【技術實現步驟摘要】
本專利技術涉及人工智能，尤其涉及一種基于腦認知的集群無人機操控極限航時測試方法。
技術介紹
1、集群無人機相對于單機無人機，在靈活性、可靠性、任務效率和成本效益等方面具有顯著優勢。它們在災難救援、農業管理、物流配送等領域展現出巨大的潛力，能夠更好地滿足復雜任務的需求。隨著技術的不斷發展，集群無人機將會在越來越多的應用場景中發揮重要作用。
2、集群無人機操控相對單機來說更加復雜，對操控人員能力要求更高，人員也更容易疲勞，而一個操控人員在特定任務背景下能夠操控集群無人機多長時間仍保持良好的工作狀態一直以來是一個被廣泛關注的問題，因為了解了準確的航時才能指導現有集群無人機的優化設計以及操控崗位人員輪班時間設置，避免因為工作狀態不佳導致的集群無人機故障頻發、操控失誤等問題。隨著集群無人機的應用發展，將催生更多的集群操控人員需求，如何構建模型判定集群無人機的極限操控航時是一個亟待解決的問題。
3、經調研，針對該模型的研究較少，普遍采用任務績效的方式對操控航時進行判定，這種方式操作簡單，但并不準確，因為隨著操控時間增加，人首先出現腦疲勞、情緒低落等認知能力下降，然后才是任務績效下降，任務績效指標是滯后的，任務績效下降時操控人員已將達到極限狀態，該航時判定結果往往比實際更長。如果參考該航時判定結果制定輪班策略，會增加安全隱患，導致集群無人機事故的出現。
技術實現思路
1、鑒于上述的分析，本專利技術實施例旨在提供一種基于腦認知的集群無人機操控極限航時測試方法，用以解決現有的
2、第一方面，本專利技術實施例提供了一種基于腦認知的集群無人機操控極限航時測試方法，其特征在于，包括如下步驟：
3、采集操控人員的一種或多種電生理數據以及操控人員執行目標任務時的任務績效；
4、對所述一種或多種電生理數據進行特征提取，其中所述一種或多種電生理數據包括腦電數據；
5、將從所述一種或多種電生理數據中提取到的特征分別輸入至預先訓練完成的一種或多種分類器，得到操控人員的一種或多種認知指標，其中所述一種或多種認知指標包括腦疲勞指標；
6、根據操控人員的所述一種或多種認知指標和所述任務績效，確定操控人員是否達到極限操控航時。
7、基于上述方法的進一步改進，所述一種或多種電生理數據還包括以下中的至少一項：
8、肌電數據、心電數據；并且
9、所述一種或多種認知指標相應的還包括以下中的至少一項：
10、肌肉疲勞指標、情緒指標。
11、基于上述方法的進一步改進，根據操控人員的所述一種或多種認知指標和所述任務績效，確定操控人員是否達到極限操控航時包括：
12、若任一種所述認知指標未達到預設閾值范圍或者所述任務績效未達到預設績效標準，則操控人員達到極限操控航時；否則，所述操控人員未達到極限操控航時。
13、基于上述方法的進一步改進，所述分類器為支持向量機。
14、基于上述方法的進一步改進，所述分類器的訓練過程包括如下步驟：
15、采集操控人員的電生理數據以及表征操控人員的當前認知指標的標簽；
16、對所述電生理數據進行特征提取；
17、將從所述電生理數據中提取到的特征輸入至分類器的初始模型，得到操控人員的初始認知指標；
18、基于所述初始認知指標和所述標簽之間的比較，更新所述分類器的初始模型。
19、基于上述方法的進一步改進，在將從所述電生理數據中提取到的特征輸入至分類器的初始模型之前，對從所述電生理數據中提取到的特征執行如下操作：
20、采用t檢驗方法對所述特征進行篩選。
21、基于上述方法的進一步改進，基于所述初始認知指標和所述標簽之間的比較，更新所述分類器的初始模型包括：
22、使用網絡搜索法對所述分類器的初始模型中的參數進行遍歷；
23、使用k折交叉驗證對所述參數進行篩選。
24、基于上述方法的進一步改進，對腦電數據進行特征提取包括：
25、從腦電數據中提取如下中的至少一項特征：
26、近似熵、樣本熵、排序熵、小波熵、時頻空間譜相干特征、節律特征、功率譜特征、統計特征、通道對之間的相干性特征、通道對之間的互信息特征；
27、對心電數據進行特征提取包括：
28、從心電數據中提取如下中的至少一項特征：
29、平均心率、nn間期的標準差、低頻功率、高頻功率和低頻功率與高頻功率的比值；
30、對肌電數據進行特征提取包括：
31、從肌電數據中提取如下中的至少一項特征：
