负荷条件下注意力分配策略对情境意识的影响

冯传宴，完颜笑如,*，刘双，陈浩，庄达民，王鑫

1. 北京航空航天大学 航空科学与工程学院，北京 100083 2. 中国船舶工业综合技术经济研究院 舰船人因工程实验室，北京 100081

随着科技的发展，人为因素问题已经上升为航空安全的主要影响因素[1]。根据美国国家运输安全委员会(National Transportation Safety Board, NTSB)事故报告，在由人因失误导致的航空事故中有88%均与情境意识(Situation Awareness，SA)差错相关[2]。应用最为广泛的SA定义由Endsley提出，即“感知特定时间和空间情境下的相关情境元素，理解其意义并进一步预测随后可能发生的状态”[3]。SA与安全直接相关，因此在国民经济多个关键领域如航空飞行[4-6]、汽车驾驶[7]、核电站监控[8]等一直被高度关注。不同的脑力负荷水平下作业人员注意分配策略的改变会引发一系列SA问题，极端情况下甚至会导致SA的丧失[9-11]，造成安全事故。通过开展这三者之间的关系探究可为复杂任务条件下驾驶舱人机界面的信息需求设计以及飞行任务培训策略的优化提供依据，从而保障飞行安全。

脑力负荷、注意力分配与SA之间存在紧密而又复杂的关系，一般认为脑力负荷水平决定了注意力分配的效率和方式，而注意力分配水平的优劣则是作业人员SA水平高低的依据之一[4,12-13]。现有研究更多地关注了脑力负荷和SA之间的关系[14]，如Heikoop等在一项驾驶模拟任务中开展了脑力负荷和SA之间关系的探索，结果发现SA会随着任务需求的增加而减小[15]；Lin和Lu在一项直升机救援任务研究中也得到了相似的结论[16]。而其中较少涉及由信息优先级设计所产生的作业人员注意力分配策略的影响。注意是SA形成的基础[3]，特定视觉扫视模式的存在，揭示了作业人员分配注意资源这一认知过程，注意力分配策略从某种程度上来说决定了SA的质量[4,17]，但不同的注意力分配策略对SA的具体影响机制尚不明确[18]。另有研究表明，随着脑力负荷的累计，作业人员的注意力分配策略也会发生一定程度的改变[19]。因此，有必要进一步研究不同脑力负荷水平下，注意力分配策略对SA的影响及其可能引发的SA问题。

为准确测量SA，需要选取合适的SA测量方法。现有文献已提出30余种SA测量方法，主要包括主观量表、绩效测量、情境意识全面测量技术(Situational Awareness Global Assessment Technology，SAGAT)和生理测量等[4,20-22]。主观量表评价法易于操作且成本较低，但却存在主观性较强和无法实时测量的缺陷[20]，作业绩效测量因无法直接反映作业人员的SA，通常被作为一种间接的SA测量方式[20]，对于环境稳定且可以预先定义SA相关元素的任务而言，SAGAT方法被认为是评估SA最有效的方法之一[20]。此外，为了制定前瞻性策略以防止SA丧失，采用生理测量方法对SA进行实时在线监测也是研究人员积极关注的方向[17-18,22]。近年来有研究表明眼动注视特性以及脑电波活动与SA存在联系[22-27]，如van de Merwe等在一项模拟飞行的故障检测任务中提出了使用眼动的注视频率和注视持续时间作为信息获取的指标(SA1)以及使用注视熵作为新信息获取活动的指标(SA3)的深入见解[22]。Catherwood等从SA丧失角度指出脑电活动中表征的高阶和视觉感知区域的共同活动可能为自上而下的SA1提供基础[28]。本文在高、低脑力负荷水平下开展了不同注意力分配策略对SA的影响研究工效学实验，记录了作业人员的行为绩效数据、SAGAT数据、生理数据以分析其SA在不同实验条件下的变化情况，此外，进一步对多个测量指标之间开展了Pearson相关分析以探寻SA敏感性生理指标。

1 实验方法

1.1 被试对象

本研究共招募22名年龄在22～24岁(平均值M=22.95岁，标准差SD=0.58岁)的被试，其中男性15名，女性7名。所有被试均为北京航空航天大学航空工程专业背景的在校研究生，身体健康状况良好，右利手，视力或矫正视力正常，实验前24 h要求保证足够睡眠(至少8 h)。实验前，所有被试均被告知实验内容流程并签署书面知情同意书。

