论文部分内容阅读
虽然自动化技术不断进步，但在复杂任务环境下实现完全自动化仍然比较困难。人机系统中人类操作员对系统的监督成为了安全的保障，操作员功能状态不稳定或过度消耗都将导致系统崩溃。学者们提出的适应性自动化系统能合理的分配机器和人类操作员的任务。然而，客观准确的评价操作员精神负荷(Mental Workload，MWL)水平成为适应性自动化系统分配任务的前提条件。本研究旨在依据生理数据对人体精神负荷水平进行评估。 本研究采用小波包分解从操作员生理数据中提取特征，并采用模糊互信息准则（Fuzzy Mutual Information-based wavelet packet transform，FMI-WPT）选择特征。继而约简特征维数后，采用基于机器学习的模式识别方法识别MWL水平。对比早期研究采用的基于快速傅里叶变换的功率谱特征提取方法，FMI-WPT方法能有效提高MWL识别精度。 本研究采用FMI-WPT特征提取后的样本维数极高，训练样本数量一般难以满足分类器算法的收敛需求。因此，对高维数据进行维数约简是操作员MWL水平分类的必要环节。在训练被试特异型MWL分类器时，采用核谱回归判别分析(Kernel SpectralRegression Discriminant Analysis，KSR)对数据进行维数约简。通过数据可视化和MWL水平识别精度对比。验证了KSR作为维数约简方法是能够提高数据的判别性，从而获得较高的MWL识别精度(95％-99％)。 为了更加贴近实际情况，本研究在设计被试通用型分类器中，采用KSR对数据进行维数约简提高样本的判别性，然后采用可迁移判别分析(Transferable DiscriminativeDemensionality Reduction，TDDR)减小源域和目标域在低维空间中的距离。仿真结果表明，此KSR+TDDR维数约简方法能够获得81.06％的MWL识别精度，此分类框架能有效识别MWL水平。