民機駕駛艙人機交互腦力負荷預測模型

衛宗敏

(中國民航管理干部學院航空安全管理系，北京 100102)

飛行特情下的腦力負荷問題是導致飛行機組人為差錯的重要因素[1]。自20世紀80年代起，研究人員開始持續關注這一問題。目前，飛機駕駛艙人機交互系統中的腦力負荷問題已上升為航空、航天、航海、核電等大型復雜系統人機工效領域熱點研究課題[2]。國外針對相關航空事故分析的相關研究指出，飛行員腦力負荷過高導致60%以上的事故[3-4]。國內一份針對中國民航事故原因進行分析統計的研究結果也表明，約20%的飛行事故與腦力負荷密切相關[5]。

近年來，相關研究人員已經意識到，要解決飛行員腦力負荷問題，不僅僅要考慮加強對飛行員的培訓和飛行特情訓練，更應該在飛機駕駛艙人機交互的設計階段就應考慮腦力任務設計問題，并就該問題開展了系列研究[6]。但是這些研究絕大多數都著眼于探討不同類型飛行任務下的不同的評價指標與腦力負荷之間的關系，對飛行員的腦力負荷實判別預測模型的構建關注較少。考慮到在人們所獲取的信息中，80%是通過視覺通道獲取的[7]，因而有必要在飛機駕駛艙顯示系統人機交互設計的早期階段，開拓測評方法，開展該系統設計與腦力負荷相關研究。

針對飛機駕駛艙人機交互界面腦力負荷的測量和評價，中外相關研究人員開展了一系列研究，采用的方法包括主觀評價法、績效測評法(包括主任務測評法和次任務測評法)、生理測評法以及多指標綜合測評方法。大量的研究結果表明，不同測評方法分別適用于不同的飛行任務，試圖以一種測量方法或指標來完成該項測評是難以實現的。同時，腦力負荷的復雜特性也決定了對其作綜合評估的必要性[8]。

在綜合評估方法建模方面，目前在這一領域較常用的建模技術主要有回歸分析和神經網絡建模等[9-11]。例如，Mazaeva等[9]采用自組織映射(self-organizing map，SOM)網絡方法，對飛行模擬試驗中所采集的多項腦電指標進行分析和建模，構建了預測腦力負荷水平的SOM網絡模型。Ryu等[10]分別采用因素分析法和回歸分析方法將多項生理指標綜合對腦力負荷進行綜合評價。李金波等[11]采用反向傳播(back propagation，BP)神經網絡和Elman神經網絡兩種方法，構建了腦力負荷預測模型，兩種模型的預測準確率分別在61.40%～80.49%、70.07%～89.65%。

然而該建模方法在理論基礎方面仍存在較大爭議[11]。而多元線性回歸分析方法，能夠有效用于研究不同影響因素對于多分類變量的效應，并且能夠有效保留所選評價指標，防止信息丟失，預測結果穩定性較好，但是采用傳統的多元線性回歸方法無法對類別進行直接判定，因而采用該方法對腦力負荷類別進行數學建模，目前還未引起飛行領域的廣泛重視。

現嘗試改進傳統的多元線形回歸分析方法，并用該方法對飛行任務相關的腦力負荷進行理論建模。首先以飛行任務人機交互實驗為基礎，通過飛行模擬器測評人機交互飛行實驗過程中被試的飛行任務績效(反應時和正確率)、主觀評價(NASA-TLX量表)和生理變化(心率和心率變異性)來間接測量腦力負荷，探索在不同難度飛行任務過程中腦力負荷在這三類評估指標上的變化；然后篩選出對腦力負荷敏感的評估指標，基于改進的多元回歸分析方法構建腦力負荷預測模型，以達到對人機交互過程中的腦力負荷等級變化進行預測的目的。

1 實驗測量方法

1.1 實驗設計

實驗采用被試內設計，每個被試共進行4次飛行模擬實驗，包括對照組、低、中、高四種腦力負荷飛行任務。實驗中儀表信息會隨機呈現異常，不同難度飛行任務條件下需監視的儀表信息如表 1所示。

