本申请涉及认知负荷评估，特别是涉及一种驾驶人员认知负荷确定方法、系统、设备、介质及产品。
背景技术：
1、随着自动化、智能化技术的发展，现代载具的驾驶人员在执行驾驶任务时需要处理大量视觉、听觉和操作信息，这些信息的处理对驾驶人员的认知资源提出了高要求。认知负荷过高可能导致驾驶人员的决策能力下降，反应时间延长，甚至可能引发事故。因此，实时监测驾驶人员的认知负荷对于确保驾驶安全具有重要意义。
2、传统的驾驶人员认知负荷评估方法主要包括主观报告法、任务分析法、行为分析法和生理指标法。这些方法存在一定的局限性，如主观性强、实时性差、难以量化等。随着深度学习技术的发展，尤其是卷积神经网络在图像识别领域的成功应用，人们开始探索利用深度学习技术对驾驶人员的生理数据进行分析，以实现对认知负荷的客观评估。
3、然而，现有的基于深度学习的评估方法在处理多模态生理数据时存在一些挑战，如模型复杂度高、计算量大、难以处理多模态生理数据等。此外，这些方法在提取特征时往往忽略了不同生理数据之间的关联性，导致评估结果的准确性和泛化能力受限。
4、因此，有必要提供一种驾驶人员认知负荷确定方法，以解决上述问题。
技术实现思路
1、本申请的目的是提供一种驾驶人员认知负荷确定方法、系统、设备、介质及产品，提高了驾驶人员在驾驶过程中的认知负荷分类的准确性。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种驾驶人员认知负荷确定方法，所述驾驶人员认知负荷确定方法包括：
4、实时采集驾驶人员在驾驶过程中的多模态生理数据；所述多模态生理数据包括：心电数据、脑电数据和肌电数据；
5、对驾驶人员的多模态生理数据进行预处理，得到驾驶人员的预处理后的多模态生理数据；
6、将驾驶人员的预处理后的多模态生理数据输入至认知负荷分类模型中，输出驾驶人员的认知负荷水平的预测值；所述认知负荷分类模型是采用训练数据集对卷积神经网络模型进行训练得到的；所述训练数据集包括：预处理后的样本多模态生理数据和对应的认知负荷水平的真实值。
7、可选地，对驾驶人员的多模态生理数据进行预处理，得到驾驶人员的预处理后的多模态生理数据，具体包括：
8、对驾驶人员的多模态生理数据进行去噪，得到驾驶人员的去噪后的多模态生理数据；
9、对驾驶人员的去噪后的多模态生理数据进行基线校正，得到驾驶人员的预处理后的多模态生理数据。
10、可选地，所述卷积神经网络模型包括依次连接的深度可分离多尺度卷积模块、多通道特征融合模块以及全连接分类模块；
11、所述深度可分离多尺度卷积模块用于对驾驶人员的预处理后的多模态生理数据进行特征提取，得到驾驶人员的多模态生理特征；
12、所述多通道特征融合模块用于对驾驶人员的多模态生理特征进行数据融合，得到驾驶人员的多模态融合数据；
13、所述全连接分类模块用于对驾驶人员的多模态融合数据进行分类，得到驾驶人员的认知负荷分类的预测值。
14、可选地，所述深度可分离多尺度卷积模块包括：二维卷积层、relu层和深度卷积层。
15、可选地，所述多通道特征融合模块为熵权层。
16、可选地，所述全连接分类模块为全连接层。
17、可选地，所述认知负荷分类模型的训练过程，具体包括：
18、获取训练数据集；
19、搭建卷积神经网络模型；
20、以预处理后的样本多模态生理数据为输入，以认知负荷水平的真实值为输出，对所述卷积神经网络模型进行训练，直至损失函数达到最小值或者训练轮次达到最大值，停止训练，得到所述认知负荷分类模型。
21、第二方面，本申请提供了一种驾驶人员认知负荷确定系统，所述驾驶人员认知负荷确定系统用于实现所述的驾驶人员认知负荷确定方法，所述驾驶人员认知负荷确定系统包括：
22、数据采集单元，用于实时采集驾驶人员在驾驶过程中的多模态生理数据；所述多模态生理数据包括：心电数据、脑电数据和肌电数据；
23、预处理单元，用于对驾驶人员的多模态生理数据进行预处理，得到驾驶人员的预处理后的多模态生理数据；
24、预测单元，用于将驾驶人员的预处理后的多模态生理数据输入至认知负荷分类模型中，输出驾驶人员的认知负荷水平的预测值；所述认知负荷分类模型是采用训练数据集对卷积神经网络模型进行训练得到的；所述训练数据集包括：预处理后的样本多模态生理数据和对应的认知负荷水平的真实值。
25、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述任一项所述的驾驶人员认知负荷确定方法。
26、第四方面，本申请提供了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上述任一项所述的驾驶人员认知负荷确定方法。
27、根据本申请提供的具体实施例，本申请具有以下技术效果：
28、本申请公开了一种驾驶人员认知负荷确定方法、系统、设备、介质及产品，首先，实时采集驾驶人员在驾驶过程中的多模态生理数据；基于多模态生理数据和认知负荷分类模型，得到驾驶人员的认知负荷水平的预测值；所述认知负荷水平为低、中或高。本申请通过采集多模态生理数据初步提高认知负荷分类的准确性，再通过构建基于深度可分离多尺度卷积的认知负荷分类模型对驾驶人员的认知负荷水平进行预测，进一步提高了驾驶人员在驾驶过程中的认知负荷分类的准确性。
1.一种驾驶人员认知负荷确定方法，其特征在于，所述驾驶人员认知负荷确定方法包括：
2.根据权利要求1所述的驾驶人员认知负荷确定方法，其特征在于，对驾驶人员的多模态生理数据进行预处理，得到驾驶人员的预处理后的多模态生理数据，具体包括：
3.根据权利要求1所述的驾驶人员认知负荷确定方法，其特征在于，所述卷积神经网络模型包括依次连接的深度可分离多尺度卷积模块、多通道特征融合模块以及全连接分类模块；
4.根据权利要求3所述的驾驶人员认知负荷确定方法，其特征在于，所述深度可分离多尺度卷积模块包括：二维卷积层、relu层和深度卷积层。
5.根据权利要求3所述的驾驶人员认知负荷确定方法，其特征在于，所述多通道特征融合模块为熵权层。
6.根据权利要求3所述的驾驶人员认知负荷确定方法，其特征在于，所述全连接分类模块为全连接层。
7.根据权利要求3所述的驾驶人员认知负荷确定方法，其特征在于，所述认知负荷分类模型的训练过程，具体包括：
8.一种驾驶人员认知负荷确定系统，其特征在于，所述驾驶人员认知负荷确定系统用于实现权利要求1-7任一项所述的驾驶人员认知负荷确定方法，所述驾驶人员认知负荷确定系统包括：
9.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的驾驶人员认知负荷确定方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的驾驶人员认知负荷确定方法。