CN117711627A - 民航飞行学员飞行训练过程健康风险预测处置方法及系统 - Google Patents

民航飞行学员飞行训练过程健康风险预测处置方法及系统 Download PDF

Info

Publication number
CN117711627A
CN117711627A CN202410168987.1A CN202410168987A CN117711627A CN 117711627 A CN117711627 A CN 117711627A CN 202410168987 A CN202410168987 A CN 202410168987A CN 117711627 A CN117711627 A CN 117711627A
Authority
CN
China
Prior art keywords
flight
health
training
student
training process
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
Application number
CN202410168987.1A
Other languages
English (en)
Other versions
CN117711627B (zh
Inventor
邹琳
韦洪雷
李维萍
曹礼聪
梁锐
潘亦琛
陈健熊
张健
申浩
李雪
刘晨
杜菁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Lejian Dreamer Technology Co ltd
Southwest Jiaotong University
Civil Aviation Flight University of China
Original Assignee
Sichuan Lejian Dreamer Technology Co ltd
Southwest Jiaotong University
Civil Aviation Flight University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Lejian Dreamer Technology Co ltd, Southwest Jiaotong University, Civil Aviation Flight University of China filed Critical Sichuan Lejian Dreamer Technology Co ltd
Priority to CN202410168987.1A priority Critical patent/CN117711627B/zh
Publication of CN117711627A publication Critical patent/CN117711627A/zh
Application granted granted Critical
Publication of CN117711627B publication Critical patent/CN117711627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及飞行健康风险预测技术领域，公开一种民航飞行学员飞行训练过程健康风险预测处置方法及系统，步骤如下：1）收集飞行学员健康安全数据；2）构建飞行学员飞行训练健康安全数据库；3）构建优化飞行学员飞行训练过程健康风险预测模型；4）检测飞行学员上机前的健康指标数据，判断是否达执飞标准，若是，将健康指标数据输入飞行学员飞行训练过程健康风险预测模型；5）飞行学员飞行训练过程健康风险预测；6）飞行学员飞行训练过程健康风险预警；7）根据风险预警等级，出具相应预警报告。本发明能够实现在上机前对飞行学员飞行训练过程中的健康风险进行预测预警，进而对飞行学员飞行训练进行调整，以保证飞行训练的安全性。

