基于深度主題模型的飛行員腦疲勞檢測(cè)

吳 奇，陳琪琦，彭獻(xiàn)永，仇 峰

（1.上海交通大學(xué)自動(dòng)化系，上海 200240；2.系統(tǒng)控制與信息處理教育部重點(diǎn)實(shí)驗(yàn)，上海 200240；3.上海工業(yè)智能管控工程技術(shù)研究中心，上海 200240；4.中國(guó)礦業(yè)大學(xué)低碳能源與動(dòng)力工程學(xué)院，江蘇徐州 221116）

1 引言

現(xiàn)代高性能戰(zhàn)斗機(jī)具有很高的機(jī)動(dòng)性能，其在飛行中產(chǎn)生的正加速度可高達(dá)+9 Gz，持續(xù)時(shí)間可達(dá)15～45 s，并可反復(fù)出現(xiàn)，已超出了人體正常的耐受限度.持續(xù)性正加速度（+Gz）影響的主要生理表現(xiàn)為身體體重增加，器官沿慣性力方向發(fā)生變形、移位，流體靜壓力增大，血液發(fā)生慣性轉(zhuǎn)移和重新分布，從而導(dǎo)致各種生理障礙.+Gz 致意識(shí)喪失（G-induced Loss Of Consciousness，G-LOC）的機(jī)理及其預(yù)警和防護(hù)是航空醫(yī)學(xué)的重要問(wèn)題.因此，如何進(jìn)一步提高飛行員的認(rèn)知狀態(tài)識(shí)別水平和防止G-LOC 的發(fā)生仍然是當(dāng)前航空醫(yī)學(xué)中最關(guān)注的問(wèn)題之一.因此，有必要對(duì)飛行員腦疲勞認(rèn)知狀態(tài)推理進(jìn)行研究.

2 相關(guān)工作

2.1 腦認(rèn)知指標(biāo)及圖譜

Ma等［1］通過(guò)記錄駕駛數(shù)據(jù)和眼動(dòng)數(shù)據(jù)預(yù)測(cè)駕駛員的疲勞狀態(tài)，他們的研究缺乏疲勞狀態(tài)指標(biāo)定義.Setiawan 等［2］分析14通道腦電信號(hào)（Electroencephalogram，EEG）信號(hào)的頻譜特征，使用支持向量機(jī)預(yù)測(cè)受試者的精神疲勞狀態(tài).單一通道的頻譜特征難以反映大腦的認(rèn)知狀態(tài).Karuppusamy 等［3］用神經(jīng)網(wǎng)絡(luò)處理EEG數(shù)據(jù)，預(yù)測(cè)駕駛員的疲勞狀態(tài).他們的研究同樣也缺乏疲勞指標(biāo)的定量表示.目前的方法在腦疲勞指標(biāo)與腦認(rèn)知圖譜生成方面明顯表現(xiàn)不足.

EEG 信號(hào)是腦疲勞檢測(cè)的重要手段.常用EEG 信號(hào)時(shí)域評(píng)價(jià)方法包括相關(guān)性分析、峰值檢測(cè)和波形參數(shù)分析等.在疲勞狀態(tài)下，不同節(jié)律波形會(huì)出現(xiàn)變化，它們的能量和熵也會(huì)相應(yīng)變化.Jap 等［4］通過(guò)δ，θ，α和β節(jié)律在駕駛過(guò)程中變化的規(guī)律，判斷駕駛員的疲勞狀態(tài)；Siemiono 等［5］通過(guò)節(jié)律θ變化來(lái)判斷實(shí)驗(yàn)人員處于疲勞還是非疲勞狀態(tài)；Papadelis等［6］發(fā)現(xiàn)在疲勞引起的駕駛事故前，駕駛員的節(jié)律α?xí)黠@增加，香農(nóng)熵和KL（Kullback-Leibler）熵明顯降低.

