基于支持向量机的管制疲劳检测模型研究

管制疲劳是影响民航安全的重大隐患,准确检测疲劳状态是进行疲劳预警、降低疲劳风险的关键。提出应用支持向量机模型融合多生理参数和眼动指标进行管制疲劳检测,通过MP150多导生理记录仪与眼动仪,采集模拟管制试验中正常与剥夺睡眠状态下被试的试验数据,同时记录其Karolinska疲劳等级和操作绩效。结果表明,RR间期、LF/HF、快慢波比值、PERCLOS和扫视速度均与管制疲劳呈较强相关,利用支持向量机融合五项指标构建管制疲劳检测模型,对于五级疲劳度的识别准确率为78. 1%,判断正常组与剥夺睡眠组的准确率为94. 2%。     

高速公路特长隧道环境中驾驶员视觉特性研究

为研究有不同经验的驾驶员在高速公路特长隧道环境中的视觉特性,在高速公路特长隧道中开展实车试验。利用眼动仪采集29名不同经验驾驶人的注视持续时间、注视点位置、扫视持续时间、扫视频率及扫视幅度等视觉特性参数,运用统计分析方法比较眼动行为的差异性,分析驾驶经验及驾驶环境对驾驶安全的影响。结果表明:相较于普通路段,驾驶员在特长隧道段的平均注视时间更长,注视点分布位置在水平方向更广,在垂直方向趋于集中,扫视更频繁,且扫视幅度变小;相较于非职业驾驶员,职业驾驶员在不同驾驶环境中的注视时间较短,注视点分布位置更广,扫视频率较低且扫视时间较短。     

深井受限空间内作业人员的眼动特征研究

为探索能反映深井受限空间对作业者影响程度的眼动指标,为井下行为安全管理提供依据,将20名眼动指标相近的成员随机分为A,B两组,分别在普通环境中和高温深井环境中开展实验,以文献摘要为刺激材料,运用Tobii X2-30眼动仪进行眼动测量,运用单因素多元方差分析及多重比较法分析眼动数据。发现注视点总数、总注视时间、眼跳次数和总眼跳时间指标的差异有显著性,B组值大于A组;注视点平均注视时间、平均眨眼时间、平均瞳孔直径和总眼跳时间占比等指标无显著差异;两组被试的注视轨迹变化显著,因此 对井下人员的生理信息采集应当注重5个关键的眼动指标。     

脑力疲劳与非疲劳状态眼动指标的判别

为研究利用眼动指标(注视点个数FC、平均注视时间AFD、平均眼跳幅度ASA、最大瞳孔面积Pupil Max及反应时RD)对脑力疲劳状态进行判定,通过眼动追踪技术,测试了不同脑力疲劳程度的眼动指标值并进行分析。结果表明:1)通过FC、AFD、ASA和Pupil Max四个眼动指标可以判定被试者所处的疲劳状态; 2)当测试者注视点个数FC处于(11,13)区间,平均注视时间AFD处于(328,409)区间,平均眼跳幅度ASA处于(5,7)区间,最大瞳孔面积Pupil Max处于(992,1 124)区间时为非疲劳状态;当FC处于(7,10)区间,AFD处于(263,319)区间,ASA处于(2,4)区间,最大瞳孔面积Pupil Max处于(584,935)时可以认定被试者为疲劳状态。     

基于模拟飞行任务下的眼动指标分析

分析眼动指标在定量测量飞机驾驶员的注意力分配规律和工作负荷变化中的作用。让4个被试者在飞行模拟器上完成了3个不同阶段的模拟飞行任务,同时用眼动仪器记录了注视、扫视、瞳孔尺寸方面的眼动指标,划分为座舱外景和内部仪表两个兴趣区域对数据进行了对比和认知分析。被试者在外景有更多的注视点、更多和更长的注视时间,在仪表上的平均瞳孔尺寸比外部视景要大,平均扫视幅度随任务难度增大而减小。眼动指标可以客观地反映驾驶员的注意力分配规律和工作负荷变化;视觉飞行规则下,飞行员主要从外景获取视觉信息,他的大部分注意力都集中在外景。     

