执飞任务中剩余脑力负荷量化评估模型

陆旭，王天博，庞丽萍，张成龙，毛晓东，王鑫

(1.沈阳航空航天大学 安全工程学院，沈阳 110136；2.沈阳航空航天大学 经济与管理学院，沈阳 110136；3.北京航空航天大学 航空科学与工程学院，北京 100191；4.沈阳航空航天大学 航空发动机学院 沈阳 110136；5.中国船舶工业综合技术经济研究院 船舶人因工程实验室，北京 100081)

脑力负荷（mental work load，MWL）是一个多维的概念，其涉及到工作要求、时间压力、操作者的能力及努力程度、行为表现和其他许多因素[1]。近年来，飞机驾驶舱尤其是驾驶舱人机界面的设计在不断变化，飞行自动化程度也越来越高[2]，这使得飞行员在飞机驾驶舱人机交互系统中所扮演的主要角色从人工操作者转变为飞机运行状态的监督者。这种角色的转变加之所面临的严格信息处理要求，使得飞行员的脑力负荷越来越大[3]。研究表明，过多的脑力劳动会导致快速疲劳、降低灵活性、增加错误和挫败情绪，并导致信息获取、分析和决策错误[4]，脑力负荷是分析和实现人机协作任务的关键因素。因此，对脑力负荷的评估也变得越来越重要。

目前，针对脑力负荷的评估，已有大量的研究，主要是采用主观评测法、行为绩效测评法和生理测评法[5]。近年来，一些研究者对飞行员的脑力负荷评估已展开了大量研究。1969 年，Siegel 和Wolf[6]提出一种时间压力模型，Siegel 和Wolf 认为时间压力可以被定量的描述，他们把时间压力定义为完成任务所需要的时间与给定的完成任务时间之比。由于时间压力是能否完成任务的一个关键因素，而时间压力与脑力负荷已非常接近[7]，所以用时间压力评估脑力负荷。王洁等[8]利用多资源理论的方法，综合考虑视觉、听觉、认知和运动4 种信息处理方式，以得到操作任务的工作负荷。文献[9-11]提出一种基于Rasmussen 框架的认知任务负荷（cognitive task load, CTL）模型，利用时间占有率、信息处理水平和任务集切换次数这3 个负荷因素综合评估脑力负荷。张安等[12]在此基础上，给出了CTL 模型的定量描述。Xiao 等[13]综合考虑了信息量、时间压力、视觉编码、注意力资源分配等因素，建立多指标脑力负荷预测模型。Heiligers 等[14-15]将任务需求负荷（task demand load , TDL）作为飞行员脑力负荷的一部分进行研究。通过对飞行模拟器数据的分析，得出影响飞行员TDL 的因素，并预测出区域导航进场过程中飞行员可能的TDL。

因此，为了评估飞行员在执飞任务中的脑力负荷，本文利用TDL 和人员负荷能力（staff workload capacity，SWC）的概念，建立了脑力负荷量化评估模型，据此得到剩余脑力负荷（surplus mental workload，SMWL）和脑力负荷占用率（occupancy rate of MWL，ORMWL）指标，用以评估和预测系统的安全性。并进一步根据信息熵法对信息显控界面上的信息量进行量化，并基于多属性任务组平台进行模拟实验，对所建模型进行验证。

1 基于TDL 和SWC 的脑力负荷量化评估模型

1.1 TDL 和SWC 的定义

TDL 可定义为任务内容的复杂度及紧迫程度的描述，代表的是任务需求量。TDL 包含2 个变量：任务复杂度和最长响应时间。任务复杂度用来表征任务的难度，最长响应时间用来表征任务的紧迫程度。TDL 的表达式为

式中：Htdl(i)为任务i的复杂度；Ttdl(i)为任务i的最长响应时间。

SWC 为人员负荷能力，可理解为人员完成任务的能力或努力程度。SWC 包含2 个变量：任务复杂度和实际响应时间。任务复杂度用来表征任务的难度，实际响应时间用来表征操作人员从任务出现到响应任务的时间。SWC 的表达式为

式中：Tswc(i)为任务i的实际响应时间。

1.2 脑力负荷模型

众多研究表明，脑力负荷与TDL 有着密切的关系，一般认为脑力负荷随TDL 的增加而增长[16]。而不同的人在相同的TDL 下有着不同的脑力负荷，因此，脑力负荷也取决于人员本身完成任务的能力[17]。所以，脑力负荷是TDL 和SWC 的函数。图1为脑力负荷同TDL 和SWC 的关系。