Description

民航飞行学员飞行训练过程健康风险预测处置方法及系统
技术领域
本发明涉及飞行健康风险预测技术领域，具体而言，涉及一种民航飞行学员飞行训练过程健康风险预测处置方法及系统。
背景技术
飞行学员飞行训练过程包含“上机前-训练中-下机后”三个阶段，当前针对飞行学员飞行训练过程健康风险预警与处置的方法主要为对飞行学员在上机前和下机后进行健康状况检测，但现有方式方法集中于对上机前和下机后飞行学员健康状态的评估，无法实现在上机前对飞行学员飞行训练中的健康安全风险进行有效预测，更无法实现飞行训练中的健康风险提前预测预警与处置，进而导致民航飞行学员飞行训练过程存在潜在危险。
有鉴于此，特提出本申请。
发明内容
为了解决现有技术的问题，本发明提供一种民航飞行学员飞行训练过程健康风险预测处置方法及系统，能够实现在上机前对飞行学员飞行训练过程中的健康风险进行预测预警，进而对不同健康风险等级进行针对性处置。
本发明通过下述技术方案实现：
第一方面，本发明提供一种民航飞行学员飞行训练过程健康风险预测处置方法，包括如下步骤：
步骤一：收集以往飞行学员上机前和训练中的健康安全数据；
步骤二：基于收集的健康安全数据构建飞行学员飞行训练健康安全数据库；
步骤三：构建与优化飞行学员飞行训练过程健康风险预测模型；
步骤四：检测飞行学员上机前的健康指标数据，判断是否达到可执飞标准，若是，将飞行学员的健康指标数据输入飞行学员飞行训练过程健康风险预测模型；
步骤五：基于预测模型预测得到飞行学员在飞行训练过程中的健康指标数据；
步骤六：基于预测得到的飞行学员在飞行训练过程中的健康指标数据，预测飞行学员飞行训练过程健康风险预警等级；
步骤七：根据预测的飞行学员飞行训练过程健康风险预警等级，对飞行学员飞行训练出具相应预警报告。
在某一具体实施方式中，所述步骤一中，所述健康安全数据包括上机前、飞行训练中的健康指标数据、飞行训练过程性数据和飞行训练过程飞行环境数据；
所述上机前、飞行训练中的健康指标数据包括上机前以及飞行训练中飞行学员的血压、血氧、心率、睡眠时间指标数据；
所述飞行训练过程性数据包括飞行学员每天的飞行训练行程安排、飞行训练总时长、飞行训练起降过程总时长、飞行训练巡航过程总时长、飞行训练生涯总时间指标数据；
所述飞行训练过程飞行环境数据包括飞行学员在飞行训练过程驾驶舱内最大噪声、驾驶舱内最大辐射、飞行训练最大巡航高度，飞行训练航线恶劣气象环境指标数据。
在某一具体实施方式中，所述步骤二中，所述飞行学员飞行训练健康安全数据库运用分布式存储技术、数据多源异构接口技术、数据降维处理技术或数据分类分级管理技术进行构建。
在某一具体实施方式中，所述步骤三中，采用BP神经网络、CNN卷积神经网络、LSTM长短时记忆网络任意一种深度学习算法进行飞行学员飞行训练过程健康风险预测模型构建。
在某一具体实施方式中，所述飞行学员飞行训练过程健康风险预测模型的具体构建方法为：将飞行学员飞行训练健康安全数据库既有数据作为样本，将样本随机分为训练集和测试集两部分，其中训练集占比为80%，测试集为20%，通过深度学习算法对训练集数据进行学习，运用测试集对模型准确度进行测试并采用优化算法对健康风险预测模型的参数进行优化，构建得到飞行学员飞行训练过程健康风险预测模型。
在某一具体实施方式中，所述步骤四的具体步骤为：对飞行学员上机前一天的血氧、血压、心率和睡眠时间4个参数进行检测，若达到可执飞标准，在飞行训练当日上机前对飞行学员的血氧、血压、心率和睡眠时间再次进行检测，将两次检测结果取平均值作为飞行学员最终的上机前血氧、血压、心率和睡眠时间指标值，并输入飞行学员飞行训练过程健康风险预测模型。
在某一具体实施方式中，所述步骤五的具体步骤为：将上机前血氧、血压、心率、睡眠时间、近七天平均飞行训练总时长、近七天平均飞行起降训练总时长、近七天平均飞行巡航训练总时长、当日待飞行训练时长、当日待飞行起降训练时长、当日待飞行巡航训练时长、飞行训练生涯总时间、飞行训练驾驶舱内最大噪声、飞行训练驾驶舱内最大辐射、飞行训练最大巡航高度、飞行航线恶劣气象环境15项指标数据，输入至飞行学员飞行训练过程健康风险预测模型，输出预测得到该飞行学员在飞行训练过程中血氧BO、血压DP-SP和心率HR指标的最大值max、中位值mid和最小值min。
