機械臂遙操作任務過程腦力負荷研究

唐偉財，陳善廣，2?，肖 毅，姜國華，田志強

機械臂遙操作任務過程腦力負荷研究

唐偉財1，陳善廣1，2?，肖 毅1，姜國華1，田志強1

（1.中國航天員科研訓練中心人因工程國防科技重點實驗室，北京100094；2.中國載人航天工程辦公室，北京100720）

腦力負荷是影響機械臂遙操作績效的重要因素，通過提取機械臂遙操作過程的自發腦電功率譜特征以及非線性動力學特征，結合機械臂遙操作的三階段操作理論，分析了操作過程腦力負荷變化規律，以及各階段的主要認知負荷來源。實驗表明：自發腦電功率譜指標能有效評估遙操作過程被試的腦力負荷水平，非線性指標能有效評估思維活動水平。在遙操作中，腦電功率譜能量逐漸向高頻段轉移，腦力負荷水平逐漸升高；前兩階段的非線性動力學特征值顯著高于最后階段，在第二階段達到最大，與被試的思維活動強度變化規律相同。前兩階段被試腦力負荷主要來源于空間認知，第三階段負荷主要來源于距離和角度偏差認知及任務壓力。根據遙操作任務過程的腦力負荷變化規律及負荷的主要來源針對性提供信息補償，完善任務設計，可降低航天員在各個階段的腦力負荷水平，對保障遙操作任務的完成有一定指導意義。

遙操作；自發腦電；功率譜；非線性動力學；腦力負荷；思維活動

Abstract：Mental workload is an important factor affecting the performance of manipulator teleoperation.By extracting the power spectrum and the nonlinear dynamics characteristics of electroencephalogram（EEG）， the mental workload variation and the main cognitive load at various stages in the operation were analyzed on the basis of the three stages operation theory in teleoperation.The results showed that EEG power spectrum could be used to evaluate the mental workload in teleoperation effectively，and the nonlinear dynamics index could be used to evaluate the thinking activity level effectively.In teleoperation，EEG power spectrum energy shifted to the high frequency band gradually with the increase of the mental workload；the nonlinear dynamics characteristic values of the first two stages were significantly higher than that of the final stages，and reached the maximum in the second stage， so did the variation of the subjects’ thinking activity intensity.The mental workloads of the first two stages were mainly derived from the spatial cognition，and the mental workload of the third stage was mainly derived from the distance and angle deviation cognition and working pressure.According to the mental workload variation and the main source of workload in teleoperation，the compensative information could be provided and the task design could be improved to reduce the mental workload of astronauts in various stages.It is of reference value for the completion of teleoperation mission.

Key words：teleoperation； electroencephalogram（EEG）； power spectrum； nonlinear dynamics；mental workload；thinking activity

1 引言

北大西洋公約組織在腦力負荷學專題研討會上指出，腦力負荷是一個多維的概念，它涉及工作要求、時間壓力、操作者的能力、努力程度、行為表現和其它多種因素，是完成一項或多項任務時所產生的生理和心理需求［1］。隨著腦科學發展以及腦電采集設備精密性和便攜性的逐漸完善，用腦電特征指標評估腦力負荷水平的研究逐漸受到重視，自發腦電（EEG）的頻域特征和時域上的非線性動力學特征的研究也逐漸增多。而由于腦電信號自身的復雜性和不規則性，其受到操作任務、操作環境等外界的影響較大，加之不同個體的腦電差異較大，目前國內外關于自發腦電的研究都是基于具體的實驗任務和受試人群，還沒有廣泛認可的通用的腦力負荷評估方法和指標［2］。

已有研究表明腦電的 θ（4～8 Hz）、α（8～13 Hz）、β（14 ～30 Hz）等頻段的波形對腦力負荷變化敏感。高頻快波是大腦皮層興奮時腦電的主要成分，高幅慢波是大腦皮層處于抑制狀態時腦電活動的主要表現。當任務較難且人處于警覺性比較高、情緒比較緊張、壓力較大的情境中時，腦電的能量主要集中在幅值較低、頻率較高的β頻段，α節律受到抑制；反之，當人的喚醒水平和腦力負荷水平較低時，腦電在頻率較低的α頻段活動增強，β頻段活動減弱［2-3］。Brouwer等人以2～20 Hz頻段的腦電功率譜作為腦力負荷檢測模型的重要特征向量，用于預測工作記憶任務的腦力負荷，取得較好的預測效果［4］；Kohlmorgen等人提取3～15 Hz頻段的腦電功率譜特征作為任務難度分類的依據，也取得不錯的分類效果［5］。但是由于腦電能量的個體性差異較大，目前常用的腦電能量參數主要是各波段能量的比值，包括（α+β） ／θ、 α／β、 （ α + θ） ／（α + β）、 （α + θ） ／β、 β／θ等［3］，根據能量比值的變化確定腦電活性較強的節律波，從而確定被試的腦力負荷狀態變化。此外，近年越來越多的證據表明大腦是一個非線性動力學系統，腦電信號具有非線性動力學特征。腦電信號的復雜度、分形維數、熵值等非線性指標可用于描述腦電信號序列的復雜性程度以及大腦神經元處理信息活動時的有序程度，能夠反映腦電信號的混亂程度以及動力學特征［6-7］。