1.2 实验设备

基于多属性任务管理软件(Multi Attribute Task Battery，MATB)Ⅱ构建了模拟飞行环境下的实验平台。显示界面呈现在一块22 in Lenovo L2240pwD液晶显示屏(1 680 pixel×1 050 pixel)上。该平台经过多个版本的更新，其有效性已得到广泛的验证[29]。本研究对该平台进行了重新定义，共包括4个子任务，分别呈现在如图1所示的4个兴趣区域(Area of Interest, AOI)内，包括系统监控任务(AOI 1)、追踪任务(AOI 2)、通信监测任务(AOI 3)和资源管理任务(AOI 4)。各子任务的呈现次序和呈现时间通过可扩展标记语言(eXtensible Markup Language，XML)编程实现。

本研究采用Tobii Pro X3-120系统(Tobii Group, Stockholm, Sweden)实时采集被试的眼动数据，采用5点校标进行校准，眼动仪采样率为120 Hz。采用Neuroscan Neuamps系统32通道放大器记录脑电(EEG)数据：F7、FT7、T3、TP7、T5；FP1、F3、FC3、C3、CP3、P3、O1；FZ、FCZ、CZ、CPZ、PZ、OZ；FP2、F4、FC4、C4、CP4、P4、O2；F8、FT8、T4、TP8、T6。所有电极采用Ag/Agcl，记录带宽为0～200 Hz，采样率为1 000 Hz。电极的阻抗保持在5 kΩ以下。地线点(Ground，GND)设置为接地，左乳突A1作为在线参考，同时记录垂直和水平眼电。

图1 实验任务显示界面Fig.1 Display interface of experimental task

1.3 实验设计

参考主飞行显示仪表的T型布局对平台子任务进行定义，并划分为4个AOI进行后期眼动数据分析。实验采用3×2被试内双因素设计。因素1为注意力分配策略，包含3个水平：平均注意力分配策略(平均分配)、主次注意力分配策略(主次分配)和多级注意力分配策略(多级分配)。在本研究中，不同的注意力分配策略通过“期望”和“价值”这2个因素进行引导和量化[30-31]。其中“期望”因素通过异常信息呈现频率来实现(见表1)，即异常信息出现频率更高的AOI会吸引作业人员更多的注意力；“价值”因素通过信息重要度体现，即重要程度更高的AOI会吸引作业人员更多的注意力，并由培训期间主试对被试的充分引导而实现。因素2为脑力负荷，包含2个水平：低脑力负荷和高脑力负荷，且采用子任务的故障呈现频率分别对高脑力负荷水平(2次/min)和低脑力负荷水平(1次/min)进行调控[32-33]。为消除练习和疲劳效应，采用拉丁方设计对注意力分配策略和脑力负荷水平的呈现顺序进行平衡。

表1 异常信息呈现频率设置Table 1 Frequency setting of abnormal information

本研究记录工作绩效指标、SAGAT得分、眼动指标和EEG指标作为SA的评价指标。其中，工作绩效测量包括反应时间和正确率，均由MATB Ⅱ平台后台自动记录。反应时间为4个子任务的平均正确反应时间；正确率为正确响应次数占故障信息呈现总数的百分比。SAGAT得分指对SA冻结问题进行正确反应的百分比[21]。采用Tobbi Studio 3.4.5软件进行眼动注视类指标分析，并记录各个AOI中的访问总时间比例、平均注视时间和最小近邻指数(Nearest Neighbor Index，NNI)。其中NNI基于空间统计算法[34]，采用ASTEF工具进行计算。离线EEG信号重新参考双侧乳突电极的平均值，使用MATLAB R2014a的eeglab14_1_1b工具箱进行离线分析，并进行1～30 Hz带通滤波。采用独立成分分析并运用ADJUST1.1.1工具包进行伪迹去除。对全部EEG数据进行分段之后进行快速傅里叶变换，平均后划分为4个不同波段：δ(1～4 Hz)、θ(4～8 Hz)、α(8～12 Hz)和β(13～30 Hz)。分别计算4个不同波段脑电信号的相对功率指标，即不同波段功率分别占总功率值(δ、θ、α和β之和)的比例。整个实验过程中，眼动和脑电采集设备实时采集生理信号。