上述研究表明，疲勞與α，β，θ，δ四個(gè)節(jié)律密切相關(guān).一般情況下，慢波δ和θ節(jié)律能量在疲勞時(shí)會(huì)增加，而快波α和β會(huì)相應(yīng)地減少.反映到功率譜，δ和θ的功率會(huì)增加，α和β的功率會(huì)減少.更多的研究顯示，可以用相對(duì)節(jié)律功率比來(lái)判斷一個(gè)人疲勞認(rèn)知狀態(tài)變化［7］.

單通道的異常信號(hào)會(huì)對(duì)整體的識(shí)別效果有較大影響，存在對(duì)整體采集到的信號(hào)利用不足等問(wèn)題.目前已有的腦地形圖方法雖能夠較精確地反映全局通道的特征，但疲勞狀態(tài)的分析往往與多個(gè)頻率帶相關(guān)，若采用腦地形圖進(jìn)行分析，一次需要結(jié)合多種腦地形圖，人工經(jīng)驗(yàn)無(wú)法形成統(tǒng)一的判斷標(biāo)準(zhǔn)，因此需要一種能夠獲得全局信息且可以反映人體疲勞狀態(tài)的腦電信號(hào)特征處理方式.鑒于此，本文建立一種可表示大腦認(rèn)知狀態(tài)的腦功率圖譜.

2.2 腦狀態(tài)推理模型

基于腦電信號(hào)的疲勞檢測(cè)傳統(tǒng)機(jī)器學(xué)習(xí)方法受限于人工挑選特征，機(jī)器學(xué)習(xí)方法特征學(xué)習(xí)能力不強(qiáng)的問(wèn)題，很難在高可靠性的場(chǎng)景中達(dá)到可以信賴的分類精度.近年來(lái)，深度學(xué)習(xí)方法在很多領(lǐng)域獲得了很大的成功.許多學(xué)者積極探索基于腦電信號(hào)的疲勞檢測(cè)問(wèn)題中應(yīng)用深度網(wǎng)絡(luò)學(xué)習(xí)的可能性，為此提出了很多可能的解決方案.

Hinton 開(kāi)拓了深度學(xué)習(xí)的研究領(lǐng)域.隨后，他的研究成果被許多研究者跟進(jìn)［8～10］.目前應(yīng)用于腦電信號(hào)特征提取的深度學(xué)習(xí)網(wǎng)絡(luò)包括：基于受限玻爾茲曼機(jī)的深度置信網(wǎng)絡(luò)，自編碼網(wǎng)絡(luò)以及卷積神經(jīng)網(wǎng)絡(luò)等［11～13］.Zheng 等［11］使用深度置信網(wǎng)絡(luò)構(gòu)建基于腦電信號(hào)的情感分類識(shí)別系統(tǒng)，得到了86.08%的分類正確率，相較于支持向量機(jī)，邏輯回歸和最近鄰算法等方法都有一定的正確率提升.Li 等［12］使用降噪自編碼網(wǎng)絡(luò)提取腦電信號(hào)特征，結(jié)果顯示模型能夠從不完整的腦電信號(hào)中解碼出較好的認(rèn)知特征.Cecotti 等［13］在對(duì)腦電信號(hào)進(jìn)行傅里葉變換的基礎(chǔ)上，使用4 層卷積神經(jīng)網(wǎng)絡(luò)提取特征，得到了不錯(cuò)的識(shí)別效果.Alhussein 等［14］使用深度卷積網(wǎng)絡(luò)處理腦電信號(hào)，進(jìn)行相關(guān)病理研究，得到了87.96%的正確率.Song 等［15］用深度多任務(wù)學(xué)習(xí)方法處理EEG 信號(hào)，識(shí)別精度提高了3%.Bhardwaj 等［16］使用深度自編碼器分析EEG 信號(hào)，判斷駕駛員的疲勞狀態(tài)，得到了良好的分類效果.孫等［17］基于腦電信號(hào)對(duì)同一肢體不同動(dòng)作的想象模式進(jìn)行識(shí)別.張等［18］使用變分模態(tài)分解的方式對(duì)癲癇腦電信息進(jìn)行分類，準(zhǔn)確度達(dá)到了94.24%.Ahmed 等［19］使用深度信念網(wǎng)絡(luò)處理EEG 信號(hào)，分類精度比支持向量機(jī)提高了10%以上.Gao 等［20］使用3 層受限玻爾茲曼機(jī)處理EEG 信號(hào)，為情感計(jì)算開(kāi)辟了嶄新的思路.Yang 等［21］使用復(fù)雜網(wǎng)絡(luò)的方法對(duì)腦疲勞進(jìn)行探測(cè).Zhang 等［22］使用時(shí)空建模的分析方法，對(duì)腦活性進(jìn)行分析.Ming 等［8］使用深度Q 學(xué)習(xí)對(duì)駕駛員的睡意狀態(tài)進(jìn)行建模.Lin 等［9］使用一個(gè)4D 卷積循環(huán)網(wǎng)絡(luò)對(duì)腦的動(dòng)態(tài)狀態(tài)進(jìn)行建模，實(shí)現(xiàn)了駕駛性能的預(yù)測(cè).Du 等［10］使用了一個(gè)卷積模糊循環(huán)網(wǎng)絡(luò)，實(shí)現(xiàn)了駕駛員疲勞.Wu等［23］定義了8 個(gè)認(rèn)知指標(biāo)，建立一種層次狄利克雷-隱半馬爾可夫模型，推理飛行員腦認(rèn)知屬性，這是一個(gè)無(wú)監(jiān)督學(xué)習(xí)過(guò)程.Wu 等［7］建立了一種深度收縮自編碼網(wǎng)絡(luò)學(xué)習(xí)4 個(gè)認(rèn)知指標(biāo)，識(shí)別飛行員腦認(rèn)知狀態(tài)，這是一個(gè)有監(jiān)督學(xué)習(xí)過(guò)程.

