不同特性驾驶员指路标志信息认知差异

程迎迎 陈 飞 黄晓明 庄 威 王 芳

(东南大学交通学院,南京 210096)

驾驶员对交通标志信息的准确判识和认知是确保驾驶安全的首要保障.不同特性的驾驶员(如性别及驾驶经验不同)对标志信息的认知存在一定的差异.尤其对于新手驾驶员来说,能够准确无误地判读交通标志的内容并做出相应的正确驾驶操作以保证行车安全,是一个较为复杂的认知任务.因此,了解不同特性驾驶员对标志牌信息进行判读的认知机理,有利于标志牌信息量的合理配置.本研究设计驾驶员判读指路标志试验,记录驾驶员的脑电信号,对驾驶员完成认知任务过程中的心理负荷测度进行定量计算,对不同特性驾驶员对标志信息的认知机理进行研究.心理负荷计算的关键问题在于对所采集的生理信号的复杂程度的定量评价.从 20世纪 80年代中期开始,一些研究者用非线性混沌动力学理论发展了一些脑电信号复杂性测度的算法[1],这些方法的缺点在于若要得到准确的计算结果,要求的数据量较大,对取样信号的平稳度要求较高,因此可能并不适合于人脑这种各异性的空间扩展系统.随着非线性理论的不断发展,脑电复杂性测度分析方法进一步得到完善[2-3].近似熵作为最近新发展起来的一种度量序列复杂性的统计方法,具有需要数据点数少以及抗干扰和抗噪能力好等特点,目前在医学领域已经相继有成熟的应用成果出现[4].本文选取近似熵作为驾驶员心理负荷测度方法,对被试者在进行标志信息判读时的认知机理进行研究.

1 近似熵

20世纪 60年代,Kolmogorov[5]把 Shannon的信息熵理论引入动力学系统的研究中,奠定了统计类似随机行为内在确定性结构的基础.Kolmogorov熵的计算有严格的限制条件,所以它只有理论意义而难以用于实测数据.为了克服熵在应用中的困难,Pincus[6-7]于 1991年定义了近似熵(approximate entropy).近似熵是用 1个非负数来表示前一数据对后一数据的可预测性,以定量描述时间序列的可重复性.熵值越大,表明时间序列越具有随机性或不规则性,其非周期性越强,复杂度越高;熵值越小,表明数据周期性越强,复杂度越小.近似熵计算中需要进行预选的关键参数为模式维数 m和相似容限 r[8-9].一般情况下,m=2,r为 0.1～0.25倍原始数据的标准差[10].在本文中取 m=2,r为 0.2倍原始数据的标准差.近似熵算法可参见文献[10],本文采用 Visual C++编写了近似熵计算程序.

2 试验设计

2.1 试验方法

应用 Macromedia Flash8.0制作指路标志信息判读试验动画.动画每一帧向被试者展现一个指路标志牌(包括地名、国省道、高速公路等附属信息),被试者按照要求对标志牌信息进行判读.信息判读结束时,口头示意工作人员.每个试验在相同试验条件下重复 3次,取平均值作为试验结果.由于驾驶操作对驾驶员的脑电有较大的影响,容易产生脑电波伪迹及噪声,因此本试验未考虑在虚拟驾驶条件下进行试验.

2.2 试验人员

选择 9名驾驶员分为 3组进行试验,其中,3名男性新手驾驶员(驾龄小于 1年),3名女性新手驾驶员(驾龄小于 1年),3名男性经验丰富驾驶员(驾龄超过 4年).限于样本数量,本次研究没有选择女性有经验驾驶员作为被试,由于本次研究目的在于选择信息判读任务最不利人群,该组被试缺失并不会影响正确研究结果的得出.而男性有经验驾驶员被试的试验结果,可以用来对新老驾驶员认知机理差异进行比较.9名被试者年龄在 23～26岁之间,均为本科及以上学历,矫正视力均超过 1.0.

2.3 试验内容

试验 1(搜索标志信息试验) 动画由工作人员手动切换,在画面切换之前,工作人员告知被试者一个地名信息,切换出标志牌画面时,被试者搜寻所告知的地名,搜寻完毕,口头告知工作人员.

试验 2(阅读标志信息试验) 所观看的动画与试验 1相同,被试者阅读版面所有信息,所有信息阅读完毕,口头告知工作人员.

试验 1和试验 2中分别有 8组试验,为试验组1～试验组 8,每组试验有 20个标志牌样本,每组试验标志牌的信息量(包括地名数量及附属信息量)递增,具体标志牌信息内容设置如表 1所示.

