一种集群操控人员疲劳预测方法和系统与流程

1.本发明涉及疲劳预测技术领域，尤其涉及一种集群操控人员疲劳预测方法和系统。


背景技术：

2.目前的集群操控疲劳状态的检测可以分为主观界定和客观评定两种。其中，主观方式主要包括艾森克个性问卷(epq)、简易应对方式问卷、症状自评量表(scl-90)、心理自评量表(sas)、抑郁量表(hamd)等；客观评定主要包括基于表情特征、基于生理特征和基于行为特征等手段，通过信号采集、分析处理、特征提取与分类识别，最终完成基于单一特征的疲劳监测。主观界定能够一定程度的体现状态改变的原因，但易受主观因素的干扰。
3.客观评定的研究目前主要是对疲劳状态进行检测，并且目前对操控人员能操控的集群数量缺乏定量的研究，集群操控系统的评估与赋能研究均是在各自拟定的任务背景下展开的，导致操控人员操控集群规模多样化，人机工效评估没有统一的任务背景，评估的结果也缺乏指导意义。


技术实现要素：

4.鉴于上述的分析，本发明实施例旨在提供一种集群操控人员疲劳预测方法和系统，用以解决现有缺乏操控人员能操控的集群数量缺乏定量的研究并且疲劳检测不准确的问题。
5.一方面，本发明实施例提供了一种集群操控人员疲劳预测方法，包括以下步骤：
6.提取多个被试对象执行不同规模的集群操控任务时的非疲劳状态和疲劳状态下的生理特征数据，将生理特征数据对应的疲劳和非疲劳状态作为标签，基于提取的生理特征数据和对应的标签进行分类模型训练得到疲劳检测模型；
7.基于疲劳检测模型计算每个被试对象在每种规模集群操控任务下的到达疲劳时长；基于每个被试对象在每种规模集群操控任务下的到达疲劳时长确定集群操控任务的最佳规模；
8.操控人员执行最佳规模的集群操控任务，采集操控人员执行集群操控任务时的每个时刻的生理特征数据；根据采集的生理特征数据基于疲劳检测模型预测操控人员当前时刻和未来时刻的状态。
9.基于上述技术方案的进一步改进，基于疲劳检测模型计算每个被试对象在每种规模集群操控任务下的到达疲劳时长，包括：
10.提取每个被试对象在每种规模集群操控任务下非疲劳状态到疲劳状态之间每个单位时刻的生理特征数据，基于疲劳检测模型判断每个被试对象在每种规模集群操控任务下非疲劳状态到疲劳状态之间每个单位时刻的状态；
11.每个被试对象在每种规模集群操控任务下非疲劳状态到疲劳状态之间的、由疲劳检测模型判断得到的第一个疲劳状态对应的时刻到集群操控任务的初始时刻的时长为该
被试对象在该种规模集群操控任务下的到达疲劳时长。
12.进一步地，基于每个被试对象在每种规模集群操控任务下的到达疲劳时长确定集群操控任务的最佳规模，包括：
13.基于每个被试对象在每种规模集群操控任务下的到达疲劳时长计算每个被试对象的最佳任务规模；
14.所有被试对象中最佳任务规模数量最多的规模为集群操控任务的最佳规模。
15.进一步地，基于每个被试对象在每种规模集群操控任务下的到达疲劳时长计算每个被试对象的最佳任务规模，包括：
16.当前被试对象在不同规模集群操控任务下的最小到达疲劳时长为最短评估时长；以与各集群操控任务开始时刻的差值小于所述最短评估时长的每个时刻为各集群操控任务的评估时刻；
17.对于每种规模的集群操控任务，计算每个评估时刻操控一台机器的疲劳率，疲劳率最小值对应的集群操控任务的规模为每个评估时刻对应的最佳规模；
18.所有评估时刻中，最佳规模数量最多的任务规模为当前被试对象的最佳任务规模。
19.进一步地，对于每种规模的集群操控任务，计算每个评估时刻的操控一台机器的疲劳率，包括：
