基于深度收缩稀疏自编码网络的飞行员疲劳状态识别

吴奇¹，储银雪¹，陈曦²，林金星³，任和²

1. 上海交通大学自动化系2. 上海飞机客户服务有限公司3. 南京邮电大学自动化学院

摘 要：飞行员的疲劳状态识别具有重要的研究意义和应用价值.针对飞行员疲劳状态识别的复杂性和准确性,提出一种新的基于脑电信号的飞行员疲劳状态识别深度学习模型.在对飞行员的脑电信号进行滤波分解的基础上,提取delta波（0.5～4 Hz）、theta波（5～8 Hz）、alpha波（7～14 Hz）和beta波（14～30 Hz）,将其重组信号作为深度收缩稀疏自编码网络-Softmax模型的输入向量,用以对飞行员疲劳状态的识别,所得到的实验结果与深度自编码网络-Softmax模型和传统方法PCA-Softmax模型识别结果进行比较,结果表明所建立的深度学习模型具有很好的分类效果,分类准确率可达91.67%,且学习所得的特征稳定性好,验证了所提模型具有稳定性和重复验证性.

关键词：飞行员疲劳;脑电信号;深度收缩稀疏自编码网络;深度自编码网络;Softmax分类器;准确率;