长时工作记忆和注意力分配对装甲车辆乘员情景意识的影响

2022-12-01孙厚杰金晓萍解芳孙晓东郑思涓

兵工学报 2022年11期

孙厚杰，金晓萍，解芳，孙晓东，郑思涓

(1.中国农业大学工学院, 北京 100083； 2.中国北方车辆研究所，北京 100072)

0 引言

装甲车辆乘员的情景意识(SA)与自身安全及车辆作战效能息息相关。统计数据表明，在装甲车辆作战领域，高达70%的事故是由乘员自身因素造成的[1]，其中大多由乘员的决策失败所致，而决策失败主要是由情景意识水平较低甚至缺失造成的。随着新兴技术的不断发展，任务本身对乘员体力消耗越来越少，开始逐渐转化为对感知、决策等脑力资源的消耗[2-4]，这表明乘员若能维持良好的情景意识水平，对保障自身安全及提高任务绩效水平有着至关重要的作用。

情景意识是指在一定时间和空间环境中人对不同元素的感知、对其含义的理解以及对下一时刻状态的预测[5]。简而言之，情景意识由感知、理解和预测三个顺序阶段构成，它是影响操作者决策和绩效的关键因素。Endsley等人将情景意识的影响因素分为内部因素(人的注意力、记忆、情绪、身体状态、经验等)和外部因素(界面设计、任务复杂程度、自动化水平等)两大类[6-7]，其测量方法主要包括情景意识测评技术(SART)、情景意识全面测量技术(SAGAT)、绩效测量以及生理测量等[8-10]。

当前，对于情景意识的研究主要集中于航空航天及汽车驾驶等领域，例如，Lin等[11]探讨了通信媒介、飞行阶段和驾驶舱中的角色对飞行员情景意识的影响；Serkan Cak等[12]通过实验研究了工作记忆、注意力以及经验对飞行员情景意识的影响；O’Brien等[13]通过实验证实了认知技能训练能够提升飞行员情景意识水平，进而提高其任务绩效；Koen等[14]基于飞行模拟器，探讨了眼动作为情景意识评价指标的可能性；完颜笑如等[15-16]基于多资源理论构建了情景意识理论模型，并通过实验探究了不同脑力负荷对情景意识的影响规律，此外，该团队还针对飞行员开展了负荷条件下注意力分配策略对情景意识影响的研究[17]；鲍俊平[18]研究了飞行员对驾驶舱声音的感知及加工过程，进而分析出舱内噪声对飞行员情景意识水平的影响。在车辆驾驶方面，Kass[19]等研究了驾驶中手机通话对新老驾驶员情景意识的影响；Bashiri等[20]利用拖拉机驾驶模拟器，研究了自动化水平对驾驶人情景意识的影响，结果表明情景意识随着自动化水平的提高而增加，但高度自动化水平下的情景意识较低；Liang等[21]利用眼动追踪技术研究了自动驾驶接管过程中驾驶员情景意识的变化情况。张子健[22]通过多模态刺激的方式对人机共驾模式下的驾驶员进行唤醒，并完成情景意识的测评，最终建立了驾驶员情景意识的评价指标体系。

然而，在装甲车辆领域，对于乘员情景意识的研究较少，通过提高乘员情景意识水平，进而保障其安全、提高车辆作战效能却是亟待解决的问题。此外，当前研究者们对于情景意识影响因素的研究大多集中在外部环境因素[8-10]，而对其内部因素的研究较少。因此，本研究将针对装甲车辆中车长的某一假定任务，通过实验研究人的长时工作记忆、注意力分配等内部因素对乘员情景意识的影响，并运用相关性分析研究对情景意识变化敏感的绩效、眼动和心电指标，旨在通过实验数据分析出对乘员情景意识影响较显著的内部因素，并筛选出情景意识的敏感指标。研究结果一方面可为装甲车辆人机界面信息显示的优化设计提供一定依据，另一方面可为装甲车辆乘员情景意识相关理论研究提供实验数据支撑。

