本文關鍵詞：基于生理特征與支持向量機的認知任務負荷瞬時識別

  更多相關文章： 認知任務負荷 支持向量機 適應性自動化 神經(jīng)工效學 人機系統(tǒng)

【摘要】：諸多復雜指令和控制系統(tǒng)一般要求人類操作員和機器(或計算機)協(xié)同合作以完成一系列預定義的任務,這類任務系統(tǒng)可被定義為人機系統(tǒng)。然而,高安全性要求條件下人機系統(tǒng)中操作員的性能崩潰將可能導致災難性事故的發(fā)生。由于技術發(fā)展的限制,完全移除人機系統(tǒng)中操作員的控制或監(jiān)督功能一般難以達到。此時,客觀精確評價操作員認知任務負荷(Cognitive Task-Load, CTL)能有效預警過高的操作員精力消耗或過低的警覺水平。在此基礎上設計的適應性自動化系統(tǒng)能合理地指定和分配適合操作員或機器完成的任務,從而達到調(diào)整操作員CTL水平并優(yōu)化人機系統(tǒng)性能的目的。鑒于生理信號能連續(xù)客觀地反映人的認知和功能狀態(tài),本研究旨在結合生理數(shù)據(jù)和模式識別方法自動識別若干離散的CTL等級。本文的主要貢獻總結如下：(1)基于自動化加強型密封艙空氣管理系統(tǒng)(automation-enhanced Cabin Air Management System, aCAMS)軟件仿真了高安全性要求的復雜過程控制任務人機協(xié)作系統(tǒng)。設計了2種對應不同任務流程的實驗范式,共計13名被試參與實驗。在被試完成aCAMS任務的同時,采集了其生理、任務性能和主觀評價數(shù)據(jù)。通過利用低通濾波、功率譜分析和偽跡去除方法,對含噪的生理數(shù)據(jù)進行了有效預處理。在此基礎上,提取了多維生理特征和對應時刻的任務性能指標,并研究了每個時刻CTL目標類別的自動確定方法。該實驗為設計和評價CTL分類方法提供了實測的數(shù)據(jù)基礎。(2)提出了基于遞歸特征排除(Recursive Feature Elimination, RFE)和最小二乘支持向量機(Least Square Support Vector Machine, LSS VM)的生理特征選擇和CTL模式分類方法。該分類框架能有效識別2-3級CTL,即,先采用典型的2類RFE-LSSVM實現(xiàn)2級CTL特征選擇和識別,再設計基于3類RFE-LSSVM和決策有向無環(huán)圖(Decision Directed Acyclic Graph, DDAG)的3級CTL分類器。特征選擇結果表明,CTL的不同性質可通過特定的生理特征子集描述。結果比較指出,當采用合適的RFE策略時,基于RFE-LSSVM和RFE-LSSVM-DDAG的CTL分類框架可得到較高且穩(wěn)定的分類性能。本工作證實了采用生理特征識別2、3級CTL的可行性。(3)提出了基于自適應指數(shù)平滑(Adaptive Exponential Smoothing, AES)和自適應有界支持向量機(Adaptive Bounded Support Vector Machine, ABSVM)的3-4級CTL識別方法。