20.根据公式其中，pi表示第i个评估时刻疲劳检测模型判断得到的疲劳概率值；nj表示第j种规模的集群操控任务的机器数量；ti表示第i个评估时刻的操控一台机器的疲劳率。
21.进一步地，根据采集的生理特征数据基于疲劳检测模型预测操控人员当前时刻和未来时刻的状态，包括：
22.获取当前时刻的生理特征数据，根据疲劳检测模型预测当前时刻操控人员的疲劳概率值得到操控人员当前时刻的状态；
23.根据当前时刻的疲劳概率值和当前时刻之前的多个时刻的疲劳概率值计算未来时刻的疲劳概率值得到操控人员未来时刻的状态。
24.进一步地，根据以下公式计算未来时刻的疲劳概率值：
[0025][0026][0027]
其中，t为当前时刻，p
t+k
表示预测的t+k时刻的疲劳概率值，表示根据t-i时刻预测得到的t+k时刻的疲劳概率值，α
t-i
表示t-i时刻的权重，s表示取t时刻之前的s个时刻，p
t-i
表示t-i时刻疲劳检测模型判断操控人员的疲劳概率值。
[0028]
进一步地，所述生理特征数据包括脑电特征数据、心电特征数据和肌电特征数据；
[0029]
所述脑电特征数据包括单位时间内的脑电均值、标准差、峰度、偏度、每个脑电通
道的熵以及脑电通道间的互信息；
[0030]
所述心电特征数据包括单位时间内的心率、nn间期标准差、相邻nn间期差值的均方根、低频频带面积、高频频带面积和低频高频功率比值；
[0031]
所述肌电特征数据包括单位时间内的肌电均值和方差。
[0032]
进一步地，提取多个被试对象执行不同规模的集群操控任务时的非疲劳状态和疲劳状态下的生理特征数据之后，基于提取的生理特征数据和对应的标签进行分类模型训练得到疲劳检测模型之前，还包括：
[0033]
计算每个生理特征与对应标签的皮尔逊相关系数；
[0034]
基于皮尔逊相关系数构建统计量根据t值查询每个特征对应的p值，根据p值选取与标签相关度高的生理特征数据进行分类模型训练得到疲劳检测模型，其中r表示皮尔逊相关系数，n表示当前特征的样本数量。
[0035]
另一方面，本发明实施例提供了一种集群操控人员疲劳预测系统，包括以下模块：
[0036]
模型训练模块，用于提取多个被试对象执行不同规模的集群操控任务时的非疲劳状态和疲劳状态下的生理特征数据，将生理特征数据对应的疲劳和非疲劳状态作为标签，基于提取的生理特征数据和对应的标签进行分类模型训练得到疲劳检测模型；
[0037]
最佳规模确定模块，用于基于疲劳检测模型计算每个被试对象在每种规模集群操控任务下的到达疲劳时长；基于每个被试对象在每种规模集群操控任务下的到达疲劳时长确定集群操控任务的最佳规模；
[0038]
状态预测模块，用于操控人员执行最佳规模的集群操控任务，采集操控人员执行集群操控任务时的每个时刻的生理特征数据；根据采集的生理特征数据基于疲劳检测模型预测操控人员当前时刻和未来时刻的状态。
[0039]
与现有技术相比，本发明通过基于疲劳检测模型计算每个被试对象在每种规模集群操控任务下的到达疲劳时长；基于每个被试对象在每种规模集群操控任务下的到达疲劳时长确定集群操控任务的最佳规模，从而对操控人员能操控的集群数量进行定量研究，可以最大程度的发挥操控人员的能力，并为后续的赋能技术提供了理论科学依据，通过根据采集的生理特征数据基于疲劳检测模型预测操控人员在未来时刻的状态，综合考虑现在以及过去的疲劳状态，可以更为准确的预测未来时刻的疲劳程度。
[0040]
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
