基于深度收缩稀疏自编码网络的飞行员疲劳状态识别

• 作者: 任和 储银雪 吴奇 林金星 陈曦
• 来源期刊: 控制与决策
• 学科: 工学
• 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
• 年，卷（期）: 2018,（12）
• 所属期刊栏目: 短文
• 页码范围: 2263-2269
• 页数: 7页
• 分类号: TP181
• 语种: 中文
• DOI: 10.13195/j.kzyjc.2017.0924

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	林金星	南京邮电大学自动化学院	15	30	4.0	4.0
2	陈曦		3	3	1.0	1.0
3	吴奇	上海交通大学自动化系	14	11	2.0	2.0
4	任和		7	15	3.0	3.0
5	储银雪	上海交通大学自动化系	3	6	2.0	2.0