驾驶员接管自动驾驶车辆的眼动特性和行为分析

为探究接管自动驾驶车辆期间驾驶员的视觉特性,分析眼动与接管反应操控行为的关系,开展驾驶模拟试验收集驾驶行为及眼动数据。运用统计学方法,分析驾驶员感知不同接管场景的视觉特性,探究接管请求(TOR)前后眼动指标的变化规律;并基于视觉分配和瞳孔变化特性分析驾驶行为,揭示眼动特性与接管反应及驾驶操纵策略的内在联系。结果表明:TOR前,相较于静态场景,驾驶员感知动态场景诱发元素扫视更频繁且平均注视时间更短;此时驾驶员的视觉分配特性与其接管反应行为存在显著相关性。TOR后,驾驶员的注视时间增加,眨眼频率降低,瞳孔直径扩张,眼跳幅度增大;不同场景下驾驶员的瞳孔差异表明其应对动态场景时具备更好的警戒水平和更平稳的操纵策略。     

穿城镇道路驾驶员眼动特性分析

为保障穿城镇路段的交通安全,采用眼动追踪系统(ETG)在110国道展开实车试验;将道路划分为公路段、适应段、城镇段,并将驾驶员17个关注点分为7类,研究不同路段驾驶员的注视及扫视特性。结果表明:驾驶员兴趣点注视时间为134.29～449.07 ms,公路段交叉口及道路开口注视时间较长,注视总时间占比为7.54%;城镇段干扰类注视点注视次数最大,注视总时间占比为14.42%,城镇段指引类、车辆行驶状况类注视点未引起驾驶员注意。公路段景观类注视点平均关注时间最长,城镇段、适应段、公路段扫视总频率逐渐减小,平均扫视角度分别为11.44、10.72、10.16°。     

大流量管制情境下雷达管制员眼动特征分析

为提高大流量管制运行的安全水平,研究雷达管制员的眼动特征变化规律,整合雷达管制模拟机和眼动仪,构建试验系统。选取具有实际工作经验的进近雷达管制员作为被试,将某管制空域内的航班数量分为小、中和大流量3种模拟管制情境。获取不同情境下被试的眼动特征数据,结合被试的不同技能水平,统计分析其在3种情境下的眼动特征数据。结果发现:随着流量的增大,注视、眼跳、瞳孔3类眼动数据发生显著变化,且注视、眼跳的部分指标在不同技能水平的被试间也存在显著差异。不同技能水平的管制员的信息搜索策略存在差异,且均随管制流量的变化发生改变。     

基于多元线性回归的煤矿驾驶员情绪预测模型*

为研究煤矿人车驾驶员情绪状态不良引发的煤矿驾驶事故问题，设计眼动实验并建立基于多元线性回归的驾驶员情绪状况预测模型对驾驶员情绪状况进行预测；通过眼动仪采集煤矿驾驶员良好情绪与不良情绪状态下的各项眼动指标，记录其主观情绪状态；使用多元线性回归方程对数据进行分析与建模，采用平均相对误差对预测模型进行评估。结果表明:每秒注视点个数、平均扫视速度、反应时间、危险源辨识个数在情绪变化前后存在显著差异，且与情绪状态呈较强相关；基于多元线性回归的驾驶员情绪状况预测模型预测精度较高，平均相对误差为8.16%。模型适用于煤矿人车驾驶员的情绪监测，可为煤矿驾驶员安全行驶提供保障。     

基于眼动指标的脑力疲劳识别研究

为减少因脑力疲劳导致的安全事故的发生,研究如何测量和识别脑力疲劳具有十分重要的现实意义.本文提出通过作业前后心算可靠性下降率作为判断脑力疲劳程度的指标,利用眼动追踪仪Tobii Glasses设备测量被试者疲劳前后的瞳孔直径、注视点、陀螺和加速计等眼动参数指标,探究被测试者眼动指标变化规律与脑力疲劳之间的关系.结果表明:发生脑力疲劳时瞳孔直径增加,陀螺和加速计的值减小,注视点的分散程度增加.瞳孔直径、注视点、陀螺和加速计等眼动指标都与脑力疲劳相关.本文研究结果可为建立脑力疲劳评价指标体系和预测脑力疲劳奠定基础.     