[0041]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0042]
图1为本发明实施例集群操控人员疲劳预测方法的流程图；
[0043]
图2为本发明实施例集群操控人员疲劳预测系统的框图。
具体实施方式
[0044]
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
[0045]
本发明的一个具体实施例，公开了一种集群操控人员疲劳预测方法，如图1所示，包括以下步骤：
[0046]
s1、提取多个被试对象执行不同规模的集群操控任务时的非疲劳状态和疲劳状态下的生理特征数据，将生理特征数据对应的疲劳和非疲劳状态作为标签，基于提取的生理特征数据和对应的标签进行分类模型训练得到疲劳检测模型；
[0047]
s2、基于疲劳检测模型计算每个被试对象在每种规模集群操控任务下的到达疲劳时长；基于每个被试对象在每种规模集群操控任务下的到达疲劳时长确定集群操控任务的最佳规模；
[0048]
s3、操控人员执行最佳规模的集群操控任务，采集操控人员执行集群操控任务时的每个时刻的生理特征数据；根据采集的生理特征数据基于疲劳检测模型预测操控人员当前时刻和未来时刻的状态。
[0049]
本发明通过基于疲劳检测模型计算每个被试对象在每种规模集群操控任务下的到达疲劳时长；基于每个被试对象在每种规模集群操控任务下的到达疲劳时长确定集群操控任务的最佳规模，从而对操控人员能操控的集群数量进行定量研究，可以最大程度的发挥操控人员的能力，并为后续的赋能技术提供了理论科学依据，通过根据采集的生理特征数据基于疲劳检测模型预测操控人员在未来时刻的状态，综合考虑现在以及过去的疲劳状态，可以更为准确的预测未来时刻的疲劳程度。
[0050]
实施时，设计合理是实验范式，使被试人员在精神(即非疲劳)状态下开始完成不同规模的集群操控任务，实验时长需确保被试人员在实验结束前至少有一段时间处于疲劳状态。例如，实验时长为3-4小时，被试人员在实验结束的前半个小时已处于疲劳状态。采集被试人员从实验开始到实验结束之间的所有生理数据。由于被试人员是从非疲劳状态开始实验的，因此实验开始的一段时间内被试人员一定处在非疲劳状态，因此，取实验开始后的一段时间内的生理信息数据为非疲劳状态下的生理信息数据，取实验结束前的一段时间内的生理信息数据为疲劳状态下的生理信息数据，从而确保后续疲劳检测模型的准确性。
[0051]
基于生理信息数据得到对应的生理特征数据。具体的，生理信息数据包括脑电、心电和肌电数据，生理特征数据包括脑电特征数据、心电特征数据和肌电特征数据。
[0052]
具体的，脑电特征数据包括单位时间内的脑电数据的均值、标准差、峰度、偏度、每个脑电通道的熵以及脑电通道间的互信息。例如，单位时间为一分钟，则计算每一分钟内的脑电数据的均值、标准差、峰度、偏度、每个脑电通道的熵以及脑电通道间的互信息。
[0053]
其中，根据计算单位时间的数据峰度k，其中，n表示单位时间的脑电数据数量，xi表示单位时间内的第i个脑电数据，μ表单位时间内的数据均值，σ表示单位时间内的数据方差。峰度用来度量随机变量概率分布的陡峭程度，峰度越大，越高尖，反之越矮胖。
[0054]
根据计算单位时间的数据偏度s，其中，n表示单位时间的脑
电数据数量，xi表示单位时间内的第i个数据，μ表单位时间内的数据均值，σ表示单位时间内的数据方差，偏度用来度量随机变量概率分布的不对称性，偏度》0表示概率分布图右偏，反之左偏。
[0055]
