部设置有睡眠时长方差预警阈值，采集所有飞行员的飞行当日12点至飞行前日12点睡眠时长求取睡眠方差作为睡眠时长方差预警阈值；当研究飞行员对应的睡眠时长均值EFSN小于睡眠时长均值预警阈值并求出睡眠均值差值，并且研究飞行员对应的睡眠时长方差SFSN大于睡眠时长方差预警阈值并求出睡眠方差差值，则输出睡眠均值差值、睡眠方差差值并同时预警关注提示。
5.按照权利要求1所述的飞行机组联合参数疲劳评测方法，其特征在于：在步骤S4中，采集所有飞行员的飞行当日12点至飞行前日12点KSS值计算得到KSS均值与KSS方差，所述联合参数疲劳评测模型内部设置有KSS预警阈值，KSS预警阈值＝KSS均值+1.96*KSS方差，当研究飞行员对应的KSS均值大于KSS预警阈值并求出KSS预警差值，则输出KSS预警差值并同时预警关注提示。
6.按照权利要求1所述的飞行机组联合参数疲劳评测方法，其特征在于：在步骤S4中，采集所有飞行员的飞行当日12点至飞行前日12点PVT测试值计算得到PVT测试均值与PVT测试值方差，所述联合参数疲劳评测模型内部设置有PVT预警阈值，PVT预警阈值＝PVT测试均值+1.96*PVT测试值方差，当研究飞行员对应的PVT测试均值大于PVT预警阈值并求出PVT预警差值，则输出PVT预警差值并同时预警关注提示。
7.按照权利要求1所述的飞行机组联合参数疲劳评测方法，其特征在于：在步骤S4中，采集所有飞行员的飞行当日12点至飞行前日12点工作负荷量计算得到工作负荷均值与工作负荷方差，所述联合参数疲劳评测模型内部设置有工作负荷预警阈值，工作负荷预警阈值＝工作负荷均值+1.96*工作负荷方差，当研究飞行员对应的工作负荷均值大于工作负荷预警阈值并求出工作负荷预警差值，则输出工作负荷预警差值并同时预警关注提示。
8.按照权利要求1所述的飞行机组联合参数疲劳评测方法，其特征在于：飞行员在疲劳监测时间段中日监测时间段的睡眠时长均值EFSN计算公式为：睡眠时长方差SFSN公式为：/>飞行员在疲劳监测时间段中日监测时间段的KSS均值EFKN公式为：/>KSS方差SFKN公式为：
PVT测试均值EFPN公式为：PVT测试值方差SFPN公式为：
工作负荷均值EFTN公式为：工作负荷方差SFTN公式为：
9.一种飞行机组联合参数疲劳评测系统，其特征在于：包括数据采集模块、模型参数计算模块、联合参数疲劳评测模型和数据输出模块，所述数据采集模块连按有智能穿贼设备和移动终端，所述智能穿戴设备用于采集飞行员睡眠时长并输入到数据采集模块，所述移动终端用于采集飞行员的测评填报数据并输入到数据采集模块，测评填报数据包括KSS测试数据、PVT测试数据、工作负荷测试数据；所述数据采集模块采集样本数据并构建联合参数疲劳评测样本数据库，联合参数疲劳评测样本数据库的联合参数疲劳评测样本数据按照研究日监测时间段、研究日疲劳评测结果标签对应存储，研究日疲劳评测结果标签包括疲劳评测值以及疲劳等级，疲劳等级基于疲劳评测值进行区间划分所得；所述模型参数计算模块内部设定飞行机组疲劳监测的任务计划表，任务计划表设定日监测时间段并以六日的日监测时间段作为一组疲劳监测时间段，其中第四日的日监测时间段为含有航班飞行工作且定义为研究日监测时间段，智能穿戴设备记录飞行员在疲劳监测时间段的睡眠时长为FSNi，i表示疲劳监测时间段中的第i日，i＝1，2…6，然后计算得到飞行员在疲劳监测时间段中日监测时间段的睡眠时长均值EFSN与睡眠时长方差SFSN；所述模型参数计算模块取KSS测试数据按照日监测时间段计算出平均值得到对应日监测时间段的KSS值，记录飞行员在疲劳监测时间段的KSS值为FKNi，计算得到飞行员在疲劳监测时间段中日监测时间段的KSS均值EFKN与KSS方差SFKN；提取PVT测试数据得到对应日监测时间段的KSS值，记录飞行员在疲劳监测时问段的PVT测试值为FPNi，计算得到飞行员在疲劳监测时间段中日监测时间段的PVT测试均值EFPN与PVT测试值方差SFPN；提取工作负荷测试数据得到对应日监测时间段的工作负荷量，记录飞行员在疲劳监测时间段的工作负荷量为FTNi，计算得到飞行员在疲劳监测时间段中日监测时间段的工作负荷均值EFTN与工作负荷方差SFTN；所述模型参数计算模块对联合参数疲劳评测样本数据库的联合参数疲劳评测样本数据进行处理得到睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN作为疲劳评测值对应的特征项并对应研究日疲劳评测结果标签输入联合参数疲劳评测模型进行模型训练；所述数据采集模块还用于以研究飞行员的当日飞行任务作为疲劳评测对象，通过智能穿戴设备检测得到当日飞行任务前三天的睡眠时长，以前三天的睡眠时长作为数据计算得到研究飞行员所对应的睡眠时长均值EFSN与睡眠时长方差SFSN；联合参数疲劳评测模型提取研究飞行员前三天的KSS测试数据计算得到研究飞行员所对应的KSS均值EFKN与KSS方差SFKN；提取研究飞行员前三天的PVT测试数据计算得到研究飞行员所对应的PVT测试均值EFPN与PVT测试值方差SFPN；联合参数疲劳评测模型提取研究飞行员前三天的工作负荷测试数据计算得到研究飞行员所对应的工作负荷均值EFTN与工作负荷方差SFTN；联合参数疲劳评测模型将研究飞行员对应的睡眠时长均值EFSN、睡眠时长方差SFSN、KSS均值EFKN、KSS方差SFKN、PVT测试均值EFPN、PVT测试值方差SFPN、工作负荷均值EFTN、工作负荷方差SFTN输入训练后的联合参数疲劳评测模型中并预测得到疲劳评测值以及疲劳等级，数据输出模块用于输出研究飞行员的疲劳评测值以及疲劳等级。
