基于機(jī)器學(xué)習(xí)的飛行員腦力負(fù)荷評估研究進(jìn)展

王煜文， 王 盛， 韓明秀， 牛海軍， 柳忠起， 劉 濤*

(1. 北京航空航天大學(xué)生物與醫(yī)學(xué)工程學(xué)院， 北京 100191； 2. 上海航空電器有限公司，上海 201100)

1 引言

腦力負(fù)荷(Mental Workload， MWL)也被稱為心理負(fù)荷、精神負(fù)荷或認(rèn)知負(fù)荷[1]。 目前對腦力負(fù)荷的定義存在多種理解，Young 等[2]認(rèn)為腦力負(fù)荷是為滿足客觀和主觀的業(yè)績標(biāo)準(zhǔn)而付出的注意力的大小。 從認(rèn)知心理學(xué)來看，腦力負(fù)荷可以從任務(wù)轉(zhuǎn)換或注意力分配的角度加以框定[3]。

在動態(tài)和不確定的環(huán)境中，駕駛飛機(jī)極具挑戰(zhàn)性[4]。 飛行員需執(zhí)行多種任務(wù)，如控制飛行軌跡，監(jiān)測飛行參數(shù)，與空中交通管制員溝通以及識別潛在危險等，多種任務(wù)的執(zhí)行增加了飛行員的注意力資源分配難度，從而導(dǎo)致飛行員過高的腦力負(fù)荷[5]。 高腦力負(fù)荷導(dǎo)致的視覺和聽覺注意力、工作記憶以及執(zhí)行能力下降，極大地增加了飛行員在執(zhí)行飛行任務(wù)中做出錯誤決策的概率[6]。程道來等[7]研究表明，人為失誤導(dǎo)致的飛行事故占總體飛行事故的70%～80%。 因此，有必要對飛行員的腦力負(fù)荷進(jìn)行科學(xué)的評估。 可靠的腦力負(fù)荷量化方法不僅有助于提高飛行安全，也可用于飛行訓(xùn)練以及座艙視覺顯示界面的優(yōu)化設(shè)計[8]。

飛行員腦力負(fù)荷測量方法有生理測評法、主觀測評法、作業(yè)績效評估法以及綜合測評法[9-11]。與其他測評方法相比，生理測評指標(biāo)具有客觀性、實時性以及連續(xù)性等優(yōu)點，因此受到了國內(nèi)外研究學(xué)者的關(guān)注[12]。

目前已有很多較經(jīng)典的腦力負(fù)荷預(yù)測模型，如倒U 型模型[13]、Siegel-Wolf 時間壓力模型[14]以及多資源理論模型[15]等。 在過去的幾年中，機(jī)器學(xué)習(xí)在神經(jīng)科學(xué)中的應(yīng)用迅速增加。 機(jī)器學(xué)習(xí)能夠幫助神經(jīng)科學(xué)家提高醫(yī)學(xué)診斷以及腦機(jī)接口等領(lǐng)域的預(yù)測性能，同時可以更準(zhǔn)確地確定變量間是否可以相互預(yù)測[16]。 通過采集作業(yè)人員的生理信號，基于機(jī)器學(xué)習(xí)方法評估腦力負(fù)荷已成為近年來的研究熱點[17-20]。 本文針對使用腦電(Electroencephalogram， EEG)、心電(Electrocardiography， ECG)以及多生理信息，基于機(jī)器學(xué)習(xí)對飛行員腦力負(fù)荷評估的方法進(jìn)行綜述和探討。

2 生理測評法

生理測評法通過檢測作業(yè)人員某些生理指標(biāo)的變化來反映腦力負(fù)荷的改變。 生理測評法的指標(biāo)按照所涉及的生理器官功能分為三大類，分別是與大腦、心臟以及眼睛相關(guān)的生理指標(biāo)[8，21]，如EEG、ECG 以及眼電(Electrooculogram， EOG)等。