32、近似熵、樣本熵、排序熵、小波熵、平均功率頻率。
33、基于上述方法的進一步改進，采集操控人員的腦電數據以及表征操控人員的當前認知指標的標簽包括：
34、設計用于激發操控人員的腦疲勞狀態的精神運動警覺性任務；
35、采集操控人員執行所述精神運動警覺性任務后的腦電數據以及表征操控人員處于腦疲勞狀態的標簽；或者，
36、采集操控人員的肌電數據以及表征操控人員的當前認知指標的標簽包括：
37、設計用于激發操控人員的肌肉疲勞狀態的長時持握任務；
38、采集操控人員執行所述長時持握任務后的肌電數據以及表征操控人員處于肌肉疲勞狀態的標簽；或者，
39、采集操控人員的心電數據以及表征操控人員的當前認知指標的標簽包括：
40、設計用于激發操控人員的正向情緒和負向情緒的測試任務；
41、采集操控人員執行所述測試任務后的心電數據以及表征操控人員的正向情緒和負向情緒的標簽。
42、基于上述方法的進一步改進，對所述參數進行篩選為執行如下運算：
43、
44、0＜αi＜c，i＝1，2，3...，n
45、其中，αi和αj為拉格朗日乘子，k(xi，xi)代表核函數，c代表懲罰項，xi和yi為樣本i的樣本數據。
46、與現有技術相比，本專利技術至少可實現如下有益效果之一：
47、1、本專利技術方案基于人工智能模型，通過構建認知狀態分析模型，量化了操控人員在集群任務下的腦疲勞、肌肉疲勞、情緒認知狀態，有效地指導了現有集群無人機的優化設計以及操控崗位人員輪班時間設置，避免因為操控人員工作狀態不佳導致的集群無人機故障頻發、操控失誤等問題。
48、2、本專利技術方案提出的基于短板理論的極限航時判定模型準確判定了操控人員的極限航時，為集群無人機的優化設計以及操控崗位人員輪班時間設置提供了有效的數據，避免因為操控人員工作狀態不佳導致的集群無人機故障頻發、操控失誤等問題。
49、本專利技術中，上述各技術方案之間還可以相互組合，以實現更多的優選組合方案。本專利技術的其他特征和優點將在隨后的說明書中闡述，并且，部本文檔來自技高網...
【技術保護點】
1.一種基于腦認知的集群無人機操控極限航時測試方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的測試方法，其特征在于，所述一種或多種電生理數據還包括以下中的至少一項：
3.根據權利要求1所述的測試方法，其特征在于，根據操控人員的所述一種或多種認知指標和所述任務績效，確定操控人員是否達到極限操控航時包括：
4.根據權利要求2所述的測試方法，其特征在于，所述分類器為支持向量機。
5.根據權利要求4所述的測試方法，其特征在于，所述分類器的訓練過程包括如下步驟：
6.根據權利要求5所述的測試方法，其特征在于，在將從所述電生理數據中提取到的特征輸入至分類器的初始模型之前，對從所述電生理數據中提取到的特征執行如下操作：
7.根據權利要求5所述的測試方法，其特征在于，基于所述初始認知指標和所述標簽之間的比較，更新所述分類器的初始模型包括：
8.根據權利要求2所述的測試方法，其特征在于，對腦電數據進行特征提取包括：
9.根據權利要求5所述的測試方法，其特征在于，采集操控人員的腦電數據以及表征操
10.根據權利要求7所述的測試方法，其特征在于，對所述參數進行篩選為執行如下運算：
...【技術特征摘要】
1.一種基于腦認知的集群無人機操控極限航時測試方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的測試方法，其特征在于，所述一種或多種電生理數據還包括以下中的至少一項：
3.根據權利要求1所述的測試方法，其特征在于，根據操控人員的所述一種或多種認知指標和所述任務績效，確定操控人員是否達到極限操控航時包括：
4.根據權利要求2所述的測試方法，其特征在于，所述分類器為支持向量機。
5.根據權利要求4所述的測試方法，其特征在于，所述分類器的訓練過程包括如下步驟：
6.根據權利要求5所述的測試方法，...
【專利技術屬性】
技術研發人員：趙小川，金雷明，劉華鵬，劉瑩，洪天閣，瞿永江，安寧波，
申請(專利權)人：中國兵器工業計算機應用技術研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。