表 1 不同難度飛行任務條件下需監視的儀表信息

駕駛艙顯示系統中所顯示的飛行信息包括空速、俯仰角、氣壓高度、滾轉角、航向角、方向舵狀態、副翼位置、起落架狀態、發動機狀態等，異常范圍的設置與文獻[6]的系列研究相同。實驗中，要求被試對顯示系統上呈現的異常信息迅速準確地做出反應。

1.2 被試

被試者為北京航空航天大學16名在地面飛行模擬器上受過培訓的飛行學員(21～28歲)，身體健康，無睡眠障礙，右利手，視力或矯正視力正常。實驗前對被試者進行模擬飛行培訓，使被試者了解實驗過程、熟悉實驗操作方法及實驗要求。

1.3 實驗儀器和測試工具

實驗在飛行模擬器上進行，心電測量中采集每個被試每5min內的心率、全部竇性心搏相鄰心博間的距離(R-R間期)時間序列以及該時間段內心電圖等數據。心率數值顯示范圍為20～300次/min，心率檢測精度為±2次/min，采樣頻率為0.05～150Hz，波形記錄速度為25mm/s。

實驗中主觀評定采用通用NASA-TLX量表[12]，為便于被試操作員更準確完成量表，本研究以[0，100]范圍內的分值等效替代NASA-TLX中的刻度線，分值越高負荷越大，從6個維度綜合評定被試人員腦力負荷。

1.4 實驗程序

針對每個被試，逐個開展實驗。實驗前，每個被試均完成一次無任何異常信息呈現的實驗任務，該任務測量數據即為實驗參照數據。被試每完成一次飛行任務后，即開展被試NASA-TLX量表。實驗預設低、中、高3種復雜飛行任務，這3種飛行任務順序在被試之間做了交叉平衡。完成實驗任務的同時，計算機和心電測量設備同步相關測量數據。

1.5 實驗數據記錄

實驗中記錄如下數據：

(1)飛行任務正確探測率。利用E-prime編制的程序自動記錄每次實驗中被試對異常飛行信息正確響應的次數占所有異常信息出現次數的比例就作為該實驗任務條件下的飛行任務正確探測率。

(2)反應時間。基于E-prime編程，由系統自動記錄自飛行異常信息出現至被試操作的反應時間，以它作為該實驗任務條件下的飛行任務反應時。

(3)心電圖(electrocardiogram，ECG)數據。平均心率(mean HR)、R-R間期數量(RRI Count)、平均R-R間期(Mean RRI)、最大R-R間期(Maximum RRI)、最小R-R間期(Minimum RRI)、最大R-R間期與最小R-R間期的比值(Max︰Min RRI ratio)、R-R間期的標準差(SDNN)。

(4)主觀評定數據。每個負荷下的實驗任務結束后用NASA-TLX量表度量負荷分值。

2 實驗測量結果

2.1 任務難度對腦力負荷的影響

計算各個腦力負荷評估指標在不同難度的飛行任務條件下的均值，并分別對各個評估指標在不同難度的飛行任務條件下均值的差異進行方差分析，結果如圖 1所示。

圖 1 不同難度飛行任務條件下均值的差異方差分析Fig.1 Variance analysis of the differences of the mean values under different difficulty tasks

從圖 1可以看出，隨著飛行任務難度的增加，對飛行任務主觀評價值增大；對異常信息的反應時增加，對異常信息的正確探測率降低；Mean HR、RRI Count、Max︰Min RRI ratio呈現增加的趨勢，而Maximum RRI、Minimum RRI、SDNN呈現降低的趨勢。方差分析結果顯示，在不同難度的飛行任務條件之間，NASA-TLX主觀評價分值、反應時、正確率、Maximum RRI、SDNN均表現出極顯著的差異(P< 0.01)。而Mean HR、RRI Count、Max︰Min RRI ratio和Minimum RRI變化的差異不顯著(P>0.05)。由此可見，對飛行任務難度變化敏感的評估指標為NASA-TLX分值、反應時、正確率、Maximum RRI、SDNN等。

2.2 腦力負荷變化預測模型

2.2.1 模型的建立及使用說明

基于實驗測量的分析結果，使用改進的多元回歸分析方法，構建飛機駕駛艙人機交互腦力負荷預測模型，并用于駕駛艙人機交互中腦力負荷等級的判定。

為了保證方程中各變量的顯著性，采用逐步篩選法建立回歸分析模型，即NASA-TLX分值、反應時、正確率和SDNN按照逐步篩選策略進入回歸模型。為便于對類別的預測，在傳統多元回歸分析方法的基礎上做了相應的改進，所構建的回歸模型如式1所示：

