一种基于皮肤电信号的飞行学员心理压力数据获取方法

1.本发明涉及机器学习技术领域，具体涉及一种基于皮肤电信号的飞行学员心理压力数据获取方法。


背景技术：

2.飞行模拟训练是确保飞行员安全的重要保障。飞行学员在真实飞行训练中承受着巨大的心理压力，其意志力和飞行能力面临着巨大的挑战。飞行学员心理素质将直接影响其飞行任务能否完成，甚至关系到飞行员生命安全。结合虚拟现实技术，飞行学员在高动态仿真平台上的模拟训练将有效提高飞行学员的心理素质。因此，在飞行学员进行模拟飞行训练时进行心理状态波动的评测，呈现模拟飞行中飞行学员的心理波动，分析飞行学员在面临飞行困难与挑战时心理状态不同程度的波动，可以针对性地评估飞行学员的心理素质，为后续训练任务起到指示作用。
3.皮肤电信号作为人体的基本生理信号，能够反映人体交感神经系统的活动，其变化强度随着人体的心理状态的波动程度而变化，因此可以作为衡量人体心理状态波动的指示信号。手掌表面的皮肤电阻对于人体心理状态的反馈最为直观，且汗腺分布密度较高，反应最灵敏，常被作为心理-生理状态研究领域的常见位置。
4.早期研究中，科研人员通过记录人体额头、手掌等位置的皮肤电反应，监测皮肤的导电性变化情况，较直观地体现人体心理状态变化时，如出现紧张、开心情绪时交感神经对于皮肤电导的调解作用。
5.目前，基于维度情感模型的皮肤电信号的情绪识别研究成果很多，例如利用多层感知机制在唤醒度、效介和优势度上区分人体不同的心理状态；利用皮肤电信号与脉搏信号的非线性特征，如lyapunov指数、能量熵等，基于概率神经网络进行人体心理状态的划分；利用决策树和随机森林算法的皮肤电信号多维度心理状态研究；其他的，利用k近邻法、支持向量机法等都对皮肤电信号的心理状态划分作出了相关研究，其中存在的问题包括：基于皮肤电信号的心理状态划分种类单一、准确率较低，提取皮肤电信号特征不充分，不具备代表性，神经网络训练结果缺乏泛化能力，存在明显的个体性差异，无法达到预期的高精度；基于效价-唤醒度的情感评分模式和皮肤电信号反应，利用曲线拟合理论和皮肤电分解方法，获得皮肤电信号的情感评估模型。
6.目前基于神经网络的皮肤电信号心理状态映射研究，主要方法为支持向量机法、随机森林法、贝叶斯网络法与模糊逻辑法等，通过预处理阶段得到的各种特征自动区分人体心理状态，其问题在于在构建模型时，刺激源较单一、诱导心理波动的实验方式单一，以及需要人体产生强烈的应激反应。其难度在于，皮肤电信号的噪声一般较大，需要滤波、人活动时，往往引入运动轨迹，其在皮肤电信号中反映较为明显，在进行特征提取时难度较大
7.基于皮肤电信号的微弱性和低频性等特征，采集皮肤电信号过程受运动伪迹的影响十分明显，且飞行学员在进行模拟飞行训练时，需要借助摇杆和手动油门进行虚拟环境交互，训练状态下，人体的剧烈的肌肉活动是运动伪迹难以校正的重要原因；在算法层面，
去除运动伪迹的难点之一在于缺乏纯净的皮肤电信号，无法通过神经网络的训练将含有运动伪迹的皮肤电信号与其作对比；其次，利用滤波等方法进行伪迹去除时，需要构造参考信号，由于伪迹的产生没有规律可循，因此无法找到合理的参考信号来描述皮肤电信号运动伪迹的状态。
8.例如自适应滤波器对运动伪迹进行校正，其缺点是需要构建参考信号作为滤波器的输入，难以利用时频谱法、插值法等剔除运动伪迹；例如小波分解法在进行运动伪迹校正时，需要将皮肤电信号的噪声分级滤除，设置合理的小波基和阈值，去除伪迹信号，其缺点是难以定位皮肤电信号的噪声；采用变分模态分解—自适应熵阈值法可以进行运动伪迹去除，但是需要分级对能量熵进行求解和排序，定位不同频带的模态分量，去除运动伪迹程序复杂。


技术实现要素：

9.为此，本发明提出一种基于皮肤电信号的飞行学员心理压力数据获取方法，以力图解决或者至少缓解上面存在的至少一个问题。
10.一种基于皮肤电信号的飞行学员心理压力数据获取方法，包括以下步骤：
11.s1：采集多个飞行学员在飞行模拟训练时的皮肤电信号，作为生理信号数据集；
12.s2：对采集的皮肤电信号进行运动伪迹去除；
