飞行员认知能力评估方法、系统和存储介质与流程

1.本发明涉及人因工程技术领域，尤其涉及一种飞行员认知能力评估方法、系统和存储介质。


背景技术：

2.飞行活动具有特殊性，飞行职业对从业者的认知能力要求远高于普通职业。飞行员认知能力是飞行员在飞行过程中必需具备的品质，也是飞行员在完成飞行任务过程中不可缺的品质，飞行员认知能力包括空间记忆能力、觉察能力、手眼协调能力、冲突处理能力、风险情境下的决策能力、问题解决能力及与任务相关的基本人格特征等。因此，检测飞行员的基本认知能力对飞行学员的选拔及飞行能力的评价具有重要意义。但是现有技术仅给出了针对认知能力测评的行为范式及框架，并没有对认知能力进行综合评估得到认知能力综合评估结果的算法。此外，现有技术虽然有通过生理测评方式进行认知能力评估的手段，但不能结合具体任务情境(situation，也称情景)，现有的认知能力评估通常使用心理学测评范式，也就是说，现有的认知能力测评技术不能针对特殊工种进行针对性的测试，且现有测量认知能力的行为范式较为单一化，认知任务评估方式与具体工种结合性较弱，不能结合飞行员具象化的作业情境，生态效度有待加强。
3.因此，亟需一种能够更加准确地检测飞行员的认知能力的认知能力评估方案。


技术实现要素：

4.鉴于此，本发明实施例提供了一种飞行员认知能力评估方法和系统，以通过飞行员执行飞行情境任务和认知测评任务等多种任务、分别采集多通道指标参数并分别基于多种评价模型获得的两种以上飞行员认知能力来计算飞行员认知能力综合评估分数，从而能够更准确地进行飞行员认知能力评估。
5.本发明的一个方面提供了一种飞行员认知能力评估方法，该方法包括以下步骤：
6.在飞行员执行飞行情境任务呈现模块呈现的飞行情境任务的过程中，通过多通道采集飞行员的指标参数，采集的多通道指标参数包括：交互指标、生理指标和脑功能指标；和/或
7.在飞行员执行认知呈现模块呈现的认知测评任务的过程中，通过多通道采集飞行员的指标参数，采集的多通道指标参数包括：交互指标、生理指标和脑功能指标；和/或
8.通过飞行员执行飞行任务相关认知问卷量表评估模块呈现的问卷量表时得到的问卷答复结果来获得飞行人员的人格相关认知能力评估结果；
9.基于飞行员在执行飞行情境任务中的多通道指标参数、认知测评任务中的多通道指标参数、人格相关认知能力评估结果中的一种或多种得到特征向量，将特征向量输入至预训练的飞行员认知能力评估模型，基于输出数据得到飞行员认知能力第一评估分数；
10.对飞行员在执行飞行情境任务中的多通道指标参数进行归一化得到第一归一化结果，和/或对认知测评任务中的多通道指标参数进行归一化得到第二归一化结果，针对第
一归一化结果、第二归一化结果和人格相关认知能力评估结果中的一种或多种基于预先设置的指标参数权重进行加权平均，得到飞行员认知能力第二评估分数；
11.基于飞行员认知能力第一评估分数和飞行员认知能力第二评估分数得到飞行员认知能力综合评估分数。
12.在本发明的一些实施例中，所述方法还包括：
13.在飞行员执行各任务过程中采集的多通道指标参数为相同或部分相同的指标参数；
14.在飞行员执行各任务过程中采集的多通道指标参数包括生理指标，所述生理指标包括以下指标中的一种或多种：皮电指标、心电指标、肌电指标、脉搏指标、呼吸指标、血氧指标和血压指标。
15.在本发明的一些实施例中，所述在飞行员执行各任务过程中采集的多通道指标参数还包括交互指标，所述交互指标包括以下指标中的一种或多种：行为指标和眼动指标，所述行为指标包括反应时和/或正确率，所述眼动指标包括扫视时间、注视时间、眨眼频率、瞳孔直径变化、眼睑闭合度和眼动轨迹。
16.在本发明一些实施例中，所述在飞行员执行各任务过程中采集的多通道指标参数还包括脑功能指标，所述脑功能指标包括以下指标中的一种或多种：脑电的时频指标、非线性指标、事件相关脑活动指标、脑功能连接指标、各脑区血氧水平变化指标。
17.在本发明的一些实施例中，所述问卷量表包括以下中的至少一种：作业相关的情境化的问卷、人格量表和认知量表。在本发明的一些实施例中，所述问卷量表包括以下中的至少一种：作业相关的情境化的问卷、人格量表和认知量表。
