【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及腦力評(píng)估，尤其涉及基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)。
技術(shù)介紹
1、在現(xiàn)代飛行任務(wù)中，尤其是有人-無人協(xié)同操作的復(fù)雜場景下，操作員的腦力負(fù)荷成為直接影響任務(wù)成敗的重要因素，隨著任務(wù)場景的日益復(fù)雜化，操作員需要同時(shí)處理多個(gè)任務(wù)、監(jiān)控多個(gè)設(shè)備和快速做出決策，從而造成腦力負(fù)荷顯著增加。高腦力負(fù)荷不僅降低了操作員的反應(yīng)速度和決策準(zhǔn)確性，還可能導(dǎo)致過度疲勞，進(jìn)而引發(fā)任務(wù)錯(cuò)誤或安全事故。
2、目前的腦力負(fù)荷監(jiān)測技術(shù)大多基于傳統(tǒng)的生理數(shù)據(jù)監(jiān)測方法，如心率、皮電反應(yīng)等，這些方法雖然可以在一定程度上反映操作員的生理狀態(tài)，但往往無法準(zhǔn)確捕捉操作員在不同任務(wù)類型下的腦力負(fù)荷變化，也難以應(yīng)對(duì)任務(wù)場景的復(fù)雜性和實(shí)時(shí)性需求。現(xiàn)有的腦力負(fù)荷監(jiān)測系統(tǒng)缺乏對(duì)多任務(wù)環(huán)境中腦力負(fù)荷動(dòng)態(tài)變化的精確評(píng)估，無法實(shí)時(shí)適應(yīng)任務(wù)需求的變化，難以支持實(shí)時(shí)的任務(wù)調(diào)整。
3、此外，操作員的腦力負(fù)荷往往受到任務(wù)特性的顯著影響，例如路徑規(guī)劃復(fù)雜度、協(xié)同無人機(jī)數(shù)量、任務(wù)目標(biāo)的多樣性等。這些任務(wù)特性會(huì)以非線性和交互的方式影響操作員的負(fù)荷狀態(tài)。然而，現(xiàn)有技術(shù)在任務(wù)特性與腦力負(fù)荷關(guān)系的研究上相對(duì)不足，難以精確識(shí)別關(guān)鍵任務(wù)特性對(duì)負(fù)荷的具體影響。這使得系統(tǒng)在負(fù)荷超出安全范圍時(shí)無法優(yōu)先對(duì)高影響因素進(jìn)行調(diào)整，導(dǎo)致負(fù)荷管理和任務(wù)優(yōu)化的滯后性和不準(zhǔn)確性。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)提供了基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)。
2、基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與
3、多源數(shù)據(jù)獲取模塊：采集操作員的腦電波信號(hào)、語音波動(dòng)和手指肌肉活動(dòng)數(shù)據(jù)，對(duì)各數(shù)據(jù)源進(jìn)行多層次噪聲消減和信號(hào)增強(qiáng)處理，以生成處理后的操作員腦力負(fù)荷數(shù)據(jù)；
4、負(fù)荷基準(zhǔn)生成模塊：基于操作員的歷史腦力負(fù)荷數(shù)據(jù)，設(shè)定操作員的個(gè)性化負(fù)荷基準(zhǔn)值和閾值范圍；
5、任務(wù)特性-腦力負(fù)荷關(guān)聯(lián)模塊：用于分析任務(wù)特性對(duì)操作員腦力負(fù)荷的影響程度，基于多維回歸分析和自適應(yīng)深度學(xué)習(xí)模型，構(gòu)建任務(wù)特性與腦力負(fù)荷之間的非線性關(guān)系模型，識(shí)別任務(wù)特性對(duì)腦力負(fù)荷的貢獻(xiàn)度，并根據(jù)不同任務(wù)類型（如復(fù)雜路徑規(guī)劃、有人-無人機(jī)多數(shù)量協(xié)同和多目標(biāo)協(xié)同等）動(dòng)態(tài)評(píng)估負(fù)荷狀態(tài)，輸出實(shí)時(shí)負(fù)荷變化預(yù)測值；