機械臂遙操作是我國進行在軌維修、空間站建設、星球探測等復雜危險任務的重要輔助手段，對航天員的操作技能、空間能力、抗壓能力等綜合素質要求較高，航天員容易處于高負荷狀態，容易出現感知、判斷以及操作等人為失誤，從而導致撞擊等事故發生［8-11］。Draper認為腦力負荷的增大容易增加操作者的迷惑感和時間壓力，從而誘發更多的無效操作以及沖動型操作，降低操作效率［12］。在遙操作的不同階段，腦力負荷的主要來源不盡相同，因此，研究航天員在遙操作的不同階段的腦力負荷變化情況以及主要負荷來源，有利于保障遙操作的順利完成。本文通過開展機械臂遙操作任務模擬實驗研究，獲取志愿者在操作過程的自發腦電信號，并進行特征提取、分析，結合機械臂遙操作的三階段操作理論，對比分析腦電能量分布變化與各個頻段的功率譜特征變化，剖析操作員在任務過程中的腦力負荷變化；結合腦電信號的非線性動力學特征參數，研究非線性指標的變化規律以及其與腦力負荷變化的關系。

2 實驗設計

2.1 實驗任務以及平臺

實驗在計算機仿真平臺上進行，實驗平臺是基于V-REP PRO（EDU版本）仿真機器人軟件構建的機械臂仿真場景，模擬真實機械臂對接任務。被試在模擬任務中完成實驗操作。

圖1所示為仿真平臺實例，被試通過仿真平臺不同位置攝像頭反饋的視覺信息，左手操作機械臂位置手柄（萊仕達雷霆PXN-2103），右手操作機械臂姿態手柄，通過末端控制模式調節6關節、6自由度機械臂末端的位移和姿態，完成機械臂末端上帶有顏色標記的十字形負載與標記有顏色的目標對接面的對接任務。操作者需要在規定時間內（240 s），使末端十字負載以指定的姿態插入選定的對接槽，且需在規定的精度范圍內。

被試在實驗過程中，每次操作任務過程可分為三個階段：第一階段即操作機械臂使對接目標面出現在機械臂末端攝像頭的視野中，主要涉及觀察、規劃、大范圍轉移等認知操作；第二階段主要依靠末端攝像機圖像，調整末端負載的位置和姿態，使其與目標對接面基本平行，即調節機械臂末端使其靠近并對準目標階段；第三階段依靠攝像頭信息，精準、無故障地完成精細對接任務，即精細對接階段。

圖1 模擬平臺場景事例Fig.1 Scene examples in simulation platform

2.2 實驗被試及流程

實驗主要分成機械臂操作技能培訓和模擬平臺實驗兩個部分。技能培訓環節主要包括理論知識培訓以及實踐操作兩個環節。理論培訓包括實驗任務、操作方法、注意事項等內容的介紹；實踐操作即對手柄的操作以及實驗任務的熟悉。正式實驗在培訓后1～3天內進行。在實驗過程中，通過德國64導聯BP腦電采集設備采集被試的腦電信號。

實驗招募25名18～25歲之間的男性被試，被試除了需要滿足矯正視力正常外，還需要保證在此之前沒有接受過任何機械臂操作，最終采集到24位有效被試數據。

3 結果分析

根據機械臂認知需求分析結果按照實驗時間將腦電信號平均分為三段，分別對應遙操作的觀察、規劃、大范圍轉移階段——調節機械臂姿態靠近并對準目標階段——后期精細對接階段。提取腦電序列在三個階段的非線性動力學特征以及功率譜特征，從頻域和非線性動力學角度對被試的腦電信號進行分析。