18.在本发明的一些实施例中，所述飞行员认知能力评估模型为基于梯度提升树算法得到的xgboost机器学习模型。
19.所述飞行员认知能力第二评估分数满足：
[0020][0021]
其中，i
t
为各项任务，jk是各项任务中的多通道指标参数，z
tk
表示归一化后的各项任务中的多通道指标参数，c
tk
为权重系数，t表示飞行员执行的任务数，k表示各任务的指标参数数。
[0022]
在本发明的一些实施例中，所述飞行情境任务呈现模块包含用于完成各类飞行情境和飞行环境的模拟的飞行模拟器。
[0023]
本发明的另一方面提供了一种飞行员认知能力评估系统，该系统包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如前所述方法的步骤。
[0024]
本发明的另一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前所述方法的步骤。
[0025]
本发明的飞行员认知能力评估方法和系统，能够专门针对于飞行员的作业情境与相应作业所需认知能力，结合专家经验构建了多个认知能力评估维度，综合采集各维度任务中飞行员在客观交互行为、眼动、生理、脑电和脑成像多通道的人因数据；该系统提供两种可供选择的飞行员认知能力计算方式，基于专家经验和基于机器学习算法的指标特征提
取和权重分配，基于机器学习算法的计算方式更适合系统积累一定数据量后使用，以不断优化训练模型，使系统更适用于飞行人员选拔。
[0026]
进一步地，本发明还可将飞行员客观交互行为与主观问卷量表的测评结果来给出飞行员综合认知能力评估。
[0027]
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
[0028]
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
[0029]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，并不构成对本发明的限定。
[0030]
图1为本发明一实施例中飞行员认知能力评估方法的流程示意图。
[0031]
图2为本发明一实施例中飞行员认知能力测评的流程示意图。
[0032]
图3本发明一实施例中飞行员认知能力数据采集模块的示意图。
具体实施方式
[0033]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
[0034]
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
[0035]
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
[0036]
在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
[0037]
为了克服现有技术对飞行员认知能力测量不全面、针对性不强、形式单一从而导致评估结果不够准确的问题，本发明实施例专门针对于飞行员的作业情境与相应作业所需认知能力，结合专家经验构建了多个认知能力评估维度，综合采集各维度任务中飞行员在客观交互行为、眼动、生理、脑电和脑成像等多通道的人因数据，最终系统自动根据基于专家经验的加权平均算法以及深度学习算法来分别计算出飞行员认知能力得分，并基于不同算法得到的飞行员认知能力得分得到飞行员认知能力综合评价结果，从而使得认知能力评估更全面、更客观、更准确、更有针对性且测量形式多样化，从而能够针对飞行员认知能力评估分数进行飞行员的选拔。进一步的，本发明还可结合主观文件量表等来进行飞行员认知能力的更综合的评价。
[0038]
图1所示为本发明一实施例中飞行员认知能力评估方法的流程示意图，如图1所
示，本实施例的方法包括以下步骤：
[0039]
步骤s110，在飞行员执行飞行情境任务呈现模块呈现的飞行情境任务的过程中，通过多通道采集飞行员的指标参数，采集的多通道指标参数包括：交互指标、生理指标和脑功能(或称脑电)指标。
[0040]
