本文關(guān)鍵詞：基于生理特征與支持向量機(jī)的認(rèn)知任務(wù)負(fù)荷瞬時(shí)識別

  更多相關(guān)文章： 認(rèn)知任務(wù)負(fù)荷 支持向量機(jī) 適應(yīng)性自動(dòng)化 神經(jīng)工效學(xué) 人機(jī)系統(tǒng)

【摘要】：諸多復(fù)雜指令和控制系統(tǒng)一般要求人類操作員和機(jī)器(或計(jì)算機(jī))協(xié)同合作以完成一系列預(yù)定義的任務(wù),這類任務(wù)系統(tǒng)可被定義為人機(jī)系統(tǒng)。然而,高安全性要求條件下人機(jī)系統(tǒng)中操作員的性能崩潰將可能導(dǎo)致災(zāi)難性事故的發(fā)生。由于技術(shù)發(fā)展的限制,完全移除人機(jī)系統(tǒng)中操作員的控制或監(jiān)督功能一般難以達(dá)到。此時(shí),客觀精確評價(jià)操作員認(rèn)知任務(wù)負(fù)荷(Cognitive Task-Load, CTL)能有效預(yù)警過高的操作員精力消耗或過低的警覺水平。在此基礎(chǔ)上設(shè)計(jì)的適應(yīng)性自動(dòng)化系統(tǒng)能合理地指定和分配適合操作員或機(jī)器完成的任務(wù),從而達(dá)到調(diào)整操作員CTL水平并優(yōu)化人機(jī)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(rèn)知和功能狀態(tài),本研究旨在結(jié)合生理數(shù)據(jù)和模式識別方法自動(dòng)識別若干離散的CTL等級。本文的主要貢獻(xiàn)總結(jié)如下：(1)基于自動(dòng)化加強(qiáng)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(fù)雜過程控制任務(wù)人機(jī)協(xié)作系統(tǒng)。設(shè)計(jì)了2種對應(yīng)不同任務(wù)流程的實(shí)驗(yàn)范式,共計(jì)13名被試參與實(shí)驗(yàn)。在被試完成aCAMS任務(wù)的同時(shí),采集了其生理、任務(wù)性能和主觀評價(jià)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(jìn)行了有效預(yù)處理。在此基礎(chǔ)上,提取了多維生理特征和對應(yīng)時(shí)刻的任務(wù)性能指標(biāo),并研究了每個(gè)時(shí)刻CTL目標(biāo)類別的自動(dòng)確定方法。該實(shí)驗(yàn)為設(shè)計(jì)和評價(jià)CTL分類方法提供了實(shí)測的數(shù)據(jù)基礎(chǔ)。(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(jī)(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(shí)現(xiàn)2級CTL特征選擇和識別,再設(shè)計(jì)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(jié)果表明,CTL的不同性質(zhì)可通過特定的生理特征子集描述。結(jié)果比較指出,當(dāng)采用合適的RFE策略時(shí),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(shí)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(yīng)指數(shù)平滑(Adaptive Exponential Smoothing, AES)和自適應(yīng)有界支持向量機(jī)(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(chǔ)上,采用數(shù)據(jù)平滑和自適應(yīng)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(jié)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(shí)現(xiàn)高分辨率條件下交叉被試和實(shí)驗(yàn)的CTL分類任務(wù),結(jié)合ABSVM和AES方法研究了細(xì)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(xì)粒度條件下AES-ABSVM的分類精度提升10-20%。該工作證實(shí)了采用自適應(yīng)生理特征平滑和自適應(yīng)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(chǔ)上引入集成分類方法進(jìn)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(jié)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(wù)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(biāo)自動(dòng)識別4或5級的CTL目標(biāo)類別。基于拉普拉斯特征映射維數(shù)約簡方法導(dǎo)出一組具有代表性的EEG特征序列,并與心率特征結(jié)合作為CTL分類器的輸入。繼而采用多個(gè)結(jié)構(gòu)相異的SVM成員分類器通過多數(shù)投票機(jī)制設(shè)計(jì)集成CTL分類器。結(jié)果表明,包含多個(gè)核函數(shù)的集成分類器能更好地處理被試的個(gè)體差異性。(5)開發(fā)了一種基于CTL動(dòng)態(tài)分類器的自適應(yīng)人機(jī)系統(tǒng)仿真框架。本工作在之前工作的基礎(chǔ)上采用5級CTL動(dòng)態(tài)分類器,并以此為依據(jù)設(shè)計(jì)人機(jī)任務(wù)自動(dòng)分配策略。首先,通過非線性動(dòng)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(wù)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(jié)合提取重要的EEG指標(biāo),并采用多核LSSVM作為設(shè)計(jì)動(dòng)態(tài)CTL分類器的基礎(chǔ)。最終,對每名被試單獨(dú)設(shè)計(jì)分類器以預(yù)測任務(wù)性能數(shù)據(jù),從而間接識別5級離散的CTL等級。預(yù)測得到的任務(wù)性能指標(biāo)和瞬時(shí)CTL狀態(tài)則作為仿真控制系統(tǒng)分配不同人機(jī)任務(wù)的依據(jù)。仿真結(jié)果對比了采用/不采用自適應(yīng)人機(jī)任務(wù)分配策略的情況。最終證實(shí),自適應(yīng)人機(jī)系統(tǒng)能顯著提升操作員的工作績效。