13.s3：对去除伪迹后的皮肤电信号进行频域、时域和非线性特征提取，形成皮肤电信号特征集；
14.s4：利用皮肤电信号特征集训练基于并行神经网络的心理压力数据获取模型；
15.s5：将新的飞行学员在飞行模拟训练时的皮肤电信号经过运动伪迹去除、特征提取后，输入训练好的心理压力数据获取模型中，获取新的飞行学员的心理压力数据。
16.进一步地，s1中采集的皮肤电信号具体包括：
17.分别采集进行飞行模拟训练前和进行飞行模拟训练时的摇杆控制端的食指与中指的末梢皮肤电信号；
18.分别采集进行飞行模拟训练前和进行飞行模拟训练时的手动油门控制输入端的食指与中指的末梢皮肤电信号。
19.进一步地，s1中所述飞行模拟训练包括多个飞行训练任务场景，具体包括：利用虚拟现实技术制作的日常飞行技能训练场景、恶劣天气下飞行训练场景、编队飞行训练场景、击落敌机训练场景。
20.进一步地，s2中利用深度卷积神经网络对采集的皮肤电信号进行运动伪迹去除，包括以下步骤：
21.降低皮肤电信号的采样频率；将皮肤电信号分割成非重叠的分段数据；将分段数据输入深度卷积自编码器进行运动伪迹去除。
22.进一步地，s2中所述深度卷积自编码器包括编码器和解码器，其中，编码器由3个卷积块组成，每个卷积块由卷积层、池化层、leaky-relu激活函数和批归一化层组成；解码器由3个反卷积块组成，前2个反卷积块由反卷积层、池化层、优化随机leaky-relu激活函数和批归一化层组成，后1个反卷积块仅由反卷积层组成；
23.所述深度卷积自编码器的损失函数的表达式为：
[0024][0025]
其中，xi表示第i个原始皮肤电信号，表示完成伪迹去除后的第i个皮肤电信号，n表示皮肤电信号总数；损失函数的第一部分为皮肤电信号与伪迹去除后的皮肤电信号之间的均方差，第二部分为防止过度拟合添加的l2正则函数，λ表示系数，其取值在[0，0.01]之间，表示皮肤电信号的正则函数。
[0026]
进一步地，s2中所述优化随机leaky-relu激活函数的表达式为：
[0027][0028]
其中，xi表示输入的皮肤电信号，u代表均匀分布的随机数，且u有上确界，即0《u≤1。
[0029]
进一步地，s3中频域特征包括：均值、中位数、标准并、均方差、最大值、最小值、最大值比率、最小值比率、极差、平均值、中位数、标准差、最大值、最小值、最大值比率、最小值比率、差值、一阶差分的均值、一阶差分的中位数、一阶差分的标准差、一阶差分的最大值、一阶差分的最小值、一阶差分的最大值比率、一阶差分的最小值比率；二阶差分的均值、二阶差分的中位数、二阶差分的标准差、二阶差分的最大值、二阶差分的最小值、二阶差分的最大值比率、二阶差分的最小值比率；
[0030]
时域特征包括均值、中位数、标准并、均方差、最大值、最小值、最大值比率、最小值比率、极差；
[0031]
非线性特征提取包括对皮肤电信号进行小波分解，计算不同频段的能量熵作为皮肤电信号的非线性特征。
[0032]
进一步地，s4中所述并行神经网络包括特征检测网络和关系网络，所述特征检测网络用于皮肤电信号的局部特征提取，所述关系网络用于对分段的皮肤电信号进行特征整合；其中，
[0033]
所述特征检测网络包含两层卷积模块和一层权重分配模块，所述卷积模块包含一维卷积层、批归一化层和leaky-relu激活函数；
[0034]
所述关系网络包含两个串联的基于lstm的注意力层，生成皮肤电信号特征进行加权求和操作，得到皮肤电信号关键特征的权重系数，所述注意力层包含三个并联的双向lstm网络与两个softmax层；为了实现注意力层的作用，将输入的分段皮肤电信号看作键值对形式，根据给定的特征权重分配中的query矩阵和key矩阵，将双向lstm网络的key矩阵和query矩阵相乘，输出到softmax层，得到两矩阵的相似系数，再与双向lstm网络的value矩阵相乘，输出到softmax层，得到对应的权重系数，即得到注意力层权重；
[0035]
其输出信号为：
[0036][0037]
