基于眼動(dòng)儀的地鐵調(diào)度員工作負(fù)荷評價(jià)方法

朱雅茹，楊聚芬，劉志鋼

（上海工程技術(shù)大學(xué) 城市軌道交通學(xué)院，上海 201620）

近些年來，由于地鐵網(wǎng)絡(luò)化運(yùn)營及工作任務(wù)復(fù)雜化，其作業(yè)量、故障場景數(shù)量也呈上升趨勢，調(diào)度員的工作強(qiáng)度隨之增強(qiáng)，其責(zé)任與壓力也在同步加大[1]。調(diào)度作業(yè)在進(jìn)行突發(fā)事件的應(yīng)急處理時(shí)十分關(guān)鍵，調(diào)度員在應(yīng)急處置場景下處于較為繁重的腦力工作，當(dāng)腦力勞動(dòng)處于較高水平時(shí)，調(diào)度員會(huì)因此而產(chǎn)生疲憊、困倦的狀態(tài)，繼而影響其安全作業(yè)[2]。因此，為了確保城市軌道交通的安全運(yùn)行，需要對調(diào)度員的工作負(fù)荷進(jìn)行科學(xué)的分析與評價(jià)。

生理測量方法是基于外設(shè)測量的生理指標(biāo)來進(jìn)行分析評價(jià)操作者的工作負(fù)荷，如心率、瞳孔直徑、眨眼率等[3]。Weilang[4]及Hasan[5]等運(yùn)用腦電和光電圖技術(shù)評估管制員的工作負(fù)荷；陳瑜及徐軍莉[6]測量了駕駛員在清醒和疲勞狀態(tài)下的5 種眼動(dòng)指標(biāo)，得出PERCLOS、眨眼均值、瞳孔面積作為眼動(dòng)疲勞特征指標(biāo)；郭永彩[7]分析疲勞狀態(tài)下駕駛員的眼動(dòng)特征參數(shù)并提出了基于PERCLOS 的駕駛員疲勞檢測方法；靳慧斌等[8]利用眼動(dòng)指標(biāo)的共線性，通過回歸分析方法建立了基于交互指標(biāo)的空中管制員工作負(fù)荷實(shí)時(shí)測量方法，但缺少對此模型的驗(yàn)證。本文通過眼動(dòng)儀采集調(diào)度員在工作狀態(tài)下的9 個(gè)眼動(dòng)指標(biāo)，使用單因素方差分析法篩選出5 個(gè)與工作負(fù)荷顯著性相關(guān)的指標(biāo)，將顯著性指標(biāo)進(jìn)行因子分析并提取出綜合因子，以工作負(fù)荷作為因變量，綜合因子作為自變量對工作負(fù)荷回歸模型進(jìn)行參數(shù)標(biāo)定，建立地鐵調(diào)度員工作負(fù)荷評價(jià)模型，最后采用實(shí)測數(shù)據(jù)對該模型的有效性進(jìn)行驗(yàn)證。

1 基于眼動(dòng)的工作負(fù)荷評價(jià)原理

城市軌道交通調(diào)度系統(tǒng)是一個(gè)人機(jī)交互的系統(tǒng)，調(diào)度員需長時(shí)間盯視監(jiān)控面板以防忽略列車故障情況，單一的工作內(nèi)容會(huì)使得其產(chǎn)生枯燥的心理情緒從而影響其視覺注意力。當(dāng)列車發(fā)生故障需應(yīng)急救援處置時(shí)，調(diào)度員需針對狀況思考短時(shí)間內(nèi)做出決策，當(dāng)列車突發(fā)情況較為頻繁時(shí)，調(diào)度員會(huì)長時(shí)間處于注意力高度集中，在此過程中人的腦力勞動(dòng)會(huì)逐漸增多，因此長時(shí)間監(jiān)控作業(yè)會(huì)使得調(diào)度員的工作負(fù)荷會(huì)逐漸發(fā)生累積[9-11]。本文采用實(shí)驗(yàn)的方式，實(shí)時(shí)采集調(diào)度人員在監(jiān)控任務(wù)及應(yīng)急處置情景的眼部動(dòng)態(tài)變化指標(biāo)，對指標(biāo)變化進(jìn)行分析。

