本發(fā)明涉及任務(wù)負荷判定，尤其涉及操控員極限注意力狀態(tài)預測模型的構(gòu)建方法及設(shè)備。

背景技術(shù)：

1、對單兵在集群無人機操控時的極限注意力水平的研究，能夠更好的確定不同操控員的能力邊界，以通過更合理的排班，實現(xiàn)人員的高效分配。但目前傳統(tǒng)研究都集中于注意集中、注意分配、注意廣度等方面，而沒有對操控員的極限注意力狀態(tài)進行研究。此外，傳統(tǒng)的注意力預測方法通過特征層融合的方式，將多模態(tài)生理信息數(shù)據(jù)的多維特征進行拼接，這種方法非常依賴于提取的特征和特征提取方法，容易造成原始信息的丟失，降低模型對于注意力狀態(tài)預測的準確度。此外，當需要對多模態(tài)生理信息和多維特征進行增減時，需要重新訓練模型，極大的降低了模型的可移植性和準確性。

技術(shù)實現(xiàn)思路

1、鑒于上述的分析，本發(fā)明實施例旨在提供一種操控員極限注意力狀態(tài)預測模型的構(gòu)建方法及設(shè)備，用以解決現(xiàn)有技術(shù)中缺少對于操控人員的極限注意力狀態(tài)進行準確判斷的問題。

2、一方面，本發(fā)明實施例提供了一種操控員極限注意力狀態(tài)預測模型的構(gòu)建方法，包括：獲取多個被試對象在極限注意力狀態(tài)和非極限注意力狀態(tài)下的心電數(shù)據(jù)和腦電數(shù)據(jù)，并標注注意力狀態(tài)類別標簽，構(gòu)建樣本數(shù)據(jù)集；所述樣本數(shù)據(jù)集包括訓練集和驗證集；

3、利用所述訓練集對極限注意力模型進行訓練；所述極限注意力模型用于基于心電數(shù)據(jù)和腦電數(shù)據(jù)得到多種生理特征數(shù)據(jù)，通過對應多種生理特征數(shù)據(jù)的多個特征分類預測模塊分別預測得到注意力狀態(tài)類別結(jié)果；

4、基于各特征分類預測模塊的權(quán)重融合多個注意力狀態(tài)類別結(jié)果，判定所述操控員是否為極限注意力狀態(tài)；其中，利用所述驗證集驗證得到各特征分類預測模塊的準確率；基于所述準確率確定各特征分類預測模塊的權(quán)重。

5、進一步的，多種所述生理特征數(shù)據(jù)包括：

6、基于心電數(shù)據(jù)提取并篩選得到的心電時域特征數(shù)據(jù)和心電頻域特征數(shù)據(jù)；

7、基于腦電數(shù)據(jù)提取并篩選得到的腦電時域特征數(shù)據(jù)、腦電頻域特征數(shù)據(jù)、腦電復雜度特征數(shù)據(jù)和腦電深度學習特征數(shù)據(jù)。

8、進一步的，所述極限注意力模型包括特征提取單元、多個特征分類預測模塊和融合判定單元；

9、所述特征提取單元用于基于所述心電數(shù)據(jù)和腦電數(shù)據(jù)進行特征提取和篩選，得到對應的多個生理特征數(shù)據(jù)；

10、多個所述特征分類預測模塊分別用于基于其中一種生理特征數(shù)據(jù)預測得到注意力狀態(tài)類別結(jié)果；

11、所述融合判定單元用于基于所述權(quán)重，融合各特征分類預測模塊的注意力狀態(tài)預測結(jié)果，判定所述操控員是否處于極限注意力狀態(tài)。

12、進一步的，多個所述特征分類預測模塊包括與各種生理特征數(shù)據(jù)對應的心電時域特征預測模塊、心電頻域特征預測模塊、腦電時域特征預測模塊、腦電頻域特征預測模塊、腦電復雜度特征預測模塊以及腦電深度學習特征預測模塊；

13、各特征預測模塊均基于支持向量機訓練得到。

14、進一步的，所述特征提取單元包括eegnet模塊和mrmr模塊；

15、所述eegnet模塊用于基于eegnet模型，對腦電數(shù)據(jù)進行特征提取得到所述腦電深度學習特征數(shù)據(jù)；

16、所述mrmr模塊用于基于最大相關(guān)最小冗余準則，提取并篩選得到除所述腦電深度學習特征數(shù)據(jù)以外的其他各所述生理特征數(shù)據(jù)中與注意力狀態(tài)之間相關(guān)性最大、且特征數(shù)據(jù)之間相關(guān)性最小的特征數(shù)據(jù)。