1.4 实验任务与流程

本研究的实验任务为面向飞行情境的多任务模拟，在实验过程中，要求被试同时监控MATB Ⅱ界面中的4个子任务，并尽可能准确且迅速地通过鼠标和键盘响应每个子任务中的异常信息，排除故障。具体而言，对于系统监测子任务(AOI 1)，要求被试监控4个刻度栏的指针位置，当指针超出正常显示范围，采用鼠标左键点击相应刻度栏以恢复正常；追踪子任务(AOI 2)呈现2维随机的输入补偿追踪任务，要求被试监控当前飞行状态，当飞行状态由手动转变为自动时，要求按键盘左方向键进行响应；对于通信监控子任务(AOI 3)，要求被试监控计划刻度中即将到来的通信任务，当新的通信任务发生时(计划栏中左侧的绿色滑块触碰到0时刻线时)，按压键盘的右方向键进行响应；对于资源监控子任务(AOI 4)，要求被试监控4个油箱油量，当供油的油泵出现故障时，使用鼠标左键点击对应的油泵进行响应。实验包括2个阶段：练习阶段和正式实验阶段，整个实验时长90～120 min。被试在练习阶段接受充分培训，待被试完全掌握任务操作和实验流程后签署知情同意书，然后开始正式实验。不同实验水平之间安排适当的休息，单次实验任务时长持续约20 min。

2 实验结果

2.1 不同注意力分配策略的实验验证

Wickens等经过大量研究提出了飞行员注意力分配的经典模型，即期望价值(Expectancy Value，EV)模型，对于受过良好训练的被试，该模型对于其注意力分配行为的预测吻合变异系数达到95%[30-31]。在本研究中，为对不同注意力分配策略的实验效果进行验证，选取期望和价值因素来引导被试产生不同的注意力分配行为，实现不同的注意力分配策略。

在本研究中，将注视点第1次进入某一AOI到离开该AOI记录为1次访问，分别计算MATB Ⅱ界面各AOI的访问总时间占4个AOI的访问总时间之和的比例。引入平均飞行员思想[4,30,35]，对实验设计的注意力分配策略比例与4个AOI的访问总时间比例的平均值结果进行一元线性回归，以评估注意力分配策略的引导效果。实验结果表明两者的相关系数为r=0.962,R2=0.926 2，相关性水平显著p<0.001，如图2所示。

图2 注意力分配结果的验证Fig.2 Validation of attention allocation strategies

上述结果说明，实验设计注意力分配比例与眼动追踪的实验值吻合良好，将注意力分配策略作为自变量是有效的。

2.2 SA测量指标

采用SPSS Statistics 23.0(IBM，United States)对4类SA测量指标进行统计学分析，所有统计检验均使用0.05的置信度。采用双因素重复测量方差分析来确定注意力分配策略和脑力负荷因素对因变量的交互效应及主效应。对于被试内变量，采用Mauchly测试检验球型假设，当不满足球型假设时，使用Greenhouse-Geisser校正自由度。采用最小显著性差异(Least Significant Difference，LSD)方法进行事后检验。

2.2.1 工作绩效测量结果

工作绩效指标反应时间和正确率的描述性结果如图3所示，图中横坐标为实验水平，以低_平均为例，指的是低负荷水平下的平均分配。对于反应时间指标，双因素重复测量方差分析表明，注意力分配策略和脑力负荷因素之间的交互效应不显著(F(2, 42)=1.951,p=0.155,η2=0.085)。注意力分配策略对反应时间的主效应显著(F(2, 42)=27.175,p<0.001,η2=0.564)。事后比较发现主次分配的反应时间显著短于平均分配(p<0.001)和多级分配(p<0.001)，平均分配和多级分配之间的差异不显著(p>0.05)。脑力负荷对反应时间的主效应不显著(F(1, 21)=0.165,p=0.688,η2=0.008)。

图3 绩效测量指标Fig.3 Performance measure indicators

对于正确率指标，双因素重复测量的方差分析表明，注意力分配策略和脑力负荷之间的交互作用不显著(F(2, 42)=2.987,p=0.061,η2=0.125)。注意力分配策略对正确率的主效应是显著的(F(2, 42)=5.818,p=0.006,η2=0.217)。事后比较发现平均分配的正确率显著低于主次分配(p=0.022)和多级分配(p=0.005)，主次分配和多级分配之间不显著(p>0.05)。脑力负荷对正确率的主效应不显著(F(1, 21)=0.343,p=0.564,η2=0.016)。