本文的工作是獲取3個(gè)強(qiáng)相關(guān)的認(rèn)知指標(biāo)，形成腦功率圖譜，建立一種概率生成模型，即深度狄利克雷主題模型，學(xué)習(xí)腦功率圖譜的認(rèn)知概率分布.

當(dāng)前的腦疲勞檢測(cè)方法一般都是將深度學(xué)習(xí)模型直接應(yīng)用到腦電信號(hào)或腦地形圖中，并沒(méi)有考慮到腦電信號(hào)獨(dú)有的特性.而且當(dāng)前深度學(xué)習(xí)模型的可解釋性不強(qiáng)，泛化能力較弱，無(wú)法應(yīng)用到腦認(rèn)知圖概率分布推理中.為了克服這些缺陷，結(jié)合腦電信號(hào)的獨(dú)有特性，本文探索了基于貝葉斯主題模型［24］的疲勞狀態(tài)探測(cè)模型.相比于無(wú)監(jiān)督主題模型［24］，本文對(duì)深度潛變量狄利克雷模型中的全局變量做了特征化處理，將其與輸入向量的積作為Softmax 分類器的輸入，將疲勞狀態(tài)作為有監(jiān)督的標(biāo)簽，建立了一個(gè)有監(jiān)督的深度潛變量狄利克雷模型（Deep Latent variable Dirichlet Model，DLDM）.