在执行本步骤之前，可以事先构建一个或多个飞行情境任务，并利用飞行情境任务呈现模块实现基于真实飞行情境的飞行任务模拟，也即，通过模拟来呈现构建的飞行情境任务中的飞行情境，飞行情境任务呈现模块可包含飞行模拟器，用于实现各类飞行情境的模拟。
[0041]
在飞行员执行飞行情境任务呈现模块呈现的飞行情境任务的过程中，可通过多个数据采集通道来实现多通道采集飞行员的指标参数，该指标参数可包括交互指标、生理指标和脑功能指标。其中，交互指标可包括行为指标和/或眼动指标，行为指标可包括反应时和/或反应正确率；眼动指标可包括以下指标中的部分或全部指标：眼动兴趣区域(aoi)内的扫视时间和注视时间、眨眼频率、瞳孔直径变化、眼睑闭合度和眼动轨迹等指标；多通道采集的生理指标可包括以下指标中的至少一种：皮电指标、心电指标、肌电指标、脉搏指标、呼吸指标、血氧指标和血压指标等，更具体地，这些指标既可以体现为时域指标，也可以是频域指标或非线性指标；脑功能指标可包括以下指标中的至少一种：脑电的时频指标、非线性指标、事件相关脑活动指标、脑功能连接指标和各脑区血氧水平变化指标。在此这些指标仅为举例，本发明并不限于此。在测试过程中，飞行员可以执行一个飞行情境任务，也可以依次执行多个不同的飞行情境任务。
[0042]
在本发明实施例中，例如可通过人机环境同步平台中的不同采集装置或采集模块来采集飞行员在飞行情境任务呈现模块呈现的飞行情境任务的过程中的交互指标、生理指标和脑功能指标。例如，可通过hmi交互原型同步模块来采集飞行情境任务执行过程中飞行员的行为指标；采用眼动仪来同步采集飞行员在执行飞行情境任务的过程中的基础眼动指标，并进一步结合眼动轨迹分析模块(软件模块)来分析计算得到基础眼动指标之外的其他眼动指标，从而得到飞行员在执行飞行任务过程中的眼动数据；采用皮电(electrodermal activity，eda)分析模块和皮电传感器同步采集分析飞行员在执行任务过程中的皮电指标；采用心率变异性(heart rate v ariability，hrv)分析模块和/或心电(electrocardiogram，ecg)传感器可同步采集得到飞行员在执行任务过程中的心电指标；采用肌电(electromyogram，emg)分析模块和/或肌电传感器可同步采集得到飞行员在执行任务过程中的肌电指标；采用呼吸(respiratory rate，resp)分析模块和/或呼吸传感器可同步采集、分析得到飞行员在执行任务过程中的呼吸指标；采用脉搏(photo plethysmographic，ppg)传感器可同步采集得到飞行员在执行任务过程中的脉搏指标；采用血氧饱和度(spo2)传感器可同步采集飞行员在执行任务过程中的血氧指标；采用功能性近红外光谱(functional near-infrared spectroscopy，fnirs)传感器和fnirs脑成像分析模块可同步采集并分析飞行员在执行任务过程中的脑血氧指标，得到飞行员各脑区血氧水平变化数据；采用脑电波(electroencephalogram，eeg)传感器和eeg/erp(event related potential，事件相关电位)分析模块可同步测量并分析飞行员在执行任务过程中的脑电指标，得到脑电的时频指标、非线性指标、事件相关脑活动指标和脑功能连接指标等；此外，本发明还可以采用通用信号分析模块来得到生物力学信号、环境信号(如温度、湿
度、噪音、大气压、光照等)、皮温skt、眼电等信号，作为辅助参考信息。上述采集到的各项指标可通过人机环境同步平台内嵌算法进行数据清洗和特征指标的提取。当然，本发明同样可采用其他方式来采集各项指标。
[0043]
步骤s120，在飞行员执行认知呈现模块呈现的认知测评任务的过程中，通过多通道采集飞行员的指标参数，采集的多通道指标参数包括：交互指标、生理指标和脑功能指标。
[0044]
在本发明实施例中，可以根据预先建立的基于飞行情境的生态化认知来事先构建包含与飞行所需认知能力相关的各个认知测评任务，用以测量飞行员空间记忆能力、警觉性、手眼协调能力、冲突处理能力、风险情境下的决策能力和问题解决能力。创建的认知测评任务可利用基于飞行情境的认知呈现模块来呈现。飞行员执行认知呈现模块呈现的认知测评任务，并在执行过程中通过多个数据采集通道来实现多通道采集飞行员的指标参数，该指标参数可包括交互指标、生理指标和脑功能指标，可与步骤s110中采集的指标相同或部分相同。