10.一种电子设备，其特征在于：包括至少一个处理器、至少一个存储器和数据总线；其中：所述处理器与所述存储器通过数据总线完成相互间的通信；所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行实现权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311234942.1A CN117257234B (zh) | 2023-09-22 | 2023-09-22 | 飞行机组联合参数疲劳评测方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311234942.1A CN117257234B (zh) | 2023-09-22 | 2023-09-22 | 飞行机组联合参数疲劳评测方法、系统及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117257234A true CN117257234A (zh) | 2023-12-22 |
| CN117257234B CN117257234B (zh) | 2024-04-12 |
Family
ID=89207636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311234942.1A Active CN117257234B (zh) | 2023-09-22 | 2023-09-22 | 飞行机组联合参数疲劳评测方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117257234B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5075881A (en) * | 1987-05-20 | 1991-12-24 | Airbus Industrie | Process for developing a statistical model to determine the workload of an aircraft pilot, model derived therefrom, apparatus for the embodiment of the said process and applications of the model |
| CN108806191A (zh) * | 2018-07-20 | 2018-11-13 | 上海擎感智能科技有限公司 | 基于睡眠数据的疲劳驾驶监测方法、系统、车载终端 |
| CN109498040A (zh) * | 2018-01-30 | 2019-03-22 | 中国民用航空总局第二研究所 | 警觉度检测方法及其系统 |
| CN111387996A (zh) * | 2020-02-28 | 2020-07-10 | 中国民航大学 | 民航飞行员执勤前多指标疲劳检测仪 |
| CN113729642A (zh) * | 2013-10-09 | 2021-12-03 | 瑞思迈传感器技术有限公司 | 疲劳监测和管理系统 |
| CN113807610A (zh) * | 2021-10-09 | 2021-12-17 | 中国民航科学技术研究院 | 一种飞行疲劳预测方法和系统 |
| CN114120296A (zh) * | 2021-12-03 | 2022-03-01 | 西南交通大学 | 高速铁路调度员疲劳程度定量分级方法及装置 |
| CN116644988A (zh) * | 2023-05-08 | 2023-08-25 | 中国民航科学技术研究院 | 航班疲劳值计算方法、装置、电子设备及存储介质 |
-
2023
- 2023-09-22 CN CN202311234942.1A patent/CN117257234B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5075881A (en) * | 1987-05-20 | 1991-12-24 | Airbus Industrie | Process for developing a statistical model to determine the workload of an aircraft pilot, model derived therefrom, apparatus for the embodiment of the said process and applications of the model |
| CN113729642A (zh) * | 2013-10-09 | 2021-12-03 | 瑞思迈传感器技术有限公司 | 疲劳监测和管理系统 |
| CN109498040A (zh) * | 2018-01-30 | 2019-03-22 | 中国民用航空总局第二研究所 | 警觉度检测方法及其系统 |
| CN108806191A (zh) * | 2018-07-20 | 2018-11-13 | 上海擎感智能科技有限公司 | 基于睡眠数据的疲劳驾驶监测方法、系统、车载终端 |
