南京航空航天大学学报

作者：季瑞童，高振兴，张琳，朱佳梅

单位：南京航空航天大学通用航空与飞行学院，南京211106；,南京航空航天大学通用航空与飞行学院，南京211106；,民航上海医院,上海201103；,民航上海医院,上海201103；

关键词：飞行安全;机组疲劳预测;时序卷积网络;长短期记忆;层次化注意力机制;多模态融合;角色差异建模

基金：国家自然科学基金民航联合基金重点支持项目（U2333202）；国家自然科学基金面上项目（52272351）；民航安全能力建设资金项目（ASSA2024/121）。

为提高机组疲劳预测精度并实现异常行为早期预警，本研究提出了一种基于时序卷积网络和长短期记忆网络（Temporal convolutional network-long short-term memory，TCN-LSTM）与层次化注意力机制的机组疲劳状态预测方法。通过多尺度时序特征提取模块捕捉脑电（Electroencephalography， EEG）信号的时频特征与长期依赖关系，利用层次化注意力机制融合脑电与心理量表数据，并针对操纵飞行员和监控飞行员设计差异化预测策略。实验结果表明，该方法较单一模态预测模型提升15.3%的预测精度，预警时间窗提前至12.5 min。其中，TCN-LSTM混合网络的时序特征提取效率较常用LSTM网络提升22.7%，层次化注意力机制使多模态融合效能提高18.4%。该混合架构在预测时效性与准确性方面均优于单一深度学习模型，适用于航空人因工程的实时监测。

来源：2025年第6期

《南京航空航天大学学报》期刊编辑部

查看南京航空航天大学学报杂志2025年第6期