基于眼動儀的地鐵調度員工作負荷評價方法

朱雅茹，楊聚芬，劉志鋼

（上海工程技術大學 城市軌道交通學院，上海 201620）

近些年來，由于地鐵網絡化運營及工作任務復雜化，其作業量、故障場景數量也呈上升趨勢，調度員的工作強度隨之增強，其責任與壓力也在同步加大[1]。調度作業在進行突發事件的應急處理時十分關鍵，調度員在應急處置場景下處于較為繁重的腦力工作，當腦力勞動處于較高水平時，調度員會因此而產生疲憊、困倦的狀態，繼而影響其安全作業[2]。因此，為了確保城市軌道交通的安全運行，需要對調度員的工作負荷進行科學的分析與評價。

生理測量方法是基于外設測量的生理指標來進行分析評價操作者的工作負荷，如心率、瞳孔直徑、眨眼率等[3]。Weilang[4]及Hasan[5]等運用腦電和光電圖技術評估管制員的工作負荷；陳瑜及徐軍莉[6]測量了駕駛員在清醒和疲勞狀態下的5 種眼動指標，得出PERCLOS、眨眼均值、瞳孔面積作為眼動疲勞特征指標；郭永彩[7]分析疲勞狀態下駕駛員的眼動特征參數并提出了基于PERCLOS 的駕駛員疲勞檢測方法；靳慧斌等[8]利用眼動指標的共線性，通過回歸分析方法建立了基于交互指標的空中管制員工作負荷實時測量方法，但缺少對此模型的驗證。本文通過眼動儀采集調度員在工作狀態下的9 個眼動指標，使用單因素方差分析法篩選出5 個與工作負荷顯著性相關的指標，將顯著性指標進行因子分析并提取出綜合因子，以工作負荷作為因變量，綜合因子作為自變量對工作負荷回歸模型進行參數標定，建立地鐵調度員工作負荷評價模型，最后采用實測數據對該模型的有效性進行驗證。

1 基于眼動的工作負荷評價原理

城市軌道交通調度系統是一個人機交互的系統，調度員需長時間盯視監控面板以防忽略列車故障情況，單一的工作內容會使得其產生枯燥的心理情緒從而影響其視覺注意力。當列車發生故障需應急救援處置時，調度員需針對狀況思考短時間內做出決策，當列車突發情況較為頻繁時，調度員會長時間處于注意力高度集中，在此過程中人的腦力勞動會逐漸增多，因此長時間監控作業會使得調度員的工作負荷會逐漸發生累積[9-11]。本文采用實驗的方式，實時采集調度人員在監控任務及應急處置情景的眼部動態變化指標，對指標變化進行分析。

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，人在進行生理或心理活動時，眼睛可以反映其活動過程[12-13]。研究表明，當人進入疲勞狀態時，其眨眼潛伏期、閉眼時間占比、凝視時間、瞳孔擴張情形、CA 均會發生增加[14]，因此調度員的眼動指標可以反映其在與工作環境交互時所獲得的信息量及自身心理活動。因此本文通過實驗采集的眼動數據建立模型來評價調度員的工作負荷，對采集到的平均眨眼率、平均凝視時間、平均凝視次數、平均掃視時間、雙眼平均掃視角度、雙眼平均掃視次數等9 個指標進行分析，使用方差分析法篩選出平均眨眼率、平均凝視時間等5個顯著性指標并進行綜合因子的提取，以主觀負荷作為因變量、綜合因子作為自變量進行工作負荷回歸模型的參數標定，建立地鐵調度員工作負荷回歸模型。

2 實驗設計

2.1 實驗目的

為獲得調度員工作過程中不同狀態下眼部變化的特征參數，應用Dikablis Glass 3 眼動儀設備采集調度員在模擬環境下的眼動指標。

2.2 實驗設計

本次實驗設計三種不同難度的作業任務，如圖1 所示。被試需要依次完成三組實驗，最終保證故障列車的救援處置過程完成，在實驗過程中，每組實驗完成后，被試需填寫NASA-TLX 量表并休息10min。

圖1 作業內容等級圖

2.3 實驗設備

本實驗使用Dikablis Glass 3 眼鏡式眼動儀，采樣率為60Hz（Per eye）。實驗環境為基于動態場景的軌道交通行車調度虛擬仿真實驗系統，如圖2 所示。