17、進一步的，通過驗證集得到各特征分類預測模塊的準確率后，通過下式將所有分類預測模塊的準確率進行歸一化，將歸一化后的結(jié)果確定為各特征分類模塊的權(quán)重：

18、

19、其中，pi為各特征分類模塊的權(quán)重，acci為第i個分類預測模塊的分類準確率，n為分類預測模塊的數(shù)量。

20、進一步的，所述融合判定單元用于基于所述權(quán)重，融合各特征分類預測模塊預測得到的注意力狀態(tài)類別，判定得到極限注意力狀態(tài)預測結(jié)果，包括：

21、通過下式對所有分類預測模塊的分類結(jié)果進行融合，得到分類預測概率：

22、

23、其中，labeli為第i個分類預測模塊預測得到的注意力狀態(tài)類別，取值為0或1；

24、通過下式將所述分類預測概率進行二值化，得到極限注意力狀態(tài)預測結(jié)果：

25、

26、其中，lable＝1表示極限注意力狀態(tài)，lable＝0表示非極限注意力狀態(tài)。

27、進一步的，所述極限注意力狀態(tài)下的心電數(shù)據(jù)和腦電數(shù)據(jù)通過集群無人機察打任務(wù)試驗范式采集得到；

28、基于被試者執(zhí)行集群無人機察打任務(wù)試驗范式中擊殺目標的成功率和正確處理率計算得到察打任務(wù)績效，若當前察打任務(wù)績效與上一次察打任務(wù)績效的差值為負值，且所述差值不在預設(shè)的閾值范圍內(nèi)，則判定所述被試者處于極限注意力狀態(tài)。

29、進一步的，所述察打任務(wù)績效基于擊殺目標的成功率和正確處理率，通過下式得到：

30、

31、其中，nfri為第i輪試驗中出現(xiàn)的需要擊殺且選擇擊殺的目標數(shù)量，nfi為第i輪試驗中出現(xiàn)的需要擊殺的目標數(shù)量，nfri/nfi為第i輪試驗中擊殺目標的成功率，nkri為第i輪試驗中出現(xiàn)的不需要擊殺且未選擇擊殺的目標數(shù)量，ni為第i輪試驗中出現(xiàn)的目標數(shù)量，(nfri+nkri)/ni為第i輪試驗中擊殺目標的正確處理率。

32、另一方面，還公開了一種計算機設(shè)備，包括至少一個處理器，以及至少一個與所述處理器通信連接的存儲器；

33、所述存儲器存儲有可被所述處理器執(zhí)行的指令，所述指令用于被所述處理器執(zhí)行以實現(xiàn)前述的操控員極限注意力狀態(tài)預測模型的構(gòu)建方法。

34、本技術(shù)方案的有益效果：

35、1.與現(xiàn)有技術(shù)相比，本發(fā)明采用極限注意力和非極限注意力狀態(tài)下的生理特征數(shù)據(jù)進行模型訓練，使用極限注意力取代傳統(tǒng)的注意力，能更好的確定操控員的能力邊界；且基于分類模塊的預測準確性對不同生理特征數(shù)據(jù)對應的預測結(jié)果進行加權(quán)融合，提高了任務(wù)負荷極限狀態(tài)的判定準確性；

36、2.本發(fā)明通過最大相關(guān)最小冗余方法及深度學習模型對心電和腦電數(shù)據(jù)對應的各種特征數(shù)據(jù)進行篩選，選擇與注意力狀態(tài)相關(guān)的心電和腦電特征分別進行分類器的訓練，并在最終的決策層對多個分類結(jié)果進行融合，大大提高了模型預測的準確性；

37、3.本發(fā)明采用決策層融合的方式，取代了傳統(tǒng)的特征層融合，減少了模型訓練時對于特征提取和特征選擇的方法的依賴，能夠靈活的選取分類器的結(jié)果，提高了模型的魯棒性和準確度。且該方法具有更好的可移植性，當需要減少生理特征數(shù)據(jù)時，只需要刪除對應的支路即可，無需對模型進行修改；當需要增加生理特征數(shù)據(jù)時，只需要單獨訓練增加的模塊，并在融合部分增加新分類器輸出的結(jié)果，大大增強了模型的靈活性和可移植性。

38、本發(fā)明中，上述各技術(shù)方案之間還可以相互組合，以實現(xiàn)更多的優(yōu)選組合方案。本發(fā)明的其他特征和優(yōu)點將在隨后的說明書中闡述，并且，部分優(yōu)點可從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過說明書以及附圖中所特別指出的內(nèi)容中來實現(xiàn)和獲得。