基于飞行员疲劳状态监测的脑认知深度模型设计

Science and Technology & Innovation｜科技与创新2024年第03期
DOI：10.15913/ki.kjycx.2024.03.015
基于飞行员疲劳状态监测的脑认知深度模型设计
王晨
（顺丰航空有限公司，广东深圳518000）
摘要：为了更好地分析与识别飞行员的疲劳状态，促进对飞行员飞行状态的及时监测与处理，构建了针对飞行员疲劳状态的彩色脑功率图和脑功率图深度网络模型，并设计了卷积神经网络参数优化方法，收集飞行员疲劳状态的相关数据。

脑功率图深度网络模型具有较强的分类识别能力，与基于脑电信号的疲劳检测深度模型相对比，疲劳状态认知准确度提升了3%～5%，由此精准检测出飞行员的飞行状态，促使飞行员及时调节自身状态，缓解疲劳现象，顺利完成飞行任务。

关键词：飞行员；疲劳状态；脑认知；深度模型
中图分类号：TP399 文献标志码：A 文章编号：2095-6835（2024）03-0055-03
在飞行员疲劳状态分析层面，针对大量数据构建数据分析方法，在贝叶斯准则运用过程中将概率知识运用到对大量数据的处理中，运用概率方式分析不同数据之间的关系。

该方法对深度学习模型过拟合度的数值及变动产生了一定的影响，在此基础上构建飞行员脑疲劳状态认知模型。

在飞行员疲劳状态分析层面，贝叶斯网络具有显著的运用优势，能够有效调节超参数，因此当前广泛运用了贝叶斯准则，具有良好的整体分析效果。

1 飞行员疲劳状态
飞行员本身状态对飞行活动具有直接的影响，在飞行时间较长、外部环境因素等的联合刺激下，飞行员飞行活动易感到疲劳，容易导致飞行员脑认知不平衡，不利于飞行活动的顺利开展。

由相关数据可知，飞行员疲劳所导致的飞行事故占比4.1%，与疲劳相关的影响因素占比10.5%。

针对空勤人员进行调查可知，34%的飞行员在飞行过程中容易出现疲劳现象。

由此，为了更好地保证飞行安全，要求加强对飞行员疲劳状态的监测，及时感知飞行员疲劳状态，从而及时采取应对之策[1]。

要求加强对疲劳状态的监测，收集脑电信号，通过分析脑电信号对飞行员的疲劳状态进行监测。

在脑电信号分析中，信噪比较低、整体数据特征不明显，给数据分析与运用带来了一定的难度。

为此，本文提出构建新型脑疲劳评价指标，对原有的疲劳分析指标进行一定调整，利用专业方式提取出飞行员脑电波节律，并对大量数据构建贝叶斯参数，在多项技术有效运用的基础上建立深度卷积网络学习模型，通过应用该方法，发现其在飞行员疲劳脑认知方面具有良好的识别效果[2]。

2 飞行员疲劳状态脑电特征提取
脑认知状态推理的基础为脑电信号，在飞行员疲劳状态监测过程中，对大量信息进行检测分析，结合时间信号，通过提取与研究分析得出脑电传感器电极分布特征。

对多名飞行员的状态进行研究可知，飞行员脑电变化呈现出三维空间分布特征。

将时间与空间信息输入，然后将脑电信号反射于平面之后能够得出脑功率图，大量数据变动结果显示出整体变动幅度为几微伏至几百微伏，飞行员疲劳状态频率带为0～30 Hz。

频率包括快波与慢波，快波有α波（8～13 Hz）、β波（14～30 Hz），慢波有δ波（0～4 Hz）、θ波（4～7 Hz）。

飞行员波形表现与当时的飞行状态之间有着一定的联系，通过对脑电信号变化趋势的分析能够判断出飞行员疲劳状态，从实际数据层面分析飞行员实际的飞行状态，以此对飞行员飞行状态调整提供数据依据。

在一维脑电信号中能够反映出当时飞行状态中的时域、频域情况，这对飞行员疲劳状态的解读具有重要的作用。

通过相关性分析能够有效检测出系统峰值、波形参数等，挖掘不同数值之间的关系，增强整体分析效果。

对20名飞行员的实际飞行状态进行信息采集[3]，结果如表1、表2所示。

飞行员在疲劳状态下，脑电信号节律δ、θ、α、β波等会出现相应的变化。

不同频率段能量与熵也有所不同，通过各项信息分析得出电极脑电信号，同时构建三维分析方式，将三维信息转化为二维信息，得出二维图像，促进对不同类目的分析。

脑电信号人工特征提取方法需要综合考虑多项因素，要求结合脑电信号本身的复杂性，避免出现特征信息丢失的现象。

机器学习与深度学习技术的运用对数据分析具有显著的效果。

脑电信号特征提取深度学习网络的实际使用范围较为
·
·55
科技与创新｜Science and Technology & Innovation2024年第03期
广泛，构建类型多样，在多项场景之下均可使用。

