CN106251065A - 一种基于眼动行为指标体系的管制效率评估方法 - Google Patents

Abstract

本发明涉及一种基于眼动行为指标体系的管制效率评估方法，属于空中交通管理系统效能评估领域。本方法首先通过faceLAB眼动仪采集管制员在模拟仿真实验中的眼动数据，构建反映眼动行为的指标体系，涵盖注视、扫视和眨眼三大特征，然后采用主客观组合权重法确定指标权重，最终利用模糊C均值聚类算法实现了对管制效率的评估。本方法利用管制员眼动行为的多维特征，能够更加客观、真实、科学地度量管制效率，为提升管制工作的运行效能提供指导和依据。

Description

一种基于眼动行为指标体系的管制效率评估方法

技术领域:

本发明涉及一种基于眼动行为指标体系的管制效率评估方法，属于空中交通管理系统效能评估领域。

背景技术：

扇区是空域的基本组成单元之一，空中交通管制员负责对扇区内的所有航班进行监控、指挥和协调，保障航班的安全、有序和高效飞行。尽管空管系统的智能化和自动化水平显著提高，但在国际民航组织颁布的全球空中交通管理运行概念文件中提出，管制员仍将在空中交通管理系统中承担关键的职责，扮演核心角色。面对日益复杂的空域结构和密集交错的飞行流，管制员的专业技能受到极大的挑战，其管制效率直接影响了空中交通系统的运行效能。

目前国内在空中交通管理系统效能评估尚未形成完整的理论体系和方法模型，其中对管制员的效能评估研究仅仅通过采集管制员的无线电语音通信指令，分析工作负荷的变化规律。而对于管制效率的评估，多以主观打分或专家评价为主，缺乏科学、量化的分析方法和依据。视觉作为一种重要的信息获取途径，是管制员指挥航班的重要媒介。不同属性的眼动行为能够充分反映管制员的注意力分配、目标监控、信息搜索等多元化的工作模式和精神状态，全面地衡量管制效率，有效地挖掘限制效率的瓶颈所在。因此，利用管制员眼动行为的变化特征，建立指标体系，科学合理地评估管制效率，对于评价和提升空中交通系统的运行效能具有重大的意义。

发明内容：

本发明提出了一种基于眼动行为指标体系的管制效率评估方法，通过faceLAB眼动仪采集多位管制员在雷达模拟机仿真实验中的动态眼动数据，构建了涵盖注视、扫视和眨眼三大特征的眼动行为指标体系，利用专家打分法和熵权法确定指标的组合权重，采用模糊C均值聚类算法评估管制效率的等级，为评估和提升管制员的运行效能提供客观、精确的依据。

本发明为解决其技术问题采用如下技术方案：

一种基于眼动行为指标体系的管制效率评估方法，包括如下步骤：

(1)采集多组管制员眼动行为数据；

(2)构建管制员眼动行为指标体系；

(3)采用主客观组合权重法确定指标权重；

(4)基于模糊C均值聚类算法评估管制效率。

所述步骤(1)包括以下分步骤：

(1.1)使用管制雷达模拟机，模拟管制扇区运行场景，设置多组仿真训练实验；

(1.2)利用faceLAB5.0眼动仪采集l位管制员在仿真实验中的多维眼动行为数据，主要包括扫视、注视和眨眼数据。

所述步骤(2)包括以下分步骤：

(2.1)建立扫视行为指标集合：平均扫视角速度Em₁、扫视峰值速度Em₂、平均扫视幅度Em₃、平均扫视时间Em₄；

(2.2)建立注视行为指标集合：平均兴趣区域数量Em₅、平均注视时间Em₆；

(2.3)建立眨眼行为指标集合：平均眨眼频率Em₇、平均眨眼持续时间Em₈。

所述步骤(3)包括以下分步骤：

(3.1)建立归一化对象矩阵，Em_ij表示第j位管制员第i个眼动指标值，1≤i≤n，1≤j≤l，则l位管制员在n个眼动指标下的特征矩阵为：

$Em=\left[\begin{array}{c}{\mathrm{Em}}_{11},{\mathrm{Em}}_{12},{\mathrm{Em}}_{13},...,{\mathrm{Em}}_{1l}\\ {\mathrm{Em}}_{21},{\mathrm{Em}}_{22},{\mathrm{Em}}_{23},...,{\mathrm{Em}}_{2l}\\ \mathrm{..................................}\\ {\mathrm{Em}}_{n1},{\mathrm{Em}}_{n2},{\mathrm{Em}}_{n3},...,{\mathrm{Em}}_{nl}\end{array}\right]$

对矩阵进行归一化处理：

${\mathrm{Em}}_i^{\′}=({\mathrm{Em}}_{i1}^{\′},{\mathrm{Em}}_{i2}^{\′},\mathrm{...},{\mathrm{Em}}_{im}^{\′})=(\frac{{\mathrm{Em}}_{i1}-\min \left({\mathrm{Em}}_i\right)}{\max \left({\mathrm{Em}}_i\right)-\min \left({\mathrm{Em}}_i\right)},\frac{{\mathrm{Em}}_{i2}-\min \left({\mathrm{Em}}_i\right)}{\max \left({\mathrm{Em}}_i\right)-\min \left({\mathrm{Em}}_i\right)},\mathrm{...},\frac{{\mathrm{Em}}_{im}-\min \left({\mathrm{Em}}_i\right)}{\max \left({\mathrm{Em}}_i\right)-\min \left({\mathrm{Em}}_i\right)})$