在某一具体实施方式中，所述步骤六的具体步骤为：构建四级风险预警体系，依次为极高风险、高风险、中风险、低风险，基于飞行学员飞行训练过程健康风险预测模型预测得到的血氧、血压和心率参数，预测飞行学员飞行训练过程健康风险预警等级；
风险预警体系的具体构建方法为：
S1：确定飞行学员飞行训练过程中健康指标阈值标准，临界血氧BO的阈值为BO’；收缩压SP的临界范围为SP’至SP’’，SP’表示SP临界范围的最高值，SP’’表示SP临界范围的最低值；舒张压DP的临界范围为DP’至DP’’，DP’表示DP临界范围的最高值，DP’’表示DP临界范围的最低值；心率HR的临界范围为HR’至HR’’，HR’表示HR临界范围的最高值，HR’’表示HR临界范围的最低值；
S2：极高风险评价标准：血氧方面：BOmax<BO’；血压方面：SPmin>SP’或SPmax<SP’’或DPmin>DP’或DPmax<DP’’；心率方面：HRmin>HR’或HRmax<HR’’；BOmax表示血氧BO的最大值，SPmin表示收缩压SP的最小值，SPmax表示收缩压SP的最大值，DPmin表示舒张压DP的最小值，DPmax表示舒张压DP的最大值，HRmin表示心率HR的最小值，HRmax表示心率HR的最大值；
S3：高风险评价标准：血氧方面：BOmid<BO’<BOmax；血压方面：SPmid>SP’或SPmid<SP’’或DPmid>DP’或DPmid<DP’’；心率方面：HRmid>HR’或者HRmid<HR’’；BOmid表示血氧BO的中位值，SPmid表示收缩压SP的中位值，DPmid表示舒张压DP的中位值，HRmid表示心率HR的中位值；
S4：中风险评价标准：血氧方面：BOmin<BO’<BOmid；血压方面：SPmax>SP’或SPmin<SP’’或DPmax>DP’或DPmin<DP’’；心率方面：HRmax>HR’或者HRmin<HR’’；BOmin表示血氧BO的最小值；
S5：低风险评价标准：其他情况。
在某一具体实施方式中，所述步骤七的具体步骤为：
S1：若预测得到飞行学员健康风险预警等级为低风险，出具飞行学员飞行训练过程低健康风险报告；
S2：若预测得到飞行学员健康风险预警等级为中风险或高风险，对飞行学员飞行训练行程进行修改，同时将修改后行程对应的当日待飞行训练时长、当日待飞行起降训练时长、当日待飞行巡航训练时长、飞行训练生涯总时间、飞行训练驾驶舱内最大噪声、飞行训练驾驶舱内最大辐射、飞行训练最大巡航高度、飞行航线恶劣气象环境8项指标更新后输入至飞行训练过程健康风险预测模型中，对飞行学员飞行训练过程健康风险进行进一步预测，当预测结果为低风险时，出具飞行学员训练过程低健康风险航线推荐报告；反之，出具飞行学员飞行训练过程健康风险预警报告；
S3：若预测得到飞行学员健康风险预警等级为极高风险，出具飞行学员飞行训练过程健康极高风险预警报告。
第二方面，本发明还提供一种民航飞行学员飞行训练过程健康风险预测处置方法的处理系统，包括：
健康安全数据采集存储模块，用于采集并存储飞行学员上机前和训练中的健康安全数据；
飞行训练过程健康风险预测模块，用于基于所述健康安全数据采集存储模块获取的数据输出飞行训练过程健康数据的预测值；
飞行训练过程健康风险预警模块，用于基于预测值评估预测飞行学员飞行训练健康风险预警等级；
报告出具模块，用于基于预测得到的健康风险预警等级出具相应的飞行训练健康风险预警报告。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明实施例提供的一种民航飞行学员飞行训练过程健康风险预测处置方法及系统，能够实现在上机前对飞行学员飞行训练过程中的健康风险进行预测预警，进而针对不同健康风险等级对飞行学员飞行训练进行相应的调整，以保证飞行训练的安全性。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的飞行训练过程健康风险预测处理流程图。
实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实施例中，为了避免混淆本发明，未具体描述公知的材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
实施例1
如图1所示，本发明实施例提供一种民航飞行学员飞行训练过程健康风险预测处置方法，包括如下步骤：