熵表征的是一个事物/事情包含的信息量的大小，事件/事物的不确定性越大，则信息量越大，相应的熵也就越大；反之，事件/事物的不确定性越小，则信息量越小，熵越小。针对如脑电信号之类的连续时间序列来说，首先对信号的幅值进行分段，例如一段脑电信号有10000个数据点，幅值范围是-0.2v到0.2v,可以把这段脑电信号按照幅值分割成100个段，那么每一个段的幅值范围依次是[-0.2，-0.196],[-0.196，-0.192],
……
,[0.196，0.2]，统计脑电信号幅值落在上述各个段内的数据点个数，并除以脑电信号总数据点(这里为10000)得到各个段的概率。
[0056]
熵的计算公式如下：
[0057][0058]
其中，h表示某个脑电通道的连续时间序列信号的熵；上述公式中，m表示分段的数量，zi表示第i个段，p(zi)表示第i个段的概率。
[0059]
两个随机变量的互信息是变量间相互依赖性的量度。
[0060]
通过以下公式计算任意两个脑电通道间的互信息i(x1；x2)：
[0061][0062]
其中，x1和x2分别表示两个通道的脑电数据，p(x1)和p(x2)分别表示x1和x2的边缘概率，p(x1,x2)表示x1和x2的联合概率。
[0063]
具体的，心电特征数据包括单位时间内的心率、nn间期标准差、相邻nn间期差值的均方根、低频频带面积、高频频带面积和低频高频功率比值。
[0064]
其中，nn间期表示正常r峰之间的间期。nn间期标准差为单位时间内所有nn间期的标准差。
[0065]
对单位时间内的相邻nn间期求差值，计算单位时间内相邻nn间期差值的均方根得到相邻nn间期差值的均方根。
[0066]
具体的，低频指频率在0.04～0.15hz范围内的频率；高频指频率在0.15～0.4hz范围内的频率。
[0067]
需要说明的是频带面积指的是在功率谱密度曲线图中的频带面积。
[0068]
所述肌电特征数据包括单位时间内的肌电均值和方差。
[0069]
提取生理特征数据后，特征数据和对应的标签(即疲劳或非疲劳，疲劳对应值为1，非疲劳对应值为0)，构成训练数据进行分类模型训练，得到疲劳检测模型。
[0070]
为了减少计算量，提高模型准确性，对特征进行相关性分析，提取相关性高的特征进行分类模型训练。因此，提取多个被试对象执行不同规模的集群操控任务时的非疲劳状态和疲劳状态下的生理特征数据之后，基于提取的生理特征数据和对应的标签进行分类模型训练得到疲劳检测模型之前，还包括：
[0071]
计算每个生理特征与对应标签的皮尔逊相关系数；
[0072]
基于皮尔逊相关系数构建统计量根据t值查询每个特征对应的p值，根据p值选取与标签相关度高的生理特征数据进行分类模型训练得到疲劳检测模型，其中r表示皮尔逊相关系数，n表示当前特征的样本数量。
[0073]
具体的，通过公式计算每个生理特征数据的皮尔逊相关系数r，其中，n表示当前生理特征数据的数量；xi表示当前生理特征的第i个数据，表示当前生理特征数据的均值，yi表示当前生理特征的第i个数据对应的标签，表示当前生理特征对应标签的均值。通过构建t统计量进行t校验，根据t值查表得到对应的p值，p值越小相关度越高，选取与标签相关度高的生理特征数据进行分类模型训练得到疲劳检测模型。例如，选取p《0.01的生理特征数据进行模型训练。
[0074]
实施时，脑电特征数据、心电特征数据和肌电特征数据分别训练不同的分类器模型，采用集成分类对三个分类器模型进行决策融合，得到最终的疲劳检测模型。实施时，可采用计算疲劳检测模型的最终输出结果，其中，和分别表示三个分类器模型的预测值，α、β和γ分别表示三个分类器模型的权重。可根据每个分类模型的训练准确率得到对应的权重。
