本发明涉及任务负荷判定，尤其涉及一种操控员极限脑负荷预测模型的训练方法及设备。
背景技术：
1、目前，对操控员脑负荷的研究很少有深入的探讨，且对于操控员脑负荷的研究中，大多是基于传统的脑疲劳等脑负荷状态，而没有对操控人员的极限状态进行研究。而对操控人员脑负荷的极限状态进行准确判断对于操控任务的成功与否具有关键性的意义，是判断其是否能继续操控集群任务的一个重要判断指标。此外，传统的预测方法通过特征层融合的方式，将多模态生理信息数据的多维特征进行拼接，这种方法非常依赖于提取的特征和特征提取方法，容易造成原始信息的丢失，降低模型对于脑负荷状态预测的准确度。此外，当需要对多模态生理信息和多维特征进行增减时，需要重新训练模型，极大的降低了模型的可移植性和准确性。
技术实现思路
1、鉴于上述的分析，本发明实施例旨在提供一种操控员极限脑负荷预测模型的训练方法及设备，用以解决现有技术中缺少对于操控人员的脑负荷极限状态进行准确判断问题。
2、一方面，本发明实施例提供了一种操控员极限脑负荷预测模型的训练方法，包括以下步骤：
3、构建极限脑负荷预测模型，所述极限脑负荷预测模型用于基于脑电数据、肌电数据和皮电数据对应的多种生理特征数据，分别利用与各生理特征数据对应的分类预测单元进行脑负荷状态预测，得到多个脑负荷状态类别结果，并基于设置的权重对多个所述脑负荷状态类别结果进行加权融合，判定所述操控员是否为极限脑负荷状态；
4、获取多个被试对象的极限脑负荷状态和非极限脑负荷状态下的脑电数据、肌电数据和皮电数据，并标注脑负荷状态类别标签，构建样本数据集；所述样本数据集中包括训练集和验证集；
5、利用所述训练集对所述极限脑负荷预测模型进行训练，并利用验证集对训练后的极限脑负荷预测模型进行验证，基于验证结果对各分类预测单元进行权重设置。
6、进一步的，所述极限脑负荷状态下的脑电数据、肌电数据和皮电数据通过集群操控任务试验范式采集得到；
7、基于被试者执行集群操控任务试验范式中单架无人机的击杀率和侦察率以及故障处理率计算得到操控任务绩效，若当前操控任务绩效与上一次操控任务绩效的差值为负值，且所述差值不在预设的阈值范围内，则判定所述被试者处于极限脑负荷状态。
8、进一步的，所述操控任务绩效基于无人机的击杀率、无人机的侦察率和故障处理率，通过下式得到：
9、
10、其中，nkj为第j轮试验中单架无人机击杀目标的数量，nj为第j轮试验中总的目标数量，nkj/nj为第j轮试验中单架无人机的击杀率，asj为第j轮试验中单架无人机的侦察面积，aj为第j轮试验中总的待侦察面积，asj/aj为第j轮试验中单架无人机的侦察率，fdj为第j轮试验中正确处置的故障数量，fj为第j轮试验中出现的故障总数量，fdj/fj为第j轮试验中的故障处理率。
11、进一步的，所述极限脑负荷预测模型包括特征提取单元、多个分类预测单元和融合判定单元；
12、所述特征提取单元用于基于脑电数据、肌电数据和皮电数据进行特征提取和筛选得到多个生理特征数据；
13、多个所述分类预测单元分别用于基于其中一种生理特征数据预测得到脑负荷状态类别结果；
14、所述融合判定单元用于基于所述权重，融合各分类预测单元的脑负荷状态预测结果，判定所述操控员是否处于极限脑负荷状态。
15、进一步的，多种所述生理特征数据包括：
16、脑电时域特征数据，包括均值、标准差、峰度、偏度和峰峰值振幅；
17、脑电频域特征数据，包括α、β、θ、γ、δ功率谱；
18、脑电复杂度特征数据，包括信息熵、任意两个通道的互信息和非对称性特征，；
19、肌电特征数据，包括平均功率频率和中位频率；
20、皮电特征数据，包括信号强度均值和标准差。
21、进一步的，多个所述分类预测单元包括与各生理特征数据对应的脑电时域特征分类预测单元、脑电频域特征分类预测单元、脑电复杂度特征分类预测单元、肌电特征分类预测单元和皮电特征分类预测单元，均基于支持向量机模型，通过10折交叉验证方法训练得到。
22、进一步的，利用验证集对训练后的极限脑负荷预测模型进行验证，基于验证结果对各生理特征数据对应的预测结果进行权重设置包括：利用验证集对各分类预测单元进行验证，并计算各分类预测单元的准确率，基于所述准确率对各分类预测单元进行权重设置。
