一种空中交通管制员工作负荷测量方法

IPRDB

API 数据接口

专利申请

使用指引 chat嘟嘟

会员体验

联系我们

交流群

现在联系顾问~

一种空中交通管制员工作负荷测量方法
申请号	CN201510110295.2	申请日	2015-03-13	公开(公告)号	CN104636890B	公开(公告)日	2021-06-29
申请人	中国民航大学;			发明人	靳慧斌; 陈健; 洪远;
摘要	本发明提供了一种空中交通管制员工作负荷测量方法，包括：步骤A：确定管制负荷测量指标，该管制负荷测量指标包括眼动指标和语音指标；步骤B：实时记录各眼动指标对应的眼动指标数据，以及各语音指标对应的语音指标数据；步骤C：对记录的眼动指标数据进行因子分析，计算出眼动指标数据的眼动综合因子；步骤D：以眼动综合因子和语音指标为输入因素，管制工作负荷值为输出因素，建立管制负荷回归模型。该方法能够实时、无干扰的测量管制员的工作负荷，实用性强。
权利要求	1.一种空中交通管制员工作负荷测量方法，其特征在于，包括步骤：步骤A：确定管制负荷测量指标，该管制负荷测量指标包括眼动指标和语音指标；步骤B：实时记录各眼动指标对应的眼动指标数据，以及各语音指标对应的语音指标数据；步骤C：对记录的眼动指标数据进行因子分析，计算出眼动指标数据的眼动综合因子；步骤D：以眼动综合因子和语音指标为输入因素，管制工作负荷值为输出因素，建立管制负荷回归模型；所述的管制负荷回归模型的计算公式为：W＝a+a1T+a2F，其中，W表示工作负荷值，T表示平均通话时长，F表示所述的眼动综合因子，a、a1和a2表示回归系数；步骤A中所述的眼动指标包括：注视指标、扫视指标、眨眼指标和瞳孔指标；所述的眼动指标通过眼动仪进行测量；步骤A中所述的注视指标包括注视频率和平均注视持续时间，所述的扫视指标包括扫视频率和平均扫视持续时间，所述的眨眼指标包括眨眼频率和平均眨眼持续时间，所述的瞳孔指标包括瞳孔直径；所述的步骤B与步骤C之间还包括步骤E：对所述的眼动指标数据进行结构效度分析。 2.依据权利要求1所述的空中交通管制员工作负荷测量方法，其特征在于，步骤A中所述的语音指标包括平均通话时长。 3.依据权利要求1或2所述的空中交通管制员工作负荷测量方法，其特征在于，所述的语音指标通过语音记录设备进行测量。
说明书全文	一种空中交通管制员工作负荷测量方法技术领域 [0001] 本发明涉及民航空中交通管制领域，具体是一种空中交通管制员工作负荷测量方法。背景技术 [0002] 空中飞行的安全和效率制约着民航的发展，而作为空中交通管理工作的执行者，空中交通管制员在保证空中飞行安全和效率中起着举足轻重的作用，管制员工作过程中所承受的工作负荷则是影响飞行安全和管制效率的重要因素之一。 [0003] 然而随着其管辖扇区内航空器数量的增长，空中交通流量不断增加，管制员所承受工作负荷显著提升，一旦其所承受的工作负荷值达到一定阈值，则极易出现人为差错，从而给航空安全带来巨大的安全隐患。 [0004] 而目前，在管制员工作负荷研究领域，常用的测量方法可以分为四大类：基于任务绩效的测量方法、主观测量方法、生理测量方法、基于空域特征的测量方法。其中，任务绩效测量法通过测量操作者完成指定任务的工作绩效来测量该任务给予操作者的工作负荷大小，该方法往往不单独使用，而是与其他方法结合使用，用于验证其他方法的有效性；主观测量法基于操作者主观心理感受来评价工作负荷，而这种主观感受易受外界因素干扰，同一操作者就同一任务在不同时间地点进行主观测评，所得结果可能不一致；其次工作完成后进行的主观测评无法做到实时测量，而工作过程中进行的主观测评则会对工作产生干扰；生理测量方法对实验设备条件要求较高，需要使用专门的生理状态记录仪器记录生理指标变化，记录完成后会产生大量数据，需要专业人员进行复杂数据处理；基于空域特征的测量方法通过对空域复杂性进行定义，并将其与管制员工作负荷建立联系，通过量化空域特征来评估管制员工作负荷；该方法在测量过程中没有考虑管制员的个性特征，存在一定的局限性。