本发明涉及生理信号识别，尤其涉及一种基于心电数据增强的飞行员高风险心理状态识别方法。
背景技术：
1、安全是民航业的生命线。在航空安全领域现代科学技术应用逐步加深的今天，飞行员在飞行中的主要任务已经发生了极大的转变，由过去两杆一舵的飞行驾驶操作转变为了在飞行过程中对整体飞行相关信息的收集、整理、决策以及执行。在当前主要危及飞行安全的民航飞行员人的因素中，心理风险因素是最为隐蔽，但也最为危险的因素。
2、民航飞行员在飞行过程中的风险心理状态包括风险情感、精神压力、认知疲劳、风险知觉、警觉性等严重威胁飞行安全的飞行员心理因素。这些心理风险因素从动机、技能水平发挥、对危险的感知能力等多种角度影响飞行员在一般飞行和出现意外特情时的信息接收能力与问题处理能力，高度激发的恐慌、极高的精神压力等高风险心理状态甚至会吞没飞行员的理智，导致安全风险无法得到有效控制，最终酿成巨大的灾难。
3、因此，在进行飞行员的心理风险因素识别时，最需要关注的就是这些高风险心理状态。然而，由于飞行员本身的职业适应性，在面对突发事件和意外特情时，产生的心理波动通常都不会过于剧烈，即使飞行训练过程中的一些意外情景激发出了高强度的心理风险，这种高风险的悸动也只是短暂的、一次性的，这导致无论是在飞行训练还是在实际飞行过程中，飞行员心理风险因素处于高风险状态的情况比较稀少。
4、这一问题的后果在于，在心理风险数据采集的过程中，高风险心理状态由于其难激发、难获取的问题极易陷入数据量不足的境地。因此，飞行员的心理风险数据集往往趋向于低风险数据充足、高风险数据不足的长尾分布，即关注度不高、危险性不大的平静、轻松等状态占数据总量的大多数，而最需要关注的恐慌、重度精神压力等高风险状态占比却很小。如果不对呈现长尾分布的数据采取任何针对措施，高度依赖数据量的深度学习方法将会面临两大挑战。其一是由于数据稀缺，高风险状态样本的泛化能力不足，导致模型难以学习到高风险状态的可辨识特征，因此对高风险状态的识别性能无法满足需要。其二是由于头部类的数据量远大于尾部类，模型的训练会被头部类主导，导致尾部类的有效学习被头部类所淹没，最终在测试集、实际应用场景中的准确率远远低于训练集。因此，研究一种基于心电数据增强的飞行员高风险心理状态识别方法，克服高风险心理状态数据稀缺与占比不足这两大挑战，是很有必要的。
技术实现思路
1、本发明的发明目的在于：针对现有技术的不足，提供了一种基于心电数据增强的飞行员高风险心理状态识别方法，该方法将心电样本依据心理风险相关性划分为高信息段和低信息段，通过将高风险因素样本与不同低信息段组合进行数据增强，实现训练样本的重均衡。
2、本发明采用的技术方案为：
3、基于心电数据增强的飞行员高风险心理状态识别方法，该方法包括下列步骤：
4、步骤s1：在长尾分布的心电数据集d上训练得到低信息样本段提取模型fh；即基于预置的第一基于残差网络的深度网络模型，在长尾分布的心电数据集d上进行模型训练，得到低信息样本段提取模型fh；
5、其中，长尾分布的心电数据集d的头部类为低风险心理状态，尾部类为高风险心理状态；
6、低信息样本段提取模型fh为骨干网络为残差网络(resnet)的深度网络模型；
7、步骤s2：对于心电数据集d中所有的头部类样本，通过特征可视化技术利用模型fh提取每段头部类样本xh的样本低信息段，并存入低信息样本队列q；
8、步骤s3：在心电数据集d中所有尾部类样本峰值保护段之外的部分，利用低信息样本队列q中的低信息样本段实现尾部类信号样本的数据增强，得到重均衡的心电数据集d’：
9、步骤s4：在重均衡的心电数据集d’上训练得到飞行员风险心理状态识别模型f，其中飞行员风险心理状态识别模型f为骨干网络为resnet的深度网络模型；即基于预置的第二基于残差网络的深度网络模型，在重均衡的心电数据集d’上模型训练，得到飞行员风险心理状态识别模型f；
10、步骤s5：对训练好的飞行员风险心理状态识别模型f输入飞行员的实时心电数据，得到飞行员的风险心理状态识别结果。
11、进一步的，步骤s1中，训练得到低信息样本段提取模型fh时，采用的损失函数为交叉熵损失函数。
12、进一步的，步骤s2中，样本低信息段为特征可视化技术得到的样本点激活值为0的连续段。
13、进一步的，步骤s3中，尾部类样本峰值保护段采用峰值检测算法获得。
14、进一步的，步骤s3中，采用峰值检测算法获得尾部类样本峰值保护段具体为：
15、通过峰值检测算法确定样本中的心电信号的r峰(即r波峰值)所在位置r，然后通过预置阈值(优选取值为20上限，即以20为基准值，并允许一定的上下偏差)确定尾部类样本的保护段：
16、进一步的，步骤s3中，利用低信息样本队列q中的低信息样本段实现尾部类信号样本的数据增强具体为：
17、从低信息样本队列q中提取一个低信息样本并将拼贴到尾部类样本xt除保护段i以外的部分，得到数据增强后的新信号样本将加入心电数据集d得到重均衡的心电数据集d’。
18、进一步的，步骤s4中，训练得到飞行员风险心理状态识别模型f时，采用的损失函数为交叉熵损失函数。
19、进一步的，低风险心理状态包括：情绪平静、低压力程和低疲劳程度；高风险心理状态包括：恐慌情绪、极度抵触情绪、高压力程度和高疲劳程度。
20、本发明提供的技术方案至少带来如下有益效果：
21、本发明能够在心理风险数据处于低风险心理状态数据充足、高风险心理状态数据不足的样本不均衡条件下时，通过对样本数据进行数据增强得到重均衡的心电数据集，并进一步实现对心理风险状态，特别是高风险心理状态的有效识别。
1.基于心电数据增强的飞行员高风险心理状态识别方法，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，步骤s1中，训练得到低信息样本段提取模型fh时，采用的损失函数为交叉熵损失函数。
3.如权利要求1所述的方法，其特征在于，步骤s2中，样本低信息段为特征可视化技术得到的样本点激活值为0的连续段。
4.如权利要求1所述的方法，其特征在于，步骤s3中，尾部类样本峰值保护段采用峰值检测算法获得。
5.如权利要求4所述的方法，其特征在于，步骤s3中，采用峰值检测算法获得尾部类样本峰值保护段具体为：
6.如权利要求5所述的方法，其特征在于，阈值ζ取值设置为20±△，△表示允许的偏差。
7.如权利要求5所述的方法，其特征在于，步骤s3中，利用低信息样本队列q中的低信息样本段实现尾部类信号样本的数据增强具体为：
8.如权利要求1所述的方法，其特征在于，步骤s4中，训练得到飞行员风险心理状态识别模型f时，采用的损失函数为交叉熵损失函数。
9.如权利要求1所述的方法，其特征在于，低风险心理状态包括：情绪平静、低压力程和低疲劳程度；高风险心理状态包括：恐慌情绪、极度抵触情绪、高压力程度和高疲劳程度。
10.如权利要求1所述的方法，其特征在于，低信息样本段提取模型fh和飞行员风险心理状态识别模型f均采用resnet-18。
