·820 工程科学学报，第41卷，第6期 为8时神经网络的正确率相同，但明显，前者结构更 PPG信号为简单一维信号，因而3个及以上隐 简单，复杂度更低，训练更快，效率更高.因此，最终 藏层即为深层，具体深层神经网络设置如图3所示， 确定隐藏层数设置为3，每个隐藏层神经元个数为 其中表示参数权重，b表示偏执项 9,此设置能够保证神经网络快速完成训练。 隐含层1 隐含层2 隐含层3 输出 2000 图3神经网络设置 Fig.3 Neural network settings 2.3深度神经网络训练 传统机器学习需要输入从PPG信号中提取的 10 特征，然而特征提取既无法保证提取的所有特征有 效，也无法保证所有对于分类有效的特征完全被提 10 取.而深度学习在进行训练时不进行特征提取，是 (b) 将处理之后的数据全部输入到神经网络中进行训 练，以保证信息的完备性，通过深层神经网络寻找信 2 息特征，完成训练 将获取到的数据划分为训练集、验证集和测试 0000◆◆◆★◆◆◆个4◆0小个◆◆◆个◆◆0◆◆0◆0个◆★ 5 10 15 2025 30 35 40 集，分别占总数据集的60%、20%和20%.训练时 迭代次数 设置最大的迭代次数为1000次，为防止神经网络陷 图4迭代过程图.(a)迭代梯度值图：(b)迭代检验图 入过拟合状态，设置最大验证失败次数为6，即神经 Fig.4 Iterative process diagram:(a)iterative gradient value dia- gram:(b)iterative test diagram 网络在训练时，验证集误差在连续6次检验后不下 降或上升，认为训练误差己经达到最小值，训练 0 ,训练集 停止. 验证集 测试集 3深度神经网络训练结果及分析 最佳点 109 3.1训练结果及迭代过程 神经网络的训练过程是在内部完成的，通过训 练获得所需要的模式识别网络.深度神经网络训练 10 完成后，将作业人员的PPG信号输入即可对作业人 员的生理状态进行识别 在深层神经网络模型训练过程中，迭代至42次 10-2 停止，验证误差连续6次迭代没有下降，最终下降梯 0 510152025303540 迭代次数 度为0.066451.迭代过程如图4所示.验证集交叉 图5交叉熵 熵在36次迭代时达到最小值，最小值为0.16761， Fig.5 Cross entropy 交叉熵的值如图5所示. 3.2分类器性能分析 态的识别 3.2.1混淆矩阵分析 混淆矩阵的FN(false negative)值表示判定为负 混淆矩阵是判断分类器好坏的重要标准，通过 样本，实际为正样本，FP(false positive)值表示判定 对神经网络训练并测试获得结果的混淆矩阵，混淆 为正样本，实际为负样本.本文中认为标记1为正 矩阵见图6.训练集、验证集、测试集的分类准确率 样本，标记0为负样本.在测试集中，FN和FP的值 分别为97.9%、94.8%、92.8%，准确率差异性在较 分别为14和8，分别占比4.6%和2.6%，比例相差 小范围之内，由于样本数量足够多，因此认为分类性 较小. 能优良，有较高的准确性能够完成氧气耐受极限状 通过对比神经网络的训练集和测试集的分类准工程科学学报，第 41 卷，第 6 期 为 8 时神经网络的正确率相同，但明显，前者结构更 简单，复杂度更低，训练更快，效率更高． 因此，最终 确定隐藏层数设置为 3，每个隐藏层神经元个数为 9，此设置能够保证神经网络快速完成训练． PPG 信号为简单一维信号，因而 3 个及以上隐 藏层即为深层，具体深层神经网络设置如图 3 所示， 其中 w 表示参数权重，b 表示偏执项． 图 3 神经网络设置 Fig． 3 Neural network settings 2. 3 深度神经网络训练 传统机器学习需要输入从 PPG 信号中提取的 特征，然而特征提取既无法保证提取的所有特征有 效，也无法保证所有对于分类有效的特征完全被提 取． 而深度学习在进行训练时不进行特征提取，是 将处理之后的数据全部输入到神经网络中进行训 练，以保证信息的完备性，通过深层神经网络寻找信 息特征，完成训练． 将获取到的数据划分为训练集、验证集和测试 集，分别占总数据集的 60% 、20% 和 20% ． 训练时 设置最大的迭代次数为 1000 次，为防止神经网络陷 入过拟合状态，设置最大验证失败次数为 6，即神经 网络在训练时，验证集误差在连续 6 次检验后不下 降或 上 升，认为训练误差已经达到最小值，训 练 停止． 3 深度神经网络训练结果及分析 3. 1 训练结果及迭代过程 神经网络的训练过程是在内部完成的，通过训 练获得所需要的模式识别网络． 深度神经网络训练 完成后，将作业人员的 PPG 信号输入即可对作业人 员的生理状态进行识别． 在深层神经网络模型训练过程中，迭代至 42 次 停止，验证误差连续 6 次迭代没有下降，最终下降梯 度为 0. 066451． 迭代过程如图 4 所示． 验证集交叉 熵在 36 次迭代时达到最小值，最小值为 0. 16761， 交叉熵的值如图 5 所示． 3. 2 分类器性能分析 3. 2. 1 混淆矩阵分析 混淆矩阵是判断分类器好坏的重要标准，通过 对神经网络训练并测试获得结果的混淆矩阵，混淆 矩阵见图 6． 训练集、验证集、测试集的分类准确率 分别为 97. 9% 、94. 8% 、92. 8% ，准确率差异性在较 小范围之内，由于样本数量足够多，因此认为分类性 能优良，有较高的准确性能够完成氧气耐受极限状 图 4 迭代过程图 . ( a) 迭代梯度值图; ( b) 迭代检验图 Fig． 4 Iterative process diagram: ( a) iterative gradient value dia￾gram; ( b) iterative test diagram 图 5 交叉熵 Fig． 5 Cross entropy 态的识别． 混淆矩阵的 FN( false negative) 值表示判定为负 样本，实际为正样本，FP( false positive) 值表示判定 为正样本，实际为负样本． 本文中认为标记 1 为正 样本，标记 0 为负样本． 在测试集中，FN 和 FP 的值 分别为 14 和 8，分别占比 4. 6% 和 2. 6% ，比例相差 较小． 通过对比神经网络的训练集和测试集的分类准 · 028 ·