[0075]
得到疲劳检测模型后，基于疲劳检测模型计算每个被试对象在每种规模集群操控任务下的到达疲劳时长，具体的，步骤s2包括：
[0076]
s211、提取每个被试对象在每种规模集群操控任务下非疲劳状态到疲劳状态之间每个单位时刻的生理特征数据，基于疲劳检测模型判断每个被试对象在每种规模集群操控任务下非疲劳状态到疲劳状态之间的每个单位时刻的状态；
[0077]
s212、每个被试对象在每种规模集群操控任务下非疲劳状态到疲劳状态之间的、由疲劳检测模型判断得到的第一个疲劳状态对应的时刻到集群操控任务的初始时刻的时长为该被试对象在该种规模集群操控任务下的到达疲劳时长。
[0078]
训练疲劳检测模型时使用的是实验开始和结束时的一段时间内的数据，对于中间一段时间的数据还需要基于疲劳检测模型进行疲劳检测，得到每个单位时刻的状态。按照步骤s1中同样的方法提取每个被试对象在每种规模集群操控任务下非疲劳状态到疲劳状态之间的每个时刻的生理特征数据，将其输入到疲劳检测模型，得到每个被试对象在每种规模集群操控任务下非疲劳状态到疲劳状态之间的每个单位时刻的疲劳预测值，为0～1之间的数。根据疲劳预测值可得到对应的状态，例如，将疲劳阈值设置为0.6，则预测值大于等于0.6的即为疲劳状态，小于0.6的即为非疲劳状态。
[0079]
此时，每个被试对象在每种规模集群操控任务下整个实验过程的每个时刻是否疲劳状态均已得到。
[0080]
疲劳检测模型判断得到的非疲劳状态到疲劳状态之间的第一个疲劳状态对应的时刻到集群操控任务的初始时刻的时长为该被试对象在该种规模集群操控任务下的到达疲劳时长。
[0081]
根据每个被试对象在每种规模集群操控任务下的到达疲劳时长可确定集群操控
任务的最佳规模。具体的，步骤s2包括：
[0082]
s221、基于每个被试对象在每种规模集群操控任务下的到达疲劳时长计算每个被试对象的最佳任务规模；
[0083]
s222、所有被试对象中最佳任务规模数量最多的规模为集群操控任务的最佳规模。
[0084]
具体的步骤s221中基于每个被试对象在每种规模集群操控任务下的到达疲劳时长计算每个被试对象的最佳任务规模，包括：
[0085]
s2211、当前被试对象在不同规模集群操控任务下的最小到达疲劳时长为最短评估时长；以与各集群操控任务开始时刻的差值小于所述最短评估时长的每个时刻为各集群操控任务的评估时刻；
[0086]
例如，最短评估时长为t
min
，则0～t
min
间的每个时刻为评估时刻。若单位时间为一分钟，则从0开始的每一分钟为一个时刻。
[0087]
s2212、对于每种规模的集群操控任务，计算每个评估时刻操控一台机器的疲劳率，疲劳率最小值对应的集群操控任务的规模为每个评估时刻对应的最佳规模；
[0088]
具体的，根据公式其中，pi表示第i个评估时刻疲劳检测模型判断得到的疲劳概率值；nj表示第j种规模的集群操控任务的机器数量；ti表示第i个评估时刻的操控一台机器的疲劳率。
[0089]
疲劳概率值越小，说明在该种规模的集群操控任务下最不易引起疲劳。
[0090]
s2213、所有评估时刻中，最佳规模数量最多的任务规模为当前被试对象的最佳任务规模。
[0091]
例如，共三种规模的任务，操控机器数分别是n1、n2和n3。共有100个评估时刻，其中60个评估时刻对应的最佳规模为n2、25个评估时刻对应的最佳规模为n1，15个评估时刻对应的最佳规模为n3，则当前被试对象的最佳任务规模为n2。
[0092]
