負荷條件下注意力分配策略對情境意識的影響

馮傳宴，完顏笑如,*，劉雙，陳浩，莊達民，王鑫

1. 北京航空航天大學 航空科學與工程學院，北京 100083 2. 中國船舶工業綜合技術經濟研究院 艦船人因工程實驗室，北京 100081

隨著科技的發展，人為因素問題已經上升為航空安全的主要影響因素[1]。根據美國國家運輸安全委員會(National Transportation Safety Board, NTSB)事故報告，在由人因失誤導致的航空事故中有88%均與情境意識(Situation Awareness，SA)差錯相關[2]。應用最為廣泛的SA定義由Endsley提出，即“感知特定時間和空間情境下的相關情境元素，理解其意義并進一步預測隨后可能發生的狀態”[3]。SA與安全直接相關，因此在國民經濟多個關鍵領域如航空飛行[4-6]、汽車駕駛[7]、核電站監控[8]等一直被高度關注。不同的腦力負荷水平下作業人員注意分配策略的改變會引發一系列SA問題，極端情況下甚至會導致SA的喪失[9-11]，造成安全事故。通過開展這三者之間的關系探究可為復雜任務條件下駕駛艙人機界面的信息需求設計以及飛行任務培訓策略的優化提供依據，從而保障飛行安全。

腦力負荷、注意力分配與SA之間存在緊密而又復雜的關系，一般認為腦力負荷水平決定了注意力分配的效率和方式，而注意力分配水平的優劣則是作業人員SA水平高低的依據之一[4,12-13]。現有研究更多地關注了腦力負荷和SA之間的關系[14]，如Heikoop等在一項駕駛模擬任務中開展了腦力負荷和SA之間關系的探索，結果發現SA會隨著任務需求的增加而減小[15]；Lin和Lu在一項直升機救援任務研究中也得到了相似的結論[16]。而其中較少涉及由信息優先級設計所產生的作業人員注意力分配策略的影響。注意是SA形成的基礎[3]，特定視覺掃視模式的存在，揭示了作業人員分配注意資源這一認知過程，注意力分配策略從某種程度上來說決定了SA的質量[4,17]，但不同的注意力分配策略對SA的具體影響機制尚不明確[18]。另有研究表明，隨著腦力負荷的累計，作業人員的注意力分配策略也會發生一定程度的改變[19]。因此，有必要進一步研究不同腦力負荷水平下，注意力分配策略對SA的影響及其可能引發的SA問題。

為準確測量SA，需要選取合適的SA測量方法。現有文獻已提出30余種SA測量方法，主要包括主觀量表、績效測量、情境意識全面測量技術(Situational Awareness Global Assessment Technology，SAGAT)和生理測量等[4,20-22]。主觀量表評價法易于操作且成本較低，但卻存在主觀性較強和無法實時測量的缺陷[20]，作業績效測量因無法直接反映作業人員的SA，通常被作為一種間接的SA測量方式[20]，對于環境穩定且可以預先定義SA相關元素的任務而言，SAGAT方法被認為是評估SA最有效的方法之一[20]。此外，為了制定前瞻性策略以防止SA喪失，采用生理測量方法對SA進行實時在線監測也是研究人員積極關注的方向[17-18,22]。近年來有研究表明眼動注視特性以及腦電波活動與SA存在聯系[22-27]，如van de Merwe等在一項模擬飛行的故障檢測任務中提出了使用眼動的注視頻率和注視持續時間作為信息獲取的指標(SA1)以及使用注視熵作為新信息獲取活動的指標(SA3)的深入見解[22]。Catherwood等從SA喪失角度指出腦電活動中表征的高階和視覺感知區域的共同活動可能為自上而下的SA1提供基礎[28]。本文在高、低腦力負荷水平下開展了不同注意力分配策略對SA的影響研究工效學實驗，記錄了作業人員的行為績效數據、SAGAT數據、生理數據以分析其SA在不同實驗條件下的變化情況，此外，進一步對多個測量指標之間開展了Pearson相關分析以探尋SA敏感性生理指標。

1 實驗方法

1.1 被試對象

本研究共招募22名年齡在22～24歲(平均值M=22.95歲，標準差SD=0.58歲)的被試，其中男性15名，女性7名。所有被試均為北京航空航天大學航空工程專業背景的在校研究生，身體健康狀況良好，右利手，視力或矯正視力正常，實驗前24 h要求保證足夠睡眠(至少8 h)。實驗前，所有被試均被告知實驗內容流程并簽署書面知情同意書。