DLDM 用和對(duì)數(shù)分布反向傳播前一層神經(jīng)元，擴(kuò)充下一層的神經(jīng)元個(gè)數(shù).采用多項(xiàng)式分布分割擴(kuò)充的觀測(cè)向量，產(chǎn)生寬度矩陣，進(jìn)行行求和形成下一層觀測(cè)向量，逐層類推，形成多層概率生成模型.設(shè)計(jì)一種隨機(jī)梯度馬爾科夫鏈蒙特卡洛（Stochastic Gradient Markov Chain Monte Carlo，SG-MCMC）方法獲得合適的DLDM模型參數(shù)后驗(yàn)分布［20，25］.另外，DLDM 的費(fèi)舍爾信息矩陣（Fisher Information Matrix，F(xiàn)IM）［26］的塊對(duì)角結(jié)構(gòu)使SG-MCMC 方法實(shí)現(xiàn)分批訓(xùn)練.訓(xùn)練過(guò)程中構(gòu)造基于FIM 的二階協(xié)方差的學(xué)習(xí)率，實(shí)現(xiàn)各個(gè)主題-層之間自適應(yīng)學(xué)習(xí).這些方法幫助模型更好地學(xué)習(xí)腦功率圖譜中蘊(yùn)含的腦疲勞信息，實(shí)現(xiàn)腦疲勞認(rèn)知概率分布檢測(cè)模型.

本文主要工作為：（1）構(gòu)造了面向認(rèn)知的腦功率圖譜，定義了腦疲勞認(rèn)知指標(biāo)，它表征一個(gè)人的腦疲勞認(rèn)知狀態(tài)；（2）建立了一種深度潛變量模型DLDM，模型全局參數(shù)作為腦疲勞狀態(tài)特征向量，推理飛行員腦功率圖譜的認(rèn)知概率分布特征，揭示了腦疲勞狀態(tài)演變規(guī)律；（3）定義一種SG-MCMC 參數(shù)優(yōu)化方法，實(shí)現(xiàn)DLDM模型參數(shù)的有效推理，該方法不僅可以分批訓(xùn)練，而且實(shí)現(xiàn)了不同主題與層之間自適應(yīng)學(xué)習(xí)，以此改善了模型參數(shù)推斷速度.

3 疲勞評(píng)價(jià)指標(biāo)及腦功率圖譜構(gòu)建

3.1 疲勞指標(biāo)

每個(gè)節(jié)律的功率可以用該節(jié)律段功率密度的和表示，即功率密度曲線對(duì)應(yīng)頻率帶內(nèi)的面積.文獻(xiàn)［4］設(shè)計(jì)了4個(gè)節(jié)律信號(hào)的功率比作為疲勞認(rèn)知指標(biāo)：

飛行員在非疲勞與疲勞兩種不同狀態(tài)下的4 個(gè)疲勞認(rèn)知指標(biāo)如文獻(xiàn)［26］中的描述，如圖1 所示.其中，橫軸表示不同的樣本，縱軸表示認(rèn)知指標(biāo)值.與橫軸平行的線表示認(rèn)知指標(biāo)的平均值.相較于非疲勞狀態(tài)，疲勞狀態(tài)下4 個(gè)指標(biāo)都有升高的趨勢(shì)：(α+θ)/β增加了1.6，(α+θ)/(α+β)增加了2.05，θ/β增加了1.5，α/β增加了0.45.顯然，(α+θ)/β，(α+θ)/(α+β)和θ/β指標(biāo)增強(qiáng)的幅度更為顯著.這說(shuō)明這3 個(gè)指標(biāo)對(duì)疲勞狀態(tài)的變換比較敏感.

圖1 腦疲勞認(rèn)知指標(biāo)趨勢(shì)

3.2 基于疲勞指標(biāo)的腦功率圖譜

電極分布在三維空間上，考慮到實(shí)際電極空間信息的保留與模型復(fù)雜度帶來(lái)的計(jì)算資源開(kāi)銷與精度損失，文中采用二維的腦功率圖譜作為深度主題模型輸入.為了真實(shí)地還原電極位置的球面特性，采用了等距方位投影［27］的方法將電極三維拓?fù)湮恢糜成涞蕉S平面上（如圖2），整合3 個(gè)認(rèn)知指標(biāo)，生成一張腦認(rèn)知圖譜，如圖3所示.

圖2 原三維空間電極位置及二維空間投影圖

圖3 腦功率圖譜

腦功率圖譜具體轉(zhuǎn)換過(guò)程如下.

（1）根據(jù)等距方位投影方法將64 個(gè)電極位置投影到二維平面上.