[0045]
在测试过程中，飞行员可以执行一个认知测评任务，也可以依次执行多个不同的认知测评任务。
[0046]
步骤s130，通过飞行员执行飞行任务相关认知问卷量表评估模块呈现的问卷量表时得到的问卷答复结果来获得飞行人员的人格相关认知能力评估结果。
[0047]
在本步骤中，通过飞行员执行飞行任务相关认知问卷量表评估模块呈现的问卷量表时得到的问卷答复结果来获得飞行人员的人格相关认知能力评估结果；所述问卷量表可包括以下中的至少一种：作业相关的情境化的问卷作答、人格量表和认知量表。通过问卷量表，可以评估飞行员人格、认知等方面的信息，从而获得飞行员在相关人格、认知问卷量表过程中的得分，得到飞行人员的人格相关认知能力评估结果。
[0048]
步骤s140，基于飞行员在执行飞行情境任务中的多通道指标参数、认知测评任务中的多通道指标参数、人格相关认知能力评估结果中的一种或多种得到特征向量，将特征向量输入至预训练的飞行员认知能力评估模型，基于输出数据得到飞行员认知能力第一评估分数。
[0049]
在本步骤中，所采用的飞行员认知能力评估模型例如为基于梯度提升树算法得到的xgboost机器学习模型，将飞行员在各项任务(i1,i2,...,i
t
)中的多通道指标参数(j1,j2,...,jk)构建为特征向量x(x1,x2,...,x
t
)，对应飞行员的实际飞行水平y，将训练集中的特征向量x和作为标签的实际飞行水平y输入构建的xgboost机器学习模型，可以对xgboost机器学习模型进行训练，得到预训练的xgboost机器学习模型。本发明实施例中，xgboost机器学习模型仅为示例，本发明并不限于此，还可以采用其他的机器学习模型对飞行员认知能力进行评估。进一步地，利用预训练的机器学习模型，输入测试后得到的特征向量，便可以得出飞行员认知能力第一评估分数f(x)。
[0050]
在本发明实施例中，特征向量x＝(x1,x2,...,x
t
)，表示特征向量x由t个特征x组成，第t个特征的计算公式为表示第t项任务下1～k的指标参数的加权。
[0051]
在本发明实施例中，各项任务示例为：i1表示模拟飞行任务，i2表示注意警觉性范式pvt任务，......，i
t
表示河内塔任务(属于认知测评任务中的一种)；多通道指标参数示例为：j1表示交互指标中行为反应时(reaction time)，j2表示交互指标中行为正确率
(accuracy)，j3表示生理指标中皮电反应均值(sc mean)，j4表示生理指标中心率变异性频域指标低频比高频(hrv lf/hf)，j5表示生理指标中心率变异性时域指标n-n间期标准差(hrv sdnn)，j6表示生理指标中脑电频域指标α波比β波能量值(eegα/βpower)，j7表示生理指标中脑电频域指标β波能量值(eegβpower)，j8表示眼动指标中平均瞳孔直径(pupil diameter)，j9表示眼动指标中兴趣区内总注视持续时间(aoi total fixation duration)，j
10
表示眼动指标中眼睑闭合度(perclos，percentage of eyelid closure)，这些标参数仅为示例，本发明并不限于此。
[0052]
本发明的基于机器学习算法的飞行员认知能力评估方法尤其更适合系统积累一定数据量后使用，通过不断优化训练模型，可以使系统更适用于飞行人员选拔。
[0053]
步骤s150，对飞行员在执行飞行情境任务中的多通道指标参数进行归一化得到第一归一化结果，和/或对认知测评任务中的多通道指标参数进行归一化得到第二归一化结果，针对第一归一化结果、第二归一化结果和人格相关认知能力评估结果中的一种或多种基于预先设置的指标参数权重进行加权平均，得到飞行员认知能力第二评估分数。
[0054]