| CN111387996A (zh) * | 2020-02-28 | 2020-07-10 | 中国民航大学 | 民航飞行员执勤前多指标疲劳检测仪 |
| CN113807610A (zh) * | 2021-10-09 | 2021-12-17 | 中国民航科学技术研究院 | 一种飞行疲劳预测方法和系统 |
| CN114120296A (zh) * | 2021-12-03 | 2022-03-01 | 西南交通大学 | 高速铁路调度员疲劳程度定量分级方法及装置 |
| CN116644988A (zh) * | 2023-05-08 | 2023-08-25 | 中国民航科学技术研究院 | 航班疲劳值计算方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117257234B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101248984B (zh) | 信息管理系统和服务器 | |
| Shi et al. | A neutral cross-efficiency evaluation method based on interval reference points in consideration of bounded rational behavior | |
| US20120029971A1 (en) | Method and apparatus for risk identification and mitigation in shift work fatigue | |
| DE102018116696A1 (de) | Verfahren zum Erzeugen von normalen Zustandsvorhersagedaten einer Anlage und Vorrichtung, die dasselbe verwendet | |
| US20110071873A1 (en) | Method and apparatus for mitigating aviation risk by analyzing and modeling air crew fatigue | |
| US10354539B2 (en) | Situational awareness analysis and fatigue management system | |
| US20190114939A1 (en) | Situational Awareness Analysis and Fatigue Management System | |
| CN109670260B (zh) | 一种山火蔓延面积预测方法、装置和设备 | |
| CN104977922B (zh) | 设备监视装置和方法 | |
| CN106104539A (zh) | 使用警报再生的针对警报咨询的警报设置的优化 | |
| CN116562623A (zh) | 一种适用于鹿茸菇种植的实时种植风险评估系统 | |
| Schat et al. | Detecting mean changes in experience sampling data in real time: A comparison of univariate and multivariate statistical process control methods. | |
| CN117257234B (zh) | 飞行机组联合参数疲劳评测方法、系统及电子设备 | |
| CN105894706A (zh) | 一种森林火灾预测方法及其系统 | |
| CN118313647A (zh) | 一种玉米旱热复合灾害实时危险性评估方法 | |
| CN112168188B (zh) | 一种用于压力检测数据的处理方法和装置 | |
| CN117077893A (zh) | 耕地智保数据分析方法及装置 | |
| CN106528940A (zh) | 基于数理模型对列车车轴性能进行评价和预警的方法 | |
| Shmelova et al. | Application Artificial Intelligence for Real-Time Monitoring, Diagnostics, and Correction Human State. | |
| CN117809861B (zh) | 用于医疗数据管理平台的远程实时监测协作方法及系统 | |
| Chen et al. | A Sensitivity Analysis Method of Physiological Signals for Assessing Pilot Workload | |
| CN112421767B (zh) | 电网防灾应急全景监视方法及装置 | |
| CN113131020B (zh) | 一种工业电池组的大健康管理系统 | |
| CN112487357B (zh) | 一种站务人员疲劳度检测方法及系统 | |
| CN118071151B (zh) | 潜航群组决策行为的风险评估方法 |
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 |