本技术介绍了一种融合脑电图(EEG)和眼动数据的双域深度监督网络,用于监测个体的注意力水平。该方法通过采集EEG信号和眼动数据,利用深度学习技术提取特征,并结合双域信息进行特征融合,以实现对注意力水平的准确监测。
背景技术
随着航空领域的快速发展,飞行任务复杂度显著提高,飞行安全面临的挑战也随之加剧。人为因素是导致飞行事故的主要原因,其中飞行员因疲劳累积、警惕性下降等导致的注意力分配不当,是引发事故的重要诱因。因此,有效监测飞行员的注意力水平,及时发现并纠正潜在的注意力偏差,对减少人为失误和提高飞行安全至关重要。目前,EEG和EOG等生理信号监测技术,通过捕捉飞行员在执行飞行任务过程中的生理反应变化,为注意力状态的量化评估提供了科学依据。
然而,现有的注意力监测方法普遍局限于单一生理信号源和单一特征的片面分析,这种单一维度的分析方法不仅限制了对生理反应全面而深入的理解,更因关键信息的缺失直接影响注意力评估结果的准确性与可靠性。
实现思路