2.1 腦電評測法

被動式腦機(jī)接口(passive Brain Computer Interface， pBCI)可以識別和連續(xù)監(jiān)測人的各項基礎(chǔ)認(rèn)知功能狀態(tài)[22]，為更直接評估飛行員的腦力負(fù)荷提供了一種便捷的途徑。 因腦電設(shè)備具有無創(chuàng)、便攜、運(yùn)行成本低以及操作簡單等優(yōu)點，在腦機(jī)接口(BCI)中應(yīng)用最為廣泛[23]。

有研究者基于自發(fā)腦電信號，使用θ 波、α 波和β 波的頻域特征作為腦力負(fù)荷的神經(jīng)標(biāo)記[5]，發(fā)現(xiàn)低負(fù)荷到高負(fù)荷的轉(zhuǎn)變與頂葉部位的α 波段功率的降低和額葉部位的θ 波段功率增加有關(guān)[24]；β 波段和γ 波段能量的增加則與更高的任務(wù)需求相關(guān)[25]。 基于誘發(fā)腦電的事件相關(guān)電位(Event-Related Potentials， ERPs)，完顏笑如等[26]發(fā)現(xiàn)在模擬飛行環(huán)境中，當(dāng)腦力負(fù)荷較高時，額葉的失匹配負(fù)波(Mismatch Negative， MMN)會增強(qiáng)，而顳葉MMN 會降低。 Miller 等[27]發(fā)現(xiàn)晚正電位(Late-Positive Potentials，LPP)振幅隨著腦力負(fù)荷的增加而顯著降低。

2.2 心電評測法

基于ECG 信號對飛行員進(jìn)行腦力負(fù)荷監(jiān)測的常用指標(biāo)有但不限于心率(Heart Rate， HR)和心率變異性(Heart Rate Variability， HRV)[28]。人們普遍認(rèn)為任務(wù)難度的增加會導(dǎo)致HR 的增加，因此，心血管反應(yīng)可以用來評估飛行員的腦力負(fù)荷[29]。 但HR 的變化不僅與腦力負(fù)荷有關(guān)，還與緊張和疲勞等其他因素相關(guān)[5]。 HRV 也是評估腦力負(fù)荷的重要指標(biāo)[30]，HRV 的時域指標(biāo)心搏間期(Interbeat Interval， IBI)應(yīng)用較多，其次是采樣周期內(nèi)相鄰NN 間期之差大于50 ms 的百分比(percentage of NN50 intervals， pNN50)，NN 間期的標(biāo)準(zhǔn)差( Standard Deviation of the NN Intervals， SDNN)以及相鄰NN 間期差值的均方根(the Square Root of the Mean of the Sum of the Squares of Difference Between Successive NN Intervals Differences， RMSSD)；HRV 的頻域指標(biāo)低頻/高頻(Low Frequency/High Frequency， LF/HF)比值應(yīng)用最為廣泛，其次是高頻、低頻和中頻指標(biāo)[31]。 已有研究發(fā)現(xiàn)，在模擬和真實飛行環(huán)境中，隨著腦力負(fù)荷的增加，飛行員的HRV 會隨之減小[5]。

2.3 眼電評測法

通過EOG 信號可以獲取相應(yīng)的眼指標(biāo)。 在飛行員腦力負(fù)荷研究中，常用指標(biāo)有:眨眼頻率(Blink Frequency， BF)、 瞳孔直徑( Pupil Dilation， PD)以及注視時間(Fixation Duration，F(xiàn)D)等[32]。 Marquart 等[33]研究表明，BF 隨著腦力負(fù)荷的增加而增加，隨著視覺工作負(fù)荷的增加而減少。 BF 對中等或較大的負(fù)荷變化比較敏感，但當(dāng)飛行任務(wù)時間較長時，使用BF 評估腦力負(fù)荷并不可靠[34]。 PD 對腦力負(fù)荷的微小變化高度敏感，隨著腦力負(fù)荷的增加而增加，但是PD 的測量需要較高精度的眼動追蹤設(shè)備，且光線變化和強(qiáng)度等因素會嚴(yán)重影響PD 對腦力負(fù)荷的敏感度[35]。 FD 與腦力負(fù)荷呈正相關(guān)，且對腦力負(fù)荷具有敏感性和診斷性，但是高密度視覺環(huán)境、信息呈現(xiàn)的頻率以及任務(wù)時長也會影響FD[36]。