人所接收到外界信息有80%均通過眼睛所建立的視覺通道來獲取的，人在進(jìn)行生理或心理活動(dòng)時(shí)，眼睛可以反映其活動(dòng)過程[12-13]。研究表明，當(dāng)人進(jìn)入疲勞狀態(tài)時(shí)，其眨眼潛伏期、閉眼時(shí)間占比、凝視時(shí)間、瞳孔擴(kuò)張情形、CA 均會(huì)發(fā)生增加[14]，因此調(diào)度員的眼動(dòng)指標(biāo)可以反映其在與工作環(huán)境交互時(shí)所獲得的信息量及自身心理活動(dòng)。因此本文通過實(shí)驗(yàn)采集的眼動(dòng)數(shù)據(jù)建立模型來評價(jià)調(diào)度員的工作負(fù)荷，對采集到的平均眨眼率、平均凝視時(shí)間、平均凝視次數(shù)、平均掃視時(shí)間、雙眼平均掃視角度、雙眼平均掃視次數(shù)等9 個(gè)指標(biāo)進(jìn)行分析，使用方差分析法篩選出平均眨眼率、平均凝視時(shí)間等5個(gè)顯著性指標(biāo)并進(jìn)行綜合因子的提取，以主觀負(fù)荷作為因變量、綜合因子作為自變量進(jìn)行工作負(fù)荷回歸模型的參數(shù)標(biāo)定，建立地鐵調(diào)度員工作負(fù)荷回歸模型。

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 實(shí)驗(yàn)?zāi)康?/h3>

為獲得調(diào)度員工作過程中不同狀態(tài)下眼部變化的特征參數(shù)，應(yīng)用Dikablis Glass 3 眼動(dòng)儀設(shè)備采集調(diào)度員在模擬環(huán)境下的眼動(dòng)指標(biāo)。

2.2 實(shí)驗(yàn)設(shè)計(jì)

本次實(shí)驗(yàn)設(shè)計(jì)三種不同難度的作業(yè)任務(wù)，如圖1 所示。被試需要依次完成三組實(shí)驗(yàn)，最終保證故障列車的救援處置過程完成，在實(shí)驗(yàn)過程中，每組實(shí)驗(yàn)完成后，被試需填寫NASA-TLX 量表并休息10min。

圖1 作業(yè)內(nèi)容等級圖

2.3 實(shí)驗(yàn)設(shè)備

本實(shí)驗(yàn)使用Dikablis Glass 3 眼鏡式眼動(dòng)儀，采樣率為60Hz（Per eye）。實(shí)驗(yàn)環(huán)境為基于動(dòng)態(tài)場景的軌道交通行車調(diào)度虛擬仿真實(shí)驗(yàn)系統(tǒng)，如圖2 所示。

圖2 基于動(dòng)態(tài)場景的軌道交通行車調(diào)度虛擬仿真實(shí)驗(yàn)系統(tǒng)

2.4 實(shí)驗(yàn)過程

為了避免被試實(shí)驗(yàn)結(jié)果受時(shí)間段選取的不同而受影響，每位被試的實(shí)驗(yàn)均在上午9:00～11:00 期間進(jìn)行。實(shí)驗(yàn)開始后，被試依次進(jìn)行三種不同難度的作業(yè)任務(wù)，每次實(shí)驗(yàn)期間休息10min，并填寫NASA-TLX 量表，對該次任務(wù)工作負(fù)荷的大小做出主觀評定。如圖3 所示。

圖3 被試實(shí)驗(yàn)狀態(tài)

3 基于眼動(dòng)特征的調(diào)度員工作負(fù)荷評價(jià)方法

3.1 眼動(dòng)指標(biāo)的分析

（1） 關(guān)鍵眼動(dòng)指標(biāo)的篩選

本次實(shí)驗(yàn)共采集到9 個(gè)眼動(dòng)指標(biāo)：單個(gè)被試的實(shí)驗(yàn)持續(xù)時(shí)間、眼部數(shù)據(jù)在畫面中的X 軸坐標(biāo)的標(biāo)準(zhǔn)差、眼部數(shù)據(jù)在畫面中的Y 軸坐標(biāo)的標(biāo)準(zhǔn)差、平均眨眼率、雙眼平均凝視時(shí)間、雙眼平均凝視次數(shù)、雙眼平均掃視時(shí)間、雙眼平均掃視角度、雙眼平均掃視次數(shù)。為了剔除對工作負(fù)荷（實(shí)驗(yàn)中使用任務(wù)難度表征） 無顯著性差異的指標(biāo)，以任務(wù)難度為自變量，以9 種指標(biāo)為因變量，分別進(jìn)行單因素方差分析，結(jié)果如表1 所示。

由表1 可知，眼部數(shù)據(jù)在畫面中X 軸坐標(biāo)的標(biāo)準(zhǔn)差、眼部數(shù)據(jù)在畫面中Y 軸坐標(biāo)的標(biāo)準(zhǔn)差、雙眼平均掃視時(shí)間、平均掃視角度的方差分析P 值均大于0.05，即4 種指標(biāo)在不同的任務(wù)難度下數(shù)據(jù)變化無顯著性差異。