1 实验方法

1.1 被试人员

实验招募了24名成年男性作为被试，年龄在23～35岁(平均值M=28.13岁，标准差SD=4.14岁)。所有被试身体状况良好，视力或矫正视力正常，听力正常，且根据Edinburgh利手测试显示均为右利手。在实验之前，所有被试都被告知实验流程及说明并自愿签署书面知情同意书。

1.2 实验设备

实验基于某装甲车辆乘员任务虚拟仿真实验系统，该系统由任务调度模块、作战场景仿真模块、仪表任务模块以及后台数据记录等4个模块构成。其中，任务调度模块用于乘员任务参数的选择与确认；作战场景仿真模块为被试提供高逼真度的作战场景；仪表任务模块用于仪表监视任务逻辑的实现及其界面的显示；后台数据记录模块用于记录在作战任务及仪表监视任务中被试的任务绩效(包括命中率、反应时间等)。

眼动指标的采集采用瑞典Smart Eye Pro非侵入式眼动仪，该眼动仪通过3个红外摄像头捕捉被试的各类眼动指标，采样频率为60 Hz。

此外，实验过程中通过Bio Lab生理测量仪同步采集被试的心电信号，采样频率为500 Hz。实验所用仪器设备如图1所示。

图1 实验仪器设备

1.3 实验设计

研究证实，人的工作记忆是成功获取和维持情景意识的重要因素[23]。此外，注意是形成情景意识的基础，且注意力分配决定着情景意识的质量[21]。因此，本研究选取人的长时工作记忆和注意力分配作为情景意识的影响因素。而根据Wickens所提出的注意力分配模型(SEEV模型)可知，注意力分配包括凸显性、努力、期望以及价值四个影响因素[24]。其中，凸显性与努力可归为对注意力分配“自下而上”的影响，而期望与价值对注意力分配是一种“自上而下”的影响，综合考虑，分别选取不同信息加工过程中的凸显性和期望作为注意力分配下的子因素。

综上，本研究从人类特性及认知能力出发，选取可能影响乘员情景意识的3个因素：长时工作记忆、注意力分配中的“凸显性”及“期望”，进行实验研究。其中，长时工作记忆因素采用2水平被试间设计，注意力分配因素采用2×2被试内设计。最终确定研究的情景意识影响因素如表1所示。

表1 情景意识影响因素及水平设定

因素一为长时工作记忆，它是一种熟练地应用长时记忆贮存信息的机制，一般靠训练和学习来获取。实验将该因素划分为两个水平：水平一为熟练者，水平二为初学者。其中熟练者为经历过一年以上的作战任务训练，对作战场景及任务流程较为熟悉；初学者仅进行20 min左右的实验前培训，对实验系统及作战场景不熟悉。实验分别招募了12名熟练者和12名初学者。

因素二为注意力分配中的“凸显性”因素，它是指兴趣区(AOI)由于其大小、颜色、强度或对比从背景中突显出来的程度，本研究采用异常信息凸显性来表征。该因素包括两个水平，水平一为异常信息凸显性高，具体表现为当所监视仪表出现异常时其字体颜色、大小将会发生变化(字体颜色由黑色变为红色，字体大小变大)，使被试更易察觉异常；水平二为异常信息凸显性低，具体表现为，当仪表出现异常时，其字体的大小及颜色无变化。异常信息凸显性差异如图2所示。

图2 异常信息凸显性不同水平

因素三为注意力分配中的“期望”因素，它是指人们更倾向关注那些有许多“变化”的地方。一般来说，事物的变化越多，人们越期望它们发生变化。本研究采用异常信息出现频率来表征“期望”，包括异常信息3 min出现一次以及异常信息0.5 min出现一次两个水平。

1.4 实验任务及流程

本研究的实验任务包括主任务和次任务，其中主任务要求被试在装甲车辆乘员任务虚拟仿真实验系统中完成某一假定任务，即被试扮演车长的角色通过周视镜搜索敌车目标，经过感知、识别、决策与响应四个信息加工过程，先敌开火，完成对敌打击。具体来说，当发现敌车目标时，被试转动炮台并打开瞄准镜识别敌车类型，根据车型选择相应的弹种，进而发射炮弹打击敌车，最终进行毁伤评估，完成打击任务。任务流程如图3所示。