其中，softmax为概率分布函数，query、key和value分别为双向lstm网络的不同权
重矩阵。
[0038]
进一步地，s4中所述基于并行神经网络的心理压力数据获取模型的结构还包括：在并行神经网络后串联一层级联层和一层softmax层，其中级联层的作用是将特征提取网络和关系网络得到的皮肤电信号关键特征融合；softmax层的作用是将特征融合后的模型进行分类，得到不同的心理压力数据获取模型。
[0039]
进一步地，所述并行神经网络的损失函数的表达式为：
[0040][0041]
其中，yj和pj分别为第j层的训练结果和其预测结果，λ2和λ3为正则化系数；n为所有输出的分类结果。
[0042]
本发明的有益技术效果是：
[0043]
本发明提出一种基于皮肤电信号的飞行学员心理压力数据获取方法，通过采集飞行学员在虚拟现实环境中模拟飞行训练过程的皮肤电信号，利用基于数据驱动的深度卷积自编码器去除皮肤电信号的运动伪迹，提取皮肤电信号的频域与时域的特征，利用改进的并行特征检测与关联神经网络对皮肤电信号进行特征融合，通过训练模型获取飞行学员的心理压力数据，以在后期用于评估飞行模拟训练过程中飞行学员心理状态的波动情况。
附图说明
[0044]
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。
[0045]
图1是本发明实施例一种基于皮肤电信号的飞行学员心理压力数据获取方法的流程图。
[0046]
图2是本发明实施例中基于并行神经网络的心理压力数据获取模型的结构示意图。
具体实施方式
[0047]
为了使本技术领域的人员更好地理解本发明方案，在下文中将结合附图对本发明的示范性实施方式或实施例进行描述。显然，所描述的实施方式或实施例仅仅是本发明一部分的实施方式或实施例，而不是全部的。基于本发明中的实施方式或实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式或实施例，都应当属于本发明保护的范围。
[0048]
根据飞行学员模拟飞行训练的具体场景，认为飞行学员心理压力对于飞行任务的顺利安全执行极其重要，需要针对性地采集皮肤电信号进行特征提取和评估，形成飞行学员的心理波动评估模型。因此，本发明提出一种基于皮肤电信号的飞行学员心理压力数据获取方法，如图1所示，该方法包括以下步骤：
[0049]
s1：采集多个飞行学员在飞行模拟训练时的皮肤电信号，作为生理信号数据集；
[0050]
s2：对采集的皮肤电信号进行运动伪迹去除；
[0051]
s3：对去除伪迹后的皮肤电信号进行频域、时域和非线性特征提取，形成皮肤电信
号特征集；
[0052]
s4：利用皮肤电信号特征集训练基于并行神经网络的心理压力数据获取模型；
[0053]
s5：将新的飞行学员在飞行模拟训练时的皮肤电信号经过运动伪迹去除、特征提取后，输入训练好的心理压力数据获取模型中，获取新的飞行学员的心理压力数据。
[0054]
在s1中，飞行模拟训练可以是飞行学员配戴vr眼镜在虚拟现实环境中进行模拟训练，根据训练情境的不同，时长在10～20分钟之间；飞行学员可选择的飞行模拟训练虚拟现实情境包括：晴朗天气状态下正常飞行训练，编队飞行训练，恶劣天气下飞行训练，多名飞行学员模拟对抗训练和击落敌机训练等。
[0055]
采集皮肤电信号的采集部位分别是飞行学员摇杆控制端的食指与中指的末梢皮肤电信号和手动油门控制端的食指与中指的末梢皮肤电信号；采集的皮肤电信号具体包括：分别采集进行飞行模拟训练前5分钟和进行飞行模拟训练时的摇杆控制端的食指与中指的末梢皮肤电信号；分别采集进行飞行模拟训练前5分钟和进行飞行模拟训练时的手动油门控制输入端的食指与中指的末梢皮肤电信号。
[0056]
在s2中，需要对采集的皮肤电信号进行运动伪迹去除，具体采取以下步骤：
[0057]
将皮肤电信号进行降采样，采样频率从200hz降至10hz；对降采样后的皮肤电信号分割成9秒的非重叠分段数据，若遇到无法等分的情况，可以最后十几秒的数据不等分为超过6秒的非重叠分段数据；在完成皮肤电信号数据分组后，利用深度卷积自编码器去除皮肤电信号的运动伪迹。
