基于生理特征与支持向量机的认知任务负荷瞬时识别

发布时间：2017-09-08 20:47

  本文关键词：基于生理特征与支持向量机的认知任务负荷瞬时识别

  更多相关文章： 认知任务负荷 支持向量机 适应性自动化 神经工效学 人机系统

【摘要】：诸多复杂指令和控制系统一般要求人类操作员和机器(或计算机)协同合作以完成一系列预定义的任务,这类任务系统可被定义为人机系统。然而,高安全性要求条件下人机系统中操作员的性能崩溃将可能导致灾难性事故的发生。由于技术发展的限制,完全移除人机系统中操作员的控制或监督功能一般难以达到。此时,客观精确评价操作员认知任务负荷(Cognitive Task-Load, CTL)能有效预警过高的操作员精力消耗或过低的警觉水平。在此基础上设计的适应性自动化系统能合理地指定和分配适合操作员或机器完成的任务,从而达到调整操作员CTL水平并优化人机系统性能的目的。鉴于生理信号能连续客观地反映人的认知和功能状态,本研究旨在结合生理数据和模式识别方法自动识别若干离散的CTL等级。本文的主要贡献总结如下：(1)基于自动化加强型密封舱空气管理系统(automation-enhanced Cabin Air Management System, aCAMS)软件仿真了高安全性要求的复杂过程控制任务人机协作系统。设计了2种对应不同任务流程的实验范式,共计13名被试参与实验。在被试完成aCAMS任务的同时,采集了其生理、任务性能和主观评价数据。通过利用低通滤波、功率谱分析和伪迹去除方法,对含噪的生理数据进行了有效预处理。在此基础上,提取了多维生理特征和对应时刻的任务性能指标,并研究了每个时刻CTL目标类别的自动确定方法。该实验为设计和评价CTL分类方法提供了实测的数据基础。(2)提出了基于递归特征排除(Recursive Feature Elimination, RFE)和最小二乘支持向量机(Least Square Support Vector Machine, LSS VM)的生理特征选择和CTL模式分类方法。该分类框架能有效识别2-3级CTL,即,先采用典型的2类RFE-LSSVM实现2级CTL特征选择和识别,再设计基于3类RFE-LSSVM和决策有向无环图(Decision Directed Acyclic Graph, DDAG)的3级CTL分类器。特征选择结果表明,CTL的不同性质可通过特定的生理特征子集描述。结果比较指出,当采用合适的RFE策略时,基于RFE-LSSVM和RFE-LSSVM-DDAG的CTL分类框架可得到较高且稳定的分类性能。本工作证实了采用生理特征识别2、3级CTL的可行性。(3)提出了基于自适应指数平滑(Adaptive Exponential Smoothing, AES)和自适应有界支持向量机(Adaptive Bounded Support Vector Machine, ABSVM)的3-4级CTL识别方法。本工作在前一工作的基础上,采用数据平滑和自适应分类方法提高多级CTL的分类精度。首先,在缺乏伪迹信号模板的条件下,AES方法能有效移除生理数据中的顽固伪迹。此外,采用了局部保留投影方法(Locality Preservation Projection, LPP)获得重要的低维生理特征。通过结合AES-LPP方法与BSVM分类器,粗粒度数据分析条件下的3级CTL分类精度显著提高了11-13%。另一方面,为了实现高分辨率条件下交叉被试和实验的CTL分类任务,结合ABSVM和AES方法研究了细粒度数据分析条件下的3、4级CTL分类性能。对比仅采用BSVM的情况,细粒度条件下AES-ABSVM的分类精度提升10-20%。该工作证实了采用自适应生理特征平滑和自适应分类策略在多级CTL识别问题中的有效性。(4)提出了基于拉普拉斯特征映射和集成SVM的4-5级CTL分类器。本工作在之前工作的基础上引入集成分类方法进一步提高被试特异型CTL分类器性能。该工作的目的是通过结合数据聚类分析、特征维数约简和集成分类方法建立操作员任务性能数据与生理特征的联系。首先,通过高斯混合模型处理3维操作员性能数据指标自动识别4或5级的CTL目标类别。基于拉普拉斯特征映射维数约简方法导出一组具有代表性的EEG特征序列,并与心率特征结合作为CTL分类器的输入。继而采用多个结构相异的SVM成员分类器通过多数投票机制设计集成CTL分类器。结果表明,包含多个核函数的集成分类器能更好地处理被试的个体差异性。(5)开发了一种基于CTL动态分类器的自适应人机系统仿真框架。本工作在之前工作的基础上采用5级CTL动态分类器,并以此为依据设计人机任务自动分配策略。首先,通过非线性动态分类模型对瞬态多级CTL状态的精确识别,该框架能将操作员的CTL等级和任务性能控制在最优水平。为了提高在线条件下分类器的泛化性能,再次将AES和LPP方法结合提取重要的EEG指标,并采用多核LSSVM作为设计动态CTL分类器的基础。最终,对每名被试单独设计分类器以预测任务性能数据,从而间接识别5级离散的CTL等级。预测得到的任务性能指标和瞬时CTL状态则作为仿真控制系统分配不同人机任务的依据。仿真结果对比了采用/不采用自适应人机任务分配策略的情况。最终证实,自适应人机系统能显著提升操作员的工作绩效。
【关键词】：认知任务负荷 支持向量机 适应性自动化 神经工效学 人机系统
【学位授予单位】：华东理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.4;TP181
【目录】：