3.1 腦電信號功率譜特征參數

3.1.1 腦電功率譜能量變化趨勢

對3階段的腦電信號總功率譜進行對比分析，結果發現各導聯三個階段的腦電功率譜能量由大到小依此為：第三階段＞第二階段＞第一階段，其中枕區位置的O2、Oz等腦電通道第三階段顯著大于第一階段（O2導聯顯著性p＝0.045，Oz導聯顯著性p＝0.032）。

抽取個別被試，分析他們在某次執行任務過程中的三個階段的腦電能量水平，得到他們操作時腦電地形圖的變化如圖2、圖3所示。

圖2 被試1腦電地形圖Fig.2 BEAM（brain electrical activity mapping） of subject 1

圖3 被試2腦電地形圖Fig.3 BEAM（brain electrical activity mapping） of subject 2

可以看出，第三階段的腦電能量明顯大于第一和第二階段。而且從腦區能量分布可以看出，和前兩階段相比，第三階段的在左半腦區的能量（激活程度）有了非常明顯的增加，特別是在左前額葉部分和左頂葉部分，枕區部分能量也有明顯的增加。

3.1.2 腦電功率譜頻段分布

為區分不同頻段腦電信號的變化情況，選取前額區Fp1導聯、左腦頂葉P5導聯和枕區O2導聯分析腦電信號功率譜能量隨頻率的分布變化情況，如圖4所示。其中P5在大腦頂葉位置，與軀體的感知覺、空間信息處理以及視覺信息和體感信息的整合聯系緊密；O2在枕區位置，與視覺功能關系密切。而前額部分腦區（Fp1導聯等）對大腦多個區域的協調加工有很重要作用，與復雜知覺、注意、思維等高級活動有關［13］。其中1代表θ頻段，2代表α頻段，3代表β頻段，4代表γ頻段。

可以看出，前額區域能量雖然很大，但是在整個任務過程中的變化不大，即被試在遙操作任務的三個階段對攝像頭信息的感知覺、注意以及理解等認知功能的整合所消耗的能量變化不大，被試一直處在高度警覺、毫不松懈的狀態。而大腦皮層的枕-頂葉腦區的整合功能對于接受、加工和儲存信息有重要作用［14-15］，在操作的三個階段有較明顯的差異。

圖4 Fp1、P5、O2導聯功率譜-頻段變化曲線Fig.4 Power spectrum-frequency band curve of Fp1，P5 and O2 channel

P5和O2導聯三個階段的θ頻段功率譜能量差異不大，而第三段在β頻段能量明顯上升，高于前兩段，且三個階段的β波功率譜能量都是腦電能量的主要組成成分，占據腦電能量的絕大部分。

為了更好地體現腦電功率譜θ、α、β三個頻段隨操作任務前、中、后三個階段的變化情況，下面將詳細分析P5和O2這兩個導聯θ、α、β三個頻段腦電功率譜之間的比例關系，分析腦電能量的分布變化規律。

3.1.3 高低頻段能量比例

分別提取腦電的θ、α、β三個頻段功率譜能量，分析（α+β） ／θ、α／β、（α+θ） ／（α+β）、（α+θ）／β、β／θ等5個特征參數，對遙操作任務過程中P5、O2導聯的三個階段進行單因素方差分析，結果如圖5所示。針對這5項特征，對3個階段進行成對比較分析，結果如表1所示。

圖5 P5、O2導聯3階段功率譜特征參數均值-標準差圖Fig.5 Diagram of mean-standard deviation of power spectrum characteristic parameter of P5 and O2 channel in 3 phases

從兩個導聯的均值圖中可以看出，這5個特征之間呈現出比較良好的趨勢。主要表現在機械臂遙操作任務進行到后面階段，高頻段功率譜能量的提高速率明顯高于低頻段。特別地，β波在功率譜能量上的提升速率明顯要大于θ波。從成對比較的結果中可以看出，第一段的低頻能量與高頻能量的比值要顯著高于第二段和第三段，第二階段高低頻能量比例顯著低于第三階段。

表1 P5、O2導聯3階段成對比較分析結果Table 1 Paired comparison of P5 and O2 channel in 3 phases

綜合功率譜的腦地形圖、各頻段能量變化以及各個頻段功率譜能量比值在三個階段的比較分析可知，機械臂遙操作任務進入到姿態調節以及精細對接階段后，操作員的左后半腦區腦電功率譜能量逐漸升高，其中高頻段的能量升高最快，在操作后期即第三階段，β頻段的能量比例顯著高于初始階段。

3.2 非線性動力學特征

本文提取的腦電非線性動力學特征主要包括Lempel-Ziv 四 重 復 復 雜 度［16-17］、 計 盒 分 形 維數［18］、樣本熵、近似熵［19］等四類，結合大腦皮層的頂葉和枕葉區域的 P5、C2、C4、CP6、PO7、O2 等導聯，分析機械臂遙操作過程中這些腦電信號的非線性動力學特征的變化情況。