23、进一步的，通过验证集得到各分类预测单元的准确率后，通过下式将所有分类预测单元的准确率进行归一化，将归一化后的结果确定为各分类预测单元的权重：
24、
25、其中，pi为各分类预测单元的权重，acci为第i个分类预测单元的分类准确率，n为分类预测单元的数量。
26、进一步的，通过下式对所有分类预测单元的分类结果进行融合，得到分类预测概率：
27、
28、其中，labeli为第i个分类预测单元预测得到的脑负荷状态类别，取值为0或1；
29、通过下式将所述分类预测概率进行二值化，得到极限脑负荷状态预测结果：
30、
31、其中，lable＝1表示极限脑负荷状态，lable＝0表示非极限脑负荷状态。
32、另一方面，还提供一种计算机设备，包括至少一个处理器，以及至少一个与所述处理器通信连接的存储器；
33、所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现前述的操控员极限脑负荷预测模型的训练方法。
34、本技术方案的有益效果：
35、1.与现有技术相比，本发明采用极限脑负荷和非极限脑负荷状态下的生理特征数据进行模型训练，使用极限脑负荷状态下的数据取代传统的脑负荷数据，能更好的确定操控员的能力边界；且基于分类模块的预测准确性对不同生理特征数据对应的预测结果进行加权融合，提高了任务负荷极限状态的判定准确性；
36、2.本发明通过最大相关最小冗余方法及深度学习模型对脑电数据、肌电数据和皮电数据对应的各种特征数据进行筛选，选择与脑负荷状态相关的脑电特征、肌电特征和皮电特征分别进行分类器的训练，并在最终的决策层对多个分类结果进行融合，大大提高了模型预测的准确性；
37、3.本发明采用决策层融合的方式，取代了传统的特征层融合，减少了模型训练时对于特征提取和特征选择的方法的依赖，能够灵活的选取分类器的结果，提高了模型的鲁棒性和准确度。且该方法具有更好的可移植性，当需要减少生理特征数据时，只需要删除对应的支路即可，无需对模型进行修改；当需要增加生理特征数据时，只需要单独训练增加的模块，并在融合部分增加新分类器输出的结果，大大增强了模型的灵活性和可移植性。
38、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。
1.一种操控员极限脑负荷预测模型的训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的操控员极限脑负荷预测模型的训练方法，其特征在于，所述极限脑负荷状态下的脑电数据、肌电数据和皮电数据通过集群操控任务试验范式采集得到；
3.根据权利要求2所述的操控员极限脑负荷预测模型的训练方法，其特征在于，所述操控任务绩效基于无人机的击杀率、无人机的侦察率和故障处理率，通过下式得到：
4.根据权利要求1所述的操控员极限脑负荷预测模型的训练方法，其特征在于，所述极限脑负荷预测模型包括特征提取单元、多个分类预测单元和融合判定单元；
5.根据权利要求4所述的操控员极限脑负荷预测模型的训练方法，其特征在于，多种所述生理特征数据包括：
6.根据权利要求5所述的操控员极限脑负荷预测模型的训练方法，其特征在于，多个所述分类预测单元包括与各生理特征数据对应的脑电时域特征分类预测单元、脑电频域特征分类预测单元、脑电复杂度特征分类预测单元、肌电特征分类预测单元和皮电特征分类预测单元，均基于支持向量机模型，通过10折交叉验证方法训练得到。
7.根据权利要求6所述的操控员极限脑负荷预测模型的训练方法，其特征在于，利用验证集对训练后的极限脑负荷预测模型进行验证，基于验证结果对各生理特征数据对应的预测结果进行权重设置包括：利用验证集对各分类预测单元进行验证，并计算各分类预测单元的准确率，基于所述准确率对各分类预测单元进行权重设置。
8.根据权利要求7所述的操控员极限脑负荷预测模型的训练方法，其特征在于，通过验证集得到各分类预测单元的准确率后，通过下式将所有分类预测单元的准确率进行归一化，将归一化后的结果确定为各分类预测单元的权重：
9.根据权利要求6所述的操控员极限脑负荷预测模型的训练方法，其特征在于，通过下式对所有分类预测单元的分类结果进行融合，得到分类预测概率：
10.一种计算机设备，其特征在于，包括至少一个处理器，以及至少一个与所述处理器通信连接的存储器；