表1 單因素方差分析結(jié)果

（2） 眼動(dòng)指標(biāo)綜合因子提取

為了檢驗(yàn)各關(guān)鍵指標(biāo)之間相關(guān)程度，對其進(jìn)行KMO 和Bartlett 檢驗(yàn)，結(jié)果分別為0.628、0.001，表明關(guān)鍵指標(biāo)間存在相關(guān)性，不能直接用于擬合工作負(fù)荷回歸模型。針對此，本文首先應(yīng)用因子分析法提取出能表征關(guān)鍵指標(biāo)的綜合因子，再構(gòu)建綜合因子與工作負(fù)荷的回歸模型。因子分析結(jié)果只提取出1 個(gè)綜合因子W1，累積貢獻(xiàn)率為74.92%，且W1與5 個(gè)關(guān)鍵指標(biāo)間的解析關(guān)系為：

其中：X1、X2、X3、X4、X5分別表示實(shí)驗(yàn)持續(xù)時(shí)間、平均眨眼率、雙眼平均凝視時(shí)間、雙眼平均凝視次數(shù)、雙眼平均掃視次數(shù)。

3.2 基于眼動(dòng)指標(biāo)的調(diào)度員工作負(fù)荷評價(jià)

回歸分析是指利用數(shù)據(jù)統(tǒng)計(jì)原理，對大量的統(tǒng)計(jì)數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，進(jìn)而確定因變量和自變量的相關(guān)關(guān)系，建立一個(gè)回歸方程便于預(yù)測由于相關(guān)指標(biāo)的變化所引起的模型變化的結(jié)果。本節(jié)以NASA-TLX 量表所計(jì)算的主觀負(fù)荷值以及利用因子分析方法所得出綜合因子W1分別作為因變量和自變量，進(jìn)行回歸分析。

R2是度量擬合優(yōu)度的統(tǒng)計(jì)量，本節(jié)回歸分析中R2的值為0.663，代表著綜合因子W1對于因變量NASA 值的擬合效果為66%，且綜合因子W1與因變量NASA 值的方差分析檢驗(yàn)結(jié)果為0.00，說明綜合因子W1與因變量NASA 值存在顯著性線性關(guān)系。

根據(jù)回歸分析的系數(shù)可知，綜合因子W1對于因變量NASA 值存在正方向影響，結(jié)合表2 中系數(shù)可得調(diào)度員工作負(fù)荷的預(yù)測模型表達(dá)式，即：

表2 回歸系數(shù)表

德賓-沃森檢驗(yàn)簡稱D-W 檢驗(yàn)，是目前檢驗(yàn)自相關(guān)性最常用的方法，但它只使用于檢驗(yàn)一階自相關(guān)性，在此回歸模型的殘差分析中，德賓-沃森的指數(shù)為0.784，可以認(rèn)為殘差間存在弱自相關(guān)性；VIF（容差的倒數(shù)） 用于共線性診斷（變量之間的關(guān)聯(lián)度），該項(xiàng)統(tǒng)計(jì)值為1，代表不存在多重共線性。通過觀測由SPSS 繪制的標(biāo)準(zhǔn)化殘差P-P 圖，如圖4 所示，可以觀測散點(diǎn)大部分聚集在對角線附近，因此可以認(rèn)為殘差符合正態(tài)分布，除此之外根據(jù)回歸標(biāo)準(zhǔn)化殘差圖的分布規(guī)律分析，若殘差的分布隨回歸值的改變而發(fā)生規(guī)律性的變化則代表方差性的假設(shè)存在問題或存在異常值，通過圖5 所示回歸殘差圖，不論回歸值的大小，而殘差具有相同的分布，因此滿足模型的各假設(shè)條件。

圖4 回歸標(biāo)準(zhǔn)化殘差的正態(tài)P-P 圖

圖5 回歸標(biāo)準(zhǔn)化殘差圖

3.3 模型驗(yàn)證

實(shí)驗(yàn)共獲取7 位被試的數(shù)據(jù)，其中5 人被分為實(shí)驗(yàn)組，2 人分為測試組。在上文中，通過實(shí)驗(yàn)組5 位被試的數(shù)據(jù)建立了調(diào)度員工作負(fù)荷的回歸模型，本節(jié)將利用測試組2 位被試的數(shù)據(jù)進(jìn)行回歸模型的驗(yàn)證。驗(yàn)證前，2 位被試的眼動(dòng)數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理，將處理后的數(shù)據(jù)代入回歸模型，將測得的數(shù)據(jù)與其主觀負(fù)荷繪制為折線圖，如圖6 所示，兩者數(shù)值較為接近，驗(yàn)證了本文負(fù)荷評價(jià)結(jié)果的有效性和準(zhǔn)確性。

圖6 預(yù)測結(jié)果圖

4 總 結(jié)

本文對地鐵應(yīng)急處置場景下地鐵調(diào)度員的眼動(dòng)數(shù)據(jù)進(jìn)行采集及分析，建立了調(diào)度員的工作負(fù)荷評價(jià)模型，該模型所得數(shù)據(jù)可有效反映調(diào)度員的工作負(fù)荷水平，為地鐵調(diào)度員工作負(fù)荷狀態(tài)評價(jià)提供研究基礎(chǔ)。