1.2 實驗設備

基于多屬性任務管理軟件(Multi Attribute Task Battery，MATB)Ⅱ構建了模擬飛行環境下的實驗平臺。顯示界面呈現在一塊22 in Lenovo L2240pwD液晶顯示屏(1 680 pixel×1 050 pixel)上。該平臺經過多個版本的更新，其有效性已得到廣泛的驗證[29]。本研究對該平臺進行了重新定義，共包括4個子任務，分別呈現在如圖1所示的4個興趣區域(Area of Interest, AOI)內，包括系統監控任務(AOI 1)、追蹤任務(AOI 2)、通信監測任務(AOI 3)和資源管理任務(AOI 4)。各子任務的呈現次序和呈現時間通過可擴展標記語言(eXtensible Markup Language，XML)編程實現。

本研究采用Tobii Pro X3-120系統(Tobii Group, Stockholm, Sweden)實時采集被試的眼動數據，采用5點校標進行校準，眼動儀采樣率為120 Hz。采用Neuroscan Neuamps系統32通道放大器記錄腦電(EEG)數據：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。所有電極采用Ag/Agcl，記錄帶寬為0～200 Hz，采樣率為1 000 Hz。電極的阻抗保持在5 kΩ以下。地線點(Ground，GND)設置為接地，左乳突A1作為在線參考，同時記錄垂直和水平眼電。

圖1 實驗任務顯示界面Fig.1 Display interface of experimental task

1.3 實驗設計

參考主飛行顯示儀表的T型布局對平臺子任務進行定義，并劃分為4個AOI進行后期眼動數據分析。實驗采用3×2被試內雙因素設計。因素1為注意力分配策略，包含3個水平：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)和多級注意力分配策略(多級分配)。在本研究中，不同的注意力分配策略通過“期望”和“價值”這2個因素進行引導和量化[30-31]。其中“期望”因素通過異常信息呈現頻率來實現(見表1)，即異常信息出現頻率更高的AOI會吸引作業人員更多的注意力；“價值”因素通過信息重要度體現，即重要程度更高的AOI會吸引作業人員更多的注意力，并由培訓期間主試對被試的充分引導而實現。因素2為腦力負荷，包含2個水平：低腦力負荷和高腦力負荷，且采用子任務的故障呈現頻率分別對高腦力負荷水平(2次/min)和低腦力負荷水平(1次/min)進行調控[32-33]。為消除練習和疲勞效應，采用拉丁方設計對注意力分配策略和腦力負荷水平的呈現順序進行平衡。

表1 異常信息呈現頻率設置Table 1 Frequency setting of abnormal information

本研究記錄工作績效指標、SAGAT得分、眼動指標和EEG指標作為SA的評價指標。其中，工作績效測量包括反應時間和正確率，均由MATB Ⅱ平臺后臺自動記錄。反應時間為4個子任務的平均正確反應時間；正確率為正確響應次數占故障信息呈現總數的百分比。SAGAT得分指對SA凍結問題進行正確反應的百分比[21]。采用Tobbi Studio 3.4.5軟件進行眼動注視類指標分析，并記錄各個AOI中的訪問總時間比例、平均注視時間和最小近鄰指數(Nearest Neighbor Index，NNI)。其中NNI基于空間統計算法[34]，采用ASTEF工具進行計算。離線EEG信號重新參考雙側乳突電極的平均值，使用MATLAB R2014a的eeglab14_1_1b工具箱進行離線分析，并進行1～30 Hz帶通濾波。采用獨立成分分析并運用ADJUST1.1.1工具包進行偽跡去除。對全部EEG數據進行分段之后進行快速傅里葉變換，平均后劃分為4個不同波段：δ(1～4 Hz)、θ(4～8 Hz)、α(8～12 Hz)和β(13～30 Hz)。分別計算4個不同波段腦電信號的相對功率指標，即不同波段功率分別占總功率值(δ、θ、α和β之和)的比例。整個實驗過程中，眼動和腦電采集設備實時采集生理信號。