本工作在前一工作的基礎上,采用數(shù)據(jù)平滑和自適應分類方法提高多級CTL的分類精度。首先,在缺乏偽跡信號模板的條件下,AES方法能有效移除生理數(shù)據(jù)中的頑固偽跡。此外,采用了局部保留投影方法(Locality Preservation Projection, LPP)獲得重要的低維生理特征。通過結合AES-LPP方法與BSVM分類器,粗粒度數(shù)據(jù)分析條件下的3級CTL分類精度顯著提高了11-13%。另一方面,為了實現(xiàn)高分辨率條件下交叉被試和實驗的CTL分類任務,結合ABSVM和AES方法研究了細粒度數(shù)據(jù)分析條件下的3、4級CTL分類性能。對比僅采用BSVM的情況,細粒度條件下AES-ABSVM的分類精度提升10-20%。該工作證實了采用自適應生理特征平滑和自適應分類策略在多級CTL識別問題中的有效性。(4)提出了基于拉普拉斯特征映射和集成SVM的4-5級CTL分類器。本工作在之前工作的基礎上引入集成分類方法進一步提高被試特異型CTL分類器性能。該工作的目的是通過結合數(shù)據(jù)聚類分析、特征維數(shù)約簡和集成分類方法建立操作員任務性能數(shù)據(jù)與生理特征的聯(lián)系。首先,通過高斯混合模型處理3維操作員性能數(shù)據(jù)指標自動識別4或5級的CTL目標類別�；诶绽固卣饔成渚S數(shù)約簡方法導出一組具有代表性的EEG特征序列,并與心率特征結合作為CTL分類器的輸入。繼而采用多個結構相異的SVM成員分類器通過多數(shù)投票機制設計集成CTL分類器。結果表明,包含多個核函數(shù)的集成分類器能更好地處理被試的個體差異性。(5)開發(fā)了一種基于CTL動態(tài)分類器的自適應人機系統(tǒng)仿真框架。本工作在之前工作的基礎上采用5級CTL動態(tài)分類器,并以此為依據(jù)設計人機任務自動分配策略。首先,通過非線性動態(tài)分類模型對瞬態(tài)多級CTL狀態(tài)的精確識別,該框架能將操作員的CTL等級和任務性能控制在最優(yōu)水平。為了提高在線條件下分類器的泛化性能,再次將AES和LPP方法結合提取重要的EEG指標,并采用多核LSSVM作為設計動態(tài)CTL分類器的基礎。最終,對每名被試單獨設計分類器以預測任務性能數(shù)據(jù),從而間接識別5級離散的CTL等級。預測得到的任務性能指標和瞬時CTL狀態(tài)則作為仿真控制系統(tǒng)分配不同人機任務的依據(jù)。仿真結果對比了采用/不采用自適應人機任務分配策略的情況。最終證實,自適應人機系統(tǒng)能顯著提升操作員的工作績效。
【關鍵詞】：認知任務負荷 支持向量機 適應性自動化 神經(jīng)工效學 人機系統(tǒng)
【學位授予單位】：華東理工大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.4;TP181
【目錄】：