步骤一：通过对飞行学员佩戴智能可穿戴设备、飞行学员健康管理数据库、飞行训练机场运行数据库、飞行训练机场空管运行数据中心等方式，收集以往飞行学员上机前和训练中的健康安全数据；
所述健康安全数据具体包括上机前、飞行训练中的健康指标数据、飞行训练过程性数据和飞行训练过程飞行环境数据；
（1）所述上机前、飞行训练中的健康指标数据包括①上机前飞行学员的血压、血氧、心率、睡眠时间指标数据（每天采集一次），数据可通过佩戴飞行学员定制的智能可穿戴设备或航空医学检测采集得到；②飞行训练中飞行学员的血压、血氧、心率等指标数据（每分钟采集一次），数据可通过佩戴飞行学员定制的智能可穿戴设备采集得到；
（2）所述飞行训练过程性数据包括飞行学员每天的飞行训练行程安排、飞行训练总时长、飞行训练起降过程总时长、飞行训练巡航过程总时长、飞行训练生涯总时间指标数据；以上数据可基于培养院校的飞行学员飞行训练管理数据库获得；
（3）所述飞行训练过程飞行环境数据包括飞行学员在飞行训练过程驾驶舱内最大噪声、驾驶舱内最大辐射、飞行训练最大巡航高度，飞行训练航线恶劣气象环境指标数据；飞行环境数据可基于航空器运行数据采集接口传输，及飞行学员培养院校的机场和空管运行数据中心获得。
步骤二：基于收集的飞行学员健康安全数据，运用分布式存储技术、数据多源异构接口技术、数据降维处理技术、数据分类分级管理技术，构建飞行学员飞行训练健康安全数据库，将收集得到的数据以统一的数据标准格式存储于飞行学员飞行训练健康安全数据库，实现飞行学员健康安全数据的统一管理，为后续健康风险预测预警模型提供数据支撑；
其中，数据库基于以下表1所示标准统一的数据格式进行数据管理。
表1飞行学员飞行训练健康安全数据库数据指标统计表
步骤三：构建与优化飞行学员飞行训练过程健康风险预测模型；
构建飞行学员飞行训练过程健康风险预测模型，对飞行学员飞行训练过程健康风险进行预测。构建方法选用深度学习预测算法，可采用BP神经网络、CNN卷积神经网络、LSTM长短时记忆网络等任意一种深度学习算法进行模型构建。
以BP神经网络为例，将数据库中飞行学员起飞前血氧、血压、心率、睡眠时间、近七天平均飞行训练时长、近七天平均飞行起降训练总时长、近七天平均飞行巡航训练总时长、当日待飞行训练时长、当日待飞行起降训练时长、当日待飞行巡航训练时长、飞行训练生涯总时间、飞行训练驾驶舱内最大噪声、飞行训练驾驶舱内最大辐射、飞行训练最大巡航高度、飞行航线恶劣气象环境15个特征作为BP神经网络的输入层。将飞行训练过程中血氧BO、血压DP-SP和心率HR指标的最大值max、中位值mid、最小值min9个特征作为BP神经网络的输出层。
将飞行学员飞行训练健康安全数据库既有数据作为样本，将样本随机分为训练集和测试集两部分，其中训练集占比为80%，测试集为20%，设置BP神经网络参数：参数训练次数为10000、训练目标为0.01、学习速率为0.1、激活函数为sigmoid函数，损失函数选择cross entropy交叉熵损失函数，评价函数选用MSE均方误差评价。以训练集为样本，构建形成飞行学员飞行训练过程健康风险预测模型。
同时，运用测试集数据对构建的模型进行测试，运用测试集对模型进行测试时，若模型测试准确度低于设定标准值，则采用优化算法对健康风险预测模型的参数进行优化，其中优化算法可选用GA遗传算法、SA模拟退火算法、PSO粒子群算法的任意一种。以遗传算法为例，将BP神经网络的权值、阈值参数作为遗传算法的输入样本，设置遗传算法的种群大小为100，最大遗传代数为60，交叉概率为0.7，变异概率为0.05，选择算子选用正比选择法，交叉算子选用均匀交叉法，变异算子选用二进制变异法，通过选择、重组、变异等操作后，实现BP神经网络模型的参数优化，提升健康风险预测模型的精度优化。当模型测试准确度达标时，结束优化过程，得到优化的最终模型即为飞行学员飞行训练过程健康风险预测模型。
步骤四：飞行学员上机前健康检测，检测飞行学员上机前的健康指标数据，判断是否达到可执飞标准，若是，将飞行学员的健康指标数据输入飞行学员飞行训练过程健康风险预测模型；
在飞行学员上机前一天借助医用手夹式血氧仪、医用上臂式血压计、多导式睡眠监测仪设备对飞行学员上机前一天的血氧、血压、心理和睡眠时间指标进行第一次检测，判断上机前飞行学员健康指标是否达到可执飞标准，（可参照行业关于飞行学员健康管理的通用执行标准），若第一次检测任意指标未达标，则取消飞行学员飞行训练行程；若指标全部达标，则进行第二次上机前健康检测。
