執飛任務中剩余腦力負荷量化評估模型

陸旭，王天博，龐麗萍，張成龍，毛曉東，王鑫

(1.沈陽航空航天大學 安全工程學院，沈陽 110136；2.沈陽航空航天大學 經濟與管理學院，沈陽 110136；3.北京航空航天大學 航空科學與工程學院，北京 100191；4.沈陽航空航天大學 航空發動機學院 沈陽 110136；5.中國船舶工業綜合技術經濟研究院 船舶人因工程實驗室，北京 100081)

腦力負荷（mental work load，MWL）是一個多維的概念，其涉及到工作要求、時間壓力、操作者的能力及努力程度、行為表現和其他許多因素[1]。近年來，飛機駕駛艙尤其是駕駛艙人機界面的設計在不斷變化，飛行自動化程度也越來越高[2]，這使得飛行員在飛機駕駛艙人機交互系統中所扮演的主要角色從人工操作者轉變為飛機運行狀態的監督者。這種角色的轉變加之所面臨的嚴格信息處理要求，使得飛行員的腦力負荷越來越大[3]。研究表明，過多的腦力勞動會導致快速疲勞、降低靈活性、增加錯誤和挫敗情緒，并導致信息獲取、分析和決策錯誤[4]，腦力負荷是分析和實現人機協作任務的關鍵因素。因此，對腦力負荷的評估也變得越來越重要。

目前，針對腦力負荷的評估，已有大量的研究，主要是采用主觀評測法、行為績效測評法和生理測評法[5]。近年來，一些研究者對飛行員的腦力負荷評估已展開了大量研究。1969 年，Siegel 和Wolf[6]提出一種時間壓力模型，Siegel 和Wolf 認為時間壓力可以被定量的描述，他們把時間壓力定義為完成任務所需要的時間與給定的完成任務時間之比。由于時間壓力是能否完成任務的一個關鍵因素，而時間壓力與腦力負荷已非常接近[7]，所以用時間壓力評估腦力負荷。王潔等[8]利用多資源理論的方法，綜合考慮視覺、聽覺、認知和運動4 種信息處理方式，以得到操作任務的工作負荷。文獻[9-11]提出一種基于Rasmussen 框架的認知任務負荷（cognitive task load, CTL）模型，利用時間占有率、信息處理水平和任務集切換次數這3 個負荷因素綜合評估腦力負荷。張安等[12]在此基礎上，給出了CTL 模型的定量描述。Xiao 等[13]綜合考慮了信息量、時間壓力、視覺編碼、注意力資源分配等因素，建立多指標腦力負荷預測模型。Heiligers 等[14-15]將任務需求負荷（task demand load , TDL）作為飛行員腦力負荷的一部分進行研究。通過對飛行模擬器數據的分析，得出影響飛行員TDL 的因素，并預測出區域導航進場過程中飛行員可能的TDL。

因此，為了評估飛行員在執飛任務中的腦力負荷，本文利用TDL 和人員負荷能力（staff workload capacity，SWC）的概念，建立了腦力負荷量化評估模型，據此得到剩余腦力負荷（surplus mental workload，SMWL）和腦力負荷占用率（occupancy rate of MWL，ORMWL）指標，用以評估和預測系統的安全性。并進一步根據信息熵法對信息顯控界面上的信息量進行量化，并基于多屬性任務組平臺進行模擬實驗，對所建模型進行驗證。

1 基于TDL 和SWC 的腦力負荷量化評估模型

1.1 TDL 和SWC 的定義

TDL 可定義為任務內容的復雜度及緊迫程度的描述，代表的是任務需求量。TDL 包含2 個變量：任務復雜度和最長響應時間。任務復雜度用來表征任務的難度，最長響應時間用來表征任務的緊迫程度。TDL 的表達式為

式中：Htdl(i)為任務i的復雜度；Ttdl(i)為任務i的最長響應時間。

SWC 為人員負荷能力，可理解為人員完成任務的能力或努力程度。SWC 包含2 個變量：任務復雜度和實際響應時間。任務復雜度用來表征任務的難度，實際響應時間用來表征操作人員從任務出現到響應任務的時間。SWC 的表達式為

式中：Tswc(i)為任務i的實際響應時間。

1.2 腦力負荷模型

眾多研究表明，腦力負荷與TDL 有著密切的關系，一般認為腦力負荷隨TDL 的增加而增長[16]。而不同的人在相同的TDL 下有著不同的腦力負荷，因此，腦力負荷也取決于人員本身完成任務的能力[17]。所以，腦力負荷是TDL 和SWC 的函數。圖1為腦力負荷同TDL 和SWC 的關系。