3.2.1 復雜度

Lempel-Ziv復雜度算法（LZC）用于表征一個時間序列里出現新模式的速率，LZC值越大，信號越隨機，動力學行為越復雜。傳統的LZC復雜度算法基于腦電二重粗?；Y果，不能充分反映腦電的復雜結構［16-17］。因此，本研究在四重粗?；幕A上計算腦電的LZC四重復復雜度，并對3階段的腦電LZC四重復復雜度水平進行方差分析，其結果如圖6所示，每兩階段的成對比較分析結果如表2所示。

圖6 3階段復雜度均值-標準差圖Fig.6 Diagram of mean-standard deviation of complexity in 3 phases

三個階段的腦電復雜度的均值圖以及成對比較分析結果表明，第二段的腦電復雜度顯著高于第一段和第三段，第一段顯著高于第三段。

表2 3階段復雜度成對比較分析結果Table 2 Paired comparison of complexity in 3 phases

3.2.2 分形維數

分形維數可作為復雜形體占有空間的有效性以及其不規則性的量度。腦電信號具有內建的自相似性，分形維數能夠定量地描述腦電信號的不規則程度和復雜性［18］。分形維數的計算方法很多，這里采用比較容易通過計算機實現的計盒分形維數算法。3階段的腦電計盒分形維數均值方差如圖7所示，每兩階段的成對比較分析結果如表3所示。

圖7 3階段分形維數均值-標準差圖Fig.7 Diagram of mean-standard deviation of fractal dimension in 3 phases

表3 3階段分形維數成對比較分析結果Table 3 Paired comparison of fractal dimension in 3 phases

三個階段的分形維數的均值圖和成對比較分析結果表明，第二段腦電分形維數顯著高于第一、第三段，部分導聯第一段顯著高于第三段。

3.2.3 近似熵

近似熵（ApEn）是一種度量非線性時間序列不規則性和復雜性的算法，值越大，系統越趨近于隨機狀態，包含的頻率成分越豐富，系統越復雜；反之則信號越有序，頻帶越窄［19］。

近似熵在大樣本量下不穩定，受到高頻噪聲的影響很大，采用完整腦電信號進行分析結果不穩定［19］。 因此，本研究分別提取α、β、θ頻段的腦電近似熵值。經過統計分析發現，α波和β波各段的差異并不顯著，而頻率較低的θ頻段腦電的近似熵三個階段的區分效果比較顯著。3階段的腦電近似熵均值方差如圖8表所示，每兩階段的近似熵值成對比較分析如表4所示。

圖8 3階段近似熵均值-標準差圖Fig.8 Diagram of mean-standard deviation of approximate entropy in 3 phases

表4 3階段近似熵成對比較分析結果Table 4 Paired comparison of approximate entropy in 3 phases

從三個階段的近似熵的均值圖和成對比較分析結果可知，第二階段腦電近似熵顯著高于第一、第三段，第一和第三段沒有顯著性差異。

3.2.4 樣本熵

近似熵在計算過程中比較了自身數據段，違背了新信息的概念，因此用近似熵估計腦電復雜性存在一定偏差。Richman等沿襲Grassberger的研究發展了一種不計量自身匹配的統計量，即樣本熵。樣本熵和近似熵類似，值越大則腦電序列越復雜，且樣本熵不包含自身數據段的比較，能夠更加精準的估計序列的復雜性，且更適合小樣本量序列的分析［19］。3階段的腦電樣本熵均值方差如圖9所示，每兩階段的樣本熵值成對比較分析如表5所示。

圖9 3階段樣本熵均值-標準差圖Fig.9 Diagram of mean-standard deviation of sample entropy in 3 phases

表5 3階段樣本熵成對比較分析結果Table 5 Paired comparison of sample entropy in 3 phases

三個階段的樣本熵均值圖與成對比較分析結果表明，第二階段腦電樣本熵顯著高于第一、第三階段，且第一階段顯著高于第三階段。

從上述三個階段自發腦電的四項非線性動力學特征的對比統計分析結果可知，復雜度、分形維數、樣本熵、近似熵等四項非線性特征的結果基本保持一致：第二階段的非線性動力學特征顯著大于第一和第三階段，此外，第一階段的復雜度和樣本熵還顯著大于第三階段。

