基于机器学习的飞行员脑力负荷评估研究进展
2021-12-31王煜文韩明秀牛海军柳忠起
载人航天 2021年6期
王煜文, 王 盛, 韩明秀, 牛海军, 柳忠起, 刘 涛*
(1. 北京航空航天大学生物与医学工程学院, 北京 100191; 2. 上海航空电器有限公司,上海 201100)
1 引言
脑力负荷(Mental Workload, MWL)也被称为心理负荷、精神负荷或认知负荷[1]。 目前对脑力负荷的定义存在多种理解,Young 等[2]认为脑力负荷是为满足客观和主观的业绩标准而付出的注意力的大小。 从认知心理学来看,脑力负荷可以从任务转换或注意力分配的角度加以框定[3]。
在动态和不确定的环境中,驾驶飞机极具挑战性[4]。 飞行员需执行多种任务,如控制飞行轨迹,监测飞行参数,与空中交通管制员沟通以及识别潜在危险等,多种任务的执行增加了飞行员的注意力资源分配难度,从而导致飞行员过高的脑力负荷[5]。 高脑力负荷导致的视觉和听觉注意力、工作记忆以及执行能力下降,极大地增加了飞行员在执行飞行任务中做出错误决策的概率[6]。程道来等[7]研究表明,人为失误导致的飞行事故占总体飞行事故的70%~80%。 因此,有必要对飞行员的脑力负荷进行科学的评估。 可靠的脑力负荷量化方法不仅有助于提高飞行安全,也可用于飞行训练以及座舱视觉显示界面的优化设计[8]。
飞行员脑力负荷测量方法有生理测评法、主观测评法、作业绩效评估法以及综合测评法[9-11]。与其他测评方法相比,生理测评指标具有客观性、实时性以及连续性等优点,因此受到了国内外研究学者的关注[12]。
目前已有很多较经典的脑力负荷预测模型,如倒U 型模型[13]、Siegel-Wolf 时间压力模型[14]以及多资源理论模型[15]等。……
登录APP查看全文