3 基于機(jī)器學(xué)習(xí)的腦力負(fù)荷評估

3.1 基于腦電信號的腦力負(fù)荷評估

基于EEG 信號對飛行員進(jìn)行腦力負(fù)荷監(jiān)測的實驗大多數(shù)是在模擬飛行環(huán)境下進(jìn)行[37]，從Wilson 等[38]開始，腦電設(shè)備開始應(yīng)用于在真實的飛行環(huán)境。 基于腦電信號的腦力負(fù)荷評估方法總結(jié)如表1 所示。

表1 基于腦電信號的腦力負(fù)荷評估方法總結(jié)Table 1 Summary of mental workload assessment methods based on EEG signals

在模擬飛行環(huán)境中，Blanco 等[8]發(fā)現(xiàn)，通常線性判別分析(Linear Discriminant Analysis，LDA)具有最好的分類性能，個性化的特征集和分類器組合可以最大限度地提高分類準(zhǔn)確率；在預(yù)測飛行任務(wù)復(fù)雜性中，相比使用單個通道，綜合利用不同通道的腦電特征，21 名受試者中有17 名受試者保持或提高了分類性能。 Kakkos 等[39]在2D 和3D 模擬飛行實驗中，使用LDA 作為基分類器，利用隨機(jī)子空間集成(Random Subspace Ensemble， RSE)方法[40]對3 級腦力負(fù)荷進(jìn)行分類，分類準(zhǔn)確率均為82%。 在3D 模擬飛行環(huán)境中，Pei 等[41]使用隨機(jī)森林(Random Forest， RF)對低、中、高腦力負(fù)荷進(jìn)行分類，探索了不同頻段、不同特征組合、不同特征選擇與融合方法對腦力負(fù)荷識別的影響。 結(jié)果發(fā)現(xiàn)，使用傅里葉變換提取的頻域特征進(jìn)行分類準(zhǔn)確率更高(77.79%)；在5個波段中，γ 波表現(xiàn)出的分類性能最好；在Fisher分?jǐn)?shù)(Fisher Score， F-score)和隨機(jī)鄰近嵌入(Stochastic Proximity Embedding， SPE)2 種特征選擇方法中，僅F-score 方法提高了分類精度； 與使用單一特征相比，采用組合特征，分類精度總體上有所提高；使用F-score 特征選擇和特征融合后，所有受試者的分類準(zhǔn)確率均有提升。

Lee 等[42]通過Berlin 腦機(jī)接口工具箱[43]對腦電信號進(jìn)行預(yù)處理，綜合考慮了EEG 信號的頻域、時域和空間信息，以及EEG 信號記錄時間長的特點，提出了一種多特征塊的卷積神經(jīng)網(wǎng)絡(luò)( Multiple Feature Block-based Convolutional Neural Network， MFB-CNN)來識別模擬飛行環(huán)境下飛行員的疲勞、腦力負(fù)荷、分心以及正常等4 種心理狀態(tài)。 在離線分析中，使用4 次兩折交叉驗證得到了75%的正確率，在偽在線分析[44]中，疲勞、工作負(fù)荷和分心的檢測精度分別為72%、72%和61%。

在真實飛行環(huán)境中，Dehais 等[24]采用兩種方法對飛行員高低兩種負(fù)荷水平進(jìn)行分類:①當(dāng)僅使用連續(xù)信號時，利用兩對正則化的共空間模式(Common Spatial Patterns， CSP)計算δ，θ，α 以及β 4 個波段頻率功率特征，使用收縮線性判別分析(shrinkage Linear Discriminant Analysis， sLDA)算法進(jìn)行分類，正確率為70%；②但當(dāng)同時使用ERPs 和事件相關(guān)的頻域特征，然后使用最小冗余最大相關(guān)(minimum Redundancy Maximum Relevance， mRMR)特征選擇算法選擇20 個特征作為sLDA 分類器的輸入后，其分類準(zhǔn)確率并未超過50%。

