基于多任务学习的飞行员多个心理风险因素同时识别方法
- 国知局
- 2024-11-06 14:50:41
本发明涉及生理信号识别,尤其涉及一种基于多任务学习的飞行员多个心理风险因素同时识别方法。
背景技术:
1、安全是民航业的生命线。国际航空运输协会(international air transportassociation,iata)调查表明,飞行事故的80-90%是由人的因素导致的。在人的因素中,心理风险因素由于其隐蔽性、主观性,是最难以被发现的。因此,如果能有效识别飞行员的心理风险因素,就能够有效地保障飞行员的驾驶绩效,进一步保障飞行安全。
2、而在实际的飞行员飞行驾驶和飞行训练过程中,需要关注的往往不是孤立的单个心理风险因素,而是从多个维度对飞行员当前心理风险状态进行刻画的心理风险因素集。具体来说,在飞行员进行模拟飞行训练和实际飞行驾驶时,是否存在对操作正确性和精准度不自信的精神压力,是否存在由于长时间飞行或训练导致的警觉性降低,是否存在因为出现与预期飞行流程不符的意外特情而导致的疑惑、恐慌等情感,是否存在训练与学习生活失衡而导致的精神疲劳,以及其他会对飞行安全产生影响的心理状态、心理应激风险因素等,都是应用中所关注的心理风险不同维度。因此,在使用一段生理信号样本对心理风险因素集中的多种因素进行识别时,能够利用好样本中所蕴含的不同心理风险因素之间的共性特征学习互补,比孤立地训练多个模型更有意义。
3、由于可以利用不同任务的共性特征互补与私有特征差异化来提高模型的泛化能力和预测准确性,多任务学习(multi-task learning,mtl)框架通常被用于上述任务场景中,通过不同任务的模型间参数共享实现这一需求。多任务学习可以在整体模型规模较小的情况下取得比单独学习每个任务更好的性能,同时满足效率和准确性。
4、然而,在多任务学习方法通过不同任务互补学习时,不同任务的差异性导致了多任务学习的主要挑战——负迁移。虽然不同任务间的共性特征在多任务共同学习时更容易被模型所学习,但不同任务间的差异化信息也会同时阻碍模型对共有参数的学习,即模型可能由于学习特定任务的私有特征而导致其他任务的性能下降,最终整体性能甚至可能比单独学习更差。具体而言,这种任务冲突的情况主要体现在优化过程中可能出现的冲突梯度,即两个任务的梯度彼此指向不同,一个任务的更新会对另一个任务产生负面影响。另一方面,不同任务训练梯度的规模也不一致,导致训练过程中不同任务的学习速度不同,具有较大幅度的任务梯度可能会主导更新向量,使得优化过程优先考虑某些特定任务,而非同等重要地看待所有任务,最终难以收敛到理想的解决方案。
5、现有的多任务学习研究并未考虑到飞行员的心理风险因素识别领域,因此,针对不同心理风险因素的共性与差异性,设计一种能够在互补学习不同因素的同时避免负迁移造成负面影响的方法,即一种基于多任务学习的飞行员多个心理风险因素同时识别方法,是很有必要的。
技术实现思路
1、本发明针对现有技术的不足,提出了一种基于多任务学习的飞行员多个心理风险因素同时识别方法,该方法利用高冲突层任务特定化的策略实现心理风险因素的共性特征与私有特征分离学习,并采用损失对数变换减少不同因素学习任务的损失规模差异与损失变化速度差异,以提升识别性能。
2、本发明采用的技术方案为:
3、基于多任务学习的飞行员多个心理风险因素同时识别方法,该方法包括下列步骤:
4、步骤s1:基于预置的若干个关于飞行员心理风险的识别任务,训练预设的冲突模型fc,并在每一个训练迭代轮次中记录冲突模型fc的每一共享层的梯度冲突情况,其中,共享层的梯度冲突情况为该训练迭代轮次下所有发生梯度冲突的任务的梯度冲突烈度之和;梯度冲突烈度由两个任务梯度向量夹角的余弦值表示,余弦值小于0时表示存在梯度冲突,余弦值绝对值越大说明梯度冲突越强烈;