若第一次上机前健康检测达标时，在飞行训练当天上机前对飞行学员进行第二次上机前健康检测，第二次检测同样采用医用手夹式血氧仪、医用上臂式血压计、多导式睡眠监测仪对飞行学员上机前当天的血氧、血压、心率和睡眠时间4个参数进行检测，并将两次检测结果取平均值作为最终的上机前血氧、血压、心率和睡眠时间指标值。
步骤五：飞行学员飞行训练过程健康风险预测，基于预测模型预测得到飞行学员在飞行训练过程中的健康指标数据；
将两次检测得到的飞行学员上机前血氧、血压、心率、睡眠时间、近七天平均飞行训练总时长、近七天平均飞行起降训练总时长、近七天平均飞行巡航训练总时长、当日待飞行训练时长、当日待飞行起降训练时长、当日待飞行巡航训练时长、飞行训练生涯总时间、飞行训练驾驶舱内最大噪声、飞行训练驾驶舱内最大辐射、飞行训练最大巡航高度、飞行航线恶劣气象环境15项指标数据，输入至飞行学员飞行训练过程健康风险预测模型，通过模型可预测得到该飞行学员在飞行训练中的血氧BO、血压DP-SP和心率HR指标的最大值max、中位值mid、最小值min。同时，将预测得到的过程性和结果性数据存储至飞行学员飞行训练健康安全数据库。
步骤六：基于预测得到的飞行学员在飞行训练过程中的血氧、血压和心率参数，构建四级风险预警体系，依次为极高风险、高风险、中风险、低风险，预测飞行学员飞行训练过程健康风险预警等级；
风险预警体系的具体构建方法为：
S1：确定飞行学员飞行训练过程中健康指标阈值标准，临界血氧BO的阈值为BO’；收缩压SP的临界范围为SP’至SP’’，SP’表示SP临界范围的最高值，SP’’表示SP临界范围的最低值；舒张压DP的临界范围为DP’至DP’’，DP’表示DP临界范围的最高值，DP’’表示DP临界范围的最低值；心率HR的临界范围为HR’至HR’’，HR’表示HR临界范围的最高值，HR’’表示HR临界范围的最低值；
S2：极高风险评价标准：血氧方面：BOmax<BO’；血压方面：SPmin>SP’或SPmax<SP’’或DPmin>DP’或DPmax<DP’’；心率方面：HRmin>HR’或HRmax<HR’’；BOmax表示血氧BO的最大值，SPmin表示收缩压SP的最小值，SPmax表示收缩压SP的最大值，DPmin表示舒张压DP的最小值，DPmax表示舒张压DP的最大值，HRmin表示心率HR的最小值，HRmax表示心率HR的最大值；
S3：高风险评价标准：血氧方面：BOmid<BO’<BOmax；血压方面：SPmid>SP’或SPmid<SP’’或DPmid>DP’或DPmid<DP’’；心率方面：HRmid>HR’或者HRmid<HR’’；BOmid表示血氧BO的中位值，SPmid表示收缩压SP的中位值，DPmid表示舒张压DP的中位值，HRmid表示心率HR的中位值；
S4：中风险评价标准：血氧方面：BOmin<BO’<BOmid；血压方面：SPmax>SP’或SPmin<SP’’或DPmax>DP’或DPmin<DP’’；心率方面：HRmax>HR’或者HRmin<HR’’；BOmin表示血氧BO的最小值；
S5：低风险评价标准：其他情况。
步骤七：根据预测的飞行学员飞行训练过程健康风险预警等级，对飞行学员飞行训练出具相应报告：
S1：若预测得到飞行学员健康风险预警等级为低风险，出具飞行学员飞行训练过程低健康风险报告；
S2：若预测得到飞行学员健康风险预警等级为中风险或高风险，则对飞行学员飞行训练行程进行修改，同时将修改后行程对应的“当日待飞行训练时长、待飞行起降训练时长、待飞行巡航训练时长、飞行训练生涯总时间、飞行训练驾驶舱内最大噪声、驾驶舱内最大辐射、飞行训练最大巡航高度、飞行航线恶劣气象环境”指标更新后输入至飞行训练过程健康风险预测模型中，对飞行学员飞行训练过程健康风险进行进一步预测；当预测结果为低风险时，出具飞行学员训练过程低健康风险航线推荐报告；若遍历飞行学员培养院校航线数据库后，预警结果均存在中风险或高风险，则出具飞行学员飞行训练过程健康风险预警报告；
S3：若预测得到飞行学员健康风险预警等级为极高风险，出具飞行学员飞行训练过程健康极高风险预警报告。
步骤八：将形成的飞行学员飞行训练健康风险预测预警报告发送至飞行教员和飞行学员，并将预测数据同步存储于飞行学员飞行训练健康安全数据库。
实施例2