圖2 基于動態場景的軌道交通行車調度虛擬仿真實驗系統

2.4 實驗過程

為了避免被試實驗結果受時間段選取的不同而受影響，每位被試的實驗均在上午9:00～11:00 期間進行。實驗開始后，被試依次進行三種不同難度的作業任務，每次實驗期間休息10min，并填寫NASA-TLX 量表，對該次任務工作負荷的大小做出主觀評定。如圖3 所示。

圖3 被試實驗狀態

3 基于眼動特征的調度員工作負荷評價方法

3.1 眼動指標的分析

（1） 關鍵眼動指標的篩選

本次實驗共采集到9 個眼動指標：單個被試的實驗持續時間、眼部數據在畫面中的X 軸坐標的標準差、眼部數據在畫面中的Y 軸坐標的標準差、平均眨眼率、雙眼平均凝視時間、雙眼平均凝視次數、雙眼平均掃視時間、雙眼平均掃視角度、雙眼平均掃視次數。為了剔除對工作負荷（實驗中使用任務難度表征） 無顯著性差異的指標，以任務難度為自變量，以9 種指標為因變量，分別進行單因素方差分析，結果如表1 所示。

由表1 可知，眼部數據在畫面中X 軸坐標的標準差、眼部數據在畫面中Y 軸坐標的標準差、雙眼平均掃視時間、平均掃視角度的方差分析P 值均大于0.05，即4 種指標在不同的任務難度下數據變化無顯著性差異。

表1 單因素方差分析結果

（2） 眼動指標綜合因子提取

為了檢驗各關鍵指標之間相關程度，對其進行KMO 和Bartlett 檢驗，結果分別為0.628、0.001，表明關鍵指標間存在相關性，不能直接用于擬合工作負荷回歸模型。針對此，本文首先應用因子分析法提取出能表征關鍵指標的綜合因子，再構建綜合因子與工作負荷的回歸模型。因子分析結果只提取出1 個綜合因子W1，累積貢獻率為74.92%，且W1與5 個關鍵指標間的解析關系為：

其中：X1、X2、X3、X4、X5分別表示實驗持續時間、平均眨眼率、雙眼平均凝視時間、雙眼平均凝視次數、雙眼平均掃視次數。

3.2 基于眼動指標的調度員工作負荷評價

回歸分析是指利用數據統計原理，對大量的統計數據進行數據處理，進而確定因變量和自變量的相關關系，建立一個回歸方程便于預測由于相關指標的變化所引起的模型變化的結果。本節以NASA-TLX 量表所計算的主觀負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，進行回歸分析。

R2是度量擬合優度的統計量，本節回歸分析中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 值的方差分析檢驗結果為0.00，說明綜合因子W1與因變量NASA 值存在顯著性線性關系。

根據回歸分析的系數可知，綜合因子W1對于因變量NASA 值存在正方向影響，結合表2 中系數可得調度員工作負荷的預測模型表達式，即：

表2 回歸系數表

德賓-沃森檢驗簡稱D-W 檢驗，是目前檢驗自相關性最常用的方法，但它只使用于檢驗一階自相關性，在此回歸模型的殘差分析中，德賓-沃森的指數為0.784，可以認為殘差間存在弱自相關性；VIF（容差的倒數） 用于共線性診斷（變量之間的關聯度），該項統計值為1，代表不存在多重共線性。通過觀測由SPSS 繪制的標準化殘差P-P 圖，如圖4 所示，可以觀測散點大部分聚集在對角線附近，因此可以認為殘差符合正態分布，除此之外根據回歸標準化殘差圖的分布規律分析，若殘差的分布隨回歸值的改變而發生規律性的變化則代表方差性的假設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條件。

圖4 回歸標準化殘差的正態P-P 圖

圖5 回歸標準化殘差圖

3.3 模型驗證

實驗共獲取7 位被試的數據，其中5 人被分為實驗組，2 人分為測試組。在上文中，通過實驗組5 位被試的數據建立了調度員工作負荷的回歸模型，本節將利用測試組2 位被試的數據進行回歸模型的驗證。驗證前，2 位被試的眼動數據進行了標準化處理，將處理后的數據代入回歸模型，將測得的數據與其主觀負荷繪制為折線圖，如圖6 所示，兩者數值較為接近，驗證了本文負荷評價結果的有效性和準確性。

圖6 預測結果圖

4 總 結

本文對地鐵應急處置場景下地鐵調度員的眼動數據進行采集及分析，建立了調度員的工作負荷評價模型，該模型所得數據可有效反映調度員的工作負荷水平，為地鐵調度員工作負荷狀態評價提供研究基礎。