基于多屬性任務(wù)模擬(Multi-attribute Task Battery， MATB)平臺，張潔等[45]提出基于腦電功率譜密度和支持向量機(jī)(Support Vector Machine，SVM )的腦力負(fù)荷評估方法，經(jīng)網(wǎng)格搜索方法對SVM 進(jìn)行參數(shù)優(yōu)化后，對低、中、高腦力負(fù)荷的平均分類準(zhǔn)確率達(dá)到了96.65%。 大多數(shù)關(guān)于腦力負(fù)荷的研究都局限于單一任務(wù)，Ke 等[46]使用遞歸特征消除算法[47]計算預(yù)測值與測試集任務(wù)難度之間的相關(guān)系數(shù)，然后挑選出n-back 任務(wù)和MATB 任務(wù)中最顯著的特征子集，使用SVM 算法作為回歸模型，使用受試者執(zhí)行n-back 任務(wù)的數(shù)據(jù)作為訓(xùn)練集，來預(yù)測受試者在執(zhí)行MATB 任務(wù)時的腦力負(fù)荷。

在自動增強(qiáng)型座艙空氣管理系統(tǒng)(Automatic enhanced Cabin Air Management System， ACAMS)中模擬人機(jī)交互任務(wù)，針對相同受試者在不同日期的EEG 信號特征分布不同的問題，Yin 等[48]使用自適應(yīng)堆疊去噪自編碼器(Stacked Denoising Autoencoder， SDAE)，實現(xiàn)了對高、低兩種負(fù)荷水平的分類。 在相同的數(shù)據(jù)集上，Yang 等[49]將3層SDAE 和Bagging 集成分類方法相結(jié)合，同時為提高基分類器的識別性能，將顯著局部信息[50]作為SDAE 中一個額外隱含層，最后形成了ELSDAE 模型，實現(xiàn)了對高低兩種負(fù)荷水平的分類。針對數(shù)據(jù)類別不均衡的問題，Cui 等[51]提出了一種基于動態(tài)SMOTE[52]的多層感知機(jī)(Multilayer Perceptron， MLP)模型，實現(xiàn)了對腦力負(fù)荷的分類識別。

3.2 基于心電信號的腦力負(fù)荷評估

在模擬飛行環(huán)境中，Hannula 等[53]采集了14名現(xiàn)役飛行員駕駛大黃蜂攔截戰(zhàn)斗機(jī)時的心電數(shù)據(jù)和飛行相位，將平均心臟搏動間期和飛行相位作為人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)和多元線性回歸(Multilinear Regression，MLR)模型的輸入，發(fā)現(xiàn)ANN 模型的分類準(zhǔn)確率的平均絕對誤差為11.4%，比MLR 模型的平均絕對誤差減少了13%～23%。

Xi 等[54]基于兩名飛行員駕駛Bell205 直升機(jī)執(zhí)行目標(biāo)跟蹤任務(wù)時的ECG 數(shù)據(jù)，根據(jù)目標(biāo)運(yùn)動速度，將跟蹤任務(wù)設(shè)置為3 個級別。 在ECG 數(shù)據(jù)集較小的情況下，使用遷移學(xué)習(xí)(Transfer Learning， TL)[55]方法預(yù)測飛行員腦力負(fù)荷。 該研究首先使用1～40 Hz 帶通濾波器預(yù)處理，然后經(jīng)過離散傅里葉變換和連續(xù)小波變換，分別得到ECG 的頻譜圖和尺度圖，并將其作為AlexNet 模型[56]的輸入。 研究對比分析了2種遷移學(xué)習(xí)方法:①將預(yù)訓(xùn)練好的AlexNet 模型作為特征提取器，使用SVM 進(jìn)行分類；②對已經(jīng)訓(xùn)練好的 AlexNet 模型進(jìn)行微調(diào)( finetuning)[57]。 結(jié)果發(fā)現(xiàn)，當(dāng)使用尺度圖作為模型的輸入時，方法1 比方法2 的準(zhǔn)確率更高。