圖1 腦力負荷同TDL 和SWC 的關系Fig.1 MWL in relation to TDL and SWC

由圖1 可知，作業人員的腦力負荷由任務觸發，受客觀的TDL 和主觀的SWC 影響。主觀SWC可以表征作業人員對任務的熟練、積極、疲勞和適應性等?？陀^TDL 表征任務的復雜度及緊迫程度。例如對于一個有經驗的機長來說，在正常天氣下降落飛機是一項微不足道的任務，而對于一個首次飛行的實習飛行員來說，則是一項相當具有挑戰性的任務。同理，對于一個已經連續飛行數小時的疲勞飛行員和一個精力充沛的飛行員來說，完成同樣的任務，也會產生不同的腦力負荷。因此，描述腦力負荷的表達式為

式中：MWL(i)為人員完成任務i的腦力負荷；SWC(i)為人員完成任務i的負荷能力；TDL(i)為任務i的需求負荷；C為常數。

式（3）可理解為人員的腦力負荷同SWC 和TDL的差值成反比。這就解釋了人員的腦力負荷不僅取決于客觀的任務量，還決定于人員本身完成任務的能力。

1.3 剩余腦力負荷和腦力負荷占用率

根據腦力負荷計算式，剩余腦力負荷應為TDL與SWC 之差。因此，人員剩余腦力負荷的計算式可表示為

剩余腦力負荷可解釋為人員完成新任務的能力，剩余腦力負荷越大，當前占用的腦力負荷就越小，即系統的安全性越高。

腦力負荷受多種因素的影響，因此，不能簡單的認為人員的總腦力負荷等于剩余腦力負荷與當前腦力負荷之和，而應該視人員本身的情況所定，不同的人有其不同的腦力負荷。同樣，人員的總腦力負荷也不是一成不變的，不同的任務水平下可以激發出不同的腦力負荷。因此，可以這樣認為，將在某一任務序列下人員的最大剩余腦力負荷等價于人員的總腦力負荷。即在該任務下人員激發出最好的潛能和負荷能力，因此，可得最大剩余腦力負荷即為人員的總腦力負荷，其表達式為

式中：SWCmax為任務序列中最大的SWC，即人員所能激發的最大負荷能力；TDLmin為任務序列中最小的TDL，即最小任務需求。

可得腦力負荷占用率的表達式為

1.4 任務復雜度

對于像監控飛行狀態，判讀儀表信息等任務，其復雜度是由顯示界面的信息量決定的。信息量可以用Shannon[18]提出的信息熵來表示。同時，結合Mowshowitz[19]提出圖的二類熵法，確定顯示界面的信息內容、信息位置和信息顯示形式。然后，根據二類熵法的節點分類準則，計算出圖的信息熵，即顯示界面的復雜度。信息熵的表達式為

式中：M為節點類別總數；Fj為第j個節點類別；p(Fj)為第j個節點類別在圖中出現的頻率。

2 模型驗證實驗

2.1 被試者

本次實驗的被試者為15 名具有工程學背景的男性，身體健康，并通過人格心理測試。記為Sub01～Sub15。為確保實驗數據的客觀性，要求被試者在實驗前24 h 內禁止使用藥物、酒精和咖啡等興奮劑，保證充分的睡眠及良好的精神狀態。實驗前，對被試者進行實驗任務培訓，使被試者充分了解實驗流程，熟悉任務操作。

2.2 MATB 任務

由美國航空航天局（National Aeronautics and Space Administration，NASA）開發的MATB 任務是一種基于計算機界面的心理任務性能測試[20-21]，可用于設計不同腦力負荷水平的任務，并被證明是評估任務績效的有效工具[22-23]。許多學者在MATB 任務的基礎上探討了腦力負荷與生理變量的關系[24-25]。本文MATB 任務由4 個子任務組成，分別為系統監控、追蹤、通信和資源管理[26]。用戶界面如圖2 所示。4 個子任務的詳細信息如表1 所示。本研究中每個MATB 任務的持續時間被設置為12 min，每個子任務在12 min 內被觸發的次數分別設置為2、12 和36，分別代表低負荷任務水平、中負荷任務水平和高負荷任務水平。被試者需要依次進行3 種不同任務水平的實驗，同時軟件自動記錄MATB 子任務的響應時間。