若共50个被试对象，其中，36人的最佳规模为n1，则集群操控任务的最佳任务规模为n1。
[0093]
通过确定集群操控任务的最佳任务规模，操控人员在执行任务时按照最佳规模进行操控。
[0094]
操控人员执行最佳任务规模的集群操控任务，采集操控人员执行集群操控任务时的每个时刻的生理特征数据，具体得到生理特征数据可参见步骤s1的方法，此处不再赘述。
[0095]
具体的，步骤s3中根据采集的生理特征数据基于疲劳检测模型预测操控人员当前时刻和未来时刻的状态，包括：
[0096]
s31、获取当前时刻的生理特征数据，根据疲劳检测模型预测当前时刻操控人员的疲劳概率值得到操控人员当前时刻的状态。
[0097]
将生理特征数据输入疲劳检测模型得到疲劳概率值，即0～1之间的数，疲劳概率值越大，越可能处于疲劳状态。
[0098]
s32、根据当前时刻的疲劳概率值和当前时刻之前的多个时刻的疲劳概率值计算未来时刻的疲劳概率值得到操控人员未来时刻的状态。
[0099]
例如，当前时刻用t表示，得到当前时刻的疲劳概率值后，根据当前时刻的疲劳概
率值和当前时刻之前时刻的疲劳概率值计算未来时刻的疲劳概率值。
[0100]
具体的，根据以下公式计算未来时刻的疲劳概率值：
[0101][0102][0103]
其中，为当前时刻，p
t+k
表示预测的t+k时刻的疲劳概率值，表示根据t-i时刻预测得到的t+k时刻的疲劳概率值，α
t-i
表示t-i时刻的权重，s表示取t时刻之前的s个时刻，p
t-i
表示t-i时刻疲劳检测模型判断操控人员的疲劳概率值。
[0104]
即，使用当前时刻与当前时刻之前的多个时刻中相邻时刻的差值作为斜率，预测未来t+k时刻的疲劳概率值。实施时，s可取10，即根据当前时刻和当前时刻之前的10个时刻的疲劳概率值计算操控人员未来时刻的疲劳概率值。
[0105]
根据疲劳预测值可得到对应的状态，例如，将疲劳阈值设置为0.6，则预测值大于等于0.6的即为疲劳状态，小于0.6的即为非疲劳状态。
[0106]
根据操控人员在当前时刻和未来时刻的状态对操控人员进行赋能。
[0107]
实施时，可预测未来不同时刻的疲劳概率值，从而更精确的判断操控人员的状态，例如预测t+k1时刻、t+k2时刻的状态，k1＜k2，根据t时刻、t+k1时刻、t+k2时刻的状态将操控人员的赋能强度分为四种类型：无需赋能、赋能强度1、赋能强度2、赋能强度3。无需赋能代表未来k2时长内，操控人员不会达到疲劳状态。赋能强度1代表未来k1时长内，操控人员不会疲劳，但未来k2时长内，操控人员会变成疲劳状态。赋能强度2代表未来k1时长内，操控人员将会变成疲劳状态。赋能强度3代表操控人员此刻处于疲劳状态。
[0108]
针对不同的赋能强度，采用不同的赋能方式，具体如下所示：(1)赋能强度1对应的赋能方式为仅使用吹冷风和嗅觉刺激，赋能时间为k1时长。(2)赋能强度2对应的赋能方式为仅使用吹冷风和嗅觉刺激，赋能时间为k2时长。(3)赋能强度3对应的赋能方式为同时使用吹冷风、嗅觉刺激和电刺激，赋能时间为k2时长。从而使得控制人员能长期保持清醒状态，更好的完成集群操控控制任务。进一步增加操控人员的操控时间和作业绩效。
[0109]
本发明的一个具体实施例，公开了一种集群操控人员疲劳预测系统，如图2所示，包括以下模块：
[0110]
模型训练模块，用于提取多个被试对象执行不同规模的集群操控任务时的非疲劳状态和疲劳状态下的生理特征数据，将生理特征数据对应的疲劳和非疲劳状态作为标签，基于提取的生理特征数据和对应的标签进行分类模型训练得到疲劳检测模型；