图3 车长作战流程

次任务为仪表监视任务，要求被试在进行作战任务的同时监视仪表显示状态，并对异常信息进行感知、判断、决策和响应操作。具体来说，被试需监视屏幕左下方仪表区中的车速、油量及发动机状态3个仪表信息，当某一仪表出现异常时，被试按照实验前的培训要求，在键盘上按下相应的按键对异常信息进行响应，异常情况的设定如表2所示。实验主要通过设定所需监视仪表的异常信息出现频率及异常信息凸显性来诱发乘员情景意识的变化。

表2 异常情况范围设定

实验包括实验培训和正式实验两个阶段。被试在实验培训阶段接受充分的培训，熟悉实验系统的具体操作方法，牢记异常信息出现的范围，并进行不低于10分钟的练习。正式实验时，通过眼动仪和生理测量仪实时采集被试的眼动及心电数据，同时采用SAGAT测量被试的情景意识水平。实验过程中将随机进行共计5次的冻结SAGAT测试，冻结时被试需完成13个关于冻结时的实验情景问题，实验完成后统计回答的正确率及回答时间。每次实验约15分钟，实验完成后填写3D-SART量表并休息10分钟。根据实验设计结果，每名被试共需完成4次实验，为消除学习效应，采用拉丁方设计确定实验顺序。正式实验的实验流程如图4所示。

图4 正式实验流程

2 实验结果

置信度取0.05对主观得分、客观绩效得分、眼动及生理指标进行统计学分析，采用三因素方差分析研究长时工作记忆、异常信息凸显性以及异常信息出现频率对各测量指标的主效应和交互效应，并结合皮尔逊相关性检验进行情景意识敏感指标的分析。

2.1 3D-SART量表结果

不同实验条件下对应的3D-SART量表得分的描述性结果如图5所示，其中图例对应因素一不同的实验水平，蓝色无剖面线填充代表熟练者，黑色剖面线填充代表初学者；横坐标为因素二、三对应的实验水平，以高凸显性/低频为例，指的是异常信息凸显性高、异常信息出现频率低；纵坐标为各实验条件下的3D-SART量表得分。从图中可以看出，情景意识主观量表得分随着高凸显性/低频、高凸显性/高频、低凸显性/低频、低凸显性/高频的顺序呈现出下降的趋势，且熟练者的得分普遍高于初学者。三因素方差分析结果表明，长时工作记忆对3D-SART量表得分主效应显著(F(1,23)=24.638，p<0.001，η2=0.622。F为F检验的检验统计量；p值用以判断组间差异的凸显性，当p<0.05时说明有显著差异；η2为某一因素对整体因变量影响的效果)，具体表现为熟练者的3D-SART得分显著高于初学者；异常信息凸显性对3D-SART量表得分主效应显著(F(1,23)=19.194，p<0.001，η2=0.506)，具体表现为高凸显性条件下的3D-SART得分显著高于低凸显性条件；异常信息出现频率对3D-SART量表得分主效应显著(F(1,23)=18.6，p<0.001，η2=0.498)，具体表现为异常信息出现频率低的 3D-SART得分显著高于异常信息高频出现。此外，三个因素之间的交互效应呈现边缘显著影响(p=0.039)。

图5 不同实验条件下SART主观评价平均得分

2.2 SAGAT量表结果

本研究中SAGAT得分取冻结时SAGAT评价量表的正确率，图6所示为各因素水平下的SAGAT得分，从图中可以看出，经验越丰富、凸显性越高以及频率越低，则SAGAT得分越高，反之，经验及凸显性越低，而异常信息出现频率越高，则SAGAT得分越低。

图6 不同实验条件下SAGAT平均得分

通过方差分析可以得出，长时工作记忆(F(1,23)=27.176，p<0.001，η2=0.639)以及异常信息凸显性(F(1,23)=13.841，p=0.002，η2=0.464)两个因素对SAGAT得分主效应显著，而异常信息出现频率对其主效应不显著(p=0.241)，各因素间的交互效应也不显著。进一步比较分析，熟练者的SAGAT得分显著高于初学者，异常信息凸显性高的条件下SAGAT得分显著高于低异常信息凸显性条件。