图1 脑力负荷同TDL 和SWC 的关系Fig.1 MWL in relation to TDL and SWC

由图1 可知，作业人员的脑力负荷由任务触发，受客观的TDL 和主观的SWC 影响。主观SWC可以表征作业人员对任务的熟练、积极、疲劳和适应性等。客观TDL 表征任务的复杂度及紧迫程度。例如对于一个有经验的机长来说，在正常天气下降落飞机是一项微不足道的任务，而对于一个首次飞行的实习飞行员来说，则是一项相当具有挑战性的任务。同理，对于一个已经连续飞行数小时的疲劳飞行员和一个精力充沛的飞行员来说，完成同样的任务，也会产生不同的脑力负荷。因此，描述脑力负荷的表达式为

式中：MWL(i)为人员完成任务i的脑力负荷；SWC(i)为人员完成任务i的负荷能力；TDL(i)为任务i的需求负荷；C为常数。

式（3）可理解为人员的脑力负荷同SWC 和TDL的差值成反比。这就解释了人员的脑力负荷不仅取决于客观的任务量，还决定于人员本身完成任务的能力。

1.3 剩余脑力负荷和脑力负荷占用率

根据脑力负荷计算式，剩余脑力负荷应为TDL与SWC 之差。因此，人员剩余脑力负荷的计算式可表示为

剩余脑力负荷可解释为人员完成新任务的能力，剩余脑力负荷越大，当前占用的脑力负荷就越小，即系统的安全性越高。

脑力负荷受多种因素的影响，因此，不能简单的认为人员的总脑力负荷等于剩余脑力负荷与当前脑力负荷之和，而应该视人员本身的情况所定，不同的人有其不同的脑力负荷。同样，人员的总脑力负荷也不是一成不变的，不同的任务水平下可以激发出不同的脑力负荷。因此，可以这样认为，将在某一任务序列下人员的最大剩余脑力负荷等价于人员的总脑力负荷。即在该任务下人员激发出最好的潜能和负荷能力，因此，可得最大剩余脑力负荷即为人员的总脑力负荷，其表达式为

式中：SWCmax为任务序列中最大的SWC，即人员所能激发的最大负荷能力；TDLmin为任务序列中最小的TDL，即最小任务需求。

可得脑力负荷占用率的表达式为

1.4 任务复杂度

对于像监控飞行状态，判读仪表信息等任务，其复杂度是由显示界面的信息量决定的。信息量可以用Shannon[18]提出的信息熵来表示。同时，结合Mowshowitz[19]提出图的二类熵法，确定显示界面的信息内容、信息位置和信息显示形式。然后，根据二类熵法的节点分类准则，计算出图的信息熵，即显示界面的复杂度。信息熵的表达式为

式中：M为节点类别总数；Fj为第j个节点类别；p(Fj)为第j个节点类别在图中出现的频率。

2 模型验证实验

2.1 被试者

本次实验的被试者为15 名具有工程学背景的男性，身体健康，并通过人格心理测试。记为Sub01～Sub15。为确保实验数据的客观性，要求被试者在实验前24 h 内禁止使用药物、酒精和咖啡等兴奋剂，保证充分的睡眠及良好的精神状态。实验前，对被试者进行实验任务培训，使被试者充分了解实验流程，熟悉任务操作。

2.2 MATB 任务

由美国航空航天局（National Aeronautics and Space Administration，NASA）开发的MATB 任务是一种基于计算机界面的心理任务性能测试[20-21]，可用于设计不同脑力负荷水平的任务，并被证明是评估任务绩效的有效工具[22-23]。许多学者在MATB 任务的基础上探讨了脑力负荷与生理变量的关系[24-25]。本文MATB 任务由4 个子任务组成，分别为系统监控、追踪、通信和资源管理[26]。用户界面如图2 所示。4 个子任务的详细信息如表1 所示。本研究中每个MATB 任务的持续时间被设置为12 min，每个子任务在12 min 内被触发的次数分别设置为2、12 和36，分别代表低负荷任务水平、中负荷任务水平和高负荷任务水平。被试者需要依次进行3 种不同任务水平的实验，同时软件自动记录MATB 子任务的响应时间。