6、動(dòng)態(tài)腦力負(fù)荷評(píng)估模塊：基于訓(xùn)練后的非線性關(guān)系模型，輸入當(dāng)前任務(wù)類型，輸出操作員當(dāng)前的腦力負(fù)荷數(shù)據(jù)，實(shí)時(shí)生成腦力負(fù)荷波動(dòng)曲線，結(jié)合腦力負(fù)荷基準(zhǔn)模型，將當(dāng)前的腦力負(fù)荷數(shù)據(jù)與負(fù)荷基準(zhǔn)模型的基準(zhǔn)值和閾值范圍進(jìn)行對(duì)比，判斷是否超出閾值范圍，并根據(jù)腦力負(fù)荷波動(dòng)曲線的波動(dòng)模式預(yù)測未來高負(fù)荷風(fēng)險(xiǎn)時(shí)段；
7、任務(wù)實(shí)時(shí)自適應(yīng)調(diào)整模塊：基于動(dòng)態(tài)腦力負(fù)荷評(píng)估模塊的輸出，利用自適應(yīng)控制算法，在多任務(wù)執(zhí)行過程中動(dòng)態(tài)調(diào)整任務(wù)參數(shù)，包括協(xié)同無人機(jī)數(shù)量、任務(wù)復(fù)雜度和復(fù)雜路徑優(yōu)化，以保持操作員的腦力負(fù)荷數(shù)據(jù)在安全閾值內(nèi)。
8、可選的，所述多源數(shù)據(jù)獲取模塊包括：
9、腦電波采集單元，通過佩戴式腦電波傳感器采集操作員的腦電波信號(hào)，采用自適應(yīng)濾波和小波分解算法對(duì)信號(hào)進(jìn)行多層次噪聲消減，并增強(qiáng)關(guān)鍵頻段的信號(hào)，關(guān)鍵頻段包括α波和β波以提高腦電數(shù)據(jù)的精確性和穩(wěn)定性；所述自適應(yīng)淲波用于消除腦電信號(hào)中的噪聲，采用自適應(yīng)濾波器模型；
10、小波分解對(duì)腦電信號(hào)進(jìn)行多層小波分解；
11、語音波動(dòng)采集單元，通過佩戴式麥克風(fēng)實(shí)時(shí)采集操作員的語音信號(hào)，應(yīng)用噪聲抑制算法去除環(huán)境背景噪聲，通過語音頻譜分析提取并增強(qiáng)語音的聲調(diào)、頻率變化，以捕捉語音波動(dòng)與腦力波動(dòng)的關(guān)聯(lián)特征；
12、手指肌肉活動(dòng)采集單元，通過置于操作員手部的肌電傳感器獲取手指肌肉活動(dòng)數(shù)據(jù)，使用時(shí)域?yàn)V波去除肌電信號(hào)中的噪聲，并采用頻譜分析方法提取手指肌肉活動(dòng)的關(guān)鍵特征，增強(qiáng)肌電信號(hào)的穩(wěn)定性；
13、多模態(tài)數(shù)據(jù)融合單元，接收腦電波、語音波動(dòng)和肌肉活動(dòng)數(shù)據(jù)，通過加權(quán)融合和特征對(duì)齊對(duì)各類數(shù)據(jù)進(jìn)行同步融合處理，以生成處理后的操作員腦力負(fù)荷數(shù)據(jù)，為腦力負(fù)荷評(píng)估模塊提供準(zhǔn)確、可靠的多源數(shù)據(jù)基礎(chǔ)，所述加權(quán)融合生成腦力負(fù)荷數(shù)據(jù)，表達(dá)式為：
14、，其中，是融合后的腦力負(fù)荷數(shù)據(jù)，、、分別表示腦電波、語音波動(dòng)和肌電信號(hào)的處理結(jié)果；、、分別表示腦電波、語音波動(dòng)和肌電信號(hào)加權(quán)系數(shù)。
15、可選的，所述負(fù)荷基準(zhǔn)生成模塊具體包括：
16、數(shù)據(jù)預(yù)處理單元，用于接收操作員的歷史腦力負(fù)荷數(shù)據(jù)，采用歸一化方法將不同時(shí)間和任務(wù)下的腦力負(fù)荷數(shù)據(jù)映射到統(tǒng)一的數(shù)值范圍[0,1]；
17、基準(zhǔn)值與閾值設(shè)定單元，利用歸一化后的腦力負(fù)荷數(shù)據(jù)，結(jié)合歷史數(shù)據(jù)的均值和標(biāo)準(zhǔn)差來確定操作員的個(gè)性化負(fù)荷基準(zhǔn)值和閾值范圍。
18、可選的，所述操作員的個(gè)性化負(fù)荷基準(zhǔn)值和閾值范圍表示：
19、；
20、；
21、；