本发明实施例提供一种民航飞行学员飞行训练过程健康风险预测处置系统，包括：
健康安全数据采集存储模块，用于采集并存储飞行学员上机前和训练中的健康安全数据；
飞行训练过程健康风险预测模块，用于基于所述健康安全数据采集存储模块获取的数据输出飞行训练过程健康数据的预测值；
飞行训练过程健康风险预警模块，用于基于预测值评估预测飞行学员飞行训练健康风险预警等级；
报告出具模块，用于基于预测得到的健康风险预警等级出具相应的飞行训练健康风险预警报告。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种民航飞行学员飞行训练过程健康风险预测处置方法，其特征在于，包括如下步骤：
步骤一：收集以往飞行学员上机前和训练中的健康安全数据；
步骤二：基于收集的健康安全数据构建飞行学员飞行训练健康安全数据库；
步骤三：构建与优化飞行学员飞行训练过程健康风险预测模型；
步骤四：检测飞行学员上机前的健康指标数据，判断是否达到可执飞标准，若是，将飞行学员的健康指标数据输入飞行学员飞行训练过程健康风险预测模型；
步骤五：基于预测模型预测得到飞行学员在飞行训练过程中的健康指标数据；
步骤六：基于预测得到的飞行学员在飞行训练过程中的健康指标数据，预测飞行学员飞行训练过程健康风险预警等级；
步骤七：根据预测的飞行学员飞行训练过程健康风险预警等级，对飞行学员飞行训练出具相应预警报告。
2.根据权利要求1所述的一种民航飞行学员飞行训练过程健康风险预测处置方法，其特征在于，步骤一中，所述健康安全数据包括上机前、飞行训练中的健康指标数据、飞行训练过程性数据和飞行训练过程飞行环境数据；
所述上机前、飞行训练中的健康指标数据包括上机前以及飞行训练中飞行学员的血压、血氧、心率、睡眠时间指标数据；
所述飞行训练过程性数据包括飞行学员每天的飞行训练行程安排、飞行训练总时长、飞行训练起降过程总时长、飞行训练巡航过程总时长、飞行训练生涯总时间指标数据；
所述飞行训练过程飞行环境数据包括飞行学员在飞行训练过程驾驶舱内最大噪声、驾驶舱内最大辐射、飞行训练最大巡航高度，飞行训练航线恶劣气象环境指标数据。
3.根据权利要求1所述的一种民航飞行学员飞行训练过程健康风险预测处置方法，其特征在于，步骤二中，所述飞行学员飞行训练健康安全数据库运用分布式存储技术、数据多源异构接口技术、数据降维处理技术或数据分类分级管理技术进行构建。
4.根据权利要求1所述的一种民航飞行学员飞行训练过程健康风险预测处置方法，其特征在于，步骤三中，采用BP神经网络、CNN卷积神经网络、LSTM长短时记忆网络任意一种深度学习算法进行飞行学员飞行训练过程健康风险预测模型构建。
5.根据权利要求4所述的一种民航飞行学员飞行训练过程健康风险预测处置方法，其特征在于，飞行学员飞行训练过程健康风险预测模型的具体构建方法为：将飞行学员飞行训练健康安全数据库既有数据作为样本，将样本随机分为训练集和测试集两部分，其中训练集占比为80%，测试集为20%，通过深度学习算法对训练集数据进行学习，运用测试集对模型准确度进行测试并采用优化算法对健康风险预测模型的参数进行优化，构建得到飞行学员飞行训练过程健康风险预测模型。
6.根据权利要求1所述的一种民航飞行学员飞行训练过程健康风险预测处置方法，其特征在于，步骤四的具体步骤为：对飞行学员上机前一天的血氧、血压、心率和睡眠时间4个参数进行检测，若达到可执飞标准，在飞行训练当日上机前对飞行学员的血氧、血压、心率和睡眠时间再次进行检测，将两次检测结果取平均值作为飞行学员最终的上机前血氧、血压、心率和睡眠时间指标值，并输入飞行学员飞行训练过程健康风险预测模型。
7.根据权利要求1所述的一种民航飞行学员飞行训练过程健康风险预测处置方法，其特征在于，步骤五的具体步骤为：将上机前血氧、血压、心率、睡眠时间、近七天平均飞行训练总时长、近七天平均飞行起降训练总时长、近七天平均飞行巡航训练总时长、当日待飞行训练时长、当日待飞行起降训练时长、当日待飞行巡航训练时长、飞行训练生涯总时间、飞行训练驾驶舱内最大噪声、飞行训练驾驶舱内最大辐射、飞行训练最大巡航高度、飞行航线恶劣气象环境15项指标数据，输入至飞行学员飞行训练过程健康风险预测模型，输出预测得到该飞行学员在飞行训练过程中血氧BO、血压DP-SP和心率HR指标的最大值max、中位值mid和最小值min。