3.3 基于多生理信息的腦力負(fù)荷評估

腦力負(fù)荷具有多維性，單一生理指標(biāo)可能只對其中一個或幾個維度敏感，無法全面評估腦力負(fù)荷[1]。 雖然大多數(shù)生理指標(biāo)能夠反映腦力負(fù)荷的變化，但并非適用所有任務(wù)情景。 采用多種方法或指標(biāo)替代單一的方法或指標(biāo)對腦力負(fù)荷進(jìn)行評估已成為工效學(xué)界評估腦力負(fù)荷的發(fā)展趨勢[58]。 與其他生理信號相比，EEG 信號直接反映了大腦皮層的活動，可以為腦力負(fù)荷評估提供較為準(zhǔn)確的信息[59]，但是EEG 容易受到眼電、肌電以及電子設(shè)備等噪聲干擾。 為彌補(bǔ)EEG 信號的不足，研究人員采用多生理信息的方法對腦力負(fù)荷進(jìn)行評估，例如:基于EEG與ECG、呼吸速率或皮膚電等生理信息對腦力負(fù)荷進(jìn)行評估。 基于多生理信息的腦力負(fù)荷評估方法總結(jié)如表2 所示。

表2 基于多生理信息的腦力負(fù)荷評估方法總結(jié)Table 2 Summary of mental workload assessment methods based on multiple physiological indexes

在模擬飛行環(huán)境下，Han 等[60]基于EEG 和外周生理信號(ECG、呼吸以及皮膚電)，利用正則化的線性判別分析(regularized Linear Discriminant Analysis， rLDA)實現(xiàn)了對疲勞、分心、腦力負(fù)荷的分類。 Oh 等[61]基于EEG、ECG、作業(yè)人員表現(xiàn)數(shù)據(jù)以及NASA-TLX 量表，使用集成分類器評估飛行模擬器中作業(yè)人員在不同挑戰(zhàn)水平下的腦力負(fù)荷，使用Bagging、Boosting、 Stacking 以及Voting 4 種集成分類方法，分別獲得了88%、95.7%、94%和97.44%的分類準(zhǔn)確率。 Han 等[62]基于多模態(tài)生理信號搭建多模態(tài)深度學(xué)習(xí)(Multimodal Deep Learning， MDL)網(wǎng)絡(luò)，實現(xiàn)了對飛行員分心、腦力負(fù)荷、疲勞和正常4 種腦狀態(tài)的分類識別。 在MDL 模型中，首先使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)提取EEG 信號特征，使用長短時記憶(Long Short Term Memory， LSTM)網(wǎng)絡(luò)提取外周生理信號特征，然后將CNN 和LSTM 輸出的特征合并，并將其輸入到全連接層中，最后通過Softmax 函數(shù)實現(xiàn)分類。

針對多顯示界面多飛行任務(wù)下的飛行員腦力負(fù)荷評估問題，衛(wèi)宗敏[63]基于貝葉斯判別分析(Bayes Discriminant Analysis， BDA)方法，提出了腦力負(fù)荷評估的多維綜合評估模型，并將該模型與基于單一指標(biāo)、2～5 種指標(biāo)的模型進(jìn)行對比分析。 結(jié)果表明，該多維綜合評估模型分類正確率最高，平均分類正確率達(dá)到82.22%。 在儀表監(jiān)控任務(wù)中，F(xiàn)an 等[64]提取枕區(qū)EEG 指標(biāo)和ECG指標(biāo)，構(gòu)成了多維原始樣本數(shù)據(jù)，使用主成分分析(Principal Component Analysis， PCA)對原始多維樣本進(jìn)行降維，使用SVM 對腦力負(fù)荷進(jìn)行分類，其分類準(zhǔn)確率為80%。