22、其中，為標(biāo)準(zhǔn)差，為歷史負(fù)荷數(shù)據(jù)的平均值，是歷史數(shù)據(jù)點(diǎn)數(shù)，是用于調(diào)節(jié)閾值范圍的安全系數(shù)。
23、可選的，所述任務(wù)特性-腦力負(fù)荷關(guān)聯(lián)模塊具體包括：
24、任務(wù)特性提取單元，從當(dāng)前任務(wù)中提取任務(wù)特性向量，其中，為任務(wù)特性的數(shù)量，每個(gè)任務(wù)特性（i∈m）代表具體任務(wù)參數(shù)，包括路徑規(guī)劃復(fù)雜度、協(xié)同無人機(jī)數(shù)量、任務(wù)多目標(biāo)密度，通過數(shù)值量化特性并形成任務(wù)特性數(shù)據(jù)集；
25、多維回歸分析單元，對(duì)任務(wù)特性向量和操作員歷史腦力負(fù)荷數(shù)據(jù)進(jìn)行多維回歸分析，建立非線性關(guān)系模型，計(jì)算任務(wù)特性與負(fù)荷變化的線性和非線性關(guān)系，獲得預(yù)測的腦力負(fù)荷值；
26、自適應(yīng)深度學(xué)習(xí)模型單元，基于多維回歸分析結(jié)果，利用深度學(xué)習(xí)模型的深度神經(jīng)網(wǎng)絡(luò)建模任務(wù)特性與腦力負(fù)荷的復(fù)雜非線性關(guān)系，深度學(xué)習(xí)模型的損失函數(shù)為最小化預(yù)測負(fù)荷與實(shí)際負(fù)荷的差異：
27、，其中，為深度學(xué)習(xí)模型的損失函數(shù)，為模型預(yù)測的第個(gè)任務(wù)實(shí)例的腦力負(fù)荷值，為歷史數(shù)據(jù)中的實(shí)際腦力負(fù)荷值，為樣本數(shù)量；通過反向傳播和梯度下降優(yōu)化模型參數(shù)，使模型能夠自適應(yīng)不同任務(wù)特性之間的復(fù)雜非線性關(guān)系；
28、任務(wù)特性貢獻(xiàn)度識(shí)別單元，對(duì)訓(xùn)練完成的模型進(jìn)行任務(wù)特性敏感性分析，計(jì)算每個(gè)任務(wù)特性對(duì)腦力負(fù)荷的貢獻(xiàn)度，即任務(wù)特性貢獻(xiàn)度；
29、動(dòng)態(tài)負(fù)荷預(yù)測單元，基于當(dāng)前任務(wù)特性向量通過訓(xùn)練完成的模型實(shí)時(shí)預(yù)測當(dāng)前的腦力負(fù)荷變化趨勢，輸出實(shí)時(shí)負(fù)荷變化預(yù)測值，并向后續(xù)模塊提供動(dòng)態(tài)的負(fù)荷狀態(tài)預(yù)測，以支持負(fù)荷實(shí)時(shí)監(jiān)測和任務(wù)參數(shù)調(diào)整。
30、可選的，所述非線性關(guān)系模型表示為：
31、，其中，表示第??個(gè)任務(wù)特性參數(shù)，表示與任務(wù)相關(guān)的特性（如路徑規(guī)劃復(fù)雜度、協(xié)同無人機(jī)數(shù)量、多目標(biāo)協(xié)同等）經(jīng)過量化后的數(shù)值，表示第個(gè)任務(wù)特性參數(shù)，為預(yù)測的腦力負(fù)荷值，是回歸模型的截距項(xiàng)，表示沒有任務(wù)特性影響時(shí)的初始腦力負(fù)荷，為任務(wù)特性的線性回歸系數(shù)，衡量任務(wù)特性對(duì)腦力負(fù)荷的直接影響，為任務(wù)特性之間的二階交互回歸系數(shù)，用于建模任務(wù)特性之間的非線性影響。
32、可選的，所述任務(wù)特性貢獻(xiàn)度計(jì)算為：，其中，為任務(wù)特性對(duì)預(yù)測腦力負(fù)荷的貢獻(xiàn)度本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述多源數(shù)據(jù)獲取模塊包括：
3.根據(jù)權(quán)利要求1所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述負(fù)荷基準(zhǔn)生成模塊具體包括：