2.3 任务绩效结果

在本研究中，选取歼敌时间和异常信息响应时间作为任务绩效指标。其中歼敌时间是指敌车从出现始至被歼灭止所需的时间；异常信息响应时间是指仪表区出现异常信息开始到被试者按下相应按键消除异常信息为止所花费的时间。各指标的具体结果如下：

2.3.1 歼敌时间

歼敌时间的描述性统计结果如表3所示。不难看出，熟练者的歼敌用时普遍比初学者短。方差分析结果表明，长时工作记忆对歼敌时间主效应显著(F(1,23)=45.482，p<0.001，η2=0.741)，而异常信息凸显性及异常信息出现频率两个因素对歼敌时间主效应不显著(p>0.05),且各因素间的交互作用对其影响均不显著。

2.3.2 异常信息响应时间

不同实验条件下的平均异常信息响应时间描述性统计结果如表3所示，从表中可以看出，当其他条件一定时，熟练者的响应时间低于初学者，且高凸显性条件下的响应时间普遍低于低凸显性条件。进一步地，方差分析结果表明，长时工作记忆对异常信息响应时间主效应显著(F(1,23)=12.009，p=0.003，η2=0.429)，异常信息凸显性主效应显著(F(1,23)=29.760，p<0.001，η2=0.698)，而异常信息出现频率主效应不显著(p=0.385)。对于各因素间的交互效应，除异常信息凸显性×异常信息出现频率呈现边缘显著(p=0.056)，其他交互效应均不显著。

表3 不同实验条件下的任务绩效描述性统计结果(平均值±标准差)

2.4 眼动指标结果

选取的眼动指标包括眼睑开度以及仪表区注视时间占比。其中眼睑开度的描述性统计结果如表4所示。方差分析结果表明，长时工作记忆对眼睑开度主效应显著(F(1,23)=17.212，p<0.001，η2=0.164)，异常信息凸显性对眼睑开度的主效应显著(F(1,23)=4.981，p=0.025，η2=0.054)，且从图中可以看出，熟练者的眼睑开度显著大于初学者，高凸显性条件下的眼睑开度显著大于低凸显性条件下，而异常信息出现频率对眼睑开度的主效应不显著(p>0.05)。对于交互效应而言，除三个因素的总交互效应呈现边缘显著(p=0.049)，其余两两因素之间的交互效应不显著。

本研究所绘制的兴趣区包括仪表区、搜索与瞄准区、方向显示区以及地图雷达区共四个区域，具体分布如图7所示。由于异常信息凸显性及出现频率的变化主要引起仪表区信息的变化，因此，选取仪表区注视时间占比作为眼动测量的另一指标，其定义式如(1)式所示。

图7 实验场景兴趣区划分

(1)

式中：PROI-1表示仪表区注视时间占比；TROI-1为仪表区(ROI-1)的注视时间；TROI-k为第k个兴趣区(ROI-k)的注视时间。

仪表区注视时间占比的描述性统计结果如表4所示。方差分析结果表明，长时工作记忆、异常信息凸显性以及异常信息出现频率三个因素的主效应均显著(p<0.001)。进一步比较分析，熟练者的仪表区注视时间占比显著大于初学者，高凸显性条件下的仪表区注视时间占比显著小于低凸显性条件下，且其在高频条件下显著高于低频条件下。

表4 不同实验条件下的眼动指标描述性统计结果(平均值±标准差)

2.5 心电指标处理结果

常见的心电指标有心率(HR)和心率变异性(HRV)。研究表明，心率以及心率变异性中SDNN、PNN50等指标对任务需求敏感，而任务需求又会直接影响被试的情景意识水平，因此，本研究将对心电中的心率、SDNN以及PNN50等指标进行分析。

2.5.1 心电信号预处理

一般情况下，心电信号容易受到工频、肌电干扰，基线漂移等影响，原始的心电信号常常掺杂着许多无用的噪声信号，因此，在对心电信号进行分析之前，首先需对其进行信号预处理，旨在消除各种干扰对心电信号的影响[25]。