表1 MATB 子任務信息Table 1 Details of MATB subtasks

圖2 MATB 任務用戶界面Fig.2 User interface of MATB task

2.3 基于MATB 任務的剩余腦力負荷的量化評估

本文依據MATB 信息顯控界面進行腦力負荷量化評估，圖3 為基于MATB 任務的腦力負荷量化評估流程。

圖3 基于MATB 任務的腦力負荷量化評估流程Fig.3 Flow chart of MWL quantitative evaluation based on MATB task

腦力負荷量化評估主要包括4 個步驟:顯示界面信息復雜度的度量，量化TDL 和SWC，計算腦力負荷、剩余腦力負荷，計算腦力負荷占用率。

2.4 實驗流程

根據生物鐘時間表，確定實驗時間為上午9:00-12:00[27]。被試者到達實驗室，先接受實驗培訓。實驗準備工作完畢，先進行靜息實驗，即交替進行睜眼、閉眼活動。接著為了平衡練習和疲勞效應，實驗采用拉丁方設計順序依次開展3 種不同任務水平實驗。每一任務水平的任務實驗結束后，均要求被試 者 填 寫NASA-TLX 量 表[24]，NASA-TLX 量 表 從6 個因素評估MATB 任務的主觀腦力負荷，即心理需求、身體需求、時間需求、努力程度、自身表現和挫敗程度。NASA-TLX 量表由2 部分組成，一部分是對每個因素進行評分，另一部分是通過成對比較6 個因素的重要性來得到每個因素的權重?？偰X力負荷值為6 個因素的加權平均值。實驗流程如表2 所示。

表2 實驗流程表Table 2 Experimental process

2.5 實驗測量指標

從MATB 程序收集15 名被試者低、中、高負荷任務水平的子任務觸發及人員響應的時間數據，根據MATB-II 的不同任務水平狀態，依次收集到每個被試者低負荷任務水平8 個數據，中負荷任務水平64 個數據，高負荷任務水平144 個數據。為了保證數據分析的有效性，排除了軟件記錄作業人員誤操作的數據。得到了被試者在各負荷任務水平下腦力負荷隨時間變化的狀態數據。每次被試者在不同任務水平下完成實驗后進行NASA-TLX 量表填寫，分別整理不同任務水平下NASA-TLX 量表中6 個評價維度的評估值，同時為了保證實驗結果的一致性，對15 名被試者的NASA-TLX 量表中的數據進行了分析，并以問卷結果與低、中、高負荷任務水平一致作為選擇標準，其中，有3 名被試者的主觀問卷結果不符合標準，所以沒有對他們的數據進行分析。

2.6 實驗數據處理

采用SPSS Statistics22.0 對3 種任務水平的模型測量結果進行統計學分析，所有統計檢驗均使用0.05 的置信度。為了確定腦力負荷量化評估模型對任務水平的主效應，使用了重復測量方差分析。采用Mauchly 測試檢驗球型假設,當球型假設不滿足時，使用Greenhouse-Geisser 校正。事后檢驗是通過最小顯著性差異（least signific-ant difference, LSD）方法進行的。

3 結 果

3.1 信息復雜度

MATB 設置各子任務的最長響應時間，以及計算得到的各子任務界面的信息復雜度如表3所示。

表3 MATB 子任務最大響應時間及信息復雜度Table 3 MATB subtask maximum response time and information complexity

由表3 可知，系統監控界面的信息復雜度為2.302 6，追蹤界面的信息復雜度為1.748 1，通信任務界面的復雜度為0.885 6，資源管理界面的復雜度為0.983 1?？梢钥闯? 種MATB 任務中系統監控任務界面的信息復雜度相對較大，因此，顯示的信息量較大，人員判讀困難，導致TDL 較大。追蹤任務界面次之，而通信界面顯示信息復雜度最小，任務較簡單。

3.2 任務負荷主觀評價

NASA-TLX 量表數據分析結果如下：

1）低負荷任務水平下NASA-TLX 量表得分的平均值為25.04，標準差為16.44。中負荷任務水平得分的平均值為36.34，標準差為13.40。高負荷任務水平得分的平均值為50.79，標準差為17.53。這表明隨著實驗任務水平的增加，NASA-TLX 得分平均值不斷增大。

