面向装甲车辆乘员信息处理作业的脑力负荷预测模型

刘维平，聂俊峰，解 芳，金 毅

(1.装甲兵工程学院机械工程系，北京 100072； 2.中国北方车辆研究所，北京 100072)

面向装甲车辆乘员信息处理作业的脑力负荷预测模型

刘维平1，聂俊峰1，解 芳2，金 毅1

(1.装甲兵工程学院机械工程系，北京 100072； 2.中国北方车辆研究所，北京 100072)

脑力负荷的准确预测是研究装甲车辆乘员信息处理作业的关键技术，对提高人机系统设计的合理性具有重要意义。为有效解决应急任务条件下装甲车辆乘员信息处理作业的脑力负荷预测问题，针对装甲车辆乘员作业向信息处理作业转变的基本趋势，结合信息处理作业操作元模型和认知图式分析，基于信息执行通道任务-网络建模方法构建了脑力负荷预测模型，量化了工作资源参数，并面向目标录入典型信息处理作业对预测模型进行了实例应用。结果表明：该模型能够清晰地描述装甲车辆乘员信息处理作业脑力负荷变化情况，有效地找出脑力负荷异常的时间节点和产生原因，量化预测作业各时刻脑力负荷，具有较好的预测精度和可重用性。

装甲车辆； 乘员； 信息处理； 任务-网络模型； 脑力负荷预测模型

随着装甲车辆信息化水平的迅速提高，乘员的工作类型逐渐向以监视和控制为主的信息处理作业转变，并已成为乘员作业的主要形式。乘员信息处理作业是典型的脑力劳动过程，需要消耗大量的脑力资源，产生一定程度的脑力负荷，而脑力负荷情况直接影响着装甲车辆人机系统的作战效能[1]。目前，常用的脑力负荷研究方法主要是指脑力负荷的测量方法，如主观量表法、主任务法、辅助任务法和生理法等[2-3]。然而，这些方法均属于事后测量，具有一定的滞后性，一旦发现乘员的脑力负荷水平不合适而需要修改人机系统时，不仅难以实现，也必将耗费大量成本。因此，在系统设计阶段对乘员信息处理作业脑力负荷情况进行预测就显得十分必要。

虽然脑力负荷预测比测量困难许多，但因其巨大的潜在效益，国内外研究者仍做出了诸多有益尝试。BIN等[4]在概念模型基础上提出了一个面向飞机人机交互作业的脑力负荷预测模型，采用多维建模方法对脑力负荷各影响因素进行了初步量化，并通过2个相关的认知试验对模型的有效性进行了验证。WICKENS[5]从信息流角度提出了基于多资源理论(Multiple Resource Theory，MRT)的脑力负荷预测模型，并描述了四维MRT模型预测复杂任务脑力负荷的应用流程。MITCHEL等[6]针对坦克舱室乘员人数减少问题提出了基于绩效建模工具(Improved Performance Research Integration Tool，IMPRINT)的脑力负荷预测方法，预测了3乘员和2乘员作战平台的乘员脑力负荷情况，并对2乘员舱室方案提出了合理性建议。WANYAN等[7]针对乘员作业特点构建了飞行员脑力负荷预测模型框架，该模型框架包括单一任务环境、多任务环境和动态时间效应条件3个模块，初步给出了模型框架中脑力负荷各影响因素的量化方法。

综上所述，脑力负荷预测模型的研究虽取得了一定成果，但大部分预测模型仍停留在描述阶段，缺乏有效的量化手段。因此，笔者针对装甲车辆乘员信息处理作业的脑力负荷预测问题，结合信息处理作业操作元模型和认知图式分析，基于信息执行通道任务-网络建模方法构建了一种通用、量化的装甲车辆乘员信息处理作业脑力负荷预测模型，并进行了实例应用。

1 信息处理作业分析

1.1 行为分析方法

装甲车辆乘员信息处理作业是指乘员通过感觉器官从外界搜集信息，对信息进行加工，经中枢系统形成决策，并通过运动器官对系统进行反应的过程，其具有任务复杂性和多维性的特点[1]。MRT是解释多任务之间资源分配的理论，认为乘员具有一组性质类似、功能有限且容量一定的脑力资源[5]。因此，笔者采用MRT对乘员信息处理作业行为进行分析。