（2）提取每個(gè)電極的腦電信號(hào)的4 個(gè)節(jié)律，用Welch 方法計(jì)算它們的功率譜密度曲線，按照式（1）獲得3個(gè)認(rèn)知指標(biāo)：(α+θ)/β，(α+θ)/(α+β)和θ/β.

（3）將64 個(gè)電極位置投放到64×64 的空白圖像上，3 個(gè)認(rèn)知指標(biāo)分別可以產(chǎn)生3 張單通道圖像，每個(gè)圖像上只有64 個(gè)電極像素點(diǎn)有初始值，其余置為0.對(duì)于每幅圖片，采用雙立方插值算法，計(jì)算出相鄰兩個(gè)電極點(diǎn)之間的像素插值，并將每個(gè)通道圖片的像素點(diǎn)值進(jìn)行歸一化處理.

（4）每個(gè)樣本產(chǎn)生的3 幅灰度圖像，將3 幅灰度圖像合并，即可以得到一個(gè)3通道的RGB 彩色圖像.進(jìn)一步重復(fù)（1）～（3），可以生成基于3 個(gè)疲勞指標(biāo)的腦功率圖譜集合.

4 深度潛變量狄利克雷模型

DLDM 模型把復(fù)雜的多元概率分布的參數(shù)作為數(shù)據(jù)的概率特征，抽象出由淺入深的多層概率特征，聯(lián)合訓(xùn)練所有層的模型參數(shù)，形成有監(jiān)督的深度潛變量狄利克雷模型DLDM，實(shí)現(xiàn)腦疲勞認(rèn)知狀態(tài)的有效分類.

4.1 模型構(gòu)建

DLDM 中每一層用和對(duì)數(shù)分布反向傳播其潛變量神經(jīng)元，擴(kuò)大下一層的神經(jīng)元個(gè)數(shù).用多項(xiàng)式分布推理下一層寬度出現(xiàn)的概率，將擴(kuò)展后的觀測(cè)向量進(jìn)行分割，合并成與下一層寬度關(guān)聯(lián)矩陣，進(jìn)一步行求和，形成下一層觀測(cè)向量.依此類推，形成主題狀態(tài)的推理結(jié)果，模型結(jié)構(gòu)如圖4所示.

圖4 DLDM模型結(jié)構(gòu)與推理

DLDM模型定義如下：

式（2）的前4行可表示為伽瑪負(fù)二項(xiàng)分布產(chǎn)生的隨機(jī)計(jì)數(shù)矩陣.進(jìn)一步，這4行可表示為

4.2 模型參數(shù)推理

吉布斯采樣要求每一次迭代都要處理所有的數(shù)據(jù)，它不利于大數(shù)據(jù)并行處理.而SG-MCMC可以較快地處理數(shù)據(jù).它可以在迭代中產(chǎn)生全局共享參數(shù)的后驗(yàn)采樣.

在SG-MCMC，定義半正定擴(kuò)散矩陣D(z)，維納過(guò)程W(t)，反對(duì)稱的旋度矩陣Q(z)，Γi(z)是補(bǔ)償向量Γ(z)的第i個(gè)元素.下采樣后小批量的數(shù)據(jù)的更新規(guī)則為

5 實(shí)驗(yàn)

