一种基于脑电图（EEG）的飞行员控制意图识别方法，应用于模拟飞行场景

《Biomedical Signal Processing and Control》：A pilot control intention recognition method based on EEG in simulated flights

　　飞行员控制意图识别中的EEG信号分析挑战与SA-EEGNet模型创新

　　在现代航空技术不断发展的背景下，飞行员的操作意图对于飞行安全至关重要。准确识别飞行员在飞行过程中的控制意图，不仅有助于提升自动驾驶系统的能力，还能进一步推动主动安全技术的发展。然而，在实际操作中，飞行员在起飞和降落阶段所承受的工作负荷往往相似，这使得识别爬升和下降意图变得尤为困难。为了解决这一问题，本文提出了一种基于脑电图（EEG）信号的识别方法，利用改进的卷积神经网络架构——空间注意力EEGNet（SA-EEGNet），实现了对飞行员控制意图的高效分类。

EEG作为一种直接测量大脑活动的技术，已被广泛应用于识别脑部功能状态。通过实验诱导特定的脑波模式，并利用机器学习或深度学习技术进行分类，能够有效识别飞行员的意图。然而，EEG信号本身具有低幅度、信号噪声比低以及复杂动态变化的特点，这给特征提取带来了挑战。传统方法通常依赖于手动提取的特征，如功率谱密度、熵值和连接性指标，尽管这些方法在某些情况下有所改进，但它们的分类效果仍然受到已有知识的限制，并且在精度方面存在一定的不足。

近年来，人工智能和数据驱动技术的进步显著提升了复杂数据模式的分析能力。这些技术在多个领域，如医疗影像和自动化决策中得到了广泛应用。在飞行控制领域，深度学习方法尤其适用于EEG信号的特征提取，因为它们能够自主识别复杂的局部模式，而无需依赖于先验知识。卷积神经网络（CNN）在EEG信号处理中展现出强大的能力，它们被广泛应用于意图识别、认知负荷评估、疲劳检测和情绪分析等任务。与传统方法相比，CNN方法在识别效果上通常更具优势。

EEGNet作为一种紧凑且高效的CNN架构，已被广泛应用于EEG信号分类任务。它采用深度可分离卷积来减少训练参数并提升训练速度。在此基础上，研究者们提出了多种改进版本，如EEGNex、Caps-EEGNet、TIE-EEGNet等，这些模型在不同应用场景中取得了显著进展。然而，尽管这些改进模型在性能上有所提升，但它们仍然存在一些局限性。例如，虽然空间注意力机制被引入以更好地捕捉EEG信号的空间特征，但卷积核参数共享的问题仍未得到充分解决。这可能会限制模型对复杂空间模式的适应能力。此外，多分支结构和胶囊网络的引入虽然旨在提升模型性能，但也增加了网络的复杂性，并在空间和特征维度上引入了冗余。

为了克服这些挑战，本文提出了一种新的模型——SA-EEGNet，该模型结合了接收场注意力（RFA）和空间与通道重建卷积（SCConv）机制，以提升特征提取能力并减少冗余。RFA机制通过强调接收场内的空间特征，并为大卷积核分配注意力权重，解决了卷积核参数共享的问题。SCConv则采用一种拆分-变换-融合的策略，有效减少了空间和通道维度上的冗余，同时提升了特征的代表性，降低了计算负担。SA-EEGNet的引入使得模型能够更高效地利用EEG信号中的复杂空间特征，从而在飞行控制意图识别任务中取得更好的效果。

在实验设计方面，本文采用了一种完整的飞行程序，每个受试者均与一名副驾驶配合，以模拟真实的飞行环境。受试者佩戴EEG电极帽完成整个实验，实验过程中收集了其在起飞、顺风和着陆阶段的EEG信号。这些数据用于识别爬升、下降和保持稳定控制三种意图，从而构建了一个三类分类任务。实验结果表明，SA-EEGNet在受试者依赖数据（5折交叉验证）中达到了95%的准确率，在受试者独立数据（7折交叉验证）中达到了93%的准确率。这些结果显示出模型在不同情境下的鲁棒性和泛化能力。

此外，本文还通过消融研究验证了不同模块对模型性能的影响。研究结果表明，RFA和SCConv的引入显著提升了模型的分类效果，而传统的特征提取方法则在准确率和泛化能力上相对较低。在实际应用中，SA-EEGNet不仅能够有效识别飞行员在飞行过程中的控制意图，还能适应不同数据质量和数量的变化，具备更强的实用性。该模型的高准确率和良好性能为未来飞行控制系统的开发提供了新的思路和方法。

总之，本文提出了一种基于EEG信号的飞行员控制意图识别方法——SA-EEGNet，该模型通过引入空间注意力机制和改进的卷积结构，有效解决了传统方法在特征提取和模型复杂性方面的问题。实验结果表明，SA-EEGNet在不同数据集上的表现优于其他模型，特别是在受试者独立情况下的分类准确率。这些研究成果为飞行安全技术的发展提供了新的支持，也为未来的智能飞行控制系统奠定了基础。