• 摘要5-7
• Abstract7-17
• 第1章 緒論17-39
• 1.1 研究背景和意義17-20
• 1.2 操作員CTL評估綜述20-24
• 1.2.1 CTL定義20
• 1.2.2 CTL評估目的20-21
• 1.2.3 AA系統(tǒng)實現(xiàn)21-24
• 1.3 操作員CTL評估方法24-30
• 1.3.1 傳統(tǒng)評估方法24-26
• 1.3.2 生理評估方法26-30
• 1.4 生理數(shù)據(jù)分析方法30-37
• 1.4.1 神經(jīng)網(wǎng)絡30-31
• 1.4.2 模糊邏輯31-32
• 1.4.3 統(tǒng)計判別分析32
• 1.4.4 支持向量機32-37
• 1.5 論文研究內(nèi)容和組織構架37-39
• 第2章 生理數(shù)據(jù)采集實驗與分析39-63
• 2.1 引言39-40
• 2.2 aCAMS實驗任務40-43
• 2.2.1 任務環(huán)境40
• 2.2.2 主要任務40-41
• 2.2.3 人機界面41-43
• 2.3 實驗內(nèi)容43-46
• 2.3.1 實驗環(huán)境43
• 2.3.2 被試43-44
• 2.3.3 實驗設計44-46
• 2.4 數(shù)據(jù)采集與預處理46-55
• 2.4.1 數(shù)據(jù)采集46-47
• 2.4.2 生理數(shù)據(jù)預處理47-51
• 2.4.3 任務性能數(shù)據(jù)預處理51-55
• 2.4.4 主觀評價數(shù)據(jù)預處理55
• 2.5 CTL目標類別確定55-62
• 2.5.1. 方差分析法55-58
• 2.5.2. 聚類分析法58-59
• 2.5.3. GMM方法59-60
• 2.5.4. 在線確定方法60-62
• 2.6 本章小結62-63
• 第3章 基于RFE-LSSVM方法的CTL模式分類63-84
• 3.1 引言63-64
• 3.2 CTL特征選擇與分類算法64-67
• 3.2.1 采用RFE的CTL特征排序64-65
• 3.2.2 線性LSSVM65-66
• 3.2.3 非線性LSSVM66-67
• 3.3 CTL分類結果67-82
• 3.3.1 2類分類結果與分析67-76
• 3.3.2 3類分類結果與分析76-82
• 3.4 本章小結82-84
• 第4章 基于AES和ABSVM方法的CTL模式分類84-110
• 4.1 引言84-86
• 4.2 自適應特征平滑與分類方法86-91
• 4.2.1 基于AES的生理特征數(shù)據(jù)平滑86-87
• 4.2.2 基于LPP的生理特征約簡87-88
• 4.2.3 基于ABSVM的通用CTL分類器88-91
• 4.3 基于粗粒度數(shù)據(jù)分析的CTL分類結果與分析91-99
• 4.3.1 AES參數(shù)設定91-92
• 4.3.2 被試特異型CTL分類器92-95
• 4.3.3 被試通用型CTL分類器95-99
• 4.4 基于細粒度數(shù)據(jù)分析的CTL分類結果與分析99-108
• 4.4.1 生理特征選擇99-100
• 4.4.2 被試特異型CTL分類器100-104
• 4.4.3 被試通用型CTL分類器104-108
• 4.5 本章小結108-110
• 第5章 基于LE和集成SVM方法的CTL模式分類110-134
• 5.1 引言110-111
• 5.2 CTL集成分類框架111-115
• 5.2.1 基于LE的EEG特征約簡111-113
• 5.2.2 SVM集成分類器設計113-115
• 5.3 CTL集成分類結果與分析115-132
• 5.3.1 CTL目標類別115-118
• 5.3.2 EEG特征118-123
• 5.3.3 分類器性能評價123-132
• 5.4 本章小結132-134
• 第6章 基于CTL動態(tài)模式識別的自適應人機系統(tǒng)設計與仿真134-171
• 6.1 引言134-135
• 6.2 基于LSSVM的CTL動態(tài)分類方法135-140
• 6.2.1 用作自回歸建模的LSSVM135-137
• 6.2.2 帶外源輸入的動態(tài)LSSVM137
• 6.2.3 NARX-LSSVM137-139
• 6.2.4 NARX-LSSVM模型結構辨識139-140
• 6.3 CTL動態(tài)分類結果與分析140-150
• 6.3.1 采用全部EEG和ECG特征的CTL分類結果141-145
• 6.3.2 采用不同導聯(lián)和不同EEG頻段特征的CTL分類結果145-148
• 6.3.3 采用不同特征約簡與分類方法的CTL分類結果比較148-150
• 6.4 自適應人機系統(tǒng)仿真150-169
• 6.4.1 在線CTL動態(tài)分類器150-158
• 6.4.2 CTL自動調(diào)節(jié)律158-169
• 6.5 本章小結169-171
• 第7章 工作總結與未來展望171-174
• 7.1 研究工作總結171-172
• 7.2 未來工作展望172-174
• 參考文獻174-187
• 致謝187-188
• 作者在攻讀博士學位期間完成的學術成果188-189

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 李麗;袁玫;;使用車載導航系統(tǒng)下駕駛員腦力負荷影響因素分析[J];安全與環(huán)境學報;2011年06期

2 王潔;方衛(wèi)寧;李廣燕;;基于多資源理論的腦力負荷評價方法[J];北京交通大學學報;2010年06期

3 李鵬杰;姚志;王萌;張相;黃偉芬;陳善廣;吳斌;張宜靜;;心率變異性在手控交會對接操作腦力負荷評價中的應用[J];人類工效學;2013年03期

，

本文編號：816251