上述各类方法概念及其优缺点详见表一。 [0005] 表一现有管制员工作负荷测量方法汇总表 [0006] [0007] [0008] 因此，为了保证空中交通安全有序的运行，需要对管制员工作负荷进行科学的分析和评价以及有效的实时监控，以便合理规划空域流量，从而降低运行风险。发明内容 [0009] 本发明所要解决的技术问题是，针对现有技术中存在的技术问题，提供一种空中交通管制员工作负荷测量方法，该方法用于实现实时、无干扰的测量管制员的工作负荷。 [0010] 为解决上述技术问题，本发明提供了一种空中交通管制员工作负荷测量方法，包括以下步骤： [0011] 步骤A：确定管制负荷测量指标，该管制负荷测量指标包括眼动指标和语音指标； [0012] 步骤B：实时记录各眼动指标对应的眼动指标数据，以及各语音指标对应的语音指标数据； [0013] 步骤C：对记录的眼动指标数据进行因子分析，计算出眼动指标数据的眼动综合因子； [0014] 步骤D：以眼动综合因子和语音指标为输入因素，管制工作负荷值为输出因素，建立管制负荷回归模型。 [0015] 步骤A中所述的眼动指标包括：注视指标、扫视指标、眨眼指标和瞳孔指标。 [0016] 步骤A中所述的注视指标包括注视频率和平均注视持续时间，所述的扫视指标包括扫视频率和平均扫视持续时间，所述的眨眼指标包括眨眼频率和平均眨眼持续时间，所述的瞳孔指标包括瞳孔直径。 [0017] 步骤A中所述的语音指标包括平均通话时长。 [0018] 所述的眼动指标通过眼动仪进行测量。 [0019] 所述的语音指标通过语音记录设备进行测量。 [0020] 所述的步骤B与步骤C之间还包括步骤E：对所述的眼动指标数据进行结构效度分析。 [0021] 所述的步骤D中所述的管制负荷回归模型的回归方程为： [0022] W＝a+a1T+a2F， [0023] 其中，W表示工作负荷值，T表示平均通话时长，F表示所述的眼动综合因子，a、a1和a2表示回归系数。 [0024] 与现有技术相比，本发明的优点在于： [0025] (1)本发明使用眼动指标和语音指标这两类交互指标测量管制工作负荷，可有效反映管制工作负荷；且本发明实时记录各管制负荷测量指标对应的指标数据，即实时记录眼动指标数据和语音指标数据，使得本申请的测量方法具有实时性。 [0026] (2)本发明通过眼动仪记录眼动指标数据、通过语音记录设备记录语音指标数据，记录过程是客观的且不会对管制员的工作造成干扰，这使得基于眼动指标和语音指标建立的管制负荷回归模型具有客观性和无干扰性，较为实用。 [0027] (3)本发明采用众多交互指标，包括眼动指标和语音指标，在对数据进行分析的基础之上，利用指标之间的共线性特征，运用因子分析方法融合多项眼动指标，计算眼动指标数据的眼动综合因子以降低测量维度，从而便于空中管制员工作负荷的计算。 [0028] 由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。附图说明 [0029] 图1为本发明的方法流程图示意图。具体实施方式 [0030] 为使本发明的技术方案和优点更加清楚，下面将结合本发明的附图，对本发明的技术方案进行清楚、完整地描述。 [0031] 如图1所示，本发明的一种空中交通管制员工作负荷测量方法，它包括步骤： [0032] 步骤A：确定管制负荷测量指标，该管制负荷测量指标包括眼动指标和语音指标； [0033] 步骤B：实时记录各眼动指标对应的眼动指标数据，以及各语音指标对应的语音指标数据； [0034] 步骤C：对记录的眼动指标数据进行因子分析，计算出眼动指标数据的眼动综合因子； [0035] 步骤D：以眼动综合因子和语音指标为输入因素，管制工作负荷值为输出因素，建立管制负荷回归模型，其中，回归模型的回归方程为： [0036] W＝a+a1T+a2F， [0037] 其中，W表示工作负荷值，T表示平均通话时长，F表示所述的眼动综合因子，a、a1和a2表示回归系数。 [0038] 具体实验设计如下： [0039] 1实验设计和测量指标选择 [0040] 1.1管制负荷测量指标的选定 [0041] 在本实施方式中，依据实际管制工作的交互过程，确定用于测量管制工作负荷的管制负荷测量指标为眼动指标和语音指标。 [0042] 1.1.1眼动指标 [0043] 眼动指标指能反映眼球变化的各种指标。随着眼动仪的出现，目前可以记录的眼动指标已达到几十种。通过研究眼动指标的变化可以了解人机交互过程中人所摄入的信息量大小以及人的心理活动。 [0044] 在本具体实施方式中，选取的眼动指标为：注视指标、扫视指标、眨眼指标和瞳孔指标。其中，所述的注视指标包括注视频率和平均注视持续时间，所述的扫视指标包括扫视频率和平均扫视持续时间，所述的眨眼指标包括眨眼频率和平均眨眼持续时间，所述的瞳孔指标包括瞳孔直径。 [0045] 1.1.2语音指标 [0046] 语音指标指反映人在一定时间内通话情况的指标，通常包括通话次数、通话时长、通话内容。在本具体实施方式中，选取的语音指标为：平均通话时长。其中所述的通话时长为平均通话时长。 [0047] 1.2实验设计和数据处理 [0048] 为了选择合适负荷测量指标和建立科学管制负荷回归模型，本具体实施方式通过模拟雷达管制实验，利用眼动仪和语音记录设备记录管制工作过程中各管制负荷测量指标的负荷测量指标数据，即记录管制工作过程中的眼动指标数据和语音指标数据，并对上述所记录的指标数据进行分析处理。 [0049] 1.2.1实验思路 [0050] 本实施方式采用模拟雷达管制任务实验。实验分三组，每组中含有一台雷达设备，三个雷达设备的雷达屏幕中监测的飞机架次依次为：3架、6架、9架。鉴于在现有技术中，管制员管制任务的难度随着雷达屏幕中飞机架次的增加而增大，故将监测3架、6架、9架飞机架次的雷达管制任务依次分为低、中、高三种任务难度，低、中、高三种任务难度与上述三组实验一一对应。每名被试根据上述任务难度由低到高进行三组实验，每组实验持续15分钟，被试在执行不同实验任务之间休息10分钟。实验过程中被试端坐于雷达屏幕前按常规流程进行管制操作，且通过眼动仪实时记录被试眼动数据、通过语音记录设备实时记录通话数据。 [0051] 1.2.2实验被试 [0052] 选取14名在校管制学员作为实验被试，被试均熟练掌握模拟管制操作流程，年龄在20岁至25岁之间，视力正常。 [0053] 1.2.3实验设备和数据处理工具 [0054] 实验选择Tobii X2眼动仪记录管制工作过程中眼动数据，选择录音设备记录语音数据。使用雷达管制模拟机搭建模拟管制环境。 [0055] 数据分析处理工具采用Tobii Studio分析软件和SPSS18.0数据处理软件。TobiiStudio可以记录被试眼动数据和其他众多相关数据，可记录数据种类多达80余种；可以捕获屏幕刺激并以记录视频形式进行回放，帮助深入定性分析，了解被试注视行为；可以创建注视轨迹图、集簇分析图、热点图，使眼动数据可视化。 SPSS数据处理软件采用图形菜单驱动界面，基本功能包括数据管理、统计分析、图表分析、输出管理等。 [0056] 其中，在本实施方式中，Tobii Studio分析软件注视轨迹图、集簇分析图、热点图，使眼动数据可视化。SPSS软件用于对眼动仪和语音记录设备所记录数据进行方差分析、相关分析、因子分析和回归分析。 [0057] 1.2.4实验程序 [0058] 实验对每个被试单独进行，每位被试均执行相同实验程序。实验过程中，被试依次完成上述的三组不同任务难度的实验。其中，在后续实验过程中，任务难度为“低”时，表示进行雷达屏幕中监测的飞机架次依次为3架的实验组的实验；任务难度为“中”时，表示进行雷达屏幕中监测的飞机架次依次为6架的实验组的实验；任务难度为“高”时，表示进行雷达屏幕中监测的飞机架次依次为9 架的实验组的实验。 [0059] 1.2.5实验数据处理 [0060] 实验完成后，从Tobii X2眼动仪和语音记录设备中导出各类眼动指标数据和语音指标数据。其中，数据种类及其获取方法详见下表1.1。 [0061] 表1.1 测量指标种类及获取方法 [0062] [0063] [0064] 1.3负荷测量指标选择 [0065] 各指标数据统计结果如下表1.2所示。 [0066] 表1.2 管制实验各指标数据 [0067] [0068] [0069] 1.4小结 [0070] 在本实施方式中，利用眼动仪和雷达管制模拟机搭建实验平台，确定采用注视频率、平均注视持续时间、扫视频率、平均扫视持续时间、眨眼频率、平均眨眼持续时间、瞳孔直径、平均通话时长作为管制工作负荷测量指标，并在实验过程中，对各被试，实时记录上述各管制工作负荷测量指标的数据，即眼动指标数据和语音指标数据。 [0071] 2负荷测量指标与管制工作负荷关系探究 [0072] 2.1眼动指标与工作负荷 [0073] 2.1.1注视频率 [0074] 为了探索注视频率与工作负荷之间关系，以任务难度为分类变量，被试每秒内注视活动发生次数为观测变量进行单因素方差分析。三类任务难度对应每秒注视频率均值如下表a所示。 [0075] 表a 不同任务难度的注视频率 [0076] [0077] 对三类任务难度对应注视频率进行方差同质性检验，结果如下表2.1所示，注视频率三类方差齐次(P>0.05)，满足方差分析条件。 [0078] 表2.1 注视频率方差同质性检验 [0079] [0080] 方差分析结果见下表2.2，不同任务难度注视频率存在显著差异(P<0.05)。 [0081] 表2.2 注视频率方差分析结果 [0082] [0083] 使用S‐N‐K法对各组注视频率均值进行两两比较，结果见下表2.3，三组注视频率两两之间均存在显著差异，结合表a可得结论：工作负荷越大，被试注视活动发生次数越少。 [0084] 表2.3 Student‐Newman‐Keulsa检验 [0085] [0086] 2.1.2平均注视持续时间 [0087] 为了探索注视持续时间与工作负荷之间关系，以任务难度为分类变量，被试每次注视活动平均持续时间为观测变量进行单因素方差分析。三类任务难度对应的注视活动持续时间均值如下表b所示。 [0088] 表b 不同任务难度的平均注视持续时间 [0089] [0090] 对三类任务难度对应平均注视持续时间进行方差同质性检验，结果如下表 2.4所示，注视持续时间三类方差齐次(P>0.05)，满足方差分析条件。 [0091] 表2.4 注视持续时间方差同质性检验 [0092] [0093] 方差分析结果见下表2.5，不同任务难度注视持续时间存在显著差异 (P<0.05)。 [0094] 表2.5 注视持续时间方差分析结果 [0095] [0096] 使用S‐N‐K法对各组平均注视持续时间进行两两比较，结果见下表2.6，三组注视持续时间两两之间均存在显著差异，结合表b可得结论：工作负荷越大，被试注视持续时间越长。 [0097] 表2.6 Student‐Newman‐Keulsa检验 [0098] [0099] 2.1.3扫视次数 [0100] 以任务难度为分类变量，被试每秒内扫视活动发生次数为观测变量进行单因素方差分析。三类任务难度对应的扫视频率均值如下表c所示。 [0101] 表c 不同任务难度的扫视频率 [0102] [0103] 对三类任务难度对应扫视频率进行方差同质性检验，结果如下表2.7所示，扫视频率三类方差不齐次(P<0.05)，不满足方差分析条件。因此为了探索扫视频率与工作负荷之间关系，对扫视频率进行多独立样本非参数检验，检验结果如下表2.8所示，三组扫视频率两两之间均存在显著差异。结合表c可得结论，工作负荷越大时，被试每秒内扫视频率越小。 [0104] 表2.7 扫视频率方差同质性检验 [0105] [0106] 表2.8 扫视次数Kruskal Wallis检验 [0107] [0108] 2.1.4平均扫视持续时间 [0109] 以任务难度为分类变量，被试每次扫视活动平均持续时间为观测变量进行单因素方差分析。三类任务难度对应的扫视活动持续时间均值如下表d所示。 [0110] 表d 不同任务难度的扫视持续时间 [0111] [0112] 对三类任务难度对应平均扫视持续时间进行方差同质性检验，结果如下表 2.9所示，平均扫视持续时间三类方差不齐次(P<0.05)，不满足方差分析条件。