MRT模型结构如图1所示。可以看出：该模型由3个具有2级特征的维度组成，即区分知觉和反应的阶段维度、区分视觉和听觉的通道维度以及区分空间和语言的编码维度[8]，3个维度在一定程度上相互独立。

图1 MRT模型结构

乘员在信息处理作业中会自动在信息源和维度中进行资源的选择和分配，MRT表明：乘员的信息执行通道通常分为视觉(Visual,V)、听觉(Auditory,A)、认知(Cognitive,C)及动作(Psychomotor,P)4个部分，任何任务都可由这4个信息执行通道下的28种行为要素构成[8]。MRT各信息执行通道下的行为要素如表1所示。

表1 MRT各信息执行通道下的行为要素

1.2 操作元分析

操作元分析的目的在于拆分、梳理作业的操作序列，使乘员信息处理作业单元化[9]。通过对作业操作动作的连续考察，构建了包含作业目标层、操作状态层、操作元层和行为要素层的多层次操作元模型。乘员信息处理作业操作元模型结构如图2所示。

图2 乘员信息处理作业操作元模型结构

1.3 认知图式分析

认知图式分析的目的在于研究乘员作业中认知资源的调配以及心理图式的形成过程，描述作业行为的心理踪迹[9]。

乘员信息处理作业认知图式模型结构如图3所示。其中：存储于长时记忆中的图式匹配内容为环境、对象、任务和目标，由图式匹配到图式激活的操作内容包括参数设置、作业要求、操作元数目、操作元内容、操作规程及按键位置等。乘员信息处理作业认知图式分析的特征变量主要包括感觉加工方式、注意水平、记忆过程、反应方式和行为类型，且各自对应相当水平。

图3 乘员信息处理作业认知图式模型结构

2 脑力负荷预测模型构建

2.1 基于信息执行通道的任务-网络建模方法

任务-网络建模技术是一种对作业操作流程进行时间序列建模，并在作业实施过程中加以控制的计划管理技术。笔者对其概念和结构进行扩展，结合MRT提出了基于信息执行通道的任务-网络建模方法。该方法将信息处理作业操作元模型与认知图式方法有机结合，可清楚地表达各行为要素的相互关系，并在MRT信息执行通道分类基础上增加了语音(Speech,S)通道，更全面地体现了乘员各信息执行通道的运行情况。

任务-网络示意图如图4所示。可以看出：节点1、8分别为起始节点和结束节点，其他节点均为中间节点；A、B、C分别表示各信息执行通道；A1、A2、A3、B1、B2、B3、C1、C2、C3为乘员各行为要素代号[10]。

图4 任务-网络示意图

2.2 工作参数量化辨析

为实现脑力负荷的定量预测，首先要对模型工作参数进行量化辨析，主要分为时间参数辨析和资源参数辨析。

2.2.1 时间参数辨析

时间参数包括注意力转移时间t1、知觉加工时间t2、目标搜索定位时间t3和反应执行时间t4四部分，其中：

1)t1、t2属于通用参数，即任务无关参数，可通过一般数据进行辨析。

2)t3、t4属于任务相关参数，可基于实验数据并运用相关定律进行辨析。t3、t4可分别通过Hick-Hyman定律[11]和Fitts定律[12]进行辨析，即

t3=a1+b1·log2(n+1)，

(1)

t4=a2+b2·log2(A/W+1)，

(2)

式中：a1、b1、a2、b2为常数；n为系统按键数目；A为手与按键初始距离；W为按键有效宽度。

2.2.2 资源参数辨析

资源参数包括脑力负荷值及其分布函数2个部分，其中：脑力负荷值即各行为要素的脑力资源需求量，可采用Aldrich的7分制评级标准进行评定[13]，该标准是针对美军开发新武器系统的脑力负荷预测需求提出的，具有良好的有效性和适应性；脑力负荷分布函数即各行为要素某时刻发生的概率，可依据先验分布模型采用拟合的方法确定。

装甲车辆乘员信息处理作业脑力负荷先验分布模型[1]为

φ(t)=a3+b3lg(t+1)，

(3)

式中：φ(t)为t时刻发生的概率；a3、b3均为待定参数。

2.3 模型仿真

选用Monte Carlo方法[14]对任务-网络模型进行仿真，其仿真流程描述为：确定初始化数据，运行数学仿真模型，通过随机变量抽样产生随机数据，对生成的随机数据进行数据处理，计算每组随机数据的期望值，进而将期望值与资源参数进行计算，即可得到乘员信息处理作业的脑力负荷情况。