表1 MATB 子任务信息Table 1 Details of MATB subtasks

图2 MATB 任务用户界面Fig.2 User interface of MATB task

2.3 基于MATB 任务的剩余脑力负荷的量化评估

本文依据MATB 信息显控界面进行脑力负荷量化评估，图3 为基于MATB 任务的脑力负荷量化评估流程。

图3 基于MATB 任务的脑力负荷量化评估流程Fig.3 Flow chart of MWL quantitative evaluation based on MATB task

脑力负荷量化评估主要包括4 个步骤:显示界面信息复杂度的度量，量化TDL 和SWC，计算脑力负荷、剩余脑力负荷，计算脑力负荷占用率。

2.4 实验流程

根据生物钟时间表，确定实验时间为上午9:00-12:00[27]。被试者到达实验室，先接受实验培训。实验准备工作完毕，先进行静息实验，即交替进行睁眼、闭眼活动。接着为了平衡练习和疲劳效应，实验采用拉丁方设计顺序依次开展3 种不同任务水平实验。每一任务水平的任务实验结束后，均要求被试 者 填 写NASA-TLX 量 表[24]，NASA-TLX 量 表 从6 个因素评估MATB 任务的主观脑力负荷，即心理需求、身体需求、时间需求、努力程度、自身表现和挫败程度。NASA-TLX 量表由2 部分组成，一部分是对每个因素进行评分，另一部分是通过成对比较6 个因素的重要性来得到每个因素的权重。总脑力负荷值为6 个因素的加权平均值。实验流程如表2 所示。

表2 实验流程表Table 2 Experimental process

2.5 实验测量指标

从MATB 程序收集15 名被试者低、中、高负荷任务水平的子任务触发及人员响应的时间数据，根据MATB-II 的不同任务水平状态，依次收集到每个被试者低负荷任务水平8 个数据，中负荷任务水平64 个数据，高负荷任务水平144 个数据。为了保证数据分析的有效性，排除了软件记录作业人员误操作的数据。得到了被试者在各负荷任务水平下脑力负荷随时间变化的状态数据。每次被试者在不同任务水平下完成实验后进行NASA-TLX 量表填写，分别整理不同任务水平下NASA-TLX 量表中6 个评价维度的评估值，同时为了保证实验结果的一致性，对15 名被试者的NASA-TLX 量表中的数据进行了分析，并以问卷结果与低、中、高负荷任务水平一致作为选择标准，其中，有3 名被试者的主观问卷结果不符合标准，所以没有对他们的数据进行分析。

2.6 实验数据处理

采用SPSS Statistics22.0 对3 种任务水平的模型测量结果进行统计学分析，所有统计检验均使用0.05 的置信度。为了确定脑力负荷量化评估模型对任务水平的主效应，使用了重复测量方差分析。采用Mauchly 测试检验球型假设,当球型假设不满足时，使用Greenhouse-Geisser 校正。事后检验是通过最小显著性差异（least signific-ant difference, LSD）方法进行的。

3 结 果

3.1 信息复杂度

MATB 设置各子任务的最长响应时间，以及计算得到的各子任务界面的信息复杂度如表3所示。

表3 MATB 子任务最大响应时间及信息复杂度Table 3 MATB subtask maximum response time and information complexity

由表3 可知，系统监控界面的信息复杂度为2.302 6，追踪界面的信息复杂度为1.748 1，通信任务界面的复杂度为0.885 6，资源管理界面的复杂度为0.983 1。可以看出4 种MATB 任务中系统监控任务界面的信息复杂度相对较大，因此，显示的信息量较大，人员判读困难，导致TDL 较大。追踪任务界面次之，而通信界面显示信息复杂度最小，任务较简单。

3.2 任务负荷主观评价

NASA-TLX 量表数据分析结果如下：

1）低负荷任务水平下NASA-TLX 量表得分的平均值为25.04，标准差为16.44。中负荷任务水平得分的平均值为36.34，标准差为13.40。高负荷任务水平得分的平均值为50.79，标准差为17.53。这表明随着实验任务水平的增加，NASA-TLX 得分平均值不断增大。