Wilson 等[65]使用EEG、EOG、ECG 以及呼吸信號，基于ANN 模型實時評估了7 名受試者在執(zhí)行MATB 任務(wù)時的腦力負(fù)荷，對基線、低難度任務(wù)以及高難度任務(wù)的分類正確率分別達(dá)到了85%、82%和86%。 但是研究并未考慮生理數(shù)據(jù)的日間變化對受試者狀態(tài)的影響。 針對該問題，Christensen 等[66]使用ANN、LDA 和SVM 分別對受試者當(dāng)天和日間的負(fù)荷進(jìn)行評估，結(jié)果發(fā)現(xiàn)，3種分類器的分類準(zhǔn)確率均遠(yuǎn)超過50%以上，但都受到日間數(shù)據(jù)的負(fù)面影響。 通過增加訓(xùn)練集中不同日期的數(shù)據(jù)和預(yù)測當(dāng)天少量數(shù)據(jù)兩種方法提高了模型的分類準(zhǔn)確率和泛化性能，兩種方法對日間數(shù)據(jù)的分類準(zhǔn)確率都達(dá)到了80%以上。

4 討論

對比分析生理測評法中的各項指標(biāo)，結(jié)果發(fā)現(xiàn)，相對于使用某一種生理信息，基于多生理信息對腦力負(fù)荷評估可以獲得更高的分類精度，但是并非越多的生理信息就可以獲得越高的分類精度。 與單獨(dú)使用EEG 相比，當(dāng)同時使用EEG、ECG 和呼吸信號時，并不能顯著改善基于EEG 信號的分類準(zhǔn)確率[59]；Hogervost 等[67]也發(fā)現(xiàn)，使用EEG 評估腦力負(fù)荷效果最好，其次是眼部相關(guān)指標(biāo)和外周生理指標(biāo)，結(jié)合EEG 和眼指標(biāo)的分類正確率最高，略高于90%，但是僅使用Pz 通道的EEG 信號其分類效果就可達(dá)86%。

在空間、成本或其他資源受限的情況下，使用多生理傳感器可能不切實際，EEG 可能是飛行員腦力負(fù)荷監(jiān)測的首選生理信號，特別是隨著能夠嵌入標(biāo)準(zhǔn)頭盔或帽中無需導(dǎo)電凝膠的干電極系統(tǒng)應(yīng)用越來越廣泛。 在真實飛行環(huán)境中，大幅減少電極的數(shù)量，將其集成在飛行員的頭盔中，可以為飛行員提供更好的舒適性。 但缺點是無法使用ICA 來識別EEG 信號中的偽跡，例如:眨眼、眼漂、頭動、肌電以及心電等偽跡。 一種解決方法是使用黎曼偽影子空間重構(gòu)(riemannian Artifact Subspace Reconstruction， rASR)方法[68]對腦電信號進(jìn)行預(yù)處理，該方法對眼電偽跡比較敏感，且能夠保留更多的感興趣成分，能夠有效提高EEG 信號的信噪比。

基于傳統(tǒng)機(jī)器學(xué)習(xí)方法對飛行員腦力負(fù)荷進(jìn)行評估，LDA 具有較好的分類性能，通過組合不同的特征，為每名飛行員構(gòu)建個性化的特征子集以及使用集成分類的方法，可以提高模型的分類性能。 不同于傳統(tǒng)機(jī)器學(xué)習(xí)中手動提取特征的方法，深度學(xué)習(xí)方法可以從原始信號中自動提取特征。 綜合考慮EEG 信號時域、頻域以及空間信息，或者基于多生理信息，并根據(jù)任務(wù)和生理信號特點，構(gòu)建合適的深度學(xué)習(xí)模型，有可能獲得比傳統(tǒng)機(jī)器學(xué)習(xí)更高的分類精度[69]。 但是深度學(xué)習(xí)方法的缺點是沒有統(tǒng)計理論基礎(chǔ)，其可解釋性不強(qiáng)，且調(diào)參過程耗時較長。