草原公路弯道交通工程设施信息量评价

为明确驾驶员在草原公路弯道不同层级交通工程设施信息量条件下的视觉特性,确定最佳信息量范围,采用数理统计和回归分析方法,分别建立5种不同层级(Q0、Q1、Q2、Q3、Q4)下交通工程设施信息量的草原公路弯道虚拟场景模拟驾驶试验,定量评价不同层级下驾驶员的注视强度、扫视强度和眨眼强度。试验结果表明:眼动强度很大程度上由眼动行为发生的频次决定;交通工程设施信息量对驾驶员行车时注视强度、扫视强度和眨眼强度均有显著影响,其中在Q2条件下3种眼动强度指标表现最佳,最利于行车安全;驾驶员3种眼动强度与交通工程设施信息量变化表现出很强的相关性,相关性大小依次为注视强度、扫视强度和眨眼强度。     

草原公路景观要素影响驾驶员眼动指标研究

为研究草原公路景观要素复杂程度对驾驶员眼动指标的影响,开展现场试验,选取3种典型景观要素构成路段,测试5名驾驶员的眨眼持续时间、注视持续时间、瞳孔直径和扫视幅度等4个眼动指标。用Be Gaze2.4及SPSS软件提取、分析数据,画出3种景观要素构成与眼动指标的关系曲线,分析其变化规律,并通过主观调查问卷验证分析结果。试验结果表明:随着景观构成要素的增加,眨眼时间不断减小,注视时间也小幅减小,而瞳孔直径和扫视幅度逐渐增加,但变化幅度不大;与景观a和景观c相比,景观b更能增加草原公路行车舒适性,减少消极情绪。     

情感诉求对交通安全广告效果的影响

为检验交通公益广告中情感诉求变化对广告效果的影响,采用试验法操作广告情感诉求类型,使用眼动技术和Go/no-go联想测验(GNAT),通过比较不同效价和唤醒度的情感诉求广告对受众的注意力和内隐态度的影响,评估交通安全广告情感诉求类型的说服效果。研究发现:被试对低唤醒广告文字区的眼动注视时间和注视点个数显著长于/多于对高唤醒广告文字区的注视时间和注视点个数;被试观看高唤醒消极的广告后,正确驾驶行为的积极态度显著下降,而低唤醒消极/高唤醒积极/低唤醒积极的公益广告对于被试的内隐态度的改变没有显著差异。结果表明,高唤醒度积极广告能够提升受众的注意力,而高唤醒度消极广告则会损害受众对正确驾驶行为的内隐态度。     

草原公路长直线段最佳信息量阈值研究

为优化草原公路单调景观环境,提高驾驶员安全行车水平,采用模拟驾驶试验方法,根据真实路况信息设计双车道二级草原公路,按照单位信息量1～5个/km设置5种不同的信息量环境,选择40名被试进行试验,提取眨眼持续时间、注视持续时间、瞳孔直径、扫视幅度4个眼动敏感指标,量化不同信息量环境下驾驶员眼动指标变化特征,建立信息量与眼动指标关系模型,对二次曲线进行拟合并求导。研究结果表明:眼动指标与信息量呈U形关系,4个/km是最佳信息量阈值,此环境下驾驶员眼动指标变化率最大,提取处理信息量最多,此阈值下景观环境不宜触发"单调";当信息量阈值大于或小于4个/km时,驾驶员眼动指标的变化率均会减小。     

基于专家-新手范式的飞行员模拟仪表进近注视特征差异研究

为探究飞行员注意资源在驾驶舱仪表间的分配策略,利用眼动仪、DA-42飞行模拟机等搭建仪表进近模拟飞行试验平台,基于专家-新手范式采集飞行教员和飞行学员的眼动数据,并利用注视熵率表征被试者扫视行为的随意性.结果表明:在最后进近航段,全体被试者高度关注姿态仪、水平状态指示器和高度表3个兴趣区,注视时间占总注视时间的78％以上;绩效优组在空速表、高度表、垂直速度表和其他区域的注视时间百分比显著高于绩效差组,而在各兴趣区的平均注视时长显著低于绩效差组;绩效优组的注视熵率显著高于绩效差组,这意味着其在仪表进近过程中的扫视灵活性更大.研究可为指导飞行员培训、预防飞行员人为差错提供参考.     