在本发明实施例中，基于交互原型同步模块采集到的飞行员在执行任务过程中行为指标，可基于对任务中各项操作的行为数据，得出飞行员在执行任务过程中的操作行为的反应时和/或正确率；基于眼动仪采集到的眼动指标，可基于各个兴趣区域内的眼动数据，得出飞行员在执行任务过程中视觉关注信息，该视觉关注信息包括以下信息中一个或多个信息：扫视时间、注视时间、眨眼频率、瞳孔直径变化、眼睑闭合度和眼动轨迹等；基于各生理指标测量传感器采集到的皮电指标、心电指标、肌电指标、脉搏指标、呼吸指标、血氧指标和血压指标等，得出飞行员在执行任务过程中身体上的反应；基于脑电波传感器采集到的脑电数据和近红外脑成像传感器采集到的脑血氧指标，得出飞行员在执行任务过程中的脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。可将飞行员在执行飞行情境任务的过程中采集到的多通道指标参数进行归一化得到第一归一化结果，将飞行员在执行认知测评任务过程中采集到的各个参数进行归一化得到第二归一化结果。
[0055]
在本发明实施例中，将飞行员在各项任务(i1,i2,...,i
t
)中的多通道指标参数(j1,j2,...,jk)进行归一化得到归一化评价指标(z
11
,z
12
,...,z
tk
)，然后由专家小组基于专家经验为归一化评价指标和人格相关认知能力评估结果中的一种或多种赋予权重，进行加权平均可计算出飞行员认知能力第二评估分数s。飞行员认知能力第二评估分数s满足下列公式：
[0056][0057]
其中，c
tk
为权重系数，t表示飞行员执行的任务数，k表示各任务的指标参数数，各项任务示例为：i1表示模拟飞行任务，i2表示注意警觉性范式pvt任务，......，i
t
表示河内塔任务(属于认知测评任务中的一种)；多通道指标参数示例为：j1表示交互指标中行为反应时(reaction time)，j2表示交互指标中行为正确率(accuracy)，j3表示生理指标中皮电反应均值(sc mean)，j4表示生理指标中心率变异性频域指标低频比高频(hrv lf/hf)，j5表示生理指标中心率变异性时域指标n-n间期标准差(hrv sdnn)，j6表示生理指标中脑电频
域指标α波比β波能量值(eegα/βpower)，j7表示生理指标中脑电频域指标β波能量值(eegβpower)，j8表示眼动指标中平均瞳孔直径(pupil diameter)，j9表示眼动指标中兴趣区内总注视持续时间(aoi total fixation duration)，j
10
表示眼动指标中眼睑闭合度(perclos，percentage of eyelid closure)，这些标参数仅为示例，本发明并不限于此。
[0058]
在本步骤中，是基于专家经验确定的指标参数权重对第一归一化结果、第二归一化结果和人格相关认知能力评估结果中的一种或多种进行加权平均来计算飞行员认知能力第二评估分数，但这种评估过渡依赖于专家经验，易受专家主观性的影响，且不适于无专家来确认权重的场景。因此，为了更准确地对飞行员认知能力进行评估，本发明进一步结合了基于深度学习对飞行员认知能力的评估结果，如下面的步骤所描述。
[0059]
在步骤s140中采用的xgboost机器学习模型的训练过程中，模型输入为n个训练样本的特征向量和对应的标签，t＝{(x1,y1),(x2,y2),...,(xn,yn)}，其中，xn表示第n个样本的特征向量，yn表示标签；模型输出表示为：梯度提升树(gradient boosting decision tree,gbdt)；机器学习模型训练的具体步骤流程如下：
[0060]
步骤s1，初始化第1轮学习的强学习器f0(x)＝0，根据模型的输入t＝{(x1，y1)，(x2，y2)，
…
，(xn，yn)}来训练第2轮学习的强学习器f1(x)，即进行第一次训练得到f1(x)，f1(x)也被称为第1个子模型，x表示输入的特征向量；基于第1个子模型(或称第1轮的子模型)可以得到第一个模型表示：f1(x)＝f0(x) f1(x)。
[0061]
步骤s2，从第2轮(m＝2)开始，基于如下公式获得第m个模型：
[0062]fm
(x)＝f
m-1
(x) fm(x)；
[0063]
该公式表示第m个模型是第m-1个模型f
m-1