4 討論

1）腦電能量區域分布分析

在第三階段，左半腦區腦電功率譜能量明顯增加，與右腦有較為明顯的差異，這和機械臂遙操作的任務特性以及操作方式有著很大關系。右腦在空間推理活動中起著重要的作用［15，20］。機械臂遙操作在前兩階段對操作員的空間認知能力，從視頻圖像中獲取信息、理解信息、整合信息的能力有很高的要求，而第三階段，是機械臂遙對接任務的精細對接階段，機械臂的空間位置變化不大，且基本處于與目標對準的位置，對被試空間理解的壓力明顯降低，右腦活動強度下降；該階段被試主要的任務是利用右手進行末端姿態的調節，使得機械臂末端與目標對接面基本平行，即各個維度的角度偏差達到對接成功的精度要求，左腦活動強度增強。因此左半腦區的激活程度（功率譜能量）相對于右半腦區有較為明顯的提高。從操作難度上看，在第三階段，由于對三個維度姿態的控制精度直接關系到對接過程中是否會發生碰撞事故以及對接任務的成功與否，相比前兩階段，該階段的操作負荷更高；對于未能在規定時間內完成的實驗輪次，除了少數是受到關節限位事故的影響，大部分是由于在此階段浪費了大量的時間而依然沒有成功調整在對接精度范圍以內，即在此階段的操作時間相比前兩階段的需求更高。因此從腦地形圖中可以看出，在第三階段左半腦區激活程度（能量）相比前兩階段有了較大的提高。

2）腦電低頻段能量與高頻段能量對比分析

從整體來看，隨著任務的進行，腦電的總功率譜能量與高頻段能量比例逐漸升高。國內外研究結果表明，腦電的高頻能量比例越高，高頻與低頻能量的比值越大，操作員的喚醒水平越高，對應的任務難度水平越高，腦力負荷水平越高［21-25］。

從實驗設計角度上看，本實驗通過提高對接成功的精度要求，且結合航天員在軌執行任務過程中，主要依靠視覺圖像信息進行對接而盡量不依賴于數據信息的實際要求，取消數據信息的顯示，對最后的精細對接階段提出了更高的難度要求，加重操作員對手柄的控制、距離的感知、角度的感知等方面的認知負荷，由此帶來的任務壓力相比前兩階段明顯提高。而且在任務的中后期，機械臂關節限位、碰撞、臨近工作區域等事故逐漸出現，操作員對事故故障的分析排除在一定程度上加重遙操作過程的腦力負荷水平；加上有時間限制、避免事故發生以及完成任務的壓力，以及操作過程體力的消耗，被試在中后期所需要付出的努力相比前面階段要更多，承受的壓力更大。因此在遙對接任務過程中，腦力負荷水平逐漸升高。

除此之外，從統計結果中發現三個階段腦電的能量都主要分布在頻率較高的β頻段，說明在整個遙操作任務過程中，被試的喚醒水平都比較高，被試由于操作疲勞造成的影響較小，實驗對疲勞因素的控制效果較好。

3）非線性動力學指標結果對比分析

在機械臂遙操作過程中，第二階段的腦電非線性特征指標值要顯著高于第一階段和第三階段，而相對于第一階段，第三階段更小。

由機械臂遙操作的認知任務分析可知，在遙操作三個階段的過程中，對應的階段性任務目標不同，所涉及的主要的認知功能也有所變化，各項認知功能在各個階段的作用也不盡相同。在操作過程中，第一、第二階段的操作目標的難度主要體現在空間關系的理解、判斷決策兩方面。特別地，相比第一階段側重于相對方位的認知，第二階段操作員對機械臂自身姿態的認知和對空間關系，尤其對機械臂末端與目標相對角度偏差的認知和理解更加重要，使得第二階段對操作員空間關系的判斷決策水平的要求相當高，對操作員遙操作過程的空間認知能力的要求和對姿態手柄的操作以及對應機械臂變化的認知能力的要求也相當高，操作員在此階段進行推理、分析的思維活動強度相對較高。而第三階段的思維活動主要集中在對相對距離和相對角度偏差的感知和判斷，對推理、分析等活動的負荷水平相對較低，腦力思維活動強度相比前兩階段有所降低。由此發現，操作員在操作過程中的思維活動強度與腦電的非線性特征指標的變化規律一致，且之前研究表明非線性動力學指標對腦力負荷水平的變化具有一定的敏感性，對腦力負荷的評價有一定的參考作用［26-29］，可以推斷自發腦電非線性動力學指標能有效評估遙操作過程的思維活動強度。