8.根据权利要求7所述的一种民航飞行学员飞行训练过程健康风险预测处置方法，其特征在于，步骤六的具体步骤为：构建四级风险预警体系，依次为极高风险、高风险、中风险、低风险，基于飞行学员飞行训练过程健康风险预测模型预测得到的血氧、血压和心率参数，预测飞行学员飞行训练过程健康风险预警等级；
风险预警体系的具体构建方法为：
S1：确定飞行学员飞行训练过程中健康指标阈值标准，临界血氧BO的阈值为BO’；收缩压SP的临界范围为SP’至SP’’，SP’表示SP临界范围的最高值，SP’’表示SP临界范围的最低值；舒张压DP的临界范围为DP’至DP’’，DP’表示DP临界范围的最高值，DP’’表示DP临界范围的最低值；心率HR的临界范围为HR’至HR’’，HR’表示HR临界范围的最高值，HR’’表示HR临界范围的最低值；
S2：极高风险评价标准：血氧方面：BOmax<BO’；血压方面：SPmin>SP’或SPmax<SP’’或DPmin>DP’或DPmax<DP’’；心率方面：HRmin>HR’或HRmax<HR’’；BOmax表示血氧BO的最大值，SPmin表示收缩压SP的最小值，SPmax表示收缩压SP的最大值，DPmin表示舒张压DP的最小值，DPmax表示舒张压DP的最大值，HRmin表示心率HR的最小值，HRmax表示心率HR的最大值；
S3：高风险评价标准：血氧方面：BOmid<BO’<BOmax；血压方面：SPmid>SP’或SPmid<SP’’或DPmid>DP’或DPmid<DP’’；心率方面：HRmid>HR’或者HRmid<HR’’；BOmid表示血氧BO的中位值，SPmid表示收缩压SP的中位值，DPmid表示舒张压DP的中位值，HRmid表示心率HR的中位值；
S4：中风险评价标准：血氧方面：BOmin<BO’<BOmid；血压方面：SPmax>SP’或SPmin<SP’’或DPmax>DP’或DPmin<DP’’；心率方面：HRmax>HR’或者HRmin<HR’’；BOmin表示血氧BO的最小值；
S5：低风险评价标准：其他情况。
9.根据权利要求8所述的一种民航飞行学员飞行训练过程健康风险预测处置方法，其特征在于，步骤七的具体步骤为：
S1：若预测得到飞行学员健康风险预警等级为低风险，出具飞行学员飞行训练过程低健康风险报告；
S2：若预测得到飞行学员健康风险预警等级为中风险或高风险，对飞行学员飞行训练行程进行修改，同时将修改后行程对应的当日待飞行训练时长、当日待飞行起降训练时长、当日待飞行巡航训练时长、飞行训练生涯总时间、飞行训练驾驶舱内最大噪声、飞行训练驾驶舱内最大辐射、飞行训练最大巡航高度、飞行航线恶劣气象环境8项指标更新后输入至飞行训练过程健康风险预测模型中，对飞行学员飞行训练过程健康风险进行进一步预测，当预测结果为低风险时，出具飞行学员训练过程低健康风险航线推荐报告；反之，出具飞行学员飞行训练过程健康风险预警报告；
S3：若预测得到飞行学员健康风险预警等级为极高风险，出具飞行学员飞行训练过程健康极高风险预警报告。
10.一种基于权利要求1-9任一所述民航飞行学员飞行训练过程健康风险预测处置方法的处理系统，其特征在于，包括：
健康安全数据采集存储模块，用于采集并存储飞行学员上机前和训练中的健康安全数据；
飞行训练过程健康风险预测模块，用于基于所述健康安全数据采集存储模块获取的数据输出飞行训练过程健康数据的预测值；
飞行训练过程健康风险预警模块，用于基于预测值评估预测飞行学员飞行训练健康风险预警等级；
报告出具模块，用于基于预测得到的健康风险预警等级出具相应的飞行训练健康风险预警报告。
CN202410168987.1A 2024-02-06 2024-02-06 民航飞行学员飞行训练过程健康风险预测处置方法及系统 Active CN117711627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410168987.1A CN117711627B (zh) 2024-02-06 2024-02-06 民航飞行学员飞行训练过程健康风险预测处置方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410168987.1A CN117711627B (zh) 2024-02-06 2024-02-06 民航飞行学员飞行训练过程健康风险预测处置方法及系统