大多數(shù)腦力負(fù)荷分類算法對指定日期的單個受試者的腦力負(fù)荷識別已獲得了較高的精度。 但是生理數(shù)據(jù)的日間變化和受試者間差異是需要考慮的問題。 對于單個受試者不同日期的腦力負(fù)荷，通過增加訓(xùn)練集中受試者其他日期的數(shù)據(jù)，或者使用少量當(dāng)日數(shù)據(jù)對已訓(xùn)練好的模型進(jìn)行校正，可以提高模型的泛化能力和精度。 遷移學(xué)習(xí)不僅廣泛應(yīng)用于文本情感分類、圖像分類以及多語言文本分類中[55]。 在腦力負(fù)荷分類識別中，當(dāng)訓(xùn)練數(shù)據(jù)樣本較少時，可以將已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)作為特征提取器或者使用fine-tuning 的方法進(jìn)行分類；遷移學(xué)習(xí)也可用于提高受試者間腦力負(fù)荷分類器性能[70]。

目前，大多數(shù)關(guān)于腦力負(fù)荷的研究都是基于單一任務(wù)，在真實飛行環(huán)境中，飛行員可能需要執(zhí)行多種任務(wù)，所以構(gòu)建能夠跨任務(wù)評估腦力負(fù)荷的模型非常必要。 Zhang 等[18]提出了一種深度遞歸與三維卷積神經(jīng)網(wǎng)絡(luò)(Recurrent and 3D Convolutional Neural Networks， R3DCNN)的級聯(lián)結(jié)構(gòu)模型，在無先驗知識的情況下，跨n-back 和算術(shù)兩種不同任務(wù)對高低腦力負(fù)荷進(jìn)行評估。 Ke等[46]構(gòu)建的模型實現(xiàn)了跨n-back 和MATB 任務(wù)對腦力負(fù)荷進(jìn)行評估。 在飛行員執(zhí)行飛行任務(wù)過程中，飛行員的腦力負(fù)荷水平、緊張以及焦慮等狀態(tài)可能也會同時發(fā)生變化，在開發(fā)狀態(tài)監(jiān)測算法時，需要考慮到不同狀態(tài)的交叉影響，使算法具備更強(qiáng)的魯棒性和泛化能力[71]。

5 結(jié)語

準(zhǔn)確評估飛行員的腦力負(fù)荷水平對減少人為失誤、保障飛行駕駛安全、優(yōu)化人機(jī)界面設(shè)計以及飛行員的選拔與培訓(xùn)等具有重要意義。 本文對使用生理測評法，基于機(jī)器學(xué)習(xí)對飛行員腦力負(fù)荷評估的研究現(xiàn)狀進(jìn)行了回顧，對比分析了不同生理信號或使用不同機(jī)器學(xué)習(xí)算法評估飛行員腦力負(fù)荷的準(zhǔn)確率。 采用多生理信息評估腦力負(fù)荷更為精準(zhǔn)，但是在資源和空間受限的條件下，EEG是最優(yōu)的選擇；使用傳統(tǒng)機(jī)器學(xué)習(xí)方法對腦力負(fù)荷評估時，選擇合適的特征選擇算法或者使用集成分類方法有助于獲得更高的分類準(zhǔn)確率；根據(jù)生理信號和任務(wù)特點，構(gòu)建合理的深度學(xué)習(xí)網(wǎng)絡(luò)模型結(jié)構(gòu)，可以獲得高于傳統(tǒng)機(jī)器學(xué)習(xí)的分類準(zhǔn)確率。

在未來，基于機(jī)器學(xué)習(xí)構(gòu)建飛行員腦力負(fù)荷評估模型時，解決以下3 個問題有助于將構(gòu)建的模型應(yīng)用于真實的飛行環(huán)境中:①去除EEG 信號在真實飛行環(huán)境中的偽跡，提取EEG 信號有用信息；②提出更高精度的在線腦力負(fù)荷實時分類算法；③構(gòu)建能夠跨日間、跨受試者以及跨任務(wù)的飛行員腦力負(fù)荷模型。