基于隨機森林算法的叉車駕駛員情景意識水平分析

陳偉炯,馮 祥,李 新,羅雅彬,韓偉佳

(1. 上海海事大學(xué) 商船學(xué)院,上海 201306; 2. 上海海事大學(xué) 海洋科學(xué)與工程學(xué)院,上海 201306;3. 中遠海運重工有限公司,上海 200135)

0 引 言

隨著船舶制造業(yè)快速發(fā)展,以叉車為主的場內(nèi)重物搬運載具呈滿荷作業(yè)的狀態(tài),有別于飛行管制和汽車駕駛,叉車駕駛員需要在復(fù)雜環(huán)境下連續(xù)完成駕駛、堆垛和搬運等任務(wù),安全事故時有發(fā)生。根據(jù)美國職業(yè)安全與健康管理局(OSHA)對全球近20年(2002—2022年)的特種設(shè)備事故統(tǒng)計,場內(nèi)叉車安全事故共計2 375條,其中死亡事故816例,占事故總數(shù)的34.36%。我國市場監(jiān)督總局關(guān)于2020年全國特種設(shè)備安全狀況的通告顯示:因使用、管理不當(dāng)?shù)仍驅(qū)е虏孳嚢踩鹿蕯?shù)約占特種設(shè)備事故總起數(shù)的73.83%[1]。學(xué)界在分析叉車事故原因發(fā)現(xiàn):造成場內(nèi)叉車事故主要涉及人、叉車、現(xiàn)場環(huán)境等3個綜合要素,且事故主要發(fā)生在叉車行駛、裝卸作業(yè)和叉車維修過程中;場內(nèi)叉車事故與叉車駕駛員的工作態(tài)度、操作技能、應(yīng)變能力和心情好壞等一系列因素息息相關(guān)[2]。從各類事故原因所占比例看,叉車行駛中發(fā)生事故占44%,裝卸過程中發(fā)生事故占23%,叉車檢修作業(yè)中發(fā)生事故占7.9%,據(jù)此可得出叉車事故主要與叉車駕駛員有關(guān)的結(jié)論。

情景意識理論已運用在空中管制、飛行績效和車輛駕駛等領(lǐng)域,且隨著新興技術(shù)出現(xiàn),生理測量、數(shù)據(jù)融合和機器學(xué)習(xí)等方法在研究駕駛員工作績效和操作水平中效果明顯,成為情景意識評估的重要方法[3]。情景意識(situation awareness, SA)由前美國空軍首席科學(xué)家D．G．JONES等[4]最先提出,即“在一定時間和空間內(nèi),對環(huán)境各組成要素知覺的理解,及對近期未來狀態(tài)的預(yù)測”。D．B．KABER等[5]將情景意識分為3層水平:第1層次為線索知覺(感知),是情景意識最薄弱的環(huán)節(jié);第2層次為理解,是對獲得信息進行整合與態(tài)勢研判;第3層次為預(yù)測,即預(yù)測未來情景事件的能力,是情景意識的最高層次。情景意識水平測量方法涵蓋主、客觀兩個基本方面,其中全面評估技術(shù)(SAGAT)、現(xiàn)狀評估技術(shù)(SPAM)、眼動追蹤技術(shù)和生理指標(biāo)評估均被證明是可以用來測量SA的方法[3]。在駕駛與疲勞檢測研究中,以眼動追蹤技術(shù)為主的生理指標(biāo)分析最為廣泛和有效。HU Xinyun等[6]利用虛擬實驗平臺對20名駕駛員開展了疲勞檢測試驗,通過分析被試者眨眼持續(xù)時間和掃視持續(xù)時間平均速度變化,發(fā)現(xiàn)超負(fù)荷駕駛會導(dǎo)致駕駛員警惕性降低,證明了眼動特征的不同生理反應(yīng)與駕駛疲勞存在顯著差異關(guān)系。G．DI-FLUMERI等[7]將眼動技術(shù)與腦電圖(EEG)相結(jié)合,測試了20名汽車駕駛員在不同交通環(huán)境和道路類型下的指標(biāo)參數(shù),證明了生理指標(biāo)在汽車駕駛員情景意識水平測量中具有顯著效果,揭示了眼動追蹤相對于主觀測量具備更高的敏感性。汪磊等[8]為探究飛行員的腦力負(fù)荷特征,以心率(heart rate, HR)、心率變異性(heart rate variability, HRV)、皮膚電活動(electrodermal activity, EDA)和眼動指標(biāo)作為因變量,融合了飛行員生理特征指標(biāo),分析了不同任務(wù)情景下飛行員的腦力負(fù)荷特征與飛行經(jīng)驗水平的相關(guān)性,為提高飛行安全水平,提高訓(xùn)練效率提供了數(shù)據(jù)支撐。情景意識研究領(lǐng)域內(nèi)涵豐富,但國內(nèi)外關(guān)于駕駛員情景意識的研究主要集中在飛行員和汽車駕駛員的分心、疲勞方面,對以叉車為代表的特種設(shè)備研究較少,且多數(shù)實驗以模擬器為主,鮮見實際場景下的作業(yè)試驗分析。因此,研究叉車駕駛員操縱叉車過程中的情景意識變化,一方面需要關(guān)注叉車駕駛員生理指標(biāo)因素與情景意識水平之間的相關(guān)性,另一方面要重視情景意識對安全駕駛的本質(zhì)作用,尤其是在現(xiàn)場環(huán)境下叉車駕駛員情景意識變化對安全駕駛的作用。