表1 试验内容

2.4 记录数据及试验仪器

1)记录被试者判读标志信息的反应时间;

2)应用加拿大 Thought Technology公司生产的多通道生理反馈仪(软件平台为 BioGraph Infiniti)记录被试者不同频段的脑电信号的各项数据(包括脑电信号的原始值、峰峰值、峰值频率、强度百分比).

3 标志信息判读任务的反应差异

3.1 反应时间分布

男性新手驾驶员(MN)、女性新手驾驶员(FN)和男性有经验驾驶员(MO)在试验 1和试验2中的反应时间平均值分布如图 1所示.

3.2 方差分析

图1 被试者反应时间分布

对信息搜索和信息阅读试验中 3组不同被试的测试结果进行单因素方差分析(显著性概率的临界值定为 α=0.05),方差分析结果见表 2.并选用 Duncan法对一致性子集进行检验.

表2 被试者反应时间方差分析的差异显著性

在试验 1中,试验组 1～试验组 7中 3组被试均表现出较为明显的差异性,单因素方差分析结果的 P值均小于 0.05.单因素方差分析以及一致性子集检验结果表明,只有试验组 8中 3组被试的反应时间无差异显著性,属于同一子集.3组被试中,男性新手驾驶员的平均反应时间最长,女性新手驾驶员居中,男性有经验驾驶员在信息搜索试验中表现最佳,反应时间显著低于其他 2组.

在试验 2中,阅读标志信息的试验中,各组的反2,3,4,6)结果来看,其单因素方差分析结果为 P值均大于 0.05,且 4组的一致性子集检验结果中 3组被试的阅读标志信息的试验结果均属于同一子集.

3.3 反应时间建模

男性新手驾驶员为信息搜索试验中认知表现最差被试组.对该被试组的搜索标志牌反应时间 T与地名个数 n的相互关系进行建模.线性模型的方值较高(R2=0.887),方差分析的 F值为 47.001,显著水平小于 0.001,方程具有统计意义.模型的形式为：T=1.107+0.095n.

4 认知差异的近似熵表征

以下讨论 3组被试在进行标志信息判读过程中的近似熵表征差异.

4.1 搜索标志牌信息试验

图 2所示为 3组被试各个频段脑电波近似熵分布,其中 S为脑电原始值的近似熵计算值.

经计算,脑电信号峰峰值、峰值频率、信号强度百分比的近似熵分布与原始脑电信号近似熵分布形态类似.因此,以下仅对原始脑电信号近似熵表征进行讨论.

从脑电信号的近似熵分布来看,认知任务比较简单的试验组 1～试验组 4,3组被试者的各个频段脑电信号的近似熵均值无显著的差异(单因素方差分析见表 3,方差分析得到的 P值均远大于0.05).应用 Duncan法进行一致性子集检验的结果表明,3组被试的各频段脑电信号的近似熵均值分布在同一子集.并且从各频段脑电信号的近似熵分布来看,虽然各组试验的信息量递增,但是近似熵值均呈迅速递减的趋势.说明开始第 1组试验时,被试者是呈现积极的认知状态,当发现任务较为简单,3组被试均呈现逐渐放松的应激状态.

表3 试验 1被试者脑电近似熵方差分析结果

试验组 5～试验组 8试验中,3组被试进行信息搜索试验时的脑电信号近似熵均值反弹,并且 3组熵值出现显著差别,单因素方差分析见表 3,P≈0,远小于 0.05.从一致性子集检验结果表明,女性新手驾驶员和男性有经验驾驶员基本处于同一子集(δ,θ,α近似熵值 ).

图2 被试者脑电信号原始值的近似熵分布

进一步分析 3组被试不同频段的脑电信号的近似熵分布形态.男性新手驾驶员的 δ波(最低频段波)近似熵最高,并随着标志牌信息量增加而呈递增趋势.其他 2组被试相应的熵值较低,并无明显递增的趋势.而随着脑电波频率的递增,男性有经验驾驶员的熵值逐渐成为 3组中最高的一组.尤其在高频脑电信号 β波的近似熵分布中,男性有经验驾驶员在试验组 5～试验组 8试验中均为最高值.β波振幅较小,一般在人思考问题或接受其他刺激时,精神紧张和情绪激动或亢奋时出现.而熵值越大,表明时间序列越具有随机性或不规则性,其非周期性越强,复杂度越高.说明男性有经验驾驶员在对复杂性高的标志信息搜索试验中处于较为兴奋的状态,并且积极进行思考,认知主动性最强.相反,新手驾驶员 β波的近似熵值在复杂任务中,处在最低水平,说明在进行复杂标志信息判断任务中,男性新手驾驶员表现出消极的认知行为,放弃对任务进行积极的认知反应.女性新手驾驶员在试验过程中的认知反应介于 2组之间.这与3组被试在进行标识信息搜索时的反应时间分布形态是一致的.因此,不同频段的脑电波近似熵表征,很好地解释了不同分组对标志牌信息进行判读的

