深度稀疏自编码网络识别飞行员疲劳状态
储银雪1
陆智俊2
裘旭益3
吴奇4
1.上海交通大学 电子信息与电气工程学院 自动化系,上海,2002402.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 2011093.中国航空无线电电子研究所,上海,2002414.上海交通大学 电子信息与电气工程学院 自动化系, 上海 200240;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.
关键词：飞行员疲劳脑电信号深度稀疏自编码网络Softmax分类器
资助基金：国家自然科学基金(61671293)国家自然科学基金(61473158)国家自然科学基金(51705242)上海市浦江人才计划(15PJ1404300)
论文发表日期：2019-01-01
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 850-857 )
英文信息