3 应用实例

3.1 初始参数设置

为检验脑力负荷预测模型的有效性，以某新型车载信息系统设计阶段的效能评估问题为研究对象，选择目标录入为乘员典型信息处理作业，对该乘员典型信息处理作业中的脑力负荷情况进行预测，相关初始参数设置如表2所示。

表2 相关初始参数设置

3.2 乘员信息处理作业行为分析

依据乘员专业教范，将装甲车辆乘员目标录入信息处理作业划分为准备、执行和空闲休息3个信息处理作业操作状态，建立了作业类型选择O1、敌我属性判断O2、目标信息录入O3和目标信息发送O4四个基本操作元，提取了各操作元的行为要素。乘员信息处理作业操作元模型结构如图5所示。可以看出：装甲车辆乘员信息处理作业各操作元具有其自身的行为特点，同时也有各自的认知图式。其各操作元认知图式分析如表3所示。

图5 乘员信息处理作业操作元模型结构

行为要素感觉加工注意水平工作记忆长时记忆反应方式行为类型发现视觉低提取提取—规则型/技能型查找视觉低提取提取—规则型判断反馈中存取提取—规则型选择反馈中存取提取—规则型识别反馈中存取提取—规则型决定反馈中存取提取—规则型键入反馈低无提取选择/辨别规则型/技能型语音反馈低提取提取—规则型/技能型

3.3 任务-网络模型构建

根据乘员信息处理作业操作元模型，并对照认知图式分析，通过间接法构建任务-网络模型如图6所示。

乘员信息处理作业任务-网络模型的各行为要素明细及其关系如表4所示。

图6 乘员信息处理作业任务-网络模型

信息执行通道各行为要素代号视觉(V)A1发现A5发现A9发现A13发现A2 —A6无A10 —A14发现A3查找A7查找A11查找A15查找A4发现A8发现A12发现认知(C)B1 —B6判断B11判断B16识别B2判断B7选择B12识别B17决定B3识别B8识别B13决定B4决定B9决定B14 —B5 —B10 —B15判断动作(P)C1 —C3 —C5 —C7 —C2键入C4键入C6键入C8键入听觉(A)D1发现语音(S)E1语音

3.4 工作参数量化辨析

3.4.1 时间参数辨析

根据模型时间参数辨析方法，参考前期实验分析结果[15-16]，取a1=-149.1,b1=100.8,a2=97.5,b2=89.2，得到辨析结果为：t1=85 ms，t2=106 ms，t3=188,338 ms，t4=370,467 ms。

3.4.2 资源参数辨析

对照Aldrich脑力负荷评级量表，即可得到各行为要素脑力负荷值辨析结果，如表5所示。

表5 各行为要素脑力负荷值辨析结果

将乘员t时刻操作状态提取100次，根据式(3)，对数据进行最小二乘法拟合，得到各行为要素脑力负荷分布函数辨析结果,如表6所示。

表6 各行为要素脑力负荷分布函数辨析结果

3.5 模型仿真及结果分析

为保证模型按相似路径仿真执行，确定了随机起始数字，设步长d=50 ms，随机数目NT=180。图7、8分别为模型仿真运行一次乘员各信息执行通道脑力负荷和总脑力负荷情况。

图7 模型仿真运行一次乘员各信息执行通道脑力负荷情况

图8 模型仿真运行一次乘员总脑力负荷情况

对仿真结果进行统计，得到作战条件下乘员各信息执行通道脑力负荷和总脑力负荷情况，如表7所示。

表7 乘员各信息执行通道脑力负荷和总脑力负荷情况

由图7、8模型仿真预测结果及表7可得出乘员信息处理作业脑力负荷情况如下：

1)乘员信息处理作业峰值总脑力负荷值为49.1，该时刻乘员需要同时执行的任务为目标录入、车内通信和车外通信，这一数值已经超过负荷限值(35.0)，其超负荷率为17.1%，且超过了信息处理作业总时间的10.0%，可认为乘员信息处理作业过程基本处于高负荷状态。

2)乘员视觉通道、听觉通道、认知通道、反应通道和语音通道的峰值脑力负荷分别为7.0、12.0、23.8、7.0和8.0。听觉通道、认知通道和语音通道的脑力负荷均存在超负荷(>7.0)情况，尤其是认知通道的超负荷比率达到65.5%，说明该通道的运行相当繁忙。