綜上,筆者以提高叉車駕駛員安全水平作為研究目標(biāo),基于主成分分析法和精確預(yù)測眼動指標(biāo)特征重要度的隨機森林算法,分析了叉車駕駛員眼動指標(biāo)與SA水平關(guān)系,最終確定了眼動指標(biāo)中最能反映駕駛員SA水平的注視總持續(xù)時間比(fixation duration proportion, FDP)、注視次數(shù)比(fixation count proportion, FCP)和平均注視持續(xù)時間(average fixation duration, AFD)作為研究指標(biāo);基于文獻[9-11],融合皮膚電導(dǎo)水平(skin conductivity level, SCL)和HR驗證了叉車駕駛員生理指標(biāo)特征與SA水平的關(guān)聯(lián)性,探討了復(fù)雜現(xiàn)場環(huán)境下不同叉車駕駛員SA水平所表現(xiàn)的生理特性,并根據(jù)研究結(jié)果為客觀評估駕駛員技能水平提供建議,達到保障安全駕駛的目的。

1 試 驗

1.1 被試者

筆者選取14名男性叉車駕駛員(平均年齡M=42.28歲,標(biāo)準(zhǔn)差(SD)為2.5)參與試驗,正常視力或矯正視力1.0及以上,所有被試者均持有特種設(shè)備操作證書,實際駕齡至少3年。被試者均無肌肉方面遺傳問題,無色盲色弱,視力正常,聽力正常。

1.2 試驗設(shè)備

試驗設(shè)備主要包括內(nèi)燃叉車和生理測量設(shè)備兩類。內(nèi)燃叉車為合力K系列3 t柴油平衡重式CPC30型叉車。該型號叉車采用寬視野門架,視野寬闊,門架槽鋼截面加大,整體結(jié)構(gòu)堅固可靠。起升系統(tǒng)配備防爆安全閥,內(nèi)部框架筋板結(jié)構(gòu),強度高質(zhì)量可靠。整體性能優(yōu)越,符合實驗條件。該叉車具體參數(shù)如表1。

表1 內(nèi)燃叉車參數(shù)