山区高速公路空间郁闭度对驾驶员视觉及生理指标的影响

为了解高速公路空间郁闭度对驾驶员视觉行为和心理状态的影响规律,在山区高速公路开展室外实车试验,采用Dikablis眼镜式眼动仪和Varioport生理记录仪记录了驾驶员的眼动和生理数据,包括注视时间百分比、平均注视时间、扫视幅度、眨眼率、心电、心率、皮电等。结果表明,随空间郁闭度增加,驾驶员皮电和扫视幅度增大,眨眼率和平均注视持续时间减小,视点越来越集中。随着驾驶员的逐渐适应,空间环境对驾驶员的心理影响逐渐减弱。驾驶员主要关注中间靠左区域,目标物为中央分隔带和前方道路。开敞空间下驾驶员对右侧区域有少量关注。半郁闭空间下驾驶员皮电呈现规律性的波动,对于左侧区域的关注明显增多,对右侧区域的注视持续时间较长,视点集中点更远。     

基于眼动追踪技术的引航员情景意识识别研究

情景意识(Situation Awareness, SA)缺失是引航作业人为失误的主要根源,有效识别引航员SA水平是保障引航安全的关键。针对现有测量方法的侵入性、主观性、间断性问题,设计典型场景引航模拟试验,利用眼动特征开展引航员SA水平识别研究。应用眼动追踪技术实时采集引航员的眼动试验数据;采用独立样本t检验和Mann-Whitney检验方法研究SA与眼动指标的关联效应;基于敏感眼动指标结合支持向量机(Support Vector Machine, SVM)构建引航员SA识别模型,实现引航操作任务下SA的有效识别。结果显示：高SA组的视觉搜索效率大于低SA组,高SA组主要关注窗外视景而低SA组更多关注电子海图,高SA组比低SA组获取信息的能力更强;平均扫视次数(Average Saccade Count, ASC)、注视总时间百分比(Fixation Duration Percentage, FDP)、平均注视持续时间(Average Fixation Duration, AFD)3个眼动指标与引航员SA水平具有显著相关性;采用“ASC+FDP+AFD”组合指标时且在5 s时间窗口长...     

农村公路复杂环境中新老驾驶人视觉特性研究

为研究新老驾驶人在农村公路复杂环境中的视觉特性,采用眼动仪测量若干被试人员在实际驾驶过程中的视觉生理指标,运用统计学和数据挖掘方法分析新老驾驶人的瞳孔直径、注视特性、扫视特性和追随眼动特性,进而辨析新老驾驶人的驾驶行为特性差异。结果表明,在农村公路复杂道路环境中,新老驾驶人的视觉特性和驾驶行为具有明显差异。新驾驶人的瞳孔直径变化剧烈,表现出长时间注视和注视反馈特性;老驾驶人具有较多短时间注视特性,注视前瞻性和反馈特性都很明显,并且具有追随眼动特性。     

基于眼动和绩效分析的管制员情境意识测量

情境意识(SA)是影响管制员决策和操作绩效的重要因素。为探究有效测量管制员SA水平的客观指标,搭建模拟塔台管制员眼动试验平台,设计并完成3组不同任务难度的试验。利用最近邻算法(NNI)量化识别被试眼动注视特征,并分析不同注视特征管制员的SA和操作绩效。研究结果表明:随着任务难度的增加,被试的SA水平均呈下降趋势;注视模式呈离散型分布的被试有更高的SA水平和操作绩效;眼动分析中的NNI注视指数是未来实时人因工程中测量SA水平的潜力指标。     

U型转向时驾驶人注视特性研究

为探究己知环境特征与驾驶行为之间的对应规律,利用Dikablis头戴式眼动仪在U型道路环境中进行实车试验。监控并记录9名驾驶人的眼动行为数据,分别从注视区域(AOI)的平均注视时间、AOI注视比例、视觉扫描的复杂性等3方面分析驾驶人视觉特性。结果显示,U型转向(U-Turn)过程中接近阶段各AOI平均注视时间为0.2~0.7 s,驾驶人注视点落在远处区域的比例明显高于其他区域,而转向阶段各AOI平均注视时间为0.2~1.4 s,驾驶人注视点落在近处区域的比例明显高于其他区域。注视熵率值反映了视觉扫描的复杂程度,出口点AOI分布集中,注视熵率值为0.5~4.0,视觉扫描的复杂性低,入口点AOI分布分散,注视熵率值为1.8~4.5,视觉扫描的复杂性高;因此,U-Turn出口点和入口点环境差异对驾驶人注意力分配策略影响显著。