2）对NASA-TLX 量表重复测量方差分析表明，任务水平对 NASA-TLX 得分的主效应具有统计学意义（显著性水平F=30.277，差异性水平P<0.05）。事后经 LSD 方法分析表明，低负荷任务水平的NASA-TLX 得分显著低于中负荷任务水平(p<0.05)和高负荷任务水平（p<0.05）；中负荷任务水平的NASA-TLX 得分显著低于高负荷任务水平（p<0.05）。结果表明该实验成功地诱发了不同的脑力负荷水平，为后续定量数据的分析奠定了基础。

3.3 剩余脑力负荷量化模型的验证

为验证式（1）的正确性，本文以3.2 节NASATLX 量表的问卷结果作为人员的脑力负荷值，同时计算该任务序列的SWC 和TDL。经验算NASATLX 量表的脑力负荷值与SWC 和TDL 的差值关系如图4 所示。

图4 NASA-TLX 量表的MWL 与SWC 和TDL 差值的关系Fig.4 Relationship between NASA scale score and(SWC−TDL)

由图4 可知：

1）随着SWC 与TDL 差值的增加，NASA-TLX量表的主观脑力负荷值逐渐降低，总体上看，问卷得到的主观脑力负荷值与SWC 和TDL 的差值成反比关系。

2）通过对散点进行拟合，可以得出曲线的斜率为0.319 8，因此常数C取值为0.319 8。需要注意的是该取值仅限于此实验数据，针对其他任务，常数C的取值也会不同。

3）本节分析可以证明式（1）的有效性，从而为后续脑力负荷的量化评估提供依据。

3.4 剩余脑力负荷模型实验结果分析

3.4.1 脑力负荷量化值

图5 为被试者脑力负荷量化评估结果，图6 为脑力负荷与任务水平的关系。由图5 和图6 可知：

图5 被试者脑力负荷量化评估结果Fig.5 Results of MWL quantification evaluation of subjects

图6 脑力负荷与任务水平关系Fig.6 Relationship between MWL and task load level

1）低负荷任务水平下个体的脑力负荷水平在0.502 8～1.438 5 之 间，平 均 值 为0.89，标 准 差 为0.25。中负荷任务水平下，个体脑力负荷水平在0.452 9～1.041 1 之 间，平 均 值 为0.73，标 准 差 为0.18。高负荷任务水平下，个体脑力负荷水平在0.551 1～2.015 7 之 间，平 均 值 为1.37，标 准 差 为0.41。总体来看，脑力负荷量化评估模型结果表明了MATB 任务与脑力负荷的U 型曲线关系，即中负荷任务水平下的脑力负荷水平最低，MATB 任务绩效最好，被试者5 和被试者7 具有较好的模型吻合性。

2）对实验结果进行重复测量方差分析表明，MATB 任务负荷水平对脑力负荷模型测量值的主效应具有统计学意义（F=19.904，P<0.05）。事后LSD法分析表明，中负荷任务水平的模型评估值显著低于任务负荷任务水平（P<0.05）和高负荷任务水平（P<0.05）；低负荷任务水平的模型评估值显著低于高负荷任务水平（P<0.05）。

3.4.2 剩余脑力负荷量化值

被试者在各任务负载下的剩余脑力负荷值SMWL 及其平均值，如图7 和图8 所示。

图7 被试剩余脑力负荷Fig.7 SMWL of subject

图8 剩余脑力负荷与不同任务水平的关系Fig.8 Relationship between SMWL and different task load level

由图7 和图8 可知：

1）低负荷任务水平被试者的SMWL 水平在0.381 9～1.123 6 之间，平均值为0.704 0，标准差为0.21。中负荷任务水平被试者的SMWL 水平在0.548 7～0.954 2 之间，平均值为0.753 6，标准差为0.12。高负荷任务水平被试者的SMWL 水平在0.400 7～0.911 9 之间，平均值为0.623 7，标准差为0.14。

2）重复测量方差分析表明，低、中、高负荷3 种任务水平下被试者的SMWL 具有显著性差异，且SMWL 与任务水平的增加呈U 型关系。

3）总体来看，对于MATB 触发的任务水平，被试者可以较好的完成任务在中等任务水平，且有较多的SMWL，系统的安全性也越高。而在低和高负荷任务水平下，SMWL 相对较小，即系统的安全性较低。这与de Waard[28]提出的倒U 型模型的结果一致，即在低负荷任务水平下，由于警觉性等问题，易导致系统的安全性较低，而高负荷任务，由于过载等问题，也易导致低的系统安全性。

