疲勞是影響飛行安全的一個重要因素，可能導致飛行員操作能力下降、錯誤判斷和飛行錯覺，甚至會引發嚴重飛行事故。當飛行員疲勞時，其自主神經系統會發生相應的變化，心率與自主神經系統活動存在一定的相關性，心電信號可以在一定程度上反映人的疲勞狀態。

為了滿足飛行員自然駕駛和安全飛行的需求，本研究選擇了采樣率高、數據可靠、操作方便、非侵入性強的ECG心電傳感器，并結合主觀自我評估來識別飛行員的疲勞狀態，從而保證了飛行員疲勞數據的實時性和準確性。

通過飛行模擬實驗收集飛行員心電（ECG）和Samn–Perell7級疲勞量表數據識別飛行員的疲勞狀態。對采集的ECG數據進行預處理后，通過弗里德曼檢驗和主成分分析(PCA)選擇并提取ECG數據的時域、頻域和非線性特征指標。基于特征選擇和提取的結果，利用學習向量化算法神經網絡（LVQ）建立了飛行員的疲勞狀態識別模型，并確定飛行員的非疲勞、輕度疲勞和疲勞狀態。最后將鑒定結果與反向傳播神經網絡（BPNN）、支持向量機（SVM）等傳統方法進行了比較。

招募30名獲得飛行資格證的飛行員。飛行員在 Cessna 172模擬飛行器執行飛行任務，佩戴津發科技BIO無線可穿戴ECG傳感器采集ECG信號，并通過ErgoLAB人機環境同步云平臺記錄和處理ECG信號，Cessna 172模擬飛行器和無線可穿戴ECG傳感器的佩戴如下圖。每個飛行員每天在上午、下午、晚上分別執行一次模擬飛行，共持續30天。

飛行員和主試在每次飛行前后根據飛行員的疲勞狀態在Samn–Perelli7級疲勞量表中選擇最靠近的疲勞水平，結果取其平均值，并將疲勞量表得分不大于3定義為非疲勞狀態，大于3但不大于5定義為輕度疲勞狀態，大于5定義為疲勞狀態。

飛行員的疲勞水平在9：00-11：00、14：00-16：00和19：00-21：00的三個時間段內有顯著差異，這三個時間段對應的飛行員疲勞狀態可分為非疲勞、輕度疲勞和疲勞。使用非疲勞、輕度疲勞和疲勞狀態作為模型訓練的標簽。

選擇22人數據（1152樣本）為訓練集，剩下8人數據(288樣本)為測試集，通過弗里德曼檢驗得出差異顯著的ECG 的4個時域指標（ AVNN、AVHR、RMSSD、PNN50）、3個頻域指標（LFnorm、HFnorm、LF/HF）和3個非線性指標（SD1、A++、B++）。以時域指標為例弗里德曼檢驗的箱圖如下。

采用主成分分析，進一步消除了特征提取之間的相互作用，主成分分析結果見下圖，選擇PC1、PC2、PC3、PC4和PC5作為模型訓練的新特征指標。

選擇均方誤差(MSE)作為損失函數。MSE值越小，模型輸出分布和樣本標簽分布越接近。基于LVQ模型的飛行員疲勞狀態識別的準確率和MSE如下圖所示。當神經元個數為13時，準確率最高，MSE相對較小。

測試集中飛行員疲勞識別結果如圖10，其中“0”、“1”、“2”分別代表非疲勞、輕度疲勞和疲勞狀態。LVQ模型的平均識別準確率為82.29%。

對比LVQ模型與BPNN模型和SVM模型的準確率、精確度、召回率、F1指數和ROC曲線，結果表明：LVQ模型在飛行員疲勞狀態識別上更為準確、可信、穩定、有效。

本研究利用ErgoLAB人機環境同步云平臺在模擬飛行任務中采集和分析飛行員心電信號進行疲勞狀態識別的計算機建模，這為將來基于心電信號的飛行員疲勞狀態識別研究奠定了基礎，為減少飛行員疲勞引起的飛行事故提供了理論依據。同時研究結果也為飛行員疲勞風險管理和智能飛機自動駕駛系統的發展提供實際的參考。

1.Pan T, Wang H, Si H, Li Y, Shang L. Identification of Pilots' Fatigue Status Based on Electrocardiogram Signals. Sensors (Basel). 2021 Apr 25;21(9):3003. doi: 10.3390/s21093003.

2.Caldwell, J.A.; Mallis, M.M.; Caldwell, J.L.; Paul, M.A.; Miller, J.C.; Neri, D.F. Fatigue counter measures in aviation. Aviat. Space Environ. Med. 2009, 80, 29–59.

3.Avers, K.; Johnson, W.B. A review of federal aviation administration fatigue research: Transitioning scientifific results to the aviation industry. Aviat. Appl. Hum. Factors 2011, 1, 87–98.