4.根據(jù)權(quán)利要求3所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述操作員的個(gè)性化負(fù)荷基準(zhǔn)值和閾值范圍表示：
5.根據(jù)權(quán)利要求3所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述任務(wù)特性-腦力負(fù)荷關(guān)聯(lián)模塊具體包括：
6.根據(jù)權(quán)利要求5所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述非線性關(guān)系模型表示為：
7.根據(jù)權(quán)利要求5所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述任務(wù)特性貢獻(xiàn)度計(jì)算為：，其中，為任務(wù)特性對(duì)預(yù)測腦力負(fù)荷的貢獻(xiàn)度，表示任務(wù)特性對(duì)腦力負(fù)荷變化的敏感度，表示預(yù)測負(fù)荷對(duì)任務(wù)特性的
8.根據(jù)權(quán)利要求6所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述動(dòng)態(tài)腦力負(fù)荷評(píng)估模塊中，通過公式：，輸入當(dāng)前任務(wù)類型的任務(wù)特性向量，輸出操作員當(dāng)前的腦力負(fù)荷值，其中，是深度學(xué)習(xí)模型的函數(shù)表達(dá)，表示任務(wù)特性向量與腦力負(fù)荷之間的非線性關(guān)系，是深度學(xué)習(xí)模型的參數(shù)集合，包括所有權(quán)重和偏置，將當(dāng)前腦力負(fù)荷預(yù)測值存儲(chǔ)在時(shí)間序列數(shù)據(jù)中，以實(shí)時(shí)更新并繪制腦力負(fù)荷波動(dòng)曲線，隨著任務(wù)執(zhí)行時(shí)間的增加，波動(dòng)曲線表示為：；
9.根據(jù)權(quán)利要求8所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述任務(wù)實(shí)時(shí)自適應(yīng)調(diào)整模塊具體包括：
10.根據(jù)權(quán)利要求9所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述任務(wù)參數(shù)調(diào)整單元包括：
...【技術(shù)特征摘要】
1.基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述多源數(shù)據(jù)獲取模塊包括：
3.根據(jù)權(quán)利要求1所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述負(fù)荷基準(zhǔn)生成模塊具體包括：
4.根據(jù)權(quán)利要求3所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述操作員的個(gè)性化負(fù)荷基準(zhǔn)值和閾值范圍表示：
5.根據(jù)權(quán)利要求3所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述任務(wù)特性-腦力負(fù)荷關(guān)聯(lián)模塊具體包括：
6.根據(jù)權(quán)利要求5所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述非線性關(guān)系模型表示為：
7.根據(jù)權(quán)利要求5所述的基于有人-無人飛行協(xié)同任務(wù)對(duì)操作員腦力評(píng)估與監(jiān)測系統(tǒng)，其特征在于，所述任務(wù)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：汪潔瀅，王偉，張陣陣，梁永誠，何思遠(yuǎn)，
申請(專利權(quán))人：中國人民解放軍海軍特色醫(yī)學(xué)中心，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。