4.2 阅读标志牌信息试验

图 3所示为阅读标志牌信息试验中,3组被试各个频段脑电波原始值的近似熵计算结果.

以 8组试验的近似熵值作为因变量,被试者的特性作为单一因素变量,进行方差分析.由表 4可见,每组被试者各个频段脑电信号近似熵的均值差异不大.Duncan法一致性子集的检验结果表明,除了 δ波近似熵值存在 2个子集,其他各个频段的脑电信号熵值均在一个子集内.因此,不同频段的脑电波近似熵表征与 3组被试者对信息阅读任务的反应时间分布结果一致.

表4 试验 2被试者脑电近似熵方差分析结果

5 结论

图3 试者脑电信号原始值的近似熵分布

1)选择不同特性的驾驶员分组进行标志牌信息判读试验,试验结果表明,男性新手驾驶员为在信息搜索试验中最不利被试组,直观表现在其信息搜索任务中,反应时间明显高于其他被试.男性有经验驾驶员在该试验中表现最优,其次为女性新手驾驶员.各组被试在阅读标志信息试验中,反应时间无显著差异.以最不利被试组搜索标志信息反映时间为应变量,标志牌地名信息数量为自变量建立相关性模型 T=1.107+0.095n.

2)3组被试不同频率的脑电波近似熵表征解释了其在信息搜索试验中表现出显著差异的机理.根据被试脑电波的近似熵表征分析,可认为地名数为 4个的指路标志为简单标志牌和复杂标志牌的分界.

3)经计算,脑电信号峰峰值、峰值频率、信号强度百分比的近似熵分布与原始脑电信号近似熵分布形态类似.

进一步研究可以扩大试验的被试者样本量,对研究结论进行进一步验证.

References)

[1]Nagarajan R.Quantifying physiological data with Lempel-Ziv complexity—certain issues[J].IEEE Transactions on Biomedical Engineering,2002,49(11)：1371-1373.

[2]Casw ell Schuckers S A,Raphisak P.Distinction ofarrhythmiasw ith the use of approximate entropy[C]//Computers in Cardiology.Hannover,Germany,1999,26：347-350.

[3]Xu Lisheng,W ang Kuanquan,Zhang David,et al.Adaptive base line wander removal in the pulse waveform[C]//Proceedings of the 15th IEEE Symposium on Computer-Based Medical Systems.Washington,DC,USA,2002,6：143-148.

[4]Yeragani V K,Srinivasan K,Vempati S,et al.Fractal dimension of heart rate time series：an effective measure o f autonom ic function[J].Journal o f App lied Physiology,1993,75(6)：2429-2438.

[5]Kolmogorov A N.Three approaches to the quantitative definition of information[J].International Journa l of Computer Mathematics,1968,2(1/2/3/4)：157-168.

[6]Pincus S M.Approximate entropy：a comp lexity measure for bio logical time series data[C]//IEEE Proceedings of the Northeast Conference on Bioengineering.Piscataway,NJ,USA,1991：35-36.

[7]Pincus SM.Approximate entropy as ameasureo f system complexity[J].Proc Natl Acad Sci USA,1991,88(6)：2297-2301.

[8]Yang Fusheng,Hong Bo,Tang Qingyu.App roximate entropy and its application in biosignal analysis[M].New York,USA：IEEE Press,2001：72-91.

[9]Rezek I A,Roberts S J.Stochastic complexity measure for physiological signal analysis[J].IEEE Trans on Biomedical Engineering,1998,45(9)：1186-1191.

[10]刘峰涛,贺国光.基于近似熵和统计复杂度的交通流复杂性测度[J].中国公路学报,2007,20(4)：108-112.Liu Fengtao,He Guoguang.Comp lexity measure o f traffic flow based on approximate entropy and statistical complexity[J].China Journal of Highway and Transport,2007,20(4)：108-112.(in Chinese)