3.4.3 脑力负荷占用率量化值

图9 为被试者脑力负荷占用率，图10 为脑力负荷占用率与不同任务水平的关系。由图9 和图10可知：

图9 被试脑力负荷占用率Fig.9 ORMWL of subject

图10 脑力负荷占用率与不同任务水平的关系Fig.10 Relationship between ORMWL and different task load level

1）高负荷任务占用了较多的脑力负荷，而中负荷任务占用的脑力负荷最少。

2）重复测量方差分析表明，低、中、高负荷3 种任务水平下被试者的脑力负荷占用率具有显著性差异，且脑力负荷占用率与任务水平的增加呈U 型关系。

3）总体来看，对于MATB 触发的任务水平，被试者可以较好的完成任务，且脑力负荷占用率水平较低，即人员还有一定的剩余脑力负荷来应对新任务。

4 讨 论

本文研究了作业人员与人机界面交互时脑力负荷的变化情况。提出了基于显控界面的剩余脑力负荷量化模型，通过设置不同的MATB 任务触发频率，设计了3 个任务水平，来验证所建模型的有效性。

实验的MATB 任务水平与模型测量结果的显著性表明，实验用的测量指标对于SMWL 的评估具有一定的敏感性。实验表明，随着MATB 任务水平的增加，模型的结果符合倒U 型曲线的特征。该模型理解为低任务需求，导致任务难度增加，从而提高了脑力负荷，随着任务量的增加脑力负荷的变化趋势为先降低再增加，即呈U 型曲线。而任务绩效呈现倒U 型曲线。即任务绩效首先上升到一个被称为最佳激励水平的点，然后随着脑力负荷的增加，任务绩效再次下降。Zhang 等[20]在研究任务水平与绩效的关系时，也观察到较高的脑力负荷；脑力负荷对MATB 任务表现存在显著的倒U 型效应，即中任务负荷下的表现最优，这与脑力负荷对MATB 任务表现的影响一致。而Kim 等[29]通过实验得出，脑力负荷与任务水平增加的一致性，这也可解释为脑力负荷受任务水平的影响较大，当任务水平低时，脑力负荷也较低，任务水平高时，脑力负荷越高。实验中部分被试者出现了高负荷任务水平的脑力负荷低于低负荷任务水平的脑力负荷情况，可以解释为SWC 受人的影响很大，当中枢神经兴奋程度高的情况下，即使TDL 高，SWC 仍然较高，高负荷任务实验中通过以较高频率执行低的TDL，使得人员产生自适应性刺激了中枢神经兴奋，这种自适应通过调节SWC 从而降低人员的脑力负荷。

通过分析MATB 任务对人员脑力负荷的占用情况，可以看出尽管任务频率不断增加，但人员的ORMWL 并未增高。这可能与本文所研究的是基于视觉界面的脑力负荷量化评估有关，并没有考虑其他因素对脑力负荷的影响。

NASA-TLX 主观评价结果显示，随着任务水平的提高，脑力负荷呈递增趋势，这符合实际认知。因为主观评价法是一种针对脑力负荷评价的事后分析方法，得出的是人员对于整个任务的脑力负荷感觉，并不能识别出某一时刻脑力负荷的变化情况。实际上，脑力负荷与任务水平应该符合U 型曲线的特征，即中任务水平下，人员可以展现出较好的工作绩效和较低的脑力负荷。对于本文实验通过控制子任务的触发频率来设置低、中、高负荷任务水平，因此，人员的主观评价显示脑力负荷与任务水平的相关性。但本文所建模型，通过计算人员在各负荷任务水平下完成每个子任务的脑力负荷值，并通过分析比较从而验证了脑力负荷与任务水平的U 型曲线，克服了主观评价法的事后性和主观性等局限。

5 结 论

1）为验证模型的有效性，基于MATB 任务界面对15 名被试分别开展了低、中、高负荷任务水平的脑力负荷实验测量，NASA-TLX 量表的主观脑力负荷结果显示，通过设置MATB 子任务唤醒频次可诱发不同的脑力负荷水平。

2）剩余脑力负荷量化评估模型结果显示，本文模型能较好地区分了低、中、高负荷任务水平，且测量结果符合倒U 型曲线的特征。