試驗采用眼動追蹤指標(biāo)與皮膚電導(dǎo)水平指標(biāo)融合的研究方法,選用帶有實時觀察功能的Tobii-Glasses2可穿戴眼動儀,搭配Ergo-LAB表面肌電測量系統(tǒng),綜合測量叉車駕駛員的眼動、皮膚肌電數(shù)據(jù)。眼動儀的采樣頻率為50 Hz,重量超輕,可獲得自然的視覺行為數(shù)據(jù);Ergo-LAB配置高精度傳感器,可采集肌電、心電、腦電等多種生理電信號,經(jīng)Ergo-LAB人機環(huán)境同步云平臺,實現(xiàn)對人員姿態(tài)、疲勞、情緒喚醒及認(rèn)知負(fù)荷等指標(biāo)的實時評估,最終完成人員狀態(tài)識別與監(jiān)測。

1.3 試驗設(shè)計

1.3.1 場景設(shè)計

本次試驗在某海工企業(yè)的國家標(biāo)準(zhǔn)考場進行,通過開展“路考”、“金字塔”、“堆垛”3項叉車代表性技能考試項目,分3個綜合場景對試驗人員的生理特征指標(biāo)進行提取。叉車駕駛員需駕駛車輛行駛固定路線,根據(jù)場景任務(wù)完成相應(yīng)的行為操作,并在試驗前后填寫情景意識主觀量表(situation awareness rating technique, SART)。場景設(shè)置如圖1。

圖1 叉車試驗場景示意Fig. 1 Forklift test scene

1.3.2 變量設(shè)計

試驗自變量為叉車駕駛員SA水平,因變量為眼動、皮膚肌電生理指標(biāo)。根據(jù)問卷得分和試驗得分結(jié)果,劃分成兩組不同SA水平的叉車駕駛員試驗組。其中,問卷采用國際流行的SART,試驗前后叉車駕駛員填寫問卷,并對駕駛員SART得分進行排序。試驗得分包括績效水平、路考得分和專家打分,依據(jù)定性、定量結(jié)合原則,將收集到的SART與試驗得分綜合考量,運用二分法對主、客觀得分計算,最終確定叉車駕駛員SA水平?？紤]到數(shù)據(jù)誤差和試驗故障的可能性,筆者對14名被試者的最終得分進行兩極化分析,引入經(jīng)濟學(xué)觀點“馬太效應(yīng)”,將被試者情景意識水平進行量化,篩選出特征明顯的高低對比組[12]。其中:高SA水平組被試5人,低SA水平組被試6人。

采用隨機森林算法對影響SART主觀量表分?jǐn)?shù)的眼動指標(biāo)特征重要度進行排序。試驗采集的眼動指標(biāo)包括:FDP、FCP、平均眼動追蹤轉(zhuǎn)移比(average track distract, ATD)、眼動追蹤轉(zhuǎn)移比(track distract, TD)、注視持續(xù)時間(fixation duration, FD)、AFD、總訪問時間(total visit time, TVT);采集皮膚肌電指標(biāo)包括:SCL、HR。其中:FDP、FCP和AFD作為試驗首要因變量,SCL、HR作為試驗次要因變量。

1.4 試驗流程

試驗包括設(shè)備培訓(xùn)、駕駛試驗、數(shù)據(jù)回訪這3個階段。設(shè)備培訓(xùn)階段:被試者應(yīng)閱讀試驗計劃書,熟悉試驗場景及任務(wù),并在研究人員指導(dǎo)下佩戴眼動儀、皮膚電活動傳感器;熟悉實驗設(shè)備后,被試者進入駕駛試驗階段,操作前完成SART填寫,研究人員對實際測量的生理指標(biāo)數(shù)據(jù)進行儲存和備份;試驗完成后,附加數(shù)據(jù)回訪階段,根據(jù)數(shù)據(jù)顯示類型,對被試者開展場景回憶,保證試驗過程的完整性。