【關(guān)鍵詞】：認(rèn)知任務(wù)負(fù)荷 支持向量機(jī) 適應(yīng)性自動(dòng)化 神經(jīng)工效學(xué) 人機(jī)系統(tǒng)
【學(xué)位授予單位】：華東理工大學(xué)
【學(xué)位級別】：博士
【學(xué)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(shí)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(luò)30-31
• 1.4.2 模糊邏輯31-32
• 1.4.3 統(tǒng)計(jì)判別分析32
• 1.4.4 支持向量機(jī)32-37
• 1.5 論文研究內(nèi)容和組織構(gòu)架37-39
• 第2章 生理數(shù)據(jù)采集實(shí)驗(yàn)與分析39-63
• 2.1 引言39-40
• 2.2 aCAMS實(shí)驗(yàn)任務(wù)40-43
• 2.2.1 任務(wù)環(huán)境40
• 2.2.2 主要任務(wù)40-41
• 2.2.3 人機(jī)界面41-43
• 2.3 實(shí)驗(yàn)內(nèi)容43-46
• 2.3.1 實(shí)驗(yàn)環(huán)境43
• 2.3.2 被試43-44
• 2.3.3 實(shí)驗(yàn)設(shè)計(jì)44-46
• 2.4 數(shù)據(jù)采集與預(yù)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(yù)處理47-51
• 2.4.3 任務(wù)性能數(shù)據(jù)預(yù)處理51-55
• 2.4.4 主觀評價(jià)數(shù)據(jù)預(yù)處理55
• 2.5 CTL目標(biāo)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(jié)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(jié)果67-82
• 3.3.1 2類分類結(jié)果與分析67-76
• 3.3.2 3類分類結(jié)果與分析76-82
• 3.4 本章小結(jié)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(yīng)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(jié)果與分析91-99
• 4.3.1 AES參數(shù)設(shè)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(xì)粒度數(shù)據(jù)分析的CTL分類結(jié)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(jié)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(shè)計(jì)113-115
• 5.3 CTL集成分類結(jié)果與分析115-132
• 5.3.1 CTL目標(biāo)類別115-118
• 5.3.2 EEG特征118-123
• 5.3.3 分類器性能評價(jià)123-132
• 5.4 本章小結(jié)132-134
• 第6章 基于CTL動(dòng)態(tài)模式識別的自適應(yīng)人機(jī)系統(tǒng)設(shè)計(jì)與仿真134-171
• 6.1 引言134-135
• 6.2 基于LSSVM的CTL動(dòng)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(dòng)態(tài)LSSVM137
• 6.2.3 NARX-LSSVM137-139
• 6.2.4 NARX-LSSVM模型結(jié)構(gòu)辨識139-140
• 6.3 CTL動(dòng)態(tài)分類結(jié)果與分析140-150
• 6.3.1 采用全部EEG和ECG特征的CTL分類結(jié)果141-145
• 6.3.2 采用不同導(dǎo)聯(lián)和不同EEG頻段特征的CTL分類結(jié)果145-148
• 6.3.3 采用不同特征約簡與分類方法的CTL分類結(jié)果比較148-150
• 6.4 自適應(yīng)人機(jī)系統(tǒng)仿真150-169
• 6.4.1 在線CTL動(dòng)態(tài)分類器150-158
• 6.4.2 CTL自動(dòng)調(diào)節(jié)律158-169
• 6.5 本章小結(jié)169-171
• 第7章 工作總結(jié)與未來展望171-174
• 7.1 研究工作總結(jié)171-172
• 7.2 未來工作展望172-174
• 參考文獻(xiàn)174-187
• 致謝187-188
• 作者在攻讀博士學(xué)位期間完成的學(xué)術(shù)成果188-189

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 李麗;袁玫;;使用車載導(dǎo)航系統(tǒng)下駕駛員腦力負(fù)荷影響因素分析[J];安全與環(huán)境學(xué)報(bào);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(fù)荷評價(jià)方法[J];北京交通大學(xué)學(xué)報(bào);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(fù)荷評價(jià)中的應(yīng)用[J];人類工效學(xué);2013年03期

，

本文編號：816251