深度稀疏自编码网络识别飞行员疲劳状态
作者： 上海交通大学电子信息与电气工程学院自动化系; 上海200240; 南京航空航天大学雷达成像与微波光子技术教育部重点实验室; 江苏南京210016; 上海市空间智能控制技术重点实验室; 上海201109; 中国航空无线电电子研究所; 上海200241
摘要：针对飞行员疲劳状态识别的复杂性和准确性,提出一种基于脑电信号的深度学习模型.首先对飞行员脑电信号进行滤波分解,提取delta波(0.5~4 Hz)、theta波(5~8 Hz)、alpha波(7~14 Hz)、beta波(14~30 Hz),提取基于脑电节律波的频域特征,作为识别模型的输入向量.其次,将一种基于深度稀疏自编码网络–Softmax模型用于飞行员疲劳状态识别,并与单层的稀疏自编码网络–Softmax和传统方法主成分分析(PCA)–Softmax模型识别结果进行比较.最后,实验结果显示,针对飞行员疲劳状态识别问题,所建立的学习模型具有很好的分类识别效果,具有较好的工程推广价值.
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