常见的研究类型有DBN深度置信网络、CNN卷积神经网络、RBM受限玻尔兹曼机、自编码网络（Auto-encoders，AE）等。

结合脑电信号特征，运用贝叶斯准则深度学习方法，实现对参数后验分布的分析。

深度卷积神经网络对图像分类起着重要的数据支持作用，但是卷积神经网络可解释性有限，对原始检测数据提出了一定的要求，即数据检测能够满足相关要求。

贝叶斯方法对卷积神经网络的运用进行了一定补充，有利于优化样本概率分布研究，使用概率表示输出向量，并对拟合风险作出相应的调整与应对策略[4]。

表1 20名飞行员飞行活动中的数据监测结果
项目
正确率
第一反应答题平均时间/ms 正确答题平均时间/ms
飞行前
0.97±0.016 5
577.27±54.94
601.63±66.24
飞行后
0.97±0.016 9
662.68±126.91
677.18±140.01
P值
0.910
0.004
0.021
3 飞行员脑认知状态学习模型设计
3.1 认知指标选取
利用功率谱密度曲线表示信号能量，据此得出脑电信号及4个节律功率谱密度。

利用Welch法构建功率谱密度曲线，在系统中输入24 s采样频率为160 Hz 的脑电信号，使用160Hamming窗，脑电信号相邻数据段重合点数为20。

结合功率谱密度与频率得出脑电信号节律段功率密度积分。

随着飞行时间的延长，飞行员疲劳时，脑电信号4个节律段有所不同。

慢波节律段飞行员疲劳状态检测更为容易，在快波段疲劳状态往往有所缓解。

在功率谱计算中，δ与θ功率呈现出不断增加的状态，α、β功率则明显减弱。

当前较为常见的分析指标包括脑电图（EEG）、事件相关电位（ERP）等。

分析飞行员在非疲劳与疲劳不同状态下的脑电信号情况，与非疲劳状态相比，疲劳状态下指标数值有所提升[5]。

3.2 飞行员疲劳状态脑功率图构建
在三维空间中展示脑电测量电极分布情况，在研究过程中，利用电极空间信息模型分析精度损失，结合二维脑功率图，分析深度模型输入信号。

运用等距方位投影方式将三维电极位置映射至二维平面，从而能够对电极位置的球面特性进行分析，得出能够反映脑电信号疲劳指标的脑功率图。

使用脑电信号δ、θ、α、β4个波段分析飞行员脑疲劳状态，把波段利用处理得出的图像像素进行转换。

转换过程如下：结合等距方位投影方法把64个电极位置投影至平面位置；针对不同电极上的脑电信号，
提取3个节律信号，包括α节律信号（8～13 Hz脑电波信号）、θ节律信号（4～7 Hz脑电波信号）、β节律信号（13～30 Hz脑电波信号），得出疲劳指标；借助于成本Welch法，将飞行员疲劳状态的信号划分为6段，并对数据信息进行一一总结，由此得出疲劳指标平均功率谱，将实时数据信息输入之后得出像素值；摒除δ波段特征图谱信息内容，将64个电极位置集中体现表示为32×32图像；将RGB 3种颜色数值作为指标平均功率谱，得出32×32图像，结合双线性插值得出像素值与飞行员脑功率[6]。

3.3 飞行员脑认知深度学习模型构建
构建最小化网络输出、实际输出损失函数。

结合数据集D，由N个输入x
i
、输出y
i
、输出维度K，得出损失函数。

运用网络优化器Adam方法进行参数迭代，包括迭代次数（Epochs）、学习率（Learning Rate）、标量（Scalar）、随机梯度下降（Stochastic Gradient Descent，SGD）等。

此种研究方法具有较强的可扩展性，能够更为广泛地分析飞行员的疲劳状态，同时联合运用权重衰减、动量项配置、批量归一化等多种数据分析方式，实现对大量信息的集中处理。

并结合实际情况，作出一定的调整，实现对大量数据的精准分析。

4 数据分析
组织40名经验丰富的一线飞行员开展模拟飞行，收集原始飞行数据，促进此次分析。

利用信息系统进行脑电信号采集，信号采样频率为160 Hz，将信号通过带通滤波器提取δ、θ、α、β 4个节律，得出飞行员飞行时脑功率图谱。

累计飞行4 h，得出飞行员脑疲劳状态，
表2 20名飞行员在飞行任务前、后一氧化氮（NO）检测结果比较
项目
外周面积/m
总轨迹长/m
单位面积轨迹长/m 有效面积/m2
飞行前
0.002±0.000
1.907±0.416
783.406±309.411
0.026±0.011
飞行后
0.002±0.000
2.280±0.864
843.946±391.297
0.026±0.008
P值
0.881
0.109
0.221
0.966
··56
Science and Technology & Innovation｜科技与创新2024年第03期
优化脑电信号数据采集，在飞行之前零工作负荷记为
状态1，进行1.5 h轻度压力模测试与分析。

对实际飞
行状态进行一一测算与研究，运用实验的方式进行专
业化数据处理，以30 min为一个区间进行数据信号的
采集，模拟分析轻度压力状态、中度压力飞行状态、高
压疲劳状态等，促使飞行员更好地进行状态调整，提高
整体飞行效率。