5.1 數(shù)據(jù)來(lái)源

實(shí)驗(yàn)設(shè)備為國(guó)內(nèi)某航空研究所模擬飛行器.參與人員是40 名有豐富經(jīng)驗(yàn)的一線飛行員.腦電信號(hào)采集裝置是國(guó)際通用的10-20 系統(tǒng)，采樣頻率是160 Hz.飛行共計(jì)4 個(gè)小時(shí)，飛行開(kāi)始前采集腦電信號(hào)，此時(shí)為零工作負(fù)荷，記為狀態(tài)1；開(kāi)始后進(jìn)行1.5 h 輕度壓力模擬實(shí)驗(yàn)飛行，后半個(gè)小時(shí)采集腦電信號(hào)，此時(shí)為輕度壓力狀態(tài)，記為狀態(tài)2；隨后進(jìn)行1.5 h中度壓力模擬飛行，有輕微氣流干擾，同樣后半個(gè)小時(shí)采集腦電數(shù)據(jù)，此時(shí)為中度壓力飛行，記為疲勞狀態(tài)3；最后一個(gè)小時(shí)進(jìn)行高負(fù)荷狀態(tài)的起飛降落實(shí)驗(yàn)，后20 min 采集腦電數(shù)據(jù)，此時(shí)為高壓疲勞狀態(tài)，記為疲勞狀態(tài)4.

實(shí)驗(yàn)采集到40 個(gè)腦電信號(hào)樣本，考慮到不同個(gè)體之間的差異性，在每個(gè)階段結(jié)束時(shí)，對(duì)實(shí)驗(yàn)人員做NASA-TLX 量表和karolinska 困倦度量表測(cè)試，量表的測(cè)試結(jié)果反映飛行員當(dāng)前的疲倦狀態(tài)，作為數(shù)據(jù)狀態(tài)點(diǎn)選擇的參考.為了排除每個(gè)階段剛開(kāi)始和結(jié)束時(shí)干擾，截取每段信號(hào)的中間12 min 信號(hào)作為實(shí)驗(yàn)中需要的數(shù)據(jù).采集到的信號(hào)通過(guò)帶通濾波器提取出θ，α和β節(jié)律，每4 s 一個(gè)窗口，12 min 的腦電信號(hào)共生成腦功率圖譜720 張（12 min×4 個(gè)階段×60 s/4 s=720 張）.這樣40 個(gè)飛行員，一次任務(wù)范式下就能夠生成40×720=28 800 張腦功率圖譜.仿真取每個(gè)飛行員的50 張圖，40名飛行員共計(jì)2 000張飛行員腦功率圖.表1提供了不同特征輸入下的腦認(rèn)知狀態(tài)推理精度.使用標(biāo)準(zhǔn)的CNN 網(wǎng)絡(luò)處理這些特征.結(jié)果顯示腦功率圖譜較單個(gè)節(jié)律的認(rèn)知推理能力要強(qiáng).

表1 不同特征的腦認(rèn)知狀態(tài)探測(cè)精度

5.2 腦疲勞推理

飛行員腦疲勞主題狀態(tài)推理是一個(gè)多分類問(wèn)題.本實(shí)驗(yàn)中，本文收集的疲勞狀態(tài)為4 類數(shù)據(jù).實(shí)驗(yàn)中，DLDM模型的輸入是腦功率圖譜.實(shí)驗(yàn)選用TLASGR 方法推斷DLDM模型的后驗(yàn)參數(shù).實(shí)驗(yàn)訓(xùn)練數(shù)據(jù)量2 000，批處理數(shù)據(jù)量400，自適應(yīng)學(xué)習(xí)率服從式（6）和式（7），模型超參數(shù)：η(l)=，a0=b0=0.01，γ0=c0=e0=f0=1.

為了驗(yàn)證均值減少特性的TLASGR 參數(shù)化方式的有效性，實(shí)驗(yàn)采用如下3種優(yōu)化算法.

（1）TLASGR：具有均值減少的主題與層間自適應(yīng)學(xué)習(xí)率隨機(jī)梯度黎曼馬爾可夫鏈蒙特卡洛方法.

