科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 通过分析多源异构生理数据，提出评价飞行员工作负荷的机器学习方法，从而优化飞机驾驶舱人机工效学设计。方法 在Kamov Ka-52飞行模拟器中进行12组飞行测试，每组测试包含五种类型的正常或异常事件。在飞行过程中收集了心电(ECG)、肌电(EMG)、脉搏和呼吸数据。首先对飞行过程进行定性分析，以显示飞行条件和工作负荷的总体趋势。然后，通过主成分分析(PCA)评估不同飞行阶段的工作量，并选择有效的生理参数进行降维并融合。最后，三种不同的机器学习模型，即基于支持向量机的(PWE-SVM)、基于遗传算法优化的支持向量机(PWE-GASVM)和基于反向传播神经网络的飞行员工作负荷评估模型(PWE-BP)被提出来量化飞行中的工作负荷。结果 需要高水平操作技能和注意力集中的告警、地形跟随和着陆过程的飞行员工作负荷也相对较高。肌电和心电参数较脉搏和呼吸参数可以更有效的反应工作负荷。PWE-GASVM在飞行员工作负荷评估上表现最好。结论 提出的飞行员工作负荷评估方法有效可行。
- 单位
