版权所有:内蒙古大学图书馆 技术提供:维普资讯• 智图
内蒙古自治区呼和浩特市赛罕区大学西街235号 邮编: 010021
作者机构:西南交通大学交通运输与物流学院四川成都611756 中国民用航空飞行学院飞行技术学院四川广汉618307 四川旅游学院采购与招投标管理中心四川成都610100 解放军西部战区总医院神经外科四川成都610083
出 版 物:《空军军医大学学报》 (Journal of Air Force Medical University)
年 卷 期:2025年第46卷第1期
页 面:63-71页
学科分类:1001[医学-基础医学(可授医学、理学学位)] 08[工学] 0825[工学-航空宇航科学与技术] 100107[医学-航空、航天与航海医学] 10[医学]
基 金:四川省高等职业教育研究中心立项项目(GZY23C22) 中国民航飞行技术与飞行安全重点实验室开放基金(FZ2021KF05,FZ2021KF09) 德阳市哲学社会科学重点研究基地心理与行为科学研究项目(XLYXW2023202)
主 题:航空安全 飞行员 认知负荷 机器学习 神经网络 便携式心电监测设备
摘 要:目的基于Su-33飞行模拟器平台采集飞行员生理数据,识别飞行员在不同飞行阶段中的认知负荷水平。方法通过舰载机飞行任务实验,获取6名被试飞行学员在起飞爬升、巡航、进近着陆3个飞行阶段中的美国国家宇航局任务负荷指数量表和光电容积脉搏波数据。使用随机森林(RF)对心率变异性(HRV)指标进行重要性评价,并采用统计学分析比较飞行阶段的差异,最终选取最能反映认知负荷的HRV指标。使用支持向量机、K最近邻(KNN)算法、RF 3种机器学习算法,以及卷积神经网络和双向长短期记忆网络两种神经网络算法进行认知负荷识别。结果进近着陆阶段的认知负荷水平最高,巡航阶段次之,起飞爬升阶段最低。各分类模型对认知负荷的识别效果较好,基于便携式心电设备采集数据的精度较高,其中KNN算法表现最佳,识别准确率达92.9%。结论通过HRV指标,结合多种机器学习与神经网络算法,可以有效识别不同飞行阶段的认知负荷水平,为飞行员训练与认知评估提供了科学依据。