[0111]
最佳规模确定模块，用于基于疲劳检测模型计算每个被试对象在每种规模集群操控任务下的到达疲劳时长；基于每个被试对象在每种规模集群操控任务下的到达疲劳时长确定集群操控任务的最佳规模；
[0112]
状态预测模块，用于操控人员执行最佳规模的集群操控任务，采集操控人员执行集群操控任务时的每个时刻的生理特征数据；根据采集的生理特征数据基于疲劳检测模型预测操控人员当前时刻和未来时刻的状态。
[0113]
上述方法实施例和系统实施例，基于相同的原理，其相关之处可相互借鉴，且能达到相同的技术效果。具体实施过程参见前述实施例，此处不再赘述。
[0114]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0115]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种集群操控人员疲劳预测方法，其特征在于，包括以下步骤：提取多个被试对象执行不同规模的集群操控任务时的非疲劳状态和疲劳状态下的生理特征数据，将生理特征数据对应的疲劳和非疲劳状态作为标签，基于提取的生理特征数据和对应的标签进行分类模型训练得到疲劳检测模型；基于疲劳检测模型计算每个被试对象在每种规模集群操控任务下的到达疲劳时长；基于每个被试对象在每种规模集群操控任务下的到达疲劳时长确定集群操控任务的最佳规模；操控人员执行最佳规模的集群操控任务，采集操控人员执行集群操控任务时的每个时刻的生理特征数据；根据采集的生理特征数据基于疲劳检测模型预测操控人员当前时刻和未来时刻的状态。2.根据权利要求1所述的集群操控人员疲劳预测方法，其特征在于，基于疲劳检测模型计算每个被试对象在每种规模集群操控任务下的到达疲劳时长，包括：提取每个被试对象在每种规模集群操控任务下非疲劳状态到疲劳状态之间每个单位时刻的生理特征数据，基于疲劳检测模型判断每个被试对象在每种规模集群操控任务下非疲劳状态到疲劳状态之间每个单位时刻的状态；每个被试对象在每种规模集群操控任务下非疲劳状态到疲劳状态之间的、由疲劳检测模型判断得到的第一个疲劳状态对应的时刻到集群操控任务的初始时刻的时长为该被试对象在该种规模集群操控任务下的到达疲劳时长。3.根据权利要求1所述的集群操控人员疲劳预测方法，其特征在于，基于每个被试对象在每种规模集群操控任务下的到达疲劳时长确定集群操控任务的最佳规模，包括：基于每个被试对象在每种规模集群操控任务下的到达疲劳时长计算每个被试对象的最佳任务规模；所有被试对象中最佳任务规模数量最多的规模为集群操控任务的最佳规模。4.根据权利要求3所述的集群操控人员疲劳预测方法，其特征在于，基于每个被试对象在每种规模集群操控任务下的到达疲劳时长计算每个被试对象的最佳任务规模，包括：当前被试对象在不同规模集群操控任务下的最小到达疲劳时长为最短评估时长；以与各集群操控任务开始时刻的差值小于所述最短评估时长的每个时刻为各集群操控任务的评估时刻；对于每种规模的集群操控任务，计算每个评估时刻操控一台机器的疲劳率，疲劳率最小值对应的集群操控任务的规模为每个评估时刻对应的最佳规模；所有评估时刻中，最佳规模数量最多的任务规模为当前被试对象的最佳任务规模。5.根据权利要求4所述的集群操控人员疲劳预测方法，其特征在于，对于每种规模的集群操控任务，计算每个评估时刻的操控一台机器的疲劳率，包括：根据公式其中，p
i
表示第i个评估时刻疲劳检测模型判断得到的疲劳概率值；n
j
表示第j种规模的集群操控任务的机器数量；t
i