1.5 試驗方法

使用SPSS24軟件對生理指標(biāo)數(shù)據(jù)進行分析?；谙嚓P(guān)性分析、獨立樣本t檢驗和主成分分析等方法完成數(shù)據(jù)預(yù)處理。借助python3.8構(gòu)建隨機森林(random forest, RF)回歸模型,采用袋裝法抽取眼動指標(biāo)訓(xùn)練,通過調(diào)整生成樹數(shù)量和樹的最大深度參數(shù)提高模型訓(xùn)練精度。

2 結(jié) 果

2.1 數(shù)據(jù)預(yù)處理

在試驗過程中,有1名被試者的眼動指標(biāo)數(shù)據(jù)在采集時因叉車中途熄火,無法精準(zhǔn)劃分而數(shù)據(jù)不予采納;另有2名被試者未按照指定順序進行場景任務(wù),故在補做后其數(shù)據(jù)作為備選樣本。經(jīng)篩選誤差和刪除異常數(shù)據(jù)后,筆者選擇11名被試者的生理指標(biāo)作為初始數(shù)據(jù)。

2.2 眼動指標(biāo)結(jié)果

由于各指標(biāo)之間存在不同程度的相關(guān)性,采用主成分分析法對采集到的指標(biāo)進行數(shù)據(jù)降維,以選取具有代表性的評價指標(biāo),消除變量之間的相關(guān)性。筆者將隨機森林算法得出的眼動指標(biāo)特征重要度結(jié)果與主成分分析法結(jié)果進行對比,綜合篩選出重要特征作為研究變量。

2.2.1 主成分分析法

考慮到不同眼動指標(biāo)之間存在計量單位差異,采用SPSS軟件對眼動數(shù)據(jù)進行標(biāo)準(zhǔn)化處理。將標(biāo)準(zhǔn)化后的數(shù)據(jù)作為主成分分析實驗數(shù)據(jù),其中,KMO值為0.765,p值為0.000。

表2為眼動指標(biāo)主成分特征值及方差貢獻率,依據(jù)特征值大于1原則,提取2個主成分F1、F2,即第1、2主成分的特征值分別為4.021、1.087,其累計貢獻率分別為57.44%、72.96%,能較好反映眼動指標(biāo)構(gòu)成的原始信息。表3為主因子載荷矩陣。表3中:第1主成分中起主要作用的眼動指標(biāo)為FDP、FCP,載荷絕對值分別為0.972和0.968;AFD指標(biāo)對第2主成分起主導(dǎo)作用,載荷值為0.748。將標(biāo)準(zhǔn)化后的眼動指標(biāo)FDP、FCP、ATD、TD、FD、AFD、TVT分別記為X1～X7。

表2 主成分特征值及方差貢獻率

表3 主因子載荷矩陣

由表3可得出主成分得分,如式(1)、式(2):

F1=0.242X1+0.241X2+0.18X3+0.112X4+0.214X5+ 0.096X6+ 0.179X7

(1)

F2=-0.039X1-0.075X2+0.075X3-0.605X4+0.206X5+ 0.688X6- 0.162X7

(2)

依據(jù)第1、2主成分的方差貢獻率為權(quán)重,可得叉車駕駛員眼動指標(biāo)評價模型,如式(3):

F=0.574F1+ 0.155F2

(3)

將實際測量的眼動指標(biāo)數(shù)據(jù)代入式(3),計算F得分并與SART得分對比。計算結(jié)果表明:主成分分析法計算結(jié)果與SART得分情況一致,符合叉車駕駛員情景意識水平分組規(guī)律,對比情況如表4。

表4 不同叉車駕駛員綜合得分及排名

綜上,主成分結(jié)果與實際試驗過程中叉車駕駛員表現(xiàn)得分趨于一致,說明了依據(jù)眼動指標(biāo)測量叉車駕駛員情景意識水平的可行性。主成分1中FDP、FCP指標(biāo)及主成分2中AFD指標(biāo)對綜合得分結(jié)果影響較大,可作為評價叉車駕駛情景意識水平的重要眼動指標(biāo)。