[0058]
深度卷积自编码器由编码器和解码器构成，其中，编码器由3个卷积块组成，每个卷积块由卷积层、池化层、优化随机leakyrelu激活函数和批归一化层组成，其中，卷积层的步长为3，池化层将输入数据维数降低2倍；池外层采用最大池化对皮肤电信号的分段信号进行降采样，降采样的目的是减少皮肤电信号的特征维度；解码器由3个反卷积块组成，前2个反卷积块由反卷积层、池化层、优化随机leakyrelu激活函数和批归一化层组成，其中，反卷积层的步长为3，池化层将输入数据维数扩展2倍，最后1个反卷积块没有池化层、激活函数和批归一化层；编码器的卷积块与对称的解码器的卷积块之间采用跳连接的方式传递特征信息，以实现重构信号的完整性。
[0059]
深度卷积自编码器中优化随机leaky-relu激活函数表达式为：
[0060][0061]
其中，xi表示输入的皮肤电信号，u代表均匀分布的随机数，且u有上确界，即0《u≤1。
[0062]
深度卷积自编码器的损失函数的表达式为：
[0063][0064]
其中xi表示第i个原始皮肤电信号，完成伪迹去除后的第i个皮肤电信号，损失函数的第一部分为皮肤电信号与伪迹去除后的皮肤电信号之间的均方差，第二部分为防止过
度拟合添加的l2正则函数；表示皮肤电信号的正则函数；λ表示系数，其取值在[0，0.01]之间，在本实施例中，取值为0.001。
[0065]
根据以上步骤实现了飞行学员模拟飞行训练中皮肤电信号数据集的构建。
[0066]
在s3中，对完成伪迹校正后的皮肤电信号，利用快速傅利叶变换进行频域特征提取，得到皮肤电信号频域的均值、中位数、标准差、均方差、最大值、最小值、最大值比率、最小值比率、极差等统计特征；
[0067]
对完成伪迹校正后的皮肤电信号进行时域特征提取，包括平均值、中位数、标准差、最大值、最小值、最大值比率、最小值比率、差值；一阶差分的均值、一阶差分的中位数、一阶差分的标准差、一阶差分的最大值、一阶差分的最小值、一阶差分的最大值比率、一阶差分的最小值比率；二阶差分的均值、二阶差分的中位数、二阶差分的标准差、二阶差分的最大值、二阶差分的最小值、二阶差分的最大值比率、二阶差分的最小值比率。
[0068]
对完成伪迹校正后的皮肤电信号进行非线性特征提取，包括进行4层小波分解，计算不同频段的能量熵作为皮肤电信号的非线性特征。
[0069]
根据以上步骤，完成了伪迹校正后的皮肤电信号的时域特征、频域特征和非线性特征提取，构建了飞行学员模拟飞行训练中皮肤电信号特征集。
[0070]
在s4中，利用皮肤电信号特征集训练基于并行神经网络的心理压力数据获取模型；如图2所示，并行神经网络包括特征检测网络和关系网络，利用特征提取网络进行皮肤电信号局部特征提取，其意义在于提取皮肤电信号分割后，尽可能多地提取每段皮肤电信号中有意义的特征，不局限于时域、频域和非线性特征；利用关系网络对分段皮肤电信号进行特征的整合，得到皮肤电信号特征与模拟飞行训练中飞行员心理状态波动的关系；
[0071]
其中，特征检测网络包含两层卷积模块和一层权重分配模块；卷积模块包含一维卷积层，批归一化层和leaky relu激活函数；一维卷积层的作用是深度挖掘皮肤电信号局部特征，批归一化层的作用是防止网络内部过度拟合，导致网络学习效率过低；leaky relu激活函数的作用是防止皮肤电信号有效特征的丢失。
[0072]
关系网络包含两个串联的基于lstm的注意力层，包含三个并联的双向lstm网络与两个softmax层；对皮肤电信号特征进行加权求和等操作，得到皮肤电信号关键特征的权重系数，构建皮肤电信号复杂特征之间的联系，深化皮肤电信号的关键特征信息，识别输入皮肤电信号中哪些特征对于心理波动是有较强指示作用的，哪些特征对于生成心理波动模型无关紧要。
[0073]