(1)

式(1)中：y為預測結果；x1為心率變異性指標SDNN測量值；x2為NASA-TLX計算值；x3為反應時測量值；x4為正確率測量值。根據x1、x2、x3和x4的數值可以計算出相應x的值，進而求出y的值。若y的值為1，則認為屬低腦力負荷水平；若y的值為2，則認為屬中腦力負荷水平；若y的值為3，則認為屬高腦力負荷水平。

2.2.2 模型判別準確性的檢驗

模型的調整的R2值為0.827，較接近1，擬合效果較好。模型預測準確率的檢驗，基于所構建的多元回歸模型，對不同類型的認知負荷分類進行預測，其結果如表 2所示。

表 2 腦力負荷水平等級預測結果Table2 Mental workload level prediction results

從表 2 的預測結果可知，采用改進的多元線形回歸方法建模，模型總體預測正確率為87.50%。48組測試樣本腦力負荷中，實測結果與預測結果吻合的有42組，有6組樣本實測結果與預測結果相差一級，實測結果與預測結果無相差兩級以上的情況。由此可見，利用改進的多元線形回歸模型對個體腦力負荷水平進行分類具有較高的準確度。

3 討論

3.1 三類評估指標對腦力負荷變化的敏感性

目前，中外學者對飛行腦力負荷的研究大都采用模擬器試驗飛行方法，即通過設置飛行試驗任務難度或梯度，研究各個測評指標對于腦力負荷狀態的敏感性[13-15]。研究通過改變飛行任務中所需監視的儀表異常信息的數量、呈現時間和間隔時間來設置并探討腦力負荷與三類評估指標的數學關系。

NASA-TLX量表分值呈階梯形增加趨勢，與前期研究結果一致[16-18]。該結果說明，從本實驗所選拔的被試者個人主觀角度，實驗任務設計與預期吻合。

被試者的績效呈階梯形下降趨勢，與前期其他飛行任務測試結果一致[16-18]。該結果支持了Sweller的認知負荷理論[19]和Lavie等[20]的注意負荷理論。

3.2 模型預測結果的準確性

模型整體評估結果如表 3所示。從總體分類預測準確來看，采用改進的多元線性回歸預測模型可對不同飛行難度下個體腦力負荷水平進行預測和等級劃分。該模型的分類預測準確率在81.25%～93.75%，平均預測準確率為87.50%。

表 3 模型對腦力負荷等級的預測結果Table3 Results of predication accuracy rate

3.3 研究的意義

通過設置動態飛行過程中所需監視的顯示系統異常試驗任務，獲取飛行作業中腦力負荷評估指標，采用改進的多元線形回歸方法建立起駕駛艙人機交互腦力負荷預測模型。

使用該模型可以對飛行機組腦力負荷水平是否在合理范圍內進行實時分析或對可能出現的超腦力負荷現象進行有效預測，以利于在駕駛艙人機交互系統設計的早期階段能夠隨時調整所設計的腦力任務，從而有效降低預期可能出現的腦力負荷超高或超低現象，保證航空安全。

同時，提供了如何構建飛機駕駛艙人機交互系統作業過程中腦力負荷變化預測的方法，即通過指標測量并基于改進傳統回歸分析方法，構建飛機駕駛艙人機交互腦力負荷預測模型，這一方法對于構建各類人機交互系統中的腦力負荷的預測模型可能具有普遍意義。

4 結論

研究獲得以下結論。

(1)動態飛行模擬試驗中，飛行作業正確率、反應時、心率變異性指標SDNN、NASA-TLX量表分值這4個指標對飛行任務相關的腦力負荷的變化有顯著的敏感性。

(2)改進的多元線性回歸預測模型克服了傳統方法的不足，可對不同難度飛行任務人機交互中腦力負荷水平進行預測和等級劃分。

(3)研究構建了一個簡潔易用的飛機駕駛艙人機交互腦力負荷預測數學模型，該模型的分類預測準確率在81.25%～93.75%，平均預測準確率為87.50%。