（2）TLFSGR：具有均值減少的主題與層間固定學(xué)習(xí)率隨機(jī)梯度黎曼馬爾可夫鏈蒙特卡洛方法.將TLASGR中學(xué)習(xí)率替換為固定的

設(shè)計(jì)3種網(wǎng)絡(luò)結(jié)構(gòu)如下：128-64-32，128-64和128.128-64-32 代表3 層網(wǎng)絡(luò)結(jié)構(gòu)，自頂向下每一層神經(jīng)元個(gè)數(shù)為128，64和32.網(wǎng)絡(luò)分類性能指標(biāo)包括腦疲勞狀態(tài)分類準(zhǔn)確率和模型學(xué)習(xí)時(shí)間.從表2 中可以看出，隨著網(wǎng)絡(luò)層次和寬度增加，整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)越深，對(duì)應(yīng)的認(rèn)知狀態(tài)推理能力越好.均值減少的參數(shù)化方式（TLASGR 與TLFSGR）要比均值增加的參數(shù)化方式SGRLD 運(yùn)算速度快得多，分類精度上大致相當(dāng).網(wǎng)絡(luò)各層特征的分類效果如表3 所示.顯然，隨著網(wǎng)絡(luò)層次的增加，DLDM+TLASGR 模型推理腦疲勞認(rèn)知狀態(tài)的正確率逐步提升.

表2 不同網(wǎng)絡(luò)結(jié)構(gòu)的實(shí)驗(yàn)結(jié)果

表3 網(wǎng)絡(luò)各層特征分類效果

5.3 特征知識(shí)圖譜與模型收斂性

DLDM 學(xué)習(xí)到的特征是每一層各個(gè)神經(jīng)元的先驗(yàn)，即伽瑪分布的形狀參數(shù).這些形狀參數(shù)可以表示為腦圖譜特征.圖5 表示了不同推斷方法不同層的特征參數(shù)可視化結(jié)果.從特征圖中可以看出，深層網(wǎng)絡(luò)結(jié)構(gòu)中頂層特征規(guī)律性最強(qiáng)，同時(shí)也可以發(fā)現(xiàn)特征圖之間的差異性越大，分類準(zhǔn)確率越高.連續(xù)時(shí)間窗口內(nèi)的特征圖譜可以看作大腦認(rèn)知狀態(tài)字典，每一個(gè)小方格是字典元素，這樣整個(gè)腦功率圖譜可以認(rèn)為是這些字典元素的加權(quán)組合.從這個(gè)層面看，DLDM 頂層特征圖譜大大降低了字典元素個(gè)數(shù)，提取出更為抽象的特征.網(wǎng)絡(luò)層次增加有利于提取腦功率圖譜中蘊(yùn)含的顯著疲勞認(rèn)知知識(shí).

SGRLD：采用SGRLD 推理網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，獲得對(duì)應(yīng)的特征如圖5 左邊一欄.隨著網(wǎng)絡(luò)層次的增加，學(xué)習(xí)到的字典特征更加顯著，對(duì)應(yīng)的分辨正確率也從81%增加到90.29%.

TLFSGR：采用TLFSGR 推理DLDM 模型參數(shù)，如圖5 中間一欄.在3 層網(wǎng)絡(luò)結(jié)構(gòu)中，第一層網(wǎng)絡(luò)輸出的特征給出的分類正確率為36.57%，第二層網(wǎng)絡(luò)的特征給出的正確率為78.83%，當(dāng)網(wǎng)絡(luò)層次達(dá)到3 時(shí)，對(duì)應(yīng)的分類正確率為89.10%.

TLASGR：采用TLASGR推理網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，如圖5右邊一欄.在3 層網(wǎng)絡(luò)結(jié)構(gòu)中，底層網(wǎng)絡(luò)學(xué)習(xí)到的像素特征差異性較小，高層網(wǎng)絡(luò)學(xué)習(xí)到的特征差異性較大.對(duì)應(yīng)的分類正確率也從79.40%上升到89.15%，它的性能與SGRLD方法的較為接近.當(dāng)網(wǎng)絡(luò)層次為2層時(shí)，模型的分類正確率達(dá)到89.11%，與SGRLD 方法的89.10%幾乎相等.因此，兩層結(jié)構(gòu)的TLASGR 方法可以作為兼顧準(zhǔn)確率與效率的最佳選擇，作為DLDM 模型的參數(shù)優(yōu)化方法.

