9、基于KNN和TomekLinks的飞行员认知状态预测方法

基于KNN和TomekLinks的飞行员认知状态预测方法

在航空安全领域，准确预测飞行员的认知状态对于降低飞行事故风险至关重要。目前，有多种方法可通过脑电图（EEG）、皮肤电反应（GSR）、心电图（ECG）和呼吸（R）信号来预测飞行员的认知状态，但针对数据不平衡问题的研究较少。本文提出了一种基于KNN和TomekLinks的方法，旨在提高飞行员认知状态预测的准确性。

相关研究

• 认知状态识别 ：
  • Gumus等人应用卷积神经网络（CNN）架构，从生理测量数据中识别认知状态，该方法减少了数据预处理的工作量，有助于实时认知状态识别系统的发展。
  • Harrivel等人使用梯度提升、深度神经网络（DNN）和随机森林（RF）等机器学习方法对飞行员的认知状态进行分类，包括集中注意力、惊吓/惊喜、注意力分散、高工作量和低工作量等状态。
  • Mishra等人利用生理数据和支持向量机（SVM）作为分类器，开发了一种能够检测飞行员认知状态的模型，并应用高斯核函数优化模型。
• 数据不平衡处理 ：
  • Jiang和Zhoa提出了一种基于EEG的癫痫检测算法中处理数据不平衡分布的方法，结合了混合采样和成本敏感（CS）分类器。
  • Shchetinin等人利用重采样方法（如SMOTE Tomek-Links和SMOTE ENN）来解决心血管疾病数据集中的不平衡问题，并应用多种分类器对不规则心跳进行分类。
  • Gao等人引入了Cluster