表示第i个评估时刻的操控一台机器的疲劳率。6.根据权利要求1所述的集群操控人员疲劳预测方法，其特征在于，根据采集的生理特
征数据基于疲劳检测模型预测操控人员当前时刻和未来时刻的状态，包括：获取当前时刻的生理特征数据，根据疲劳检测模型预测当前时刻操控人员的疲劳概率值得到操控人员当前时刻的状态；根据当前时刻的疲劳概率值和当前时刻之前的多个时刻的疲劳概率值计算未来时刻的疲劳概率值得到操控人员未来时刻的状态。7.根据权利要求6所述的集群操控人员疲劳预测方法，其特征在于，根据以下公式计算未来时刻的疲劳概率值：未来时刻的疲劳概率值：其中，t为当前时刻，p
t+k
表示预测的t+k时刻的疲劳概率值，表示根据t-i时刻预测得到的t+k时刻的疲劳概率值，α
t-i
表示t-i时刻的权重，s表示取t时刻之前的s个时刻，p
t-i
表示t-i时刻疲劳检测模型判断操控人员的疲劳概率值。8.根据权利要求1所述的集群操控人员疲劳预测方法，其特征在于，所述生理特征数据包括脑电特征数据、心电特征数据和肌电特征数据；所述脑电特征数据包括单位时间内的脑电均值、标准差、峰度、偏度、每个脑电通道的熵以及脑电通道间的互信息；所述心电特征数据包括单位时间内的心率、nn间期标准差、相邻nn间期差值的均方根、低频频带面积、高频频带面积和低频高频功率比值；所述肌电特征数据包括单位时间内的肌电均值和方差。9.根据权利要求8所述的集群操控人员疲劳预测方法，其特征在于，提取多个被试对象执行不同规模的集群操控任务时的非疲劳状态和疲劳状态下的生理特征数据之后，基于提取的生理特征数据和对应的标签进行分类模型训练得到疲劳检测模型之前，还包括：计算每个生理特征与对应标签的皮尔逊相关系数；基于皮尔逊相关系数构建统计量根据t值查询每个特征对应的p值，根据p值选取与标签相关度高的生理特征数据进行分类模型训练得到疲劳检测模型，其中r表示皮尔逊相关系数，n表示当前特征的样本数量。10.一种集群操控人员疲劳预测系统，其特征在于，包括以下模块：模型训练模块，用于提取多个被试对象执行不同规模的集群操控任务时的非疲劳状态和疲劳状态下的生理特征数据，将生理特征数据对应的疲劳和非疲劳状态作为标签，基于提取的生理特征数据和对应的标签进行分类模型训练得到疲劳检测模型；最佳规模确定模块，用于基于疲劳检测模型计算每个被试对象在每种规模集群操控任务下的到达疲劳时长；基于每个被试对象在每种规模集群操控任务下的到达疲劳时长确定集群操控任务的最佳规模；状态预测模块，用于操控人员执行最佳规模的集群操控任务，采集操控人员执行集群
操控任务时的每个时刻的生理特征数据；根据采集的生理特征数据基于疲劳检测模型预测操控人员当前时刻和未来时刻的状态。

技术总结
本发明涉及一种集群操控人员疲劳预测方法和系统，方法包括以下步骤：提取多个被试对象执行不同规模的集群操控任务时的非疲劳状态和疲劳状态下的生理特征数据，将生理特征数据对应的疲劳和非疲劳状态作为标签，基于提取的生理特征数据和对应的标签进行分类模型训练得到疲劳检测模型；基于疲劳检测模型计算每个被试对象在每种规模集群操控任务下的到达疲劳时长；基于每个被试对象在每种规模集群操控任务下的到达疲劳时长确定集群操控任务的最佳规模；操控人员执行最佳规模的集群操控任务，采集操控人员执行集群操控任务时的每个时刻的生理特征数据；根据采集的生理特征数据基于疲劳检测模型预测操控人员当前时刻和未来时刻的状态。时刻的状态。时刻的状态。


技术研发人员：赵小川 刘华鹏 金雷明 黄杰 冯运铎 刘珊
受保护的技术使用者：中国兵器工业计算机应用技术研究所
技术研发日：2023.05.10
技术公布日：2023/7/25