利用多维度数据融合技术进行操控员的训练评估,涵盖了生理医学、神经网络与集成学习等多个新兴领域。本论文将操控员的疲劳值作为训练评估的直接参考,把对操控员进行实时无感知的疲劳监测与评估作为直接需求,以疲劳时的外部特征为输入信息,利用多维度数据融合技术建立了一个可以实时评估操控员疲劳状态的无感知监测模型。论文包含内容如下:1)确定数据融合所需的融合对象。首先,根据操控员在疲劳状态下的外部特征,定义并量化了视线落点坐标变化量、头部姿态变化量、眨眼频率以及张嘴频率,并将这四个变量作为疲劳监测模型的输入信息;然后,定义并量化了操控员的疲劳值,并将其作为疲劳监测模型的输出信息。2)建立了由视线落点坐标变化量到头部姿态变化量的运动学映射关系模型,解决了头部姿态变化量难以获取的现实问题。以往对于头部姿态的获取只能使用侵入式的设备,导致了该类疲劳监测模型不具备可行性,而基于提出的关系模型,可以实现对头部姿态信息的无感知获取。该关系模型的优越性还在于其适用于操控员头部中心点不固定的场景下。3)建立了一个多元线性回归模型,解决了数据层融合问题。本论文在结合相关性分析、层次分析法以及熵值法三种传统数学方法的基础上,提出了一种新的多元线性回归模型。4)建立了一个神经网络模型,解决了特征层融合问题。在使用Lagrange插值法对原始数据集进行扩容的基础上,建立了一个用于进行特征层融合的神经网络模型,实验表明这种方案的融合效果最好。5)建立了一个Xgboost集成学习模型,解决了特征层融合问题。本论文在使用决策树算法对扩容后的数据集进行融合的基础上,使用Xgboost对多个决策树进行集成学习处理。特征层的融合结果表明本论文建立的疲劳监测模型具有很高的精确度。较于前人借助于侵入式设备进行疲劳监测的方案,本论文建立的模型可以在无感知的情况下对操控员进行疲劳的监测与评估。该模型在建立之后,只需监测疲劳的外部特征即可完成评估,这为信息获取的实时性提供了技术保障。综上所述,本论文建立的疲劳监测模型可以同时兼顾实时性、无接触以及高精度。