(x)和第m个子模型fm(x)的加权，其中，是第m-1个模型，fm(x)是第m个子模型；
[0064]
对第m-1个模型f
m-1
(x)不需要训练，对第m个子模型fm(x)需要训练。
[0065]
在本发明实施例中，采用的损失函数可表示为：
[0066]
l(y,fm(x))＝l(y,f
m-1
(x) hm(x))
ꢀꢀꢀꢀꢀ
(2)
[0067]
其中，l(y,fm(x))为第m轮的损失函数，f
m-1
(x)为第m-1轮的强学习器，hm(x)为第m轮的弱学习器。本轮迭代找到决策树，要让样本的损失尽量变得更小。
[0068]
最终通过m轮训练后，得到预训练的机器学习模型，将测试得到的特征向量输入至预训练的模型，便可得到最终的梯度提升模型：
[0069][0070]
其中，m为最终的轮数。
[0071]
基于该预训练的机器学习模型，基于测得后得到的特征向量，可得到飞行员认知能力的第一评估分数。
[0072]
步骤s160，基于飞行员认知能力第一评估分数和飞行员认知能力第二评估分数得到飞行员认知能力综合评估分数。
[0073]
在本步骤中，基于步骤s140中得到的飞行员认知能力第一评估分数和步骤s150中得到的飞行员认知能力第二评估分数进行一个综合的评估，如进行加权平均操作(本发明并不限于此)，便可以得到飞行员认知能力综合评估分数。
[0074]
本发明的飞行员认知能力评估方法，如图2和图3所示，基于专家经验构建适用于飞行员认知能力评估的情境、行为范式以及问卷量表，通过采集飞行员在完成各项情境模拟任务、行为范式及问卷量表时的生理指标和交互指标，可以得到飞行员各个维度的参数指标，如交互指标、生理指标、脑功能指标、认知评估指标和人格评估指标等，基于这些指标，通过基于专家经验与机器学习算法的双重评估(如基于专家经验给各项情境任务、行为范式及问卷量表的生理指标与交互指标得分赋予权重，得出飞行员认知能力评估分数；基于飞行员实际水平使用决策树进行特征权重赋值、不断训练模型，得出飞行员认知能力评估分数)，并进一步将两种评估结果相综合，可以更全面、准确的获知飞行员的认知能力。
[0075]
综上所述，本发明能够专门针对于飞行员的作业情境与相应作业所需认知能力，结合专家经验构建了多个认知能力评估维度，综合采集各维度任务中飞行员在主观问卷量表及客观交互行为、眼动、生理、脑电和脑成像多通道的人因数据；本发明的系统提供两种可供选择的飞行员认知能力计算方式，基于专家经验和基于机器学习算法的指标特征提取和权重分配，基于机器学习算法的计算方式更适合系统积累一定数据量后使用，以不断优化训练模型，使系统更适用于飞行人员选拔。
[0076]
与上述方法相应地，本发明还提供了一种系统，该系统包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如前所述方法的步骤。
[0077]
本发明的系统为通过采集多通道主客观人因数据得出的适用于飞行员的评估系统，有助于飞行员的选拔评估；并且本发明的系统基于专家经验与机器学习算法的双重评估，使得评估更加客观准确；本发明综合考虑飞行员各个维度的认知水平，评估结果生态效度较高。
[0078]
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述边缘计算服务器部署方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、软盘、硬盘、可移动存储盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质。
[0079]
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
[0080]
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺
序。
[0081]
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
[0082]
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。