2）對NASA-TLX 量表重復測量方差分析表明，任務水平對 NASA-TLX 得分的主效應具有統計學意義（顯著性水平F=30.277，差異性水平P<0.05）。事后經 LSD 方法分析表明，低負荷任務水平的NASA-TLX 得分顯著低于中負荷任務水平(p<0.05)和高負荷任務水平（p<0.05）；中負荷任務水平的NASA-TLX 得分顯著低于高負荷任務水平（p<0.05）。結果表明該實驗成功地誘發了不同的腦力負荷水平，為后續定量數據的分析奠定了基礎。

3.3 剩余腦力負荷量化模型的驗證

為驗證式（1）的正確性，本文以3.2 節NASATLX 量表的問卷結果作為人員的腦力負荷值，同時計算該任務序列的SWC 和TDL。經驗算NASATLX 量表的腦力負荷值與SWC 和TDL 的差值關系如圖4 所示。

圖4 NASA-TLX 量表的MWL 與SWC 和TDL 差值的關系Fig.4 Relationship between NASA scale score and(SWC?TDL)

由圖4 可知：

1）隨著SWC 與TDL 差值的增加，NASA-TLX量表的主觀腦力負荷值逐漸降低，總體上看，問卷得到的主觀腦力負荷值與SWC 和TDL 的差值成反比關系。

2）通過對散點進行擬合，可以得出曲線的斜率為0.319 8，因此常數C取值為0.319 8。需要注意的是該取值僅限于此實驗數據，針對其他任務，常數C的取值也會不同。

3）本節分析可以證明式（1）的有效性，從而為后續腦力負荷的量化評估提供依據。

3.4 剩余腦力負荷模型實驗結果分析

3.4.1 腦力負荷量化值

圖5 為被試者腦力負荷量化評估結果，圖6 為腦力負荷與任務水平的關系。由圖5 和圖6 可知：

圖5 被試者腦力負荷量化評估結果Fig.5 Results of MWL quantification evaluation of subjects

圖6 腦力負荷與任務水平關系Fig.6 Relationship between MWL and task load level

1）低負荷任務水平下個體的腦力負荷水平在0.502 8～1.438 5 之 間，平 均 值 為0.89，標 準 差 為0.25。中負荷任務水平下，個體腦力負荷水平在0.452 9～1.041 1 之 間，平 均 值 為0.73，標 準 差 為0.18。高負荷任務水平下，個體腦力負荷水平在0.551 1～2.015 7 之 間，平 均 值 為1.37，標 準 差 為0.41?？傮w來看，腦力負荷量化評估模型結果表明了MATB 任務與腦力負荷的U 型曲線關系，即中負荷任務水平下的腦力負荷水平最低，MATB 任務績效最好，被試者5 和被試者7 具有較好的模型吻合性。

2）對實驗結果進行重復測量方差分析表明，MATB 任務負荷水平對腦力負荷模型測量值的主效應具有統計學意義（F=19.904，P<0.05）。事后LSD法分析表明，中負荷任務水平的模型評估值顯著低于任務負荷任務水平（P<0.05）和高負荷任務水平（P<0.05）；低負荷任務水平的模型評估值顯著低于高負荷任務水平（P<0.05）。

3.4.2 剩余腦力負荷量化值

被試者在各任務負載下的剩余腦力負荷值SMWL 及其平均值，如圖7 和圖8 所示。

圖7 被試剩余腦力負荷Fig.7 SMWL of subject

圖8 剩余腦力負荷與不同任務水平的關系Fig.8 Relationship between SMWL and different task load level

由圖7 和圖8 可知：

1）低負荷任務水平被試者的SMWL 水平在0.381 9～1.123 6 之間，平均值為0.704 0，標準差為0.21。中負荷任務水平被試者的SMWL 水平在0.548 7～0.954 2 之間，平均值為0.753 6，標準差為0.12。高負荷任務水平被試者的SMWL 水平在0.400 7～0.911 9 之間，平均值為0.623 7，標準差為0.14。

2）重復測量方差分析表明，低、中、高負荷3 種任務水平下被試者的SMWL 具有顯著性差異，且SMWL 與任務水平的增加呈U 型關系。

3）總體來看，對于MATB 觸發的任務水平，被試者可以較好的完成任務在中等任務水平，且有較多的SMWL，系統的安全性也越高。而在低和高負荷任務水平下，SMWL 相對較小，即系統的安全性較低。這與de Waard[28]提出的倒U 型模型的結果一致，即在低負荷任務水平下，由于警覺性等問題，易導致系統的安全性較低，而高負荷任務，由于過載等問題，也易導致低的系統安全性。

