摘要
基于生理信号的人体疲劳监测是指利用人体采集的生理电信号来判断受试者的疲劳程度。基于生理信号的疲劳监测因其客观性、可连续性等优势而具有很好的应用前景，但不同用户在性格、年龄等生理心理方面的差异，导致不同用户的生理信号具有差异。这种用户差异使得在已有用户上建立的人体疲劳监测模型直接用于新用户时稳定性变差。为此，本文提出了基于域适应(Domain Adaption)技术和基于域泛化(Domain Generalization)技术的两种跨用户精神疲劳监测算法，同时提出了面向民航飞行员的疲劳监测框架。论文主要工作如下： 1.针对现有的基于域适应技术的精神疲劳监测算法容易产生边界混淆，导致跨用户的监测模型准确率下降的问题，本文提出了一种基于时空特征和最大化分类器差异的域适应(Spatial-Temporal Maximum Classifier Discrepancy,STMCD)算法。该算法通过提取脑电信号中的空间时序特征，并充分利用分类器在新用户数据上的差异，使得新用户数据和已有数据的分布对齐从而减轻边界混淆。仿真实验结果表明，提出的STMCD算法在三个公开数据集上的准确率分别提升了8.17%、2.28%、17.46%。 2.针对现有的基于域泛化技术的精神疲劳监测算法只考虑对齐边缘分布，导致跨用户的监测模型准确率下降的问题，本文提出了一种基于域条件分布对齐的域泛化(Conditional Alignment Domain Generalization,CADG)算法。该算法通过对齐已有用户脑电信号数据的边缘分布和条件分布，提取到与用户无关的精神疲劳特征，从而在新用户上进行疲劳监测时能够减弱用户差异的影响，获得对新用户数据更好的泛化性能。仿真实验结果表明，CADG算法在三个公开数据集上准确率分别提升了2.10%、2.12%、2.59%。 3.现有人体疲劳监测方法大多使用脑电信号，而脑电采集设备对飞行员活动干扰很大，故本文使用心电信号这种可以被便捷式可穿戴设备采集的生理信号来进行飞行员疲劳监测。对于飞行员心电信号个体差异的问题，本文提出了包含冷启动、模型调整、模型定制三个阶段的演进式飞行员精神疲劳监测框架(Evolutionary Pilot Mental Fatigue Monitoring,EPMFM)，可以随着飞行员心电数据的积累逐步减小个体差异。在采集到的飞行员心电数据集上的仿真实验表明三个阶段的准确率分别比基线提高了8.01%、18.07%、38.95%。
NETL