2.2.2 SAGAT方法测量结果

低脑力负荷时，SAGAT得分从平均分配(75.44±8.32，均值±标准差)、主次分配(78.33±10.09)到多级分配(82.54±8.87)呈现逐渐增加的趋势。高脑力负荷时，SAGAT得分从平均分配(66.18±10.75)、主次分配(78.97±8.77)到多级分配(68.86±11.87)呈现先增后减的趋势。双因素重复测量的方差分析表明对于SAGAT得分，注意力分配策略和脑力负荷的交互效应显著(F(2, 42)=5.363,p=0.010,η2=0.203)。简单效应分析发现低脑力负荷时，平均分配的SAGAT得分显著低于多级分配(p=0.015)。高脑力负荷时，主次分配的SAGAT得分显著高于平均分配(p=0.001)和多级分配(p=0.005)。注意力分配策略的主效应显著(F(2, 42)=9.693,p<0.001,η2=0.316)，事后比较发现平均分配的SAGAT得分显著低于主次分配(p<0.001)和多级分配(p=0.010)，主次分配和多级分配之间不显著(p>0.05)。脑力负荷的主效应显著(F(1, 21)=29.237,p<0.001,η2=0.582)，事后比较发现低脑力负荷的SAGAT得分显著高于高脑力负荷(p<0.001)。

2.2.3 眼动指标测量结果

如图4(a)所示，不论在低脑力负荷还是高脑力负荷水平下，平均注视时间从平均分配、主次分配到多级分配均呈现先增后减的趋势。方差分析发现注意力分配策略和脑力负荷之间的交互作用不显著(F(2, 42)=1.082,p=0.348,η2=0.049)。注意力分配策略的主效应显著(F(2, 42)=3.917,p=0.028,η2=0.157)，事后比较发现平均分配的平均注视时间显著低于主次分配(p=0.009)，其他注意力分配策略之间不显著(p>0.05)。脑力负荷的主效应不显著(F(1, 21)=1.032,p=0.321,η2=0.047)。如图4(b)所示，不论在低脑力负荷还是高脑力负荷下，NNI从平均分配、主次分配到多级分配均呈现先减后增的趋势。方差分析发现注意力分配策略和脑力负荷之间的交互作用不显著(F(2, 42)=0.407,p=0.668,η2=0.019)。注意力分配策略的主效应显著(F(2, 42)=12.017,p<0.001,η2=0.364)，事后比较发现主次分配的NNI显著低于平均分配(p<0.001)和多级分配(p=0.014)，多级分配的NNI显著低于平均分配(p=0.045)。脑力负荷的主效应不显著(F(1, 21)=0.103,p=0.752,η2=0.005)。

图4 眼动测量指标Fig.4 Eye movement measure indicators

2.2.4 EEG指标测量结果

如图5所示，频谱地形图显示了4个频带相对功率的描述性结果，图中对各波段数据进行了归一化处理，并如图右侧显示色条在0～1的区间内进行标准化(无单位)，其中红色表示更高的激活。由图5可见，θ相对功率和β相对功率在不同脑力负荷水平下存在明显差异，以头皮中线分布最为明显。考虑到大脑头皮中线电极点在信息认知加工和脑力负荷等相关研究中具有代表性[27,36]，进一步选取3个大脑中线电极点(Fz、Cz和Pz)进行数据分析。

图5 EEG的4个频带相对功率的头皮分布地形Fig.5 Topographic map of relative power in four bands of EEG

对4个波段脑电相对功率指标进行3(注意力分配策略)×2(脑力负荷)×3(电极点)重复测量的方差分析。结果发现注意力分配策略×脑力负荷、注意力分配策略×电极点、脑力负荷×电极点以及注意力分配策略×脑力负荷×电极点的交互效应均不显著(p>0.05)。注意力分配策略的主效应不显著(p>0.05)。对于θ和β相对功率，脑力负荷的主效应均显著(F(1, 21)=10.568,p=0.004,η2=0.335;F(1, 21)=6.775,p=0.017,η2=0.244)。事后分析表现为低脑力负荷的θ相对功率显著高于高脑力负荷(p=0.004)。低脑力负荷的β相对功率显著低于高脑力负荷(p=0.017)。

2.2.5 相关性分析

采用Pearson相关方法进行SAGAT得分与生理指标的相关性分析，以研究SA的敏感指标。结果表明，高和低脑力负荷下不同注意力分配策略的SAGAT得分与平均注视时间低度正相关(r=0.320,p<0.001)，与NNI低度负相关(r=-0.225,p=0.008)。SAGAT与Pz电极点θ功率低度负相关(r=-0.251,p=0.004)，与α相对功率(Fz、Cz和Pz点)低度正相关(r=0.202,p=0.020;r=0.223,p=0.010；r=0.222,p=0.010)。

3 讨 论

为探索不同注意力分配策略对SA的影响，本研究基于EV模型选取了期望和价值因素进行了3种注意力分配策略的设置。通过实验设计值与眼动访问总时间的拟合结果可知注意力分配策略得到了有效的实现。在此基础上，采用多种方法开展不同注意力分配策略下的SA测量。