1.4 實驗任務與流程

本研究的實驗任務為面向飛行情境的多任務模擬，在實驗過程中，要求被試同時監控MATB Ⅱ界面中的4個子任務，并盡可能準確且迅速地通過鼠標和鍵盤響應每個子任務中的異常信息，排除故障。具體而言，對于系統監測子任務(AOI 1)，要求被試監控4個刻度欄的指針位置，當指針超出正常顯示范圍，采用鼠標左鍵點擊相應刻度欄以恢復正常；追蹤子任務(AOI 2)呈現2維隨機的輸入補償追蹤任務，要求被試監控當前飛行狀態，當飛行狀態由手動轉變為自動時，要求按鍵盤左方向鍵進行響應；對于通信監控子任務(AOI 3)，要求被試監控計劃刻度中即將到來的通信任務，當新的通信任務發生時(計劃欄中左側的綠色滑塊觸碰到0時刻線時)，按壓鍵盤的右方向鍵進行響應；對于資源監控子任務(AOI 4)，要求被試監控4個油箱油量，當供油的油泵出現故障時，使用鼠標左鍵點擊對應的油泵進行響應。實驗包括2個階段：練習階段和正式實驗階段，整個實驗時長90～120 min。被試在練習階段接受充分培訓，待被試完全掌握任務操作和實驗流程后簽署知情同意書，然后開始正式實驗。不同實驗水平之間安排適當的休息，單次實驗任務時長持續約20 min。

2 實驗結果

2.1 不同注意力分配策略的實驗驗證

Wickens等經過大量研究提出了飛行員注意力分配的經典模型，即期望價值(Expectancy Value，EV)模型，對于受過良好訓練的被試，該模型對于其注意力分配行為的預測吻合變異系數達到95%[30-31]。在本研究中，為對不同注意力分配策略的實驗效果進行驗證，選取期望和價值因素來引導被試產生不同的注意力分配行為，實現不同的注意力分配策略。

在本研究中，將注視點第1次進入某一AOI到離開該AOI記錄為1次訪問，分別計算MATB Ⅱ界面各AOI的訪問總時間占4個AOI的訪問總時間之和的比例。引入平均飛行員思想[4,30,35]，對實驗設計的注意力分配策略比例與4個AOI的訪問總時間比例的平均值結果進行一元線性回歸，以評估注意力分配策略的引導效果。實驗結果表明兩者的相關系數為r=0.962,R2=0.926 2，相關性水平顯著p<0.001，如圖2所示。

圖2 注意力分配結果的驗證Fig.2 Validation of attention allocation strategies

上述結果說明，實驗設計注意力分配比例與眼動追蹤的實驗值吻合良好，將注意力分配策略作為自變量是有效的。

2.2 SA測量指標

采用SPSS Statistics 23.0(IBM，United States)對4類SA測量指標進行統計學分析，所有統計檢驗均使用0.05的置信度。采用雙因素重復測量方差分析來確定注意力分配策略和腦力負荷因素對因變量的交互效應及主效應。對于被試內變量，采用Mauchly測試檢驗球型假設，當不滿足球型假設時，使用Greenhouse-Geisser校正自由度。采用最小顯著性差異(Least Significant Difference，LSD)方法進行事后檢驗。

2.2.1 工作績效測量結果

工作績效指標反應時間和正確率的描述性結果如圖3所示，圖中橫坐標為實驗水平，以低_平均為例，指的是低負荷水平下的平均分配。對于反應時間指標，雙因素重復測量方差分析表明，注意力分配策略和腦力負荷因素之間的交互效應不顯著(F(2, 42)=1.951,p=0.155,η2=0.085)。注意力分配策略對反應時間的主效應顯著(F(2, 42)=27.175,p<0.001,η2=0.564)。事后比較發現主次分配的反應時間顯著短于平均分配(p<0.001)和多級分配(p<0.001)，平均分配和多級分配之間的差異不顯著(p>0.05)。腦力負荷對反應時間的主效應不顯著(F(1, 21)=0.165,p=0.688,η2=0.008)。

圖3 績效測量指標Fig.3 Performance measure indicators

對于正確率指標，雙因素重復測量的方差分析表明，注意力分配策略和腦力負荷之間的交互作用不顯著(F(2, 42)=2.987,p=0.061,η2=0.125)。注意力分配策略對正確率的主效應是顯著的(F(2, 42)=5.818,p=0.006,η2=0.217)。事后比較發現平均分配的正確率顯著低于主次分配(p=0.022)和多級分配(p=0.005)，主次分配和多級分配之間不顯著(p>0.05)。腦力負荷對正確率的主效應不顯著(F(1, 21)=0.343,p=0.564,η2=0.016)。