4）腦電功率譜和非線性特征統計結果對比分析

從功率譜和非線性特征的統計結果發現，兩者的變化規律不同。腦電功率譜能量從做功的角度出發，反映大腦在操作過程整體的活動水平，綜合反映被試的腦力負荷水平。非線性指標從腦電信號序列的復雜性出發，與被試的思維活動水平變化一致。兩者的差異主要體現在第三階段的腦力負荷水平相對較高，而思維活動強度相對較低。

根據NASA-TLX量表可知，腦力負荷水平包括有腦力需求、時間需求、努力程度、受挫程度、績效水平、體力需求六個方面。在機械臂遙操作任務中，主要涉及的認知功能包括空間相對距離相對角度的感知、空間關系的判斷以及平移和姿態手柄操作對應機械臂末端的變化的認知，對應整個認知活動的感知、判斷決策和操作執行三個完整環節。這三方面的認知活動水平決定了被試在操作過程中的腦力需求以及努力程度的負荷水平。其中以判斷決策環節的認知活動對被試能力的要求最高，操作環節最低。且由上述分析可知，第二階段側重于判斷決策環節，對信息的整合、分析、推理等活動難度較高，第一階段次之，第三階段側重于信息的精確感知，思維活動強度最低。因此，被試在遙操作過程中的思維活動強度由高到低依次為：第二階段＞第一階段＞第三階段。

而隨著操作的進行，被試的體力消耗逐漸增加，受到時間的壓力和任務的壓力也逐漸加大；且伴隨著操作過程事故的發生或操作進展的不順利，被試操作過程的挫折感逐漸增加。因此，在第二、第三階段，被試在時間需求、體力需求、績效水平、受挫程度方面的負荷水平明顯提高，第三階段尤其顯著，對腦力負荷水平產生很大影響。因此，雖然第三階段操作員在腦力需求以及努力程度方面的思維活動水平較低，但綜合時間壓力、體力需求、績效水平、受挫程度等維度的負荷水平，其腦力負荷水平相比前兩階段有了很大的提高。在遙操作過程中的腦力負荷由高到低依次為：第三階段＞第二階段＞第一階段。

由此可知，非線性指標反映的操作員在執行任務過程中的思維活動強度只是腦力負荷中的一個部分，而功率譜特征能比較全面地評估操作的腦力負荷水平，兩者在統計結果上表現出差異。

綜合上述分析，在前兩階段，被試的腦力負荷水平的很大來源是操作員的腦力需求和努力水平，特別是第二階段，大腦思維活動水平的高低直接關系到空間認知水平高低，直接關系到任務的各項指標的優劣；而第三階段，被試腦力負荷的主要來源除了有相對偏差的感知方面，還有很大一部分來源于任務本身帶來的各項壓力，對操作員的抗壓能力以及耐性的要求較高。因此，完善前兩階段全局空間信息，提高操作員的空間臨場感對降低腦力負荷有比較明顯的效果；而在機械臂行走至目標附近時，通過局部近景攝像頭或者傳感器測量等手段完善目標與機械臂末端的距離偏差和角度偏差信息，同時給予操作者適當的休息和心理疏導，對降低最后階段的腦力負荷有更加明顯的工效。

5 結論

本文通過對機械臂遙操作過程的自發腦電信號進行特征提取和分析，探究遙操作三個階段的腦力負荷水平的變化情況，以及每階段主要的負荷來源，結果發現隨著任務的進行，喚醒水平與腦力負荷水平逐漸提高。在操作過程中，第一、第二階段，特別是第二階段對于操作者空間信息的判斷決策的能力要求相當高，操作員在第二階段的思維活動強度相比其余兩個階段更高，腦電信號復雜性也相對更高；第三階段的操作目標主要涉及感知覺和手柄操作，對思維活動水平的要求明顯降低，腦電復雜性也相對降低。機械臂遙操作任務前期和中期的腦力負荷主要來源于空間認知，集中體現在腦力需求與努力程度兩個維度；操作后期增加的腦力負荷水平主要體現在時間和任務壓力、體力需求以及受挫程度等其他維度，和精細信息感知一起構成后期腦力負荷的主要來源。

（References）

［1］ Moray N.Mental Workload： Its Theory and Measurement［M］.New York： Plenum Press，1979：5-6.