通过对SAGAT得分结果进行统计分析可知，当处于低脑力负荷时，平均分配下的SAGAT得分显著低于多级分配；当处于高脑力负荷时，主次分配下的SAGAT得分显著高于平均分配和多级分配。考虑到SAGAT方法对于SA评价的客观性已得到较为广泛的认可[20-21]，因此可知不论在低脑力负荷还是高脑力负荷时，相比于其他注意力分配策略，被试在平均注意力分配策略下均表现出了更差的SA水平。分析其原因，平均注意力分配策略更容易导致作业人员注意力的分散，从而产生感知觉能力的下降；而多级和主次注意力分配策略因存在更为明确的信息优先级顺序因此容易让作业人员保持较高的警觉度水平，从而形成良好的SA[37-38]。另一方面，本研究结果也发现当处于高脑力负荷时，主次分配的SA得分显著高于多级分配，即在高脑力负荷下，作业人员的总体认知资源和工作记忆容量均非常有限，重要等级划分明确且较少的信息优先级设计有利于作业人员把握关键性信息，从而可对于重要信息分配更多的注意资源，获得更好的SA。

从其他SA测量指标结果来看，与主次分配和多级分配相比，平均分配具有更低的绩效正确率和更大的NNI值；与主次分配相比，平均分配具有更长的绩效反应时间和更短的平均注视时间。绩效指标对于SA的测量虽然是一种间接的测量方法，但仍能在一定程度上反应SA，本研究结果表明，平均分配相比其他分配策略具有更差的绩效表现。平均注视时间记录为MATB Ⅱ显示界面内所有注视点持续时间的平均值，NNI指标揭示了注视点的密集程度，该值越接近于0说明注视点越集中[22,34]。在作业人员经验比较一致的情况下，平均分配的平均注视时间更短且注视点分布更分散，从而不利于支撑作业人员对信息形成有效理解。上述结果也与SAGAT测量结果基本一致。另外，主次分配下出现了密集的注视点分布，从而有利于理想SA的获得，但这可能导致作业人员因过度关注某一兴趣区而产生认知隧道效应，增加SA丧失的风险。

此外，低脑力负荷的SAGAT得分显著高于高脑力负荷，表明低脑力负荷下的SA高于高脑力负荷。随着脑力负荷水平的增加，被试的注意资源被不断消耗，这使得用于选择性注意加工过程的脑力资源减少[39]，从而引发较差的SA。从脑电数据结果来看，是低脑力负荷下的中线区具有更高的θ相对功率和更低的β相对功率，可能揭示了高脑力负荷下注意集中程度和大脑警觉性的降低[26-27,36]。在进一步的相关性分析中发现SAGAT得分与平均注视时间、NNI存在低度显著负相关、θ相对功率(Pz点)和α相对功率(Fz、Cz和Pz点)均存在低度显著正相关关系。结合生理指标针对脑力负荷和注意力分配策略的方差分析结果，提示眼动的平均注视时间和NNI指标、EEG的θ和α相对功率指标具有表征SA的潜力。

本研究结果可扩展至驾驶舱人机界面设计与人员培训方案设计中，如设定更为明确且区分度较大的信息优先级，控制同时要求作业人员分配注意资源的关键性信息数量；在执行常规低负荷任务时谨慎采用漫无目的的平均注意力分配策略，防止因注意力分散而引发的SA降低；在高负荷情境如特情处置时，紧急处置清单的设计应有利于突出重要操作，且尽可能简化操作步骤，可考虑合并多个操作进行一键式或模块化设计等。

4 结 论

本研究开展了高低脑力负荷下不同注意力分配策略对SA的影响实验研究，记录并分析了包括SAGAT方法、绩效、眼动和脑电指标在内的多种测量指标的结果。本研究结果表明在不同脑力负荷条件下，采用平均注意力分配策略易导致作业人员的注意力分散，从而产生更差的工作绩效和更低的SA水平；而在高脑力负荷条件下，相比于多级注意力分配策略，主次注意力分配策略更有助于作业人员提取关键信息从而维持更好的SA水平，但同时可能存在SA丧失的风险；高脑力负荷水平下的SA低于低脑力负荷水平下的SA；眼动的平均注视时间和NNI指标以及EEG的θ和α相对功率指标具有较好的表征SA的潜力。本研究可为复杂任务条件下驾驶舱人机界面的信息需求设计以及飞行任务培训策略的优化提供一定依据。