2.2.2 隨機森林算法

隨機森林是以分類樹為支撐的機器學(xué)習(xí)算法,具有回歸、分類、預(yù)測等功能,該模型能廣泛應(yīng)用于參數(shù)優(yōu)化、變量排序及分析解釋方面[13]。在眼動指標(biāo)篩選過程中,依照分組結(jié)果將采集的眼動指標(biāo)設(shè)置為訓(xùn)練自變量,將SA得分設(shè)置為模型訓(xùn)練因變量,選取70%的眼動數(shù)據(jù)作為訓(xùn)練樣本,30%的數(shù)據(jù)作為測試樣本。圖2為轉(zhuǎn)化成百分制后的模型訓(xùn)練數(shù)據(jù)樣本分布。

圖2 眼動指標(biāo)訓(xùn)練和驗證數(shù)據(jù)庫樣本分布Fig. 2 Eye movement indicators training and verification database sample distribution

確定眼動指標(biāo)的數(shù)據(jù)集和測試集后,采用袋裝法隨機抽取眼動指標(biāo)進行模型訓(xùn)練。袋裝法工作原理為:從樣本集中多次放回采樣大小為N的K個訓(xùn)練集,對每個訓(xùn)練集建立回歸模型;假設(shè)樣本容量為N,則每次放回抽樣的樣本不被抽中概率為(1-1/N)N,未被選中樣本稱為袋外數(shù)據(jù)(out of bag, OOB);由于訓(xùn)練樣本集元素各不相同,因此保證了回歸樹模型的差異性。圖3為隨機森林袋裝法的抽樣流程。

圖3 隨機森林袋裝法抽樣流程Fig. 3 Random forest bagging sampling process

在分析眼動指標(biāo)與SA得分關(guān)聯(lián)性的過程中,基于OOB誤差可得到各眼動指標(biāo)變量重要性。假設(shè)xj為輸入變量,則在第k棵樹上的重要性Ik為隨機置換變量前后袋外數(shù)據(jù)估測誤差的差值,如式(4):

(4)

變量xj在整個隨機森林中的重要性得分如式(5):

(5)

隨機森林回歸模型可以根據(jù)變量重要性程度進行排序,同時基于gini節(jié)點分裂評價準(zhǔn)則和袋裝法誤差完成變量重要性的評分統(tǒng)計,實現(xiàn)輸入對輸出的可視化功能[14]。圖4為隨機森林創(chuàng)建多個決策樹模型實現(xiàn)的眼動指標(biāo)特征重要度預(yù)測。由于不同方案的參數(shù)設(shè)定會影響模型泛化誤差和運行時間,通過調(diào)整生成樹的數(shù)量n和樹的最大深度m來提高模型訓(xùn)練精度,如圖5。圖5中:當(dāng)n=189,m=9時,模型均方誤差較小,模型精度(accuracy, ACC)為0.82,分類性能較好。

圖4 眼動指標(biāo)特征重要度預(yù)測決策樹Fig.4 Decision tree for predicting the importance of eye movement indicator feature

圖5 不同參數(shù)下模型誤差情況Fig. 5 Model error under different parameters

考慮到預(yù)測模型的隨機性,取模型訓(xùn)練的20次結(jié)果來計算平均值,圖6反映了隨機森林模型訓(xùn)練的眼動指標(biāo)特征重要度。根據(jù)預(yù)測結(jié)果,選取特征重要度排名前3的眼動指標(biāo)(FDP、FCP和AFD)作為測量叉車駕駛員情景意識水平的影響因素。

圖6 隨機森林預(yù)測的眼動指標(biāo)特征重要度Fig. 6 Important degree of eye movement indicator feature of random forest prediction

文獻[15, 16]指出:眼睛注視時間、凝視分散時間都可對風(fēng)險情況進行預(yù)測,注視次數(shù)、注視方向的高頻率改變有利于更好地識別車輛駕駛過程中的突發(fā)事故。根據(jù)叉車駕駛員眼動指標(biāo)的主成分分析結(jié)果及隨機森林的特征重要度結(jié)果,提取FDP、FCP和AFD作為研究叉車駕駛員情景意識水平的對比指標(biāo)。