［2］ 明東，柯余峰，何峰，等.基于生理信號的腦力負荷檢測及自適應自動化系統研究：40年回顧與最新進展［J］.電子測量與儀器學報，2015，29（1）：1-13.Ming D，Ke Y F，He F，et al.Psychophysiological measures based studies on mental workload assessment and adaptive automation：review ofthe last 40 years and the latest developments［J］.Journal of Electronic Measurement and Instrumentation， 2015， 29（1）： 1-13.（in Chinese）

［3］ 嚴雅婧.基于腦電和腦血流信號的疲勞駕駛綜合評價指標的研究［D］.沈陽：東北大學，2012：57-58.Yan Y J.The Research of Comprehensive Evaluation Index of Driving Fatigue Based on EEG and Cerebral Flow［D］.Shenyang：Northeastern University， 2012： 57-58.（in Chinese）

［4］ Brouwer A M，Hogervorst M A，Van Erp J B F，et al.Estimating workload using EEG spectral power and ERPs in the nback task［J］.Journal of Neural Engineering， 2012， 9（4）：045008.

［5］ Kohlmorgen J，Dornhege G，Braun M，et al.Improving human performance in a real operating environment through realtime mental workload detection［J］.Toward Brain-Computer Interfacing，2007： 409-422.

［6］ 曹銳.非線性與復雜網絡理論在腦電數據分析中的應用研究［D］.太原：太原理工大學，2014.Cao R.Nonlinear And Complex Network Theory In The Application Of EEG Data Analysis Research［D］.Taiyuan：Taiyuan University of Technology， 2014.（in Chinese）

［7］ 吳祥寶，徐京華.復雜性與腦功能［J］.生物物理學報，1991， 7（1）： 103-103.Wu X B， Xu J H.Complexity and brain function［J］.Biophysics Reports， 1991， 7（1）： 103-103.（in Chinese）

［8］ 唐偉財，陳善廣，肖毅，等.空間立體信息缺失對機械臂遙操作任務的影響［J］.北京航空航天大學學報，2017，（2）： 335-343.Tang W C，Chen S G，Xiao Y，et al.Influence research of the loss of three-dimensional information on the manipulator teleoperation mission ［J］.Journal of Beijing University of Aeronautics and Astronautics， 2017，（2）： 335-343.（in Chinese）

［9］ Forman R E.Objective Performance Metrics for Improved Space Telerobotics Training［D］.America， Cambridge： Massachusetts Institute of Technology，2011.

［10］ You S， Wang T， Eagleson R， et al.A low-cost internet-based telerobotic system for access to remote laboratories［J］.Artificial Intelligence in Engineering， 2001， 15（3）： 265-279.

［11］ Menchaca-Brandan M A，Liu A M，Oman C M，et al.Influence of perspective-taking and mental rotation abilities in space teleoperation［C］ ／／Proceedings of the ACM／IEEE International Conference on Human-robot interaction.ACM，Washington，2007： 271-278.

［12］ Riley J M， Kaber D B， Draper J V.Situation awareness and attention allocation measures for quantifying telepresence experiences in teleoperation［J］.Human Factors and Ergonomics in Manufacturing ＆ Service Industries，2004，14（1）： 51-67.

［13］ 姚志彬.臨床神經解剖學［M］.北京：世界圖書出版公司，2001：20-24.Yao Z B.Clinical Neuroanatomy［M］.Beijing： World Book Incorporated， 2001：20-24.（in Chinese）

［14］ Langdon D， Warrington E K.The role of the left hemisphere in verbal and spatial reasoning tasks［J］.Cortex， 2000， 36（5）： 691-702.

［15］ 羅躍嘉.認知神經科學教程［M］.北京：北京大學出版社，2005：48-90.Luo Y J.Cognitive Neuroscience［M］.Beijing：Peking University Press， 2005： 48-90.（in Chinese）

［16］ 肖毅，陳善廣，韓東旭，等.腦電信號多重粗粒化復雜度分析方法研究［J］.電子科技大學學報，2013，42（3）：470.Xiao Y，Chen S G，Hang D X，et al.EEG complexity method based on multiple coarse-grained sequences［J］.Journal of University of Electronic Science and Technology of China，2013， 42（3）： 470.（in Chinese）

［17］ 張棟.Lempel-Ziv復雜度的尺度劃分方法的研究及應用［D］.太原：太原理工大學，2013.Zhang D.Research and Application of Scale Division Method in Lempel-Ziv Complexity［D］.Taiyuan：Taiyuan University of Technology， 2013.（in Chinese）

［18］ 張天鳳，吳艷秋.兩種分形計盒維數的研究［J］.吉林建筑工程學院學報，2013，30（4）：84-85.Zhang T F，Wu Y Q.Research on two fractal box dimension［J］.Journal of Ji Lin Jian Zhu University， 2013， 30（4）：84-85.（in Chinese）