圖5 網(wǎng)絡(luò)模型的特征圖譜

圖6展示3種參數(shù)優(yōu)化算法的收斂性.實(shí)驗(yàn)使用了分批處理的方法，每一批數(shù)據(jù)獨(dú)立學(xué)習(xí)網(wǎng)絡(luò)參數(shù).曲線出現(xiàn)跳躍的地方是切換訓(xùn)練數(shù)據(jù)的時(shí)間點(diǎn).顯然，使用均值減少的參數(shù)化方式（TLFSGR，TLASGR）要比均值擴(kuò)張的參數(shù)化方式（SGRLD）收斂得更快、更平穩(wěn).3 種參數(shù)推斷方法中，自適應(yīng)學(xué)習(xí)率的方法（TLASGR）收斂速度快而平穩(wěn)，且時(shí)間消耗最少，是最有效的參數(shù)推斷方法.這與由表2得出的結(jié)論一致.

圖6 不同參數(shù)推斷算法收斂曲線

5.4 不同深度學(xué)習(xí)模型對(duì)比

表4顯示了DLDM模型與其他深度網(wǎng)絡(luò)模型的性能差異.對(duì)比模型主要包括DBN，CNN［12］和EEGNet［30］.其中DBN和CNN 模型運(yùn)用本文的腦功率圖譜作為輸入，實(shí)現(xiàn)腦疲勞狀態(tài)檢測(cè).EEGNet 方法使用原文獻(xiàn)中的處理方法解決疲勞檢測(cè)任務(wù).結(jié)果顯示，DLDM 模型分類正確率比DBN和CNN 模型提高了3%，比最新提出的EEGNet網(wǎng)絡(luò)提升了2%.

表4 DLDM模型與其他深度模型對(duì)比

6 總結(jié)

本文設(shè)計(jì)了3 個(gè)腦認(rèn)知指標(biāo)，生成了任務(wù)背景下的腦認(rèn)知圖譜，建立了基于深度主題網(wǎng)絡(luò)的飛行員腦疲勞狀態(tài)推理模型.將無(wú)監(jiān)督深度狄利克雷模型［25］中的全局變量與輸入向量的積作為認(rèn)知狀態(tài)的特征，建立了一個(gè)有監(jiān)督的深度潛變量狄利克雷模型DLDM.在DLDM 中，單純形約束參數(shù)使用了均值降低方法實(shí)現(xiàn)快速采樣，構(gòu)建TLASGR-MCMC 方法推理DLDM 模型參數(shù).結(jié)果顯示它獲得了較好的DLDM 模型參數(shù)推斷效果.本文方法的優(yōu)勢(shì)可以歸納如下.

（1）生成了一種新腦功率圖譜，解決了腦認(rèn)知狀態(tài)圖像構(gòu)建問(wèn)題.通過(guò)64 個(gè)通道節(jié)律疲勞指標(biāo)等距變換投影得到飛行員腦疲勞認(rèn)知狀態(tài)的特征圖像.腦功率圖譜可以有效地解決目前腦圖譜表達(dá)認(rèn)知能力弱的問(wèn)題.

（2）建立一種新的深度主題學(xué)習(xí)模型，解決腦認(rèn)知圖譜認(rèn)知狀態(tài)推理問(wèn)題.運(yùn)用主題-層間自適應(yīng)隨機(jī)梯度下降法優(yōu)化DLDM 模型參數(shù).使用分批學(xué)習(xí)，在有限時(shí)間和計(jì)算資源中實(shí)現(xiàn)了大數(shù)據(jù)背景下的概率生成模型參數(shù)優(yōu)化計(jì)算，推理出疲勞認(rèn)知網(wǎng)絡(luò)模型結(jié)構(gòu).通過(guò)多組對(duì)比實(shí)驗(yàn)，得出自適應(yīng)學(xué)習(xí)率的TLASGR方法在參數(shù)推斷中效果較好，既保證了正確率，又兼顧了模型效率.