2.2.2 SAGAT方法測量結果

低腦力負荷時，SAGAT得分從平均分配(75.44±8.32，均值±標準差)、主次分配(78.33±10.09)到多級分配(82.54±8.87)呈現逐漸增加的趨勢。高腦力負荷時，SAGAT得分從平均分配(66.18±10.75)、主次分配(78.97±8.77)到多級分配(68.86±11.87)呈現先增后減的趨勢。雙因素重復測量的方差分析表明對于SAGAT得分，注意力分配策略和腦力負荷的交互效應顯著(F(2, 42)=5.363,p=0.010,η2=0.203)。簡單效應分析發現低腦力負荷時，平均分配的SAGAT得分顯著低于多級分配(p=0.015)。高腦力負荷時，主次分配的SAGAT得分顯著高于平均分配(p=0.001)和多級分配(p=0.005)。注意力分配策略的主效應顯著(F(2, 42)=9.693,p<0.001,η2=0.316)，事后比較發現平均分配的SAGAT得分顯著低于主次分配(p<0.001)和多級分配(p=0.010)，主次分配和多級分配之間不顯著(p>0.05)。腦力負荷的主效應顯著(F(1, 21)=29.237,p<0.001,η2=0.582)，事后比較發現低腦力負荷的SAGAT得分顯著高于高腦力負荷(p<0.001)。

2.2.3 眼動指標測量結果

如圖4(a)所示，不論在低腦力負荷還是高腦力負荷水平下，平均注視時間從平均分配、主次分配到多級分配均呈現先增后減的趨勢。方差分析發現注意力分配策略和腦力負荷之間的交互作用不顯著(F(2, 42)=1.082,p=0.348,η2=0.049)。注意力分配策略的主效應顯著(F(2, 42)=3.917,p=0.028,η2=0.157)，事后比較發現平均分配的平均注視時間顯著低于主次分配(p=0.009)，其他注意力分配策略之間不顯著(p>0.05)。腦力負荷的主效應不顯著(F(1, 21)=1.032,p=0.321,η2=0.047)。如圖4(b)所示，不論在低腦力負荷還是高腦力負荷下，NNI從平均分配、主次分配到多級分配均呈現先減后增的趨勢。方差分析發現注意力分配策略和腦力負荷之間的交互作用不顯著(F(2, 42)=0.407,p=0.668,η2=0.019)。注意力分配策略的主效應顯著(F(2, 42)=12.017,p<0.001,η2=0.364)，事后比較發現主次分配的NNI顯著低于平均分配(p<0.001)和多級分配(p=0.014)，多級分配的NNI顯著低于平均分配(p=0.045)。腦力負荷的主效應不顯著(F(1, 21)=0.103,p=0.752,η2=0.005)。

圖4 眼動測量指標Fig.4 Eye movement measure indicators

2.2.4 EEG指標測量結果

如圖5所示，頻譜地形圖顯示了4個頻帶相對功率的描述性結果，圖中對各波段數據進行了歸一化處理，并如圖右側顯示色條在0～1的區間內進行標準化(無單位)，其中紅色表示更高的激活。由圖5可見，θ相對功率和β相對功率在不同腦力負荷水平下存在明顯差異，以頭皮中線分布最為明顯。考慮到大腦頭皮中線電極點在信息認知加工和腦力負荷等相關研究中具有代表性[27,36]，進一步選取3個大腦中線電極點(Fz、Cz和Pz)進行數據分析。

圖5 EEG的4個頻帶相對功率的頭皮分布地形Fig.5 Topographic map of relative power in four bands of EEG

對4個波段腦電相對功率指標進行3(注意力分配策略)×2(腦力負荷)×3(電極點)重復測量的方差分析。結果發現注意力分配策略×腦力負荷、注意力分配策略×電極點、腦力負荷×電極點以及注意力分配策略×腦力負荷×電極點的交互效應均不顯著(p>0.05)。注意力分配策略的主效應不顯著(p>0.05)。對于θ和β相對功率，腦力負荷的主效應均顯著(F(1, 21)=10.568,p=0.004,η2=0.335;F(1, 21)=6.775,p=0.017,η2=0.244)。事后分析表現為低腦力負荷的θ相對功率顯著高于高腦力負荷(p=0.004)。低腦力負荷的β相對功率顯著低于高腦力負荷(p=0.017)。

2.2.5 相關性分析

采用Pearson相關方法進行SAGAT得分與生理指標的相關性分析，以研究SA的敏感指標。結果表明，高和低腦力負荷下不同注意力分配策略的SAGAT得分與平均注視時間低度正相關(r=0.320,p<0.001)，與NNI低度負相關(r=-0.225,p=0.008)。SAGAT與Pz電極點θ功率低度負相關(r=-0.251,p=0.004)，與α相對功率(Fz、Cz和Pz點)低度正相關(r=0.202,p=0.020;r=0.223,p=0.010；r=0.222,p=0.010)。

3 討 論

為探索不同注意力分配策略對SA的影響，本研究基于EV模型選取了期望和價值因素進行了3種注意力分配策略的設置。通過實驗設計值與眼動訪問總時間的擬合結果可知注意力分配策略得到了有效的實現。在此基礎上，采用多種方法開展不同注意力分配策略下的SA測量。