［19］ 李立，曹銳，相潔.腦電數據近似熵與樣本熵特征對比研究［J］. 計算機工程與設計，2014，35（3）：1021-1026.Li L，Cao R，Xiang J.Comparative study of approximate entropy and sample entropy based on characterization of EEG［J］.Computer Engineering And Design， 2014， 35（3）：1021-1026.（in Chinese）

［20］ Gazzaniga M S， Ivry R B， Mangun G R. 認知神經科學［M］.周曉琳，高定國，譯.北京：中國輕工業出版社，2011：385-421.Gazzaniga M S， Ivry R B， Mangun G R.Cognitive Neuroscience：The Biology of the Mind［M］.Zhou X L，Gao D G，translated.Beijing： China Light Industry Press， 2011： 385-421.（in Chinese）

［21］ 趙麗，董燕麗，郭旭宏.α波和運動想象的混合范式腦-機接口系統［J］.電子測量與儀器學報，2014，28（6）：625-629.Zhao L，Dong Y L， Guo X H.Hybridbrain-computer interface system based on α wave and motor imagery［J］.Journal of Electronic Measurement and Instrumentation， 2014， 28（6）： 625-629.（in Chinese）

［22］ 王斐，王少楠，王惜慧，等.基于腦電圖識別結合操縱特征的駕駛疲勞檢測［J］.儀器儀表學報，2014，35（2）：398-404.Wang F，Wang S N，Wang X H，et al.Driving fatigue detection based on EEG recognition and vehicle handling characteristics［J］.Chinese Journal of Scientific Instrument， 2014， 35（2）： 398-404.（in Chinese）

［23］ 王福旺，王宏.長途客車駕駛員疲勞狀態腦電特征分析［J］. 儀器儀表學報，2013，34（5）：1146-1152.Wang F W，Wang H.EEG characteristic analysis of coach bus drivers in fatigue state［J］.Chinese Journal of Scientific Instrument， 2013， 34（5）： 1146-1152.（in Chinese）

［24］ Natani K， Gomer F E.Electrocortical activity and operator workload：A comparison of changes in the electroencephalogram and in event-related potentials［R］.ADA237188， 1981.［25］ Sterman M B， Schummer G J， Dushenko T W， et al.Electroencephalographic correlates of pilot performance：Simulation and in-flight studies［R］.ADP006101， 1988.

［26］ 韓東旭，周傳岱，劉月紅.狀態相關腦波復雜度用于腦負荷評價的研究［J］.航天醫學與醫學工程，2001，14（2）：102-106.Han D X，Zhou C D，Liu Y H.Application of brain state related EEG complexity measure in mental workload evaluation［J］.Space Medicine＆ Medical Engineering，2001，14（2）：102-106.（in Chinese）

［27］ 劉建平，鄭崇勛.不同睡眠期腦電圖復雜性研究［J］.生物醫學工程學雜志，1996，13（2）：119-122.Liu J P，Zheng C X.Measurement of EEG complexity for studying sleep［J］.Journal of Biomedical Engineering， 1996，13（2）： 119-122.（in Chinese）

［28］ 劉建平，黃遠桂.EEG復雜性測度用于大腦負荷狀態的研究［J］. 生物醫學工程學雜志，1997，14（1）：33-37.Liu J P，Huang Y G.Measuring EEG complexity for studying the state of mental load［J］.Journal of Biomedical Engineering， 1997， 14（1）： 33-37.（in Chinese）

［29］ 顧凡及，范思陸.不同狀態下腦電圖復雜性探索［J］.生物物理學報，1994，10（3）：439-445.Gu F J，Fan S L.Complexity of EEG in different function states［J］.Biophysics Reports， 1994， 10（3）： 439-445.（in Chinese）

（責任編輯：龐迎春）

Study on Mental Workload in Manipulator Teleoperation Mission

TANG Weicai1， CHEN Shanguang1，2?， XIAO Yi1， JIANG Guohua1， TIAN Zhiqiang1
（1.National Key Laboratory of Human Factors Engineering， China Astronaut Research and Training Center，Beijing 100094， China； 2.China Manned Space Agency， Beijing 100720， China）

V7；R857.1

A

1674-5825（2017）05-0688-09

2016-08-15；

2017-04-20

國家自然科學基金（71201148；71371174）；中國航天醫學工程預先研究項目（2012SY54A1705）；重點實驗室自主課題（HF2011-Z-Z-A-01）

唐偉財，男，碩士研究生，研究方向為航天人因可靠性。E-mail：jipingacai＠163.com

?通訊作者：陳善廣，男，博士，研究員，研究方向為航天人因工程。E-mail：shanguang_chen＠126.com