为了实现注意力层的功能，将输入的分段皮肤电信号看作键值对形式，根据给定的特征权重分配中的query矩阵和key矩阵，将双向lstm网络的key矩阵和query矩阵相乘，输出到softmax层，得到两矩阵的相似系数，再与双向lstm网络的value矩阵相乘，输出到softmax层，得到对应的权重系数，即得到注意力层权重；
[0074]
其输出信号为：
[0075]olstm
＝softmax(softmax(query
·
key
t
)
·
value)
[0076]
其中，为注意力层的输出，softmax为概率分布函数，query、key和value为双向lstm网络的不同权重矩阵。
[0077]
进一步地，为了实现神经网络的功能，需要在两个并行神经网络后，串联一层级联层和一层softmax层，其中级联层的作用是，将特征提取网络和关系网络得到皮肤电信号的
关键特征融合；其中softmax层的作用是，将特征融合后的模型进行分类，得到不同的心理波动评测模型，输出心理波动评估结果。
[0078]
神经网络的损失函数的定义为：
[0079][0080]
其中yj和pj分别为第j层的训练结果和其预测结果；λ2和λ3为正则化系数；n为所有输出的分类结果。
[0081]
本发明将飞行学员模拟飞行训练中原始皮肤电信号数据集进行伪迹去除后，得到了易提取特征的皮肤电信号数据集，并提取了皮肤电信号的时域、频域和非线性特征，形成了生理信号特征数据集输入到并行神经网络中，通过并行的特征提取神经网络和关联神经网络，输出到级联层和softmax层，获得对应的心理波动评估等级。
[0082]
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

技术特征：
1.一种基于皮肤电信号的飞行学员心理压力数据获取方法，其特征在于，包括以下步骤：s1：采集多个飞行学员在飞行模拟训练时的皮肤电信号，作为生理信号数据集；s2：对采集的皮肤电信号进行运动伪迹去除；s3：对去除伪迹后的皮肤电信号进行频域、时域和非线性特征提取，形成皮肤电信号特征集；s4：利用皮肤电信号特征集训练基于并行神经网络的心理压力数据获取模型；s5：将新的飞行学员在飞行模拟训练时的皮肤电信号经过运动伪迹去除、特征提取后，输入训练好的心理压力数据获取模型中，获取新的飞行学员的心理压力数据。2.根据权利要求1所述的一种基于皮肤电信号的飞行学员心理压力数据获取方法，其特征在于，s1中采集的皮肤电信号具体包括：分别采集进行飞行模拟训练前和进行飞行模拟训练时的摇杆控制端的食指与中指的末梢皮肤电信号；分别采集进行飞行模拟训练前和进行飞行模拟训练时的手动油门控制输入端的食指与中指的末梢皮肤电信号。3.根据权利要求2所述的一种基于皮肤电信号的飞行学员心理压力数据获取方法，其特征在于，s1中所述飞行模拟训练包括多个飞行训练任务场景，具体包括：利用虚拟现实技术制作的日常飞行技能训练场景、恶劣天气下飞行训练场景、编队飞行训练场景、击落敌机训练场景。4.根据权利要求1所述的一种基于皮肤电信号的飞行学员心理压力数据获取方法，其特征在于，s2中利用深度卷积神经网络对采集的皮肤电信号进行运动伪迹去除，包括以下步骤：降低皮肤电信号的采样频率；将皮肤电信号分割成非重叠的分段数据；将分段数据输入深度卷积自编码器进行运动伪迹去除。5.根据权利要求4所述的一种基于皮肤电信号的飞行学员心理压力数据获取方法，其特征在于，s2中所述深度卷积自编码器包括编码器和解码器，其中，编码器由3个卷积块组成，每个卷积块由卷积层、池化层、leaky-relu激活函数和批归一化层组成；解码器由3个反卷积块组成，前2个反卷积块由反卷积层、池化层、优化随机leaky-relu激活函数和批归一化层组成，后1个反卷积块仅由反卷积层组成；所述深度卷积自编码器的损失函数的表达式为：其中，x
i
表示第i个原始皮肤电信号，表示完成伪迹去除后的第i个皮肤电信号，n表示皮肤电信号总数；损失函数的第一部分为皮肤电信号与伪迹去除后的皮肤电信号之间的均方差，第二部分为防止过度拟合添加的l2正则函数；λ表示系数，其取值在[0，0.01]之间；表示皮肤电信号的正则函数。6.根据权利要求5所述的一种基于皮肤电信号的飞行学员心理压力数据获取方法，其