为消除各类干扰及基线漂移对心电信号的影响，采用带通滤波方法进行滤波处理，部分信号滤波前后的示意图如图8所示。

图8 部分心电信号滤波前后示意图

图9所示为正常心电信号的波形图，由于实验所采集的数据为原始的电信号，若要对心电信号进行分析，首先要判断出R波的位置，因此，为方便后续对心率及心率变异性指标的分析，本研究采用Pan Tompkin算法进行R波定位[26]。

图9 正常心电信号波形图

心率是指心脏在一分钟内的跳动频率。本研究采用各组别的心率平均值进行比较分析，每组的心率平均值计算公式如(2)式所示。

(2)

式中：HeartRate(i)为第i组实验的平均心率，单位为次/min；Rtotal(i)为第i组实验中心电信号R波总数；Ttotal(i)为第i组实验所花费的总时间。

不同实验条件下的心率如图10所示，从图中可以看出，高凸显性、低频条件下的心率值较高，而其他条件下的心率并无较大差异。进一步地，方差分析结果表明，除异常信息凸显性因素对心率值的主效应呈现边缘显著影响(F(1,23)=4.422，p=0.052，η2=0.217)，其他因素对其主效应不显著。在交互效应中，异常信息凸显性×异常信息出现频率交互效应显著(F(1,23)=8.364，p=0.011，η2=0.343)，而其他各因素间的交互效应均不显著。

2.5.3SDNN指标结果

SDNN是指R-R间期的标准差，其计算公式如(3)式所示。

(3)

不同实验条件下的SDNN值如图11所示。方差分析结果表明，长时工作记忆(F(1,23)=10.195，p=0.002，η2=0.104)、异常信息凸显性(F(1,23)=12.382，p=0.001，η2=0.123)对其主效应显著，而异常信息出现频率对SDNN主效应不显著(p=0.383)，且各因素间的交互效应均不显著(p>0.05)。进一步比较分析得出，熟练者的SDNN值显著低于初学者，且高凸显性条件下的SDNN值高于低凸显性条件下。

2.5.4PNN50指标结果

（2）发展分层化。发展分层要求管理人员要有长远眼光，要迎合时代发展，做好长远规划，从而把发展的重点放在优势干果品种上，努力把干果经济林开发优势提升到产业化发展层面。

PNN50也是心率变异性中较常见的一项指标，是指相邻R-R间期差值大于50 ms的个数与总R-R间期个数之比，其计算公式如(4)式所示。

(4)

式中：PNN50(i)指第i组心电数据的PNN50值；NN50(i)为第i组数据中相邻R-R间期差值大于50 ms的个数；NN(i)为第i组数据的R-R间期总数。

不同实验条件下的PNN50值如图12所示。从图中可以看出，熟练者的PNN50值明显大于初学者，且在低凸显性水平下，低频条件下的PNN50值较高频条件下高。进一步通过方差分析结果表明，长时工作记忆对PNN50的主效应显著(p<0.001)，且异常信息凸显性×异常信息出现频率的交互效应对PNN50影响显著(p<0.001)，而其他因素的主效应及交互效应不显著。

图12 不同实验条件下的PNN50值

2.6 相关性分析结果

采用Pearson相关性检验对各指标进行相关性分析，以提取情景意识的敏感性指标。考虑到3D-SART及SAGAT得分在情景意识测评中应用的广泛性和有效性，在不同的实验条件下，选取这两者与任务绩效及眼动、生理指标之间分别进行相关性分析。

首先，进行情景意识任务绩效的敏感指标探索，结果发现，3D-SART得分和SAGAT得分与歼敌时间均不相关(p>0.05)，而二者得分与异常信息响应时间显著相关，其中3D-SART得分与异常信息响应时间呈现高度负相关关系(r=-0.931，p<0.001。r为相关系数，表示变量间的相关性大小，其绝对值越大，相关性越强)，SAGAT与其呈现强相关关系(r=-0.604，p=0.002)。

其次，进行情景意识的敏感眼动指标的分析，结果发现，3D-SART得分与眼动指标中的眼睑开度弱相关(r=0.270，p=0.008)，与仪表区注视时间占比呈现中等显著相关关系(r=-0.404，p=0.05)，而SAGAT得分与所提出的两个眼动指标相关性不显著(p>0.05)。

