基于深度收缩稀疏自编码网络的飞行员疲劳状态识别

作者：吴奇; 储银雪^*; 陈曦; 林金星; 任和

来源：控制与决策, 2018, 33(12): 2263-2269.

DOI：10.13195/j.kzyjc.2017.0924

• 飞行员疲劳
• 脑电信号
• 深度收缩稀疏自编码网络
• 深度自编码网络
• Softmax分类器
• 准确率

飞行员的疲劳状态识别具有重要的研究意义和应用价值.针对飞行员疲劳状态识别的复杂性和准确性,提出一种新的基于脑电信号的飞行员疲劳状态识别深度学习模型.在对飞行员的脑电信号进行滤波分解的基础上,提取delta波(0.5～4 Hz)、theta波(5～8 Hz)、alpha波(7～14 Hz)和beta波(14～30 Hz),将其重组信号作为深度收缩稀疏自编码网络-Softmax模型的输入向量,用以对飞行员疲劳状态的识别,所得到的实验结果与深度自编码网络-Softmax模型和传统方法PCA-Softmax模型识别结果进行比较,结果表明所建立的深度学习模型具有很好的分类效果,分类准确率可达91.67%,且学习所得的特征稳定性好,验证了所提模型具有稳定性和重复验证性.

• 单位
  南京邮电大学; 上海交通大学; 上海飞机客户服务有限公司; 自动化学院