基于迁移学习的深层卷积神经网络心电信号疲劳分类

传统的心电疲劳分类方法虽然能有效地识别疲劳状态,但需要采集较长时间的信号,不能达到疲劳状态的实时监测。本文设计一种深层卷积神经网络模型用于评估操作员疲劳状态,对操作员的短时心电信号进行疲劳状态的自动分类。首先,提出一种将心电信号转化为图像的方法,将采集到的心电信号转化成二维图像,即将心电信号直接映射到二维空间转换成时域图片信息。然后,将图片送入深层卷积神经网络模型中去训练,实现对操作员疲劳状态的分类。本文方法降低了模型的复杂性,减少了模型的参数,同时训练的数据不需要经过类似噪声滤波、特征提取等任何预处理步骤。结果表明该模型能自动从心电信号中提取有效特征,实现对操作员非疲劳和疲劳两种状态的正确分类,分类准确率达到97.36%。

基于注意力机制的飞行学员疲劳分类网络研究

近年的通用航空事故中,出现在飞行训练期间由人因引起的事故约1/3。疲劳是人因中重要的一种,准确地识别飞行学员的疲劳状态对飞行安全有积极意义。提出了一种融合注意力机制的飞行学员精神疲劳分类网络,使用深度可分离卷积对网络参数进行精简,引入注意力机制充分利用通道与空间特征对脑电无用信息进行抑制的同时增大了关键信息权重。使用公开疲劳数据集SEED-VIG对网络进行预训练,然后通过迁移学习将其应用于飞行学员精神疲劳分类,网络在对4种精神疲劳状态分类时达到了84.12%的准确率,并在NVIDIA Jetson Nano上达到了27samples/s的运行速度。该网络可有效识别飞行学员的疲劳类型,并及时向飞行教员反馈学员精神状态情况,为判断飞行学员是否适合训练提供生理依据,同时该网络满足移动设备和嵌入式设备的计算要求。

民航管制员疲劳分类、形成原因及预防对策研究探讨

随着民航运输行业的快速发展,人们对于民航运输安全性和服务性的要求在不断提升。作为民航管制员,是民航运输管理的行为主体,其必须要确保交通处于平稳有序的状态,依靠自己的专业,发挥自身的职业效能。本文从这个角度入手,分析民航管制员疲劳分类,形成的机制,并且在此基础上提出对应的策略,希望可以更好的发挥民航管制员的效能。

基于sEMG信号几何特征的肌肉疲劳分类

为了更好地区分肌肉疲劳程度,本文通过小波变换的方法,分析不同频段中表面肌电(sEMG)信号的能量变化情况,提取信号几何特征,对肌肉非疲劳和疲劳状态进行区分。从几何边界区域中提取周长、面积、圆度特征,分析几何特征变化情况。同时,使用分类器对肌肉疲劳进行分类。实验结果表明:几何特征对肌肉疲劳状态有更加直观的区分效果。几何特征在肌肉疲劳前后有明显变化,相比传统时域、频域特征,具有更好的分类效果,对几何特征进行特征融合,能够有效提升分类准确度。

基于正则极限学习机的驾驶员疲劳状态分类方法

为避免接触式疲劳检测方法给驾驶员带来干扰,解决单一信号源对于反映疲劳程度可靠性低的问题,实现对疲劳状态高精度、高速度的检测,提出一种基于正则极限学习机的驾驶员疲劳状态分类方法。该方法通过多普勒雷达模块采集驾驶员生理信号,包括呼吸信号和心跳信号,作为神经网络输入数据。通过多源信息结合的方式提高疲劳状态检测可靠性。设计正则极限学习机(RELM)模型对数据集进行训练。实验结果显示,基于RELM算法模型检测驾驶员疲劳状态的准确率达92%。RELM算法可实现对训练数据的快速计算和学习,同时通过特征变换消除个体差异,实现对驾驶员疲劳状态较高的检测率。