Publications (2)

Publication Number Publication Date
CN117711627A true CN117711627A (zh) 2024-03-15
CN117711627B CN117711627B (zh) 2024-06-21

Family

ID=90152033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410168987.1A Active CN117711627B (zh) 2024-02-06 2024-02-06 民航飞行学员飞行训练过程健康风险预测处置方法及系统

Country Status (1)

Country Link
CN (1) CN117711627B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114373360A (zh) * 2021-12-17 2022-04-19 清华大学 飞行模拟器智能训练系统、方法及装置
CN114912829A (zh) * 2022-06-02 2022-08-16 中国民用航空飞行学院 一种飞行员高原适飞的评估方法及系统
CN114913979A (zh) * 2022-05-23 2022-08-16 宝石花医疗信息科技(成都)有限公司 一种疾病风险等级预测模型及其构建方法和应用
CN115762771A (zh) * 2022-09-08 2023-03-07 北京有加云科技有限公司 一种老年人健康风险预警系统和操作方法
CN115831371A (zh) * 2023-02-16 2023-03-21 成都体育学院 一种儿童体质健康评估系统和设备
CN116596385A (zh) * 2023-05-17 2023-08-15 浙江省交通运输科学研究院 飞行员适航评估方法、装置、存储介质及电子设备
CN117035187A (zh) * 2023-08-16 2023-11-10 清华大学 一种飞行员操作行为预测模型构建方法及系统
CN117172977A (zh) * 2023-08-30 2023-12-05 海华电子企业(中国)有限公司 一种针对学员训练的训练建议生成方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114373360A (zh) * 2021-12-17 2022-04-19 清华大学 飞行模拟器智能训练系统、方法及装置
CN114913979A (zh) * 2022-05-23 2022-08-16 宝石花医疗信息科技(成都)有限公司 一种疾病风险等级预测模型及其构建方法和应用
CN114912829A (zh) * 2022-06-02 2022-08-16 中国民用航空飞行学院 一种飞行员高原适飞的评估方法及系统
CN115762771A (zh) * 2022-09-08 2023-03-07 北京有加云科技有限公司 一种老年人健康风险预警系统和操作方法
CN115831371A (zh) * 2023-02-16 2023-03-21 成都体育学院 一种儿童体质健康评估系统和设备
CN116596385A (zh) * 2023-05-17 2023-08-15 浙江省交通运输科学研究院 飞行员适航评估方法、装置、存储介质及电子设备
CN117035187A (zh) * 2023-08-16 2023-11-10 清华大学 一种飞行员操作行为预测模型构建方法及系统
CN117172977A (zh) * 2023-08-30 2023-12-05 海华电子企业(中国)有限公司 一种针对学员训练的训练建议生成方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHIPING JIA: "Prediction of College Students\' Psychological Crisis with a Neural Network Optimized by Harmony Search Algorithm", 《INTERNATIONAL JOURNAL OF EMERGING TECHNOLOGIES IN LEARNING》, vol. 17, no. 2, 1 November 2022 (2022-11-01), pages 59 - 75 *
肖超: "民航飞行员疲劳风险评估模型及应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 3, 15 March 2023 (2023-03-15), pages 026 - 72 *
邹琳: "民航飞行员飞行疲劳体征的判别与安全对策综述", 《才智》, no. 19, 5 July 2011 (2011-07-05), pages 329 - 331 *
马志新 等: "基于SVR的飞行学员培养效果仿真", 《火力与指挥控制》, no. 12, 15 December 2019 (2019-12-15), pages 105 - 109 *

Also Published As

Publication number Publication date
CN117711627B (zh) 2024-06-21

Similar Documents

Publication Publication Date Title
CN109106384B (zh) 一种心理压力状况预测方法及系统
CN102715889B (zh) 一种脑力负荷检测方法
JP7396125B2 (ja) モデル生成装置、推定装置、モデル生成方法、及びモデル生成プログラム
CN105225007A (zh) 一种基于gabp神经网络的扇区运行性能综合检测方法及系统
CN106447184A (zh) 基于多传感器测量与神经网络学习的无人机操作员状态评估方法
CN112036540B (zh) 一种基于双种群混合人工蜂群算法的传感器数目优化方法
CN108549875B (zh) 一种基于深度通道注意力感知的脑电癫痫发作检测方法
CN113297994B (zh) 一种飞行员行为分析方法及系统
CN108507700A (zh) 一种猪舍多点温度预测方法及系统
CN113889252B (zh) 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统
KR20210023631A (ko) 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법
CN117711627B (zh) 民航飞行学员飞行训练过程健康风险预测处置方法及系统
CN117547270A (zh) 一种多源数据融合的飞行员认知负荷反馈系统
CN111681755A (zh) 一种生猪疾病诊疗系统及方法
CN111930601A (zh) 一种基于深度学习的数据库状态综合评分方法及其系统
CN107195297A (zh) 一种融合数据归一化的自适应变异鸟群语音识别系统
JP2021101318A (ja) 解析装置、解析方法、及び解析プログラム
CN114357877A (zh) 一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系统及方法
CN117390414A (zh) 一种水利应急排灌设备智能识别定位方法及系统
CN112151185A (zh) 一种儿童呼吸疾病与环境数据关联分析方法及系统
CN107230019A (zh) 用于考核空间工作记忆更新能力的方法及系统
CN116502903A (zh) 基于层次分析法的底播扇贝养殖区选址适宜性评价方法
CN115159286A (zh) 一种乘梯舒适度评价系统
CN114999655A (zh) 一种基于大数据的防疫心理问题早期预警及管理系统
CN114550918A (zh) 一种基于绘画特征数据的心理障碍测评方法及系统

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