• 摘要5-7
• Abstract7-17
• 第1章 绪论17-39
• 1.1 研究背景和意义17-20
• 1.2 操作员CTL评估综述20-24
• 1.2.1 CTL定义20
• 1.2.2 CTL评估目的20-21
• 1.2.3 AA系统实现21-24
• 1.3 操作员CTL评估方法24-30
• 1.3.1 传统评估方法24-26
• 1.3.2 生理评估方法26-30
• 1.4 生理数据分析方法30-37
• 1.4.1 神经网络30-31
• 1.4.2 模糊逻辑31-32
• 1.4.3 统计判别分析32
• 1.4.4 支持向量机32-37
• 1.5 论文研究内容和组织构架37-39
• 第2章 生理数据采集实验与分析39-63
• 2.1 引言39-40
• 2.2 aCAMS实验任务40-43
• 2.2.1 任务环境40
• 2.2.2 主要任务40-41
• 2.2.3 人机界面41-43
• 2.3 实验内容43-46
• 2.3.1 实验环境43
• 2.3.2 被试43-44
• 2.3.3 实验设计44-46
• 2.4 数据采集与预处理46-55
• 2.4.1 数据采集46-47
• 2.4.2 生理数据预处理47-51
• 2.4.3 任务性能数据预处理51-55
• 2.4.4 主观评价数据预处理55
• 2.5 CTL目标类别确定55-62
• 2.5.1. 方差分析法55-58
• 2.5.2. 聚类分析法58-59
• 2.5.3. GMM方法59-60
• 2.5.4. 在线确定方法60-62
• 2.6 本章小结62-63
• 第3章 基于RFE-LSSVM方法的CTL模式分类63-84
• 3.1 引言63-64
• 3.2 CTL特征选择与分类算法64-67
• 3.2.1 采用RFE的CTL特征排序64-65
• 3.2.2 线性LSSVM65-66
• 3.2.3 非线性LSSVM66-67
• 3.3 CTL分类结果67-82
• 3.3.1 2类分类结果与分析67-76
• 3.3.2 3类分类结果与分析76-82
• 3.4 本章小结82-84
• 第4章 基于AES和ABSVM方法的CTL模式分类84-110
• 4.1 引言84-86
• 4.2 自适应特征平滑与分类方法86-91
• 4.2.1 基于AES的生理特征数据平滑86-87
• 4.2.2 基于LPP的生理特征约简87-88
• 4.2.3 基于ABSVM的通用CTL分类器88-91
• 4.3 基于粗粒度数据分析的CTL分类结果与分析91-99
• 4.3.1 AES参数设定91-92
• 4.3.2 被试特异型CTL分类器92-95
• 4.3.3 被试通用型CTL分类器95-99
• 4.4 基于细粒度数据分析的CTL分类结果与分析99-108
• 4.4.1 生理特征选择99-100
• 4.4.2 被试特异型CTL分类器100-104
• 4.4.3 被试通用型CTL分类器104-108
• 4.5 本章小结108-110
• 第5章 基于LE和集成SVM方法的CTL模式分类110-134
• 5.1 引言110-111
• 5.2 CTL集成分类框架111-115
• 5.2.1 基于LE的EEG特征约简111-113
• 5.2.2 SVM集成分类器设计113-115
• 5.3 CTL集成分类结果与分析115-132
• 5.3.1 CTL目标类别115-118
• 5.3.2 EEG特征118-123
• 5.3.3 分类器性能评价123-132
• 5.4 本章小结132-134
• 第6章 基于CTL动态模式识别的自适应人机系统设计与仿真134-171
• 6.1 引言134-135
• 6.2 基于LSSVM的CTL动态分类方法135-140
• 6.2.1 用作自回归建模的LSSVM135-137
• 6.2.2 带外源输入的动态LSSVM137
• 6.2.3 NARX-LSSVM137-139
• 6.2.4 NARX-LSSVM模型结构辨识139-140
• 6.3 CTL动态分类结果与分析140-150
• 6.3.1 采用全部EEG和ECG特征的CTL分类结果141-145
• 6.3.2 采用不同导联和不同EEG频段特征的CTL分类结果145-148
• 6.3.3 采用不同特征约简与分类方法的CTL分类结果比较148-150
• 6.4 自适应人机系统仿真150-169
• 6.4.1 在线CTL动态分类器150-158
• 6.4.2 CTL自动调节律158-169
• 6.5 本章小结169-171
• 第7章 工作总结与未来展望171-174
• 7.1 研究工作总结171-172
• 7.2 未来工作展望172-174
• 参考文献174-187
• 致谢187-188
• 作者在攻读博士学位期间完成的学术成果188-189

【参考文献】

中国期刊全文数据库 前3条

1 李丽;袁玫;;使用车载导航系统下驾驶员脑力负荷影响因素分析[J];安全与环境学报;2011年06期

2 王洁;方卫宁;李广燕;;基于多资源理论的脑力负荷评价方法[J];北京交通大学学报;2010年06期

3 李鹏杰;姚志;王萌;张相;黄伟芬;陈善广;吴斌;张宜静;;心率变异性在手控交会对接操作脑力负荷评价中的应用[J];人类工效学;2013年03期

，

本文编号：816251