最后，对心电指标也进行了相关性分析，其中SDNN值与3D-SART(r=0.268，p=0.005)和 SAGAT 得分(r=0.287，p=0.008)均呈现弱相关关系，此外，心率值与SART得分中等相关(r=0.443，p<0.001)，PNN50值与SAGAT得分强相关(r=0.684，p<0.001)。

3 讨论

本文旨在研究长时工作记忆以及注意力分配对装甲车辆乘员情景意识的影响，故而选取装甲车辆车长某一假定任务，基于装甲车辆乘员任务虚拟仿真实验系统开展实验研究，所测得的3D-SART得分、SAGAT得分、任务绩效、眼动及心电指标的方差分析结果汇总如表5所示。

表5 各指标方差分析结果汇总

3.1 对装甲车辆乘员作战情景意识的讨论

参照汽车驾驶方面对情景意识的描述[27]，装甲作战任务中车长的情景意识可表述为“理解每一时刻作战意图、车辆状态、作战环境、敌车状况及自车其他乘员之间的关系”。

如上文所述，Endsley指出的情景意识[5]共分为3个阶段：觉察、理解和预测。其中，第一个阶段为觉察，在动态的环境中，只有注意到动态的变化，并做出基本的知觉解释，才能意识到变化。可见，该阶段有较多的注意资源消耗，所提出的注意力分配因素对该阶段有较大影响。从装甲作战任务角度来看，在主任务中，车长首先必须于当前作战环境中注意到敌车目标，方可对目标进行理解，最终做出决策及反应；在次任务中，车长首先应察觉到仪表中的异常信息，方能通过信息加工完成响应。综上所述，注意力分配因素将主要影响到车长搜索敌方目标及察觉异常信息的过程。

在情景的理解或诊断阶段需要对信息进行整合，以及对发生了什么进行更高水平的推理。这些过程需要大量使用工作记忆，当然也会使用到长时工作记忆[24]。在装甲作战任务中，车长已经发现了敌车目标，正理解敌车类型，并做出装弹决策，进而进行对敌打击。在次任务中，车长已发现仪表信息发生了变化，正根据工作记忆判别变化的仪表信息是否发生了异常，进而完成异常响应。由于在这一过程中将使用到长时工作记忆，因此所提出的长时工作记忆因素对该过程有较大影响。

3.2 关于长时工作记忆的讨论

研究表明，三维度情景意识测评技术(3D-SART)在情景意识的测量评价中应用广泛，且效果较好[28]。本实验中，长时工作记忆因素对3D-SART得分的主效应显著，具体表现为熟练者较初学者的得分高。3D-SART量表的三个主维度分别为情景综合理解、注意力需求以及注意力供应[28]，实验结果表明，随着长时工作记忆水平的提升(由初学者到熟练者)，情景综合理解的得分显著升高，因此，根据3D-SART计算公式可知，熟练者的3D-SART得分显著高于初学者，并且可以认为，长时工作记忆因素主要通过影响被试的“理解阶段”进而影响其SART得分。

此外，用于客观评价情景意识水平的情景意识全面测量技术(SAGAT)已得到研究者们的一致认可[29-30]。本研究中，长时工作记忆因素对SAGAT得分的主效应显著，具体表现为熟练者较初学者的得分高，表明熟练者的情景意识水平显著高于初学者。实验数据表明，在长时工作记忆因素不同水平下，SAGAT问卷中“理解”阶段的得分分差普遍高于“感知”和“预测”阶段，表明长时工作记忆主要是通过影响被试的“理解”阶段来影响其情景意识水平。

在任务绩效方面，长时工作记忆因素对歼敌时间和异常信息响应时间均有显著影响，具体表现为熟练者所用的歼敌时间和异常信息响应时间较初学者短。分析其原因，一方面，长时工作记忆主要影响情景意识的“理解”阶段，由于熟练者对作战任务理解深刻，因此其在打击作战时能够迅速判别目标车型，进而精准决策，快速瞄准，从而歼敌时间较初学者短。另一方面，由于熟练者对于作战任务经验丰富，花费在作战任务上的注意资源较初学者少，因此其将有更多的注意资源来监测仪表区，从而所需异常信息的响应时间较少。此外，这一表述还可用来解释眼动指标中仪表区注视时间占比熟练者显著大于初学者的现象。