因此为了探索平均扫视持续时间与工作负荷之间关系，对平均扫视持续时间进行多独立样本非参数检验，检验结果如下表2.10所示，三组平均扫视持续时间两两之间均存在显著差异。结合表d可得结论：工作负荷越大，被试的平均扫视持续时间越长。 [0113] 表2.9 平均扫视持续时间方差同质性检验 [0114] [0115] 表2.10 平均扫视持续时间Kruskal Wallis检验 [0116] [0117] 2.1.5眨眼频率 [0118] 以任务难度为分类变量，被试每分钟内眨眼频率为观测变量进行单因素方差分析，三类任务难度对应的眨眼频率均值如下表f所示。 [0119] 表f 不同任务难度的眨眼频率 [0120] [0121] 对三类任务难度对应眨眼频率进行方差同质性检验，结果如下表2.13所示，眨眼频率三类方差齐次(P>0.05)，满足方差分析条件。 [0122] 表2.13 眨眼频率方差同质性检验 [0123] [0124] 方差分析结果见下表4.17，不同任务难度眨眼频率存在显著差异(P<0.05)。 [0125] 表4.17 眨眼频率方差分析结果 [0126] [0127] 使用S‐N‐K法对各组眨眼频率进行两两比较，结果见下表2.14，三组眨眼频率两两之间均存在显著差异，结合表f可得结论：工作负荷越大，被试每分钟内眨眼频率越小，被试每分钟内眨眼次数越少。 [0128] 表2.14 Student‐Newman‐Keulsa检验 [0129] [0130] 2.1.6平均眨眼持续时间 [0131] 以任务难度为分类变量，被试每次眨眼活动持续时间为观测变量进行单因素方差分析，三类任务难度对应的眨眼活动持续时间均值如下表g所示。 [0132] 表g 不同任务难度的平均眨眼持续时间 [0133] [0134] 对三类任务难度对应平均眨眼持续时间进行方差同质性检验，结果如下表 2.15所示，平均眨眼持续时间三类方差齐次(P>0.05)，满足方差分析条件。 [0135] 表2.15 平均眨眼持续时间方差同质性检验 [0136] [0137] 方差分析结果见下表2.16，不同任务难度的平均眨眼持续时间存在显著差异 (P<0.05)。 [0138] 表2.16 眨眼持续时间方差分析结果 [0139] [0140] 使用S‐N‐K法对各组眨眼持续时间进行两两比较，结果见下表2.17，三组眨眼持续时间两两之间均存在显著差异，结合表g可得结论：工作负荷越大，被试每次眨眼活动持续时间越少。 [0141] 表2.17 Student‐Newman‐Keulsa检验 [0142] [0143] 2.1.7瞳孔直径 [0144] 以任务难度为分类变量，被试实验过程中瞳孔直径大小为观测变量进行单因素方差分析，三类任务难度对应的瞳孔直径如下表h所示。 [0145] 表h 不同任务难度的瞳孔直径 [0146] [0147] 对三类任务难度对应瞳孔直径进行方差同质性检验，结果如下表2.18所示，瞳孔直径三类方差齐次(P>0.05)，满足方差分析条件。 [0148] 表2.18 瞳孔直径方差同质性检验 [0149] [0150] 方差分析结果见下表2.19，不同任务难度瞳孔直径存在显著差异(P<0.05)。 [0151] 表2.19 瞳孔直径方差分析结果 [0152] [0153] 使用S‐N‐K法对各组瞳孔直径大小进行两两比较，结果见下表2.20，三组瞳孔直径两两之间均存在显著差异，结合表h可得结论：工作负荷越大，被试瞳孔直径越大。 [0154] 表2.20 Student‐Newman‐Keulsa检验 [0155] [0156] 2.2语音通话与工作负荷 [0157] 2.2.1平均通话时长 [0158] 以任务难度为分类变量，被试每分钟内语音通话时间为观测变量进行单因素方差分析，三类任务难度对应的通话时间均值如下表i所示。 [0159] 表i 不同任务难度的平均通话时长 [0160] [0161] 对三类任务难度对应平均通话时长进行方差同质性检验，结果如下表2.24 所示，平均通话时长三类方差齐次(P>0.05)，满足方差分析条件。 [0162] 表2.24 通话时间方差同质性检验 [0163] [0164] 方差分析结果见下表2.25，不同任务难度的平均通话时长存在显著差异 (P<0.05)。 [0165] 表2.25 平均通话时长方差分析结果 [0166] [0167] 使用S‐N‐K法对各组平均通话时长进行两两比较，结果见下表2.26，三组通话时间两两之间均存在显著差异，结合表i可得结论：工作负荷越大，被试每分钟内通话时长越长。 [0168] 表2.26 Student‐Newman‐Keulsa检验 [0169] [0170] 2.3小结 [0171] 本实施方式设计不同任务难度的雷达管制实验，并对眼动指标、语音指标进行方差分析，最后得出如下结论： [0172] (1)不同任务难度雷达管制操作会施加给管制员不同大小的工作负荷，管制任务难度越大，相应的工作负荷也越大。 [0173] (2)雷达管制任务难度不同，会导致注视频率、平均注视持续时间、扫视频率、平均扫视持续时间、眨眼频率、平均眨眼时间、瞳孔直径大小7种眼动指标产生显著差异，即该7 种眼动指标与雷达管制工作负荷关系显著。 [0174] (3)雷达管制任务不同，会导致管制员平均通话时长的不同，即语音指标的平均通话时长与雷达管制工作负荷关系显著。 [0175] 3管制工作管制负荷回归模型 [0176] 利用因子分析构建眼动综合因子，并结合语音指标建立管制负荷测量回归模型，以便综合测量管制工作负荷。 [0177] 其中，将上述14名被试的实验数据，共42条，用于构建测量模型。 [0178] 3.1基于因子分析的综合评价指标构建 [0179] 3.1.1结构效度分析 [0180] 在对各指标数据进行因子分析前，首先需要对数据进行结构效度分析，以检验所选择数据是否适合进行因子分析。各眼动指标相关系数矩阵如下表3.1。 [0181] 表3.1 眼动指标相关系数矩阵 [0182] [0183] [0184] (1)Bartlett球度检验 [0185] 因子分析要求各数据间具有相关性，Bartlett球度检验可以用于检验各指标数据间独立性，其原假设为数据间相关系数矩阵为单位矩阵。结合表3.1和表1.1 (球形检验P值 <0.05)，可知各指标数据之间存在相关性。 [0186] (2)KMO检验 [0187] KMO检验可以考察数据间的偏相关性，度量值在0～1之间，其值越接近1，说明各数据间偏相关性越强，因子分析效果越好。一般认为，KMO度量值在0.7 以上时，因子分析效果会比较好。而在本实施方式中，眼动数据KMO检验度量值为0.816>0.7，可见各数据间信息重叠程度相当高，适合进行因子分析。Bartlett 球形检验和KMO检验结果见下表3.2。 [0188] 表3.2 KMO和Bartlett球度检验 [0189] [0190] 3.1.2因子分析 [0191] 对上述7类眼动指标进行因子分析，将上述7类眼动指标，即将注视频率、平均注视持续时间、扫视频率、平均扫视持续时间、眨眼频率、平均眨眼持续时间和瞳孔直径依序命名为主成分 1、2、3、4、5、6、和7，这7个主成分的因子方差解释情况如下表3.3所示。 [0192] 表3.3 解释的总方差 [0193] [0194] 在本具体实施方式中，以特征值大于1为因子，即眼动综合因子的选择标准。在本具体实施方式中，主成分1为眼动综合因子，并将其命名为F1。F1累计贡献率为82.500％，信息损失量为17.500％。主成分 1的成分矩阵表见表3.4，该表在主成分分析中按列解释为主成分的系数，在因子分析中按行解释为因子在各指标数据上的载荷，即因子对指标的影响度。鉴于只抽取了一个成分，矩阵无需旋转。 [0195] 利用回归法计算眼动综合因子F1，即主成分 1的成分得分系数矩阵，如下表3.5所示。 [0196] 表3.4 成分矩阵 [0197] [0198] [0199] 令注视频率、平均注视持续时间、扫视频率、平均扫视持续时间、眨眼频率、平均眨眼持续时间、瞳孔直径标准化数值分别为Zx1、Zx2、Zx3、Zx4、Zx5、 Zx6、Zx7，则依据表3.5可得眼动综合因子F1的表达式： [0200] F1＝0.161Zx1‑0.163Zx2+0.152Zx3‑0.151Zx4+0.158Zx5 [0201] ，(1) [0202] +0.155Zx6‑0.164Zx7 [0203] 3.2基于回归分析的管制负荷回归模型 [0204] 3.2.1回归模型构建 [0205] 利用因子分析建立眼动综合因子后，以眼动综合因子、语音指标为输入因素构建管制负荷回归模型，即以因子F1和平均通话时长为自变量建立回归分析模型，回归模型结果如下表3.7所示。 [0206] 表3.7 回归模型 [0207] [0208] 表3.7中回归模型的检验结果如下表3.8所示。由表3.8，显然可知，该模型具有一定预测价值。 [0209] 表3.8 回归模型检验 [0210] [0211] 表3.9输出的是回归模型自变量的偏回归系数估计，由该表可知，各自变量检验P值均小于0.05，进一步说明了以综合因子F1和平均通话时长为自变量建立回归分析模型具有一定预测价值，是可行的。 [0212] 且由表3.9可知，上述回归系数a＝34.773，a1＝1.368，a2＝‐6.709，从而有可得回归模型的回归方程为： [0213] W＝34.773+1.368T‐6.709F1， (2) [0214] 其中，W表示工作负荷值，T表示平均通话时长，F1为所述的眼动综合因子。 [0215] 综上，将平均通话时长T和眼动综合因子F1的值代入表达式(2)，即可计算出空中管制员的工作负荷。且通过该方法计算出的管制员工作负荷值具有实时性和无干扰性，较为实用。 [0216] 表3.9 回归模型系数 [0217] [0218] 3.2.2回归模型独立性检验 [0219] 通过对残差的独立性检验判断数据是否独立，如使用Durbin‐Watson残差序列相关性检验方法进行分析。在本实施方式中，回归Durbin‐Watson指数大小为 1.507，根据42 个样本量和两个自变量，查阅DW分布表，可得下临界值LD为 1.20，上临界值UD为1.40，显然 UD的是表1.2中的42条管制实验指标数据，两个自变量指的是平均通话时长T和眼动综合因子 F1。 [0220] 综上所述，模型数据具有独立性特点，适用于建立回归模型。 [0221] 3.3小结 [0222] 工作负荷是一个复杂多维的概念，一种测量指标往往只能反映工作负荷的某一层次属性，利用多指标评价不但可以在内涵上互补综合评价工作负荷，同时在测量手段上也可以互补。例如瞳孔指标反映眼睛睁开时的状态，而眨眼指标则反映眼睛闭合的状态，将两者结合起来便可以反映整个眼动过程的状态。 [0223] 本发明利用指标之间的共线性，对眼动指标进行因子分析建立综合因子，在保证信息尽量完整的前提下，极大降低了评价指标维度。 [0224] 4实验结论 [0225] (1)本发明合理的设计了模拟管制实验场景、科学的选择了负荷测量指标、正确的建立了管制负荷模型。 [0226] (2)本发明使用眼动指标和语音指标这两类交互指标测量管制工作负荷。这两类交互指标的优点有三个，一是它们与管制工作过程息息相关，可以有效反映管制工作负荷，这点通过对不同任务难度下指标数据进行方差分析得以验证；二是交互指标的数据记录过程是客观的，不存在任何主观因素，因此交互指标数据也是客观的，这使得基于交互指标建立的管制负荷回归模型具有客观性；三是交互指标的记录过程具有实时性，且不对管制员的工作造成干扰，这使得实时的无干扰的测量管制工作负荷成为可能。 [0227] (3)本发明采用众多交互指标，在对数据进行分析的基础之上，利用指标之间共线性特征，运用因子分析方法融合多项眼动指标，建立眼动综合因子以降低测量维度，从而便于对空中管制员工作负荷进行计算，测量方便。 [0228] 以上实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施方式技术方案的范围。