通過對SAGAT得分結果進行統計分析可知，當處于低腦力負荷時，平均分配下的SAGAT得分顯著低于多級分配；當處于高腦力負荷時，主次分配下的SAGAT得分顯著高于平均分配和多級分配。考慮到SAGAT方法對于SA評價的客觀性已得到較為廣泛的認可[20-21]，因此可知不論在低腦力負荷還是高腦力負荷時，相比于其他注意力分配策略，被試在平均注意力分配策略下均表現出了更差的SA水平。分析其原因，平均注意力分配策略更容易導致作業人員注意力的分散，從而產生感知覺能力的下降；而多級和主次注意力分配策略因存在更為明確的信息優先級順序因此容易讓作業人員保持較高的警覺度水平，從而形成良好的SA[37-38]。另一方面，本研究結果也發現當處于高腦力負荷時，主次分配的SA得分顯著高于多級分配，即在高腦力負荷下，作業人員的總體認知資源和工作記憶容量均非常有限，重要等級劃分明確且較少的信息優先級設計有利于作業人員把握關鍵性信息，從而可對于重要信息分配更多的注意資源，獲得更好的SA。

從其他SA測量指標結果來看，與主次分配和多級分配相比，平均分配具有更低的績效正確率和更大的NNI值；與主次分配相比，平均分配具有更長的績效反應時間和更短的平均注視時間。績效指標對于SA的測量雖然是一種間接的測量方法，但仍能在一定程度上反應SA，本研究結果表明，平均分配相比其他分配策略具有更差的績效表現。平均注視時間記錄為MATB Ⅱ顯示界面內所有注視點持續時間的平均值，NNI指標揭示了注視點的密集程度，該值越接近于0說明注視點越集中[22,34]。在作業人員經驗比較一致的情況下，平均分配的平均注視時間更短且注視點分布更分散，從而不利于支撐作業人員對信息形成有效理解。上述結果也與SAGAT測量結果基本一致。另外，主次分配下出現了密集的注視點分布，從而有利于理想SA的獲得，但這可能導致作業人員因過度關注某一興趣區而產生認知隧道效應，增加SA喪失的風險。

此外，低腦力負荷的SAGAT得分顯著高于高腦力負荷，表明低腦力負荷下的SA高于高腦力負荷。隨著腦力負荷水平的增加，被試的注意資源被不斷消耗，這使得用于選擇性注意加工過程的腦力資源減少[39]，從而引發較差的SA。從腦電數據結果來看，是低腦力負荷下的中線區具有更高的θ相對功率和更低的β相對功率，可能揭示了高腦力負荷下注意集中程度和大腦警覺性的降低[26-27,36]。在進一步的相關性分析中發現SAGAT得分與平均注視時間、NNI存在低度顯著負相關、θ相對功率(Pz點)和α相對功率(Fz、Cz和Pz點)均存在低度顯著正相關關系。結合生理指標針對腦力負荷和注意力分配策略的方差分析結果，提示眼動的平均注視時間和NNI指標、EEG的θ和α相對功率指標具有表征SA的潛力。

本研究結果可擴展至駕駛艙人機界面設計與人員培訓方案設計中，如設定更為明確且區分度較大的信息優先級，控制同時要求作業人員分配注意資源的關鍵性信息數量；在執行常規低負荷任務時謹慎采用漫無目的的平均注意力分配策略，防止因注意力分散而引發的SA降低；在高負荷情境如特情處置時，緊急處置清單的設計應有利于突出重要操作，且盡可能簡化操作步驟，可考慮合并多個操作進行一鍵式或模塊化設計等。

4 結 論

本研究開展了高低腦力負荷下不同注意力分配策略對SA的影響實驗研究，記錄并分析了包括SAGAT方法、績效、眼動和腦電指標在內的多種測量指標的結果。本研究結果表明在不同腦力負荷條件下，采用平均注意力分配策略易導致作業人員的注意力分散，從而產生更差的工作績效和更低的SA水平；而在高腦力負荷條件下，相比于多級注意力分配策略，主次注意力分配策略更有助于作業人員提取關鍵信息從而維持更好的SA水平，但同時可能存在SA喪失的風險；高腦力負荷水平下的SA低于低腦力負荷水平下的SA；眼動的平均注視時間和NNI指標以及EEG的θ和α相對功率指標具有較好的表征SA的潛力。本研究可為復雜任務條件下駕駛艙人機界面的信息需求設計以及飛行任務培訓策略的優化提供一定依據。