圖7反映叉車駕駛員眼動指標(biāo)的SA水平對比組情況,其中圖7(a)為叉車駕駛員眼動指標(biāo)經(jīng)隨機森林算法預(yù)測后的特征重要度結(jié)果,圖7(b)～圖7(c)分別為不同SA水平下3個場景的FDP、FCP和AFD指標(biāo)變化。高SA水平組叉車駕駛員的FDP、FCP、AFD數(shù)值均高于低SA水平組。

圖7 眼動指標(biāo)不同SA水平對比Fig. 7 Comparison of eye movement indicators with different SA levels

2.3 EDA與HRV指標(biāo)結(jié)果

基于隨機森林算法的分析過程,選取皮膚電活動EDA指標(biāo)中特征重要度最高的SCL值作為評價叉車駕駛員SA水平的對比指標(biāo);選取影響心率變異性HRV指標(biāo)權(quán)重最大的HR值來驗證不同SA水平的差異性。SCL是跨越皮膚兩點間的皮膚電導(dǎo)的絕對值,其基礎(chǔ)水平存在個體差異,并與個性特征相關(guān)。一般而言,SCL基礎(chǔ)水平越高者,越傾向于內(nèi)向、緊張、焦慮不安、情緒不穩(wěn)定、反應(yīng)過分敏感;而基礎(chǔ)水平越低者,越傾向于開朗、外向,心態(tài)比較平衡、自信,心理適應(yīng)較好;SCL值越高,被試者腦力負(fù)荷壓力越大,易引發(fā)疲勞特性,識別危險能力下降[17]。HRV是指逐次心跳周期差異的變化情況,在影響叉車駕駛員SA水平的生理指標(biāo)中,HR作為反映HRV的重要生理指標(biāo),被證明是影響SA水平的有效指標(biāo)[17]。當(dāng)叉車駕駛員處于工作狀態(tài),HR值越高,表明身體處于來自于運動、心理事件或其他內(nèi)部或外部壓力源的壓力越大,且過高的心率變化會引起駕駛員操作失誤率增加,不利于駕駛過程中的安全操作。圖8為3個試驗場景下不同SA水平的SCL、HR值,其中高SA水平組的指標(biāo)均值低于低SA水平組。

圖8 多場景下不同SA水平EDA、HRV箱線圖Fig. 8 EDA and HRV box plots with different SA levels in multiple scenarios

3 分 析

選取FDP、FCP、AFD這3項眼動指標(biāo)來分析叉車駕駛員注意力分配情況,并結(jié)合HRV、EDA指標(biāo)中的HR、SCL值對被試駕駛員疲勞壓力狀態(tài)進一步探討。對比國內(nèi)外生理指標(biāo)測量情景意識的方法研究,筆者采用主成分分析法和隨機森林算法結(jié)合的方法,在研究眼動指標(biāo)與叉車駕駛員情景意識水平基礎(chǔ)上,通過分析皮電、心率等指標(biāo)驗證情景意識水平分組的合理性,更加全面的反映了不同情景意識水平叉車駕駛員進行駕駛作業(yè)時的差異性。

3.1 眼動指標(biāo)與SA關(guān)系

高SA水平組的叉車駕駛員興趣區(qū)(area of interest, AOI)的FDP、FCP和AFD均高于低SA水平組,而總注視時間越長,表明被試者對該區(qū)域的關(guān)注程度越高,相應(yīng)的信息處理能力越強[18]。相對于低SA水平組,高SA水平組呈現(xiàn)出對任務(wù)處理的關(guān)注度更高,對駕駛作業(yè)興趣區(qū)注視次數(shù)更頻繁,對危險情況發(fā)生感知更敏感的特性。同時,叉車駕駛員AOI的AFD與駕駛員情緒狀態(tài)存在相關(guān)性,良好情緒下駕駛員注視到AOI的次數(shù)更多且注視到的區(qū)域更多;在AOI注視下時間越長,注視點個數(shù)越多[19]。