累计收集5 000组数据，保证脑电信息
能够有效识别4种疲劳状态[7]。

构建飞行员疲劳状态
BPMnet网络，具体运行情况如表3所示。

表3 飞行员疲劳状态BPMnet网络结构
序号1 2 3
4
5 6
操作
6×Conv2D（1×1×3）
9×Conv2D（5×5×6）
BatchNorm
Maxpool2D（2）
12×Conv2D
（5×5×9）
BatchNorm
Maxpool2D（2）
Reshape
FC（300×96）
FC（96×32）
FC（32×4）
输入维度
32×32×3
32×32×6
14×14×9
300
96
32
输出维度
32×32×6
14×14×9
300
96
32
4
参数数量
6×3=18
9×5×5×6+
18=1 368
12×5×5×9+
24=2 724
300×96=
28 800
96×32=3 072
32×4=128
构建深度神经网络Lenet与Alex-net架构，采用Adam方法与贝叶斯VOGN方法进行网络参数优化与分析。

利用直接训练集，研究系统综合分析方法，对飞行员疲劳状态进行多次模拟与分析，当前飞行过程中常见的分析方法有VOGN优化方法、Adam优化方法，并结合实际工作开展的情况，建立多种功能结构，由此进一步提升对飞行员疲劳状态的监测效率。

与常用的Alexnet结构相比，Lenet网络在建立与使用性能上更加优异，针对同样的数据，能够得出更为精准与优异的分析结果。

当前模拟飞行实验的网络结构不断丰富，逐渐构建了多种更为简便与高效的网络结构，例如BPMnet网络结构等。

在具体使用过程中，联合VOGN参数优化方法，能得出更为精准的分析结果，促进对飞行员疲劳状态的集中检测与分析，进一步增强训练集准确度，并对此构建集中统一的研究方式，实现对飞行员疲劳状态的有效调整与集中处理，过拟合风险更低。

要求选取合适的迭代轮数，运用VOGN 参数优化方法能够达到较高的准确率，该方法过拟合风险较低。

贝叶斯方法与传统方法相近，在运用过程中能够有效降低训练集过拟合风险[8]。

BPMnet网络对脑功率图谱疲劳检测效果良好，分类效果较为理想。

但是应当注意，贝叶斯方法所耗费的时长明显高于传统Adam方法，主要运用在离线任务分析之中。

此次分析活动达到高于90%的分类正确率，与深度学习EEG信号分析相比，将数据分类精度提升了3%～5%，综合运用优势较为明显。

在对飞行员疲劳状态的监测过程中，可以有效利用脑认知深度模型，及时监测出飞行员的疲劳状态，并及时采取必要的应对之策，以此更好地保证飞行员飞行过程中处于良好的状态，更好地保证飞行安全。

5 结束语
为了进一步保证飞行安全，促进飞行活动的顺利进行，要求加强对飞行员飞行状态的实时监测与统计。

本文提出构建数据分析方法，运用基于贝叶斯准则的深度学习方法，结合飞行员脑电信号，利用深度学习得出飞行员疲劳状态分类器。

采用专业飞行方式，综合分析飞行员脑电信号。

针对收集到的大量信息进行预处理，得出飞行员多种脑疲劳指标，采用投影方法得出二维脑功率图。

由此更好地检测出飞行员脑认知状态，更好地引起飞行员的重视，通过一定的方式及时缓解疲劳状态，为飞行活动的顺利开展提供保障。

参考文献：
[1] 张雪，周炫妤，张倩，等.矿泉浴对战斗机飞行员疲劳及血液
微量元素影响的研究进展[J].中国疗养医学，2022，31（11）：1151-1154.
[2] 陈翔，刘永新，李春虹.基于眼睛状态识别的军用直升机飞
行员疲劳实时监测系统设计[J].电子测试，2019（23）：60-61. [3] 王家涛，包佳仪，周前祥，等.飞行员机动飞行过程中颈椎动
力学响应仿真及损伤预测[J].医用生物力学，2022，37（2）：262-267.
[4] 韩明秀，王盛，王煜文，等.基于EEG的飞行员脑力疲劳评
估研究进展[J].载人航天，2021，27（5）：639-645.
[5] 段付军，张丹，张宁玲，等.直升机飞行员飞行疲劳状况及相
关因素分析[J].空军医学杂志，2021，37（4）：288-290，327. [6] 张迪，孙宏，张培文.早晚航班对飞行员疲劳程度的影响[J].
科技和产业，2021，21（6）：221-223.
[7] 胡德永，王立志，江燕芳，等.高性能战斗机飞行员疲劳程度
与血清铁蛋白、乳酸脱氢酶等指标的相关性[J].中国疗养医
学，2020，29（5）：489-492.
[8] 裘旭益，仇峰，吴奇.面向飞行员疲劳状态监测的脑认知深
度模型研究[J].航空电子技术，2020，51（4）：13-19.————————
作者简介：王晨（1976—），男，四川成都人，本科，一级飞行教师，研究方向为飞行安全。

（编辑：王霞）
·
·57。