在眼动和心电方面，部分指标也表现出了类似的变化趋势，例如，熟练者的眼睑开度显著大于初学者的眼睑开度，表明熟练者的情景意识水平较高。SDNN值表征逐次心跳周期差异的变化情况，其值越大，R-R间期的差异越大[31]。在本实验条件下，由于熟练者对实验场景及作战任务较为熟悉，因此在进行打击作战或异常响应作业时，其心率变异性较小，R-R间期并未有较大的变化；而初学者由于不熟悉场景及任务，当遇到敌车或异常情况时，包括R-R间期在内的各心率变异性指标将会有较大变化，因此其SDNN值较大。由于心率指标因人而异，因此在本实验中，初学者和熟练者的心率指标并未表现出显著差异。

3.3 关于注意力分配的讨论

为探究人的注意力分配对装甲车辆情景意识的影响，本研究基于SEEV模型选取了凸显性和期望进行了注意力分配影响因素的设计，其中，注意力分配中的凸显性是指某一兴趣区由于其大小、颜色、强度或对比从背景中突显出来的程度，实验中用异常信息凸显性来表征；期望是指我们更倾向关注那些有许多“变化”的地方，一般来说，失误的变化越多，我们越期望它们发生变化，本实验中期望用异常信息出现频率表征。在此基础上，开展了不同因素水平下的情景意识水平测量。

3.3.1 关于异常信息凸显性的讨论

研究表明，突显的兴趣区能吸引被试者的注意，可使被试保持较高的警觉度水平，从而方便其视觉信息加工，进而减少脑力资源的占用[32-33]，使其情景意识水平较高。进一步地，在该因素各水平下，3D-SART及SAGAT中“感知”阶段的得分分差最大，可认为异常信息凸显性主要影响情景意识中的“感知”阶段。

在任务绩效方面，高凸显性条件下被试对异常信息的“感知能力”更强，因此该条件下的异常信息响应时间较短。相反，在低凸显性的条件下，发生异常时，被试很难察觉到异常，甚至错过异常信息，因而其响应时间显著较长。

眼动和心电的部分指标也表现出了相似的变化趋势。前期研究表明，眼睑开度可用来反应被试的认知状态，高认知状态下的眼睑开度高于低认知状态，本实验中高凸显性条件下被试的认知状态较高，因此其眼睑开度较大。对于仪表区注视时间占比指标来说，相较于高凸显性水平，被试在低凸显性条件下较难察觉异常信息的出现，因此需花费更多的时间注视仪表区来觉察异常信息的出现，故而其仪表区注视时间占比显著高于高凸显性水平。此外，SDNN值在高凸显性条件下显著高于低凸显性条件下，可能的原因是当异常信息以高凸显性显示情况下，被试更易察觉异常的同时会伴随些许紧张感，从而R-R间期发生变化，进而导致SDNN值较大。

3.3.2 关于异常信息出现频率的讨论

在异常信息高频出现的条件下，由于随着异常信息出现频率的增高，任务难度随之增大，任务需求随之增加，使得被试的脑力资源占用较高，因此其3D-SART得分较低。在眼动方面，根据Wickens的注意力分配理论[20]，期望是指我们更倾向于关注那些有许多“变化”的地方，而本实验中，当异常信息高频出现时，仪表区的变化较多，被试将更倾向于关注仪表区，因此其注视时间占比较低频高。而对于其他指标，异常信息出现频率这一因素并未表现出显著的主效应。总体来看，异常信息出现频率对乘员情景意识水平影响较小，可能的原因是，一方面随着异常信息出现频率的增加，提升了被试的“期望”，这将有利于情景意识水平的提高；另一方面，随着频率的增加，被试的任务需求将增大，这将降低被试的情景意识水平，综合来说，异常信息出现频率对乘员的情景意识水平影响较小。

上述研究结果表明，注意力分配对装甲车辆乘员的情景意识有显著影响，若能在人机交互界面设计之初充分考虑注意力分配的影响，可有效提升乘员的情景意识水平。