筆者以SA得分作為駕駛員SA水平高低的分組依據(jù),采用數(shù)理統(tǒng)計方法和機器學(xué)習(xí)相結(jié)合的思路開展眼動指標(biāo)與SA水平的相關(guān)性研究。研究結(jié)果表明:眼動指標(biāo)能較好地體現(xiàn)駕駛員SA水平,高SA水平組駕駛員在分辨危險、安全駕駛能力方面要強于低SA水平組,在實際駕駛過程中更容易保持安全駕駛狀態(tài),安全水平更高。

3.2 SCL與SA關(guān)系

試驗中采用SCL和HR作為叉車駕駛員SA生理測量指標(biāo)。研究結(jié)果顯示:高SA水平組駕駛員的SCL和HR均低于低SA水平組。同時,被試者的SCL值越高,其情緒越容易呈現(xiàn)出焦躁、疲勞和緊張等狀態(tài),相應(yīng)駕駛行為發(fā)生危險的概率越高。在叉車駕駛過程中,高SA水平組駕駛員表現(xiàn)出更為積極的情緒特征,對試驗場景任務(wù)完成情況更好,呈現(xiàn)出高水平的安全駕駛能力,且工作過程中極少出現(xiàn)失誤情況;而低SA水平組完成任務(wù)時間較長且容易發(fā)生失誤。

在SA影響生理喚醒方面,HR能敏感地表現(xiàn)出任務(wù)難度,且伴隨任務(wù)難度增加有增長趨勢。筆者選擇HR作為評價SA水平的重要指標(biāo),一方面驗證了眼動指標(biāo)與SA水平的顯著性差異,達到不同類型生理指標(biāo)評價情景意識水平效果;另一方面補充了HR反映SA水平的可行性,旨在打破現(xiàn)有研究中關(guān)于生理指標(biāo)選取僅關(guān)注眼動指標(biāo)的局限性。隨著叉車試驗中場景切換,不同SA水平的叉車駕駛員表現(xiàn)出差異顯著的生理變化,高SA水平組的HR值在3個試驗場景下始終小于低SA水平組。叉車駕駛員SA水平越高,面對復(fù)雜任務(wù)和危險情況時能保持良好的心理狀態(tài)和駕駛行為,問題處理能力越強,安全駕駛的水平越高。被試人員的生理指標(biāo)可較好體現(xiàn)出自身壓力和工作狀態(tài),不同SA水平對安全行為發(fā)生及危險狀況的感知存在差異,HR差異性證明了高SA水平有助于提高叉車駕駛員對危險行為感知,有利于為駕駛員開展技能培訓(xùn)提供建議和幫助。

4 結(jié) 論

1)叉車駕駛員SA水平與眼動指標(biāo)FDP、FCP、AFD存在顯著相關(guān)性,具體表現(xiàn)為高SA水平駕駛員的FDP、FCP、AFD總體高于低SA水平駕駛員,即高SA水平駕駛員更容易對任務(wù)集中注意,有利于安全駕駛、高效完成工作任務(wù)。

2)SCL和HR與叉車駕駛員SA水平呈負(fù)相關(guān)關(guān)系,即高SA水平駕駛員的SCL和HR均值較低,在試驗過程中更偏向于舒適、自信的情緒狀態(tài),表現(xiàn)為高SA水平叉車駕駛員任務(wù)完成率高、試驗時間短且安全穩(wěn)定等特點。

3)基于隨機森林算法對眼動指標(biāo)特征重要度進行排序,替代了原有的主觀選取指標(biāo)機制,并融合SCL,構(gòu)建了多指標(biāo)影響因素評價體系,增強了叉車駕考培訓(xùn)中技能評價的客觀性。