科研之友
微信
新浪微博
Facebook
分享链接
摘要
近年的通用航空事故中，出现在飞行训练期间由人因引起的事故约1/3。疲劳是人因中重要的一种，准确地识别飞行学员的疲劳状态对飞行安全有积极意义。提出了一种融合注意力机制的飞行学员精神疲劳分类网络，使用深度可分离卷积对网络参数进行精简，引入注意力机制充分利用通道与空间特征对脑电无用信息进行抑制的同时增大了关键信息权重。使用公开疲劳数据集SEED-VIG对网络进行预训练，然后通过迁移学习将其应用于飞行学员精神疲劳分类，网络在对4种精神疲劳状态分类时达到了84.12%的准确率，并在NVIDIA Jetson Nano上达到了27samples/s的运行速度。该网络可有效识别飞行学员的疲劳类型，并及时向飞行教员反馈学员精神状态情况，为判断飞行学员是否适合训练提供生理依据，同时该网络满足移动设备和嵌入式设备的计算要求。
- 单位