5、步骤s2:计算冲突模型fc中每一个共享层在所有迭代轮次中累计的梯度冲突烈度之和,得到梯度冲突严重程度c(l),并将前k个最大c(l)所对应的共享层转化为任务特定层(即不同任务在模型该层不使用共享参数),得到模型f,其中,k为预设值;
6、步骤s3:初始化模型f的参数,利用损失对数转换策略训练转化后的模型f:
7、步骤s4:对训练好的多任务模型f输入飞行员的实时心电数据,得到飞行员的多个心理风险因素识别结果。
8、进一步的,冲突模型fc为骨干网络为resnet的深度神经网络。
9、进一步的,将冲突模型fc的特征提取网络部分作为共享层。
10、进一步的,步骤s1中,基于预置的若干个关于飞行员心理风险的识别任务,通过交叉熵损失函数训练冲突模型fc中各个任务,模型总损失为各任务的损失之和;即以冲突模型fc的特征提取网络对采集的飞行员的心电数据的信号进行特征提取,再将提取的信号特征输入各任务所对应的分类器中,基于对应分类器的输出得到所对应的任务的识别预测结果。
11、进一步的,步骤s1中,在冲突模型fc的训练过程中,记录所有任务的每一共享层的梯度其中,gt(l)为任务t在共享层l的任务梯度,l表示共享层的层数,t表示任务数;
12、逐层计算每一共享层的任意两个任务之间的梯度冲突烈度,累加得到共享层l的梯度冲突严重程度其中,为任意两个任务i和j的梯度向量夹角。
13、进一步的,步骤s3中的损失对数转换策略具体为:
14、定义表示任务t的分类损失,则根据公式计算得到训练转化后的模型f的总损失,其中,t表示任务数。
15、本发明提供的技术方案至少带来如下有益效果:
16、本发明能够在需要同时识别飞行员的多个心理风险因素时,充分利用不同心理风险因素任务的共性特征,实现对心理风险因素识别的性能提升,同时避免不同任务的差异性导致性能下降的问题,进而实现同时、有效对多个心理风险因素的精准识别。
技术特征:1.一种基于多任务学习的飞行员多个心理风险因素同时识别方法,其特征在于,包括下列步骤:
2.如权利要求1所述的方法,其特征在于,冲突模型fc为骨干网络为resnet的深度神经网络。
3.如权利要求1所述的方法,其特征在于,将冲突模型fc的特征提取网络部分作为共享层。
4.如权利要求1所述的方法,其特征在于,步骤s1中,基于预置的若干个关于飞行员心理风险的识别任务,通过交叉熵损失函数训练冲突模型fc中各个任务,模型总损失为各任务的损失之和;
5.如权利要求1所述的方法,其特征在于,步骤s1中,在冲突模型fc的训练过程中,记录所有任务的每一共享层的梯度其中,gt(l)为任务t在共享层l的任务梯度,l表示共享层的层数,t表示任务数;
6.如权利要求1所述的方法,其特征在于,步骤s3中的损失对数转换策略具体为:
7.如权利要求1所述的方法,其特征在于,冲突模型fc设置为resnet-18。
8.如权利要求7所述的方法,其特征在于,参数k的取值设置为5。
技术总结本发明公开了一种基于多任务学习的飞行员多个心理风险因素同时识别方法,涉及生理信号识别技术领域。本发明首先在训练冲突模型的过程中,探索多个心理风险因素任务学习过程中主要发生梯度冲突的模型层,并将梯度冲突最严重的层转化为任务特定层,以避免不同因素学习时因素间的差异性抑制彼此的学习。然后,重新训练转化后的模型,并利用损失对数转换策略减小不同心理风险因素学习任务间的损失规模差异和损失学习速度差异,使多个任务能够同时学习。本发明针对性地面向飞行场景下的飞行员多个心理风险因素同时识别,使不同心理风险因素识别任务可以互补学习,实现精度更高、更高效的心理风险因素识别,保障飞行员在模拟飞行训练和实际飞行场景下的飞行安全。技术研发人员:叶娅兰,潘桐杰,吴皓珲,张椿瑞,穆鑫鑫受保护的技术使用者:电子科技大学技术研发日:技术公布日:2024/11/4本文地址:https://www.jishuxx.com/zhuanli/20241106/324421.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表