特征在于，s2中所述优化随机leaky-relu激活函数的表达式为：其中，x
i
表示输入的皮肤电信号，u代表均匀分布的随机数，且u有上确界，即0<u≤1。7.根据权利要求1所述的一种基于皮肤电信号的飞行学员心理压力数据获取方法，其特征在于，s3中频域特征包括：均值、中位数、标准并、均方差、最大值、最小值、最大值比率、最小值比率、极差、平均值、中位数、标准差、最大值、最小值、最大值比率、最小值比率、差值、一阶差分的均值、一阶差分的中位数、一阶差分的标准差、一阶差分的最大值、一阶差分的最小值、一阶差分的最大值比率、一阶差分的最小值比率；二阶差分的均值、二阶差分的中位数、二阶差分的标准差、二阶差分的最大值、二阶差分的最小值、二阶差分的最大值比率、二阶差分的最小值比率；时域特征包括均值、中位数、标准并、均方差、最大值、最小值、最大值比率、最小值比率、极差；非线性特征提取包括对皮肤电信号进行小波分解，计算不同频段的能量熵作为皮肤电信号的非线性特征。8.根据权利要求1所述的一种基于皮肤电信号的飞行学员心理压力数据获取方法，其特征在于，s4中所述并行神经网络包括特征检测网络和关系网络，所述特征检测网络用于皮肤电信号的局部特征提取，所述关系网络用于对分段的皮肤电信号进行特征整合；其中，所述特征检测网络包含两层卷积模块和一层权重分配模块，所述卷积模块包含一维卷积层、批归一化层和leaky-relu激活函数；所述关系网络包含两个串联的基于lstm的注意力层，生成皮肤电信号特征进行加权求和操作，得到皮肤电信号关键特征的权重系数，所述注意力层包含三个并联的双向lstm网络与两个softmax层；为了实现注意力层的作用，将输入的分段皮肤电信号看作键值对形式，根据给定的特征权重分配中的query矩阵和key矩阵，将双向lstm网络的key矩阵和query矩阵相乘，输出到softmax层，得到两矩阵的相似系数，再与双向lstm网络的value矩阵相乘，输出到softmax层，得到对应的权重系数，即得到注意力层权重；其输出信号为：o
lstm
＝softmax(softmax(query
·
key
t
)
·
value)其中，softmax为概率分布函数，query、key和value分别为双向lstm网络的不同权重矩阵。9.根据权利要求1所述的一种基于皮肤电信号的飞行学员心理压力数据获取方法，其特征在于，s4中基于并行神经网络的心理压力数据获取模型的结构还包括：在并行神经网络后串联一层级联层和一层softmax层，其中级联层的作用是将特征提取网络和关系网络得到的皮肤电信号关键特征融合；softmax层的作用是将特征融合后的模型进行分类，得到不同的心理压力数据获取模型。10.根据权利要求8所述的一种基于皮肤电信号的飞行学员心理压力数据获取方法，其特征在于，所述并行神经网络的损失函数的表达式为：
其中，y
j
和p
j
分别为第j层的训练结果和其预测结果；λ2和λ3为正则化系数；n为所有输出的分类结果。

技术总结
本发明公开了一种基于皮肤电信号的飞行学员心理压力数据获取方法，涉及机器学习技术领域。本发明的技术要点包括：采集多个飞行学员在飞行模拟训练时的皮肤电信号，作为生理信号数据集；对采集的皮肤电信号进行运动伪迹去除；对去除伪迹后的皮肤电信号进行频域、时域和非线性特征提取，形成皮肤电信号特征集；根据皮肤电信号特征集训练基于并行神经网络的心理压力数据获取模型；将新的飞行学员在飞行模拟训练时的皮肤电信号输入训练好的心理压力数据获取模型中，获取新的飞行学员的心理压力数据。本发明能够准确地表述飞行学员在进行模拟飞行训练时心理状态波动情况，帮助飞行学员总结飞行经验，为飞行学员有针对性的后续飞行训练提供帮助。行训练提供帮助。行训练提供帮助。


技术研发人员：张泽旭 乔衍迪 迟旭 刘胜志 李文斯 孙凤君
受保护的技术使用者：哈尔滨工业大学
技术研发日：2023.03.13
技术公布日：2023/7/19