综合预测结果，笔者对该车载信息系统的设计和使用提出如下建议：1)在前期系统设计时，应进一步优化系统操作界面，提高界面文字识别性和颜色匹配度，降低界面操作复杂度，优化按键的宽度及分布等，减少系统自身设计的缺陷；2)在后期系统使用时，应尽量避免脑力负荷在同一执行通道维度和时间序列维度中的叠加，有针对性地调整任务完成方式和顺序，即考虑将一些应用听觉和语音的作业转变为以视觉和反应为主、听觉和语音为辅的作业，允许乘员按任务优先级先完成相对重要、优先级较高的作业，再完成优先级较低的作业等。

[1] 刘维平，聂俊峰，金毅，等.基于任务-网络模型的装甲车辆乘员脑力负荷评价方法研究[J].兵工学报，2015，36(9)：1805-1810.

[2] 柳忠起，袁修干，刘涛.航空工效中的脑力负荷测量技术[J].人类工效学，2003，9(2)：19-22.

[3] 白杰，冯传宴，杨坤.飞行员脑力负荷生理测量方法研究进展[J].航天医学与医学工程，2016，29(2)：150-156.

[4] BIN E，GAVRIEL S.Predction of mental workload in single and multiple tasks environments[J].International journal of cognitive ergonomics，2000，4(3)：213-242.

[5] WICKENS C D.Multiple resources and mental workload[J].Journal of the human factors and ergonomics society，2008，50(3):449-455.

[6] MITCHEL D K.Workload analysis of the crew of the Abrams V2 SEP： Phase I baseline IMPRINT model [R].USA：Army Research Laboratory，2009.

[7] WANYAN X R，ZHUANG D M，WEI H Y.Pilot attention allocation model based on Fuzzy Theory[J].Computer & mathematics with application，2011，62(7)：2727-2735.

[8] WICKENS C D，HOLLANDS J G.Engineering psychology and human Performance[M].Shanghai：East China Normal University Press，2003：545-550.

[9] 温超.装配操作行为模型框架研究[D].长春：吉林大学，2008.

[10] 岳芳，顾新建，刘畅.知识型员工-任务匹配程度计算系统设计与实现[J].浙江大学学报(工学版)，2015，49(8)：1462-1469.

[11] 王洁，方卫宁，李广燕.基于多资源理论的脑力负荷评价方法[J].北京交通大学学报，2010，34(6)：107-110.

[12] 徐荣龙，刘正捷，张宁.手持设备三维菜单绩效评估[J].计算机工程与应用，2010，46(22)：20-22.

[13] 廖建桥.脑力负荷的预测与分析方法[J].工业工程，1998，1(1)：38-42.

[14] 房玉军，蒋建伟.子弹药抛撒随机外弹道模型及其蒙特卡洛解法[J].北京理工大学学报，2009，29(10)：850-853.

[15] SALVUCCI D D.An integrated model of eye movements and visual encoding[J].Cognitive systems research，2001，1(1)：201-220.

[16] 郭伏，钱省三.人因工程学[M].北京:机械工业出版社，2007：205-207.

(责任编辑:尚菲菲)

Predictive Mental Workload Model for Armored Vehicle Crew’s Information Processing Task

LIU Wei-ping1，NIE Jun-feng1，XIE Fang2，JIN Yi1

(1.Department of Mechanical Engineering,Academy of Armored Force Engineering,Beijing 100072,China；2.China North Vehicle Research Institute,Beijing 100072,China)

The veracity of operation mental workload prediction is essential to the study of operation status in armored vehicle cabin crew’s information processing，which has important implications for improving design rationality of the man-machine system.To solve the problem of crew’s information processing mental workload prediction under the emergency condition,in view of the basic trend that the task type gradually changes to information processing task,the operate-units and cognitive schema for information processing task are analyzed，the predictive mental workload model is built based on crew’s channel task-network method,the work resource parameters are quantified and the predictive model is verified by an example of target input typical information.The results indicate that the proposed model could describe the change of crew’s mental workload during the whole task clearly,could find out the time nodes and reasons of abnormal mental workload effectively,could predict the mental workload of operate-units quantitatively,the prediction accuracy and reusability are preferable.

armored vehicle; crew; information processing; task-network model; predictive mental workload model

1672-1497(2017)01-0040-06

2016-11-07

刘维平(1961-)，男，教授，博士。

TJ81； X914

A

10.3969/j.issn.1672-1497.2017.01.009