3.4.3 腦力負荷占用率量化值

圖9 為被試者腦力負荷占用率，圖10 為腦力負荷占用率與不同任務水平的關系。由圖9 和圖10可知：

圖9 被試腦力負荷占用率Fig.9 ORMWL of subject

圖10 腦力負荷占用率與不同任務水平的關系Fig.10 Relationship between ORMWL and different task load level

1）高負荷任務占用了較多的腦力負荷，而中負荷任務占用的腦力負荷最少。

2）重復測量方差分析表明，低、中、高負荷3 種任務水平下被試者的腦力負荷占用率具有顯著性差異，且腦力負荷占用率與任務水平的增加呈U 型關系。

3）總體來看，對于MATB 觸發的任務水平，被試者可以較好的完成任務，且腦力負荷占用率水平較低，即人員還有一定的剩余腦力負荷來應對新任務。

4 討 論

本文研究了作業人員與人機界面交互時腦力負荷的變化情況。提出了基于顯控界面的剩余腦力負荷量化模型，通過設置不同的MATB 任務觸發頻率，設計了3 個任務水平，來驗證所建模型的有效性。

實驗的MATB 任務水平與模型測量結果的顯著性表明，實驗用的測量指標對于SMWL 的評估具有一定的敏感性。實驗表明，隨著MATB 任務水平的增加，模型的結果符合倒U 型曲線的特征。該模型理解為低任務需求，導致任務難度增加，從而提高了腦力負荷，隨著任務量的增加腦力負荷的變化趨勢為先降低再增加，即呈U 型曲線。而任務績效呈現倒U 型曲線。即任務績效首先上升到一個被稱為最佳激勵水平的點，然后隨著腦力負荷的增加，任務績效再次下降。Zhang 等[20]在研究任務水平與績效的關系時，也觀察到較高的腦力負荷；腦力負荷對MATB 任務表現存在顯著的倒U 型效應，即中任務負荷下的表現最優，這與腦力負荷對MATB 任務表現的影響一致。而Kim 等[29]通過實驗得出，腦力負荷與任務水平增加的一致性，這也可解釋為腦力負荷受任務水平的影響較大，當任務水平低時，腦力負荷也較低，任務水平高時，腦力負荷越高。實驗中部分被試者出現了高負荷任務水平的腦力負荷低于低負荷任務水平的腦力負荷情況，可以解釋為SWC 受人的影響很大，當中樞神經興奮程度高的情況下，即使TDL 高，SWC 仍然較高，高負荷任務實驗中通過以較高頻率執行低的TDL，使得人員產生自適應性刺激了中樞神經興奮，這種自適應通過調節SWC 從而降低人員的腦力負荷。

通過分析MATB 任務對人員腦力負荷的占用情況，可以看出盡管任務頻率不斷增加，但人員的ORMWL 并未增高。這可能與本文所研究的是基于視覺界面的腦力負荷量化評估有關，并沒有考慮其他因素對腦力負荷的影響。

NASA-TLX 主觀評價結果顯示，隨著任務水平的提高，腦力負荷呈遞增趨勢，這符合實際認知。因為主觀評價法是一種針對腦力負荷評價的事后分析方法，得出的是人員對于整個任務的腦力負荷感覺，并不能識別出某一時刻腦力負荷的變化情況。實際上，腦力負荷與任務水平應該符合U 型曲線的特征，即中任務水平下，人員可以展現出較好的工作績效和較低的腦力負荷。對于本文實驗通過控制子任務的觸發頻率來設置低、中、高負荷任務水平，因此，人員的主觀評價顯示腦力負荷與任務水平的相關性。但本文所建模型，通過計算人員在各負荷任務水平下完成每個子任務的腦力負荷值，并通過分析比較從而驗證了腦力負荷與任務水平的U 型曲線，克服了主觀評價法的事后性和主觀性等局限。

5 結 論

1）為驗證模型的有效性，基于MATB 任務界面對15 名被試分別開展了低、中、高負荷任務水平的腦力負荷實驗測量，NASA-TLX 量表的主觀腦力負荷結果顯示，通過設置MATB 子任務喚醒頻次可誘發不同的腦力負荷水平。

2）剩余腦力負荷量化評估模型結果顯示，本文模型能較好地區分了低、中、高負荷任務水平，且測量結果符合倒U 型曲線的特征。