基于心电信号的自注意力双向门控循环网络疲劳检测模型

人类操作员的生理疲劳状态对其作业效率与安全性存在很大的影响,本研究提出了一种基于自注意力(SA)机制的双向门控循环(BiGRU)网络疲劳检测模型,研究基于心电信号的疲劳检测方法。首先采集了模拟不同负荷水平的过程控制任务环境下操作人员的心电数据,以一维心电数据作为输入,经过去噪预处理后,使用改进的BiGRU神经网络进行特征提取,BiGRU在保留GRU优点的同时可以更加充分学习心电信号前后时序的特征联系,并通过SA机制筛选显著相关特征信息,最后将所获得的特征信息经过softmax分类器,得到疲劳分类结果。与传统的GRU模型和BiLSTM模型进行了比较,经过改进后的SA-BiGRU模型的疲劳分类性能整体提高2%~5%,总体准确率达83%。

喷丸强化的基本原理与调控正/切断裂模式的疲劳断裂抗力机制图

20世纪90年代前,汽车上使用的各种圆柱螺旋弹簧(以下称弹簧)承受较低的扭转疲劳载荷,在交变正应力作用下,绝大多数发生的是宏观正断型疲劳断裂,其形貌呈45°斜断口。因为喷丸强化弹簧表层引入的残余应力与外施交变正应力间存在交互作用,所以都利用喷丸强化工艺中的"应力强化机制"提高其疲劳断裂抗力。但21世纪伊始,随着轿车结构的迅速发展,设计者迫切要求弹簧承受的扭转疲劳载荷水平与日俱增,由此导致喷丸强化的弹簧除正断型的疲劳断裂外,时而出现纵向或横向切断型的疲劳断裂,由此引发疲劳断裂抗力发生显著下降,以往很少出现这种难以理解的现象。目前从事喷丸强化工艺技术的弹簧制造行业很少有文献关注这类问题。文中通过逻辑思维对弹簧的受力分析得出的诠释发现:在切断模式下,喷丸引入的残余应力与外施交变切应力之间不存在交互作用,表明"应力强化机制"在改善切断型疲劳断裂抗力中的强化作用已经基本消失。根据作者提出的喷丸强化工艺原理,喷丸同步引入弹簧表层的是由残余应力与循环弹塑性变形改性的组织结构组成的一对"孪生",通过分析作者发现,"孪生"中改性的显微组织结构形成的"组织结构强化机制"取代"应力强化机制"起到了改善切断型疲劳断裂抗力的作用。研究结果还表明,优化的喷丸强化工艺必须同时具备"组织结构强化机制"和"应力强化机制",才能够起到改善正断型和切断型疲劳断裂抗力的作用。

基于驾驶员反应时间的驾驶疲劳量化

在单调的高速公路环境下进行了20组实车试验,获取了驾驶员的反应时间及自我评价量表。对驾驶员的反应时间数据进行了分析,构建了驾驶员反应时间概率密度函数。采用支持向量机(SVM)模型对驾驶疲劳进行分类,其中惩罚因子通过遗传-粒子群混合算法进行寻优。以驾驶员反应时间作为输入量,疲劳等级作为输出量,对驾驶疲劳进行量化分类,准确率为80.67%。

基于数据挖掘的体育运动即时数据自动化采集系统设计

针对体育运动数据采集的疲劳程度判断不准确问题,设计了一种数据挖掘的体育运动即时数据采集系统。首先采集人体运动时的心电和肌电生理信号,通过时域分析法分析心电和肌电生理信号的各特征指标与疲劳程度的关系,选择相关性大的指标进行特征提取;然后将提取特征输入至构建的基于LSTM神经网络的运动疲劳估计模型中进行疲劳程度分类检测。实验结果表明,传统的SVM算法的心电和肌电信号的疲劳检测准确率分别为86%和88%,提出的LSTM疲劳分类模型针对心电信号和肌电信号的疲劳检测准确率分别为96%和90%,可以看出,LSTM模型比SVM算法的疲劳检测准确率高出6%~10%,且对心电信号的检测结果浮动更小,具有更强的稳定性。由此说明,基于LSTM的疲劳分类模型能够明显提升基于运动数据对疲劳程度的检测准确性,在体育运动即时数据采集系统中进行广泛应用和推广,具备一定的可行性。