其中Em_i表示对应数据矩阵中第i行的所有数据_，Em_i′是对Em_i进行归一化处理之后的值；

(3.2)使用熵权法确定指标客观权重，所以第i个眼动行为指标的熵值为：其中，k由对象数量决定，k＝1/lnm，当Em′_ij＝0时，Em′_ijlnEm′_ij＝0；

因此，第i个眼动行为指标的熵权为：基于熵权得到眼动指标的客观权重值w′＝(w′₁,w′₂,···,w′_n)，其中w′₁为第一个眼动指标的客观权重，w′₂为第二个眼动指标的客观权重，w′_n为第n个眼动指标的客观权重；

(3.3)使用专家打分法确定指标主观权重，邀请资深管制员和相关学者组成专家组，j_pi表示第p位专家对第i个眼动指标的评价权重，1≤p≤r，1≤i≤n，共有r位专家对n个眼动指标的权重进行评价，得到评价矩阵：

$J=\left[\begin{array}{c}{j}_{11},j_{12},j_{13},...,j_{1n}\\ j_{21},j_{22},j_{23},...,j_{2n}\\ \mathrm{.....................}\\ j_{r1},j_{r2},j_{r3},...,j_{rn}\end{array}\right]$

其中，

(3.4)r位专家对第i个眼动指标的平均评价权重为：所以眼动指标的主观权重为w″＝(w″₁,w″₂,…,w″_n)，其中w″₁为第一个眼动指标的主观权重，w″₂为第二个眼动指标的主观权重，w″_n为第n个眼动指标的主观权重；

(3.5)计算主客观组合权重：w＝αw′+(1-α)w″，其中0≤α≤1，认为主观权重和客观权重的同样重要，故α＝0.5。

所述步骤(4)包括以下分步骤：

(4.1)计算采样对象在组合权重下的眼动行为特征矩阵，

将矩阵E′进行转置得到E，E_li表示第l个管制员的第i个特征值，1≤i≤n，1≤l≤L；

(4.2)将隶属矩阵U＝(u_gl)_G×L初始化，G表示分类个数，本方法中分类个数即对应管制效率的评价等级，为了便于认知，通常可分为高、中、低三级，u_gl表示第l个管制员的管制效率属于第g个等级的隶属度，u_gl∈[0,1]，

(4.3)建立G个分类的聚类中心C＝(C_g)_G×1，g＝1,2,…,G，其中，m＝2表示加权指数，表示第l个管制员的管制效率属于第g个等级的隶属度的加权值；E_l表示第l个管制员的所有特征值；

(4.4)根据U和C计算价值函数V，其中，V_g表示等级g的价值；d_gl＝||C_g-E_l||表示等级g的中心与第l个管制员眼动行为特征数据之间的欧式距离；

(4.5)对比当前价值函数值V与上一次V的结果，其中首次计算时，V与0进行比较，若V改变量小于ε＝10^-5，终止计算；否则，根据对U进行更新，重复步骤(4.3)和(4.4)，直至满足终止条件，其中d_hl表示等级h的中心与第l个管制员眼动行为特征数据之间的欧式距离；

(4.6)依据最终的U判断管制效率的评价等级，判别标准为：if u_gl＝max[u_1l,u_2l,···,u_Gl]，第l个对象属于等级g；结合不同类别内眼动行为指标的分布区间，最终确定不同管制员工作效率的高、中、低所属等级，其中：u_gl表示第l个管制员的管制效率属于第g个等级的隶属度。

本发明的有益效果如下：

(1)本发明构建了管制员眼动行为多维指标体系，利用注视、扫视和眨眼行为从不同角度刻画管制员的工作效率。

(2)根据眼动行为指标体系，利用主客观方法结合的方式确定了指标权重，基于模糊C均值聚类方法实现了对管制效率的定量评估，能为识别管制员的瓶颈，提升空中交通系统中的人员效能提供依据。

附图说明：

图1是本发明的方法流程图。

图2是管制员眼动行为指标体系。

具体实施方式：

下面结合附图对本发明创造做进一步详细说明。

图1为本发明的核心原理图。如图1所示，基于眼动行为指标体系的管制效率评估方法，包括以下具体实施步骤：

第一步：采集多组管制员眼动行为数据。

(1)使用管制雷达模拟机，模拟管制扇区运行场景，设计多组仿真训练实验，每个练习持续20分钟。

(2)在每位管制员进行数据采集前，首先熟悉仿真实验的空域结构和航班计划，减少实验设置对管制效率的影响。

(3)在采集数据前，分别为每位管制员建立校准模型，然后利用faceLAB5.0眼动仪采集不同管制员的眼动数据，采集过程中管制员应专注于当前的雷达屏幕。

第二步：建立管制员眼动行为指标体系，指标体系包含注视行为、扫视行为和眨眼行为等三类指标集合，如图2所示。

(1)建立扫视行为指标集合：平均扫视角速度Em₁、扫视峰值速度Em₂、平均扫视幅度Em₃、平均扫视时间Em₄。

(2)建立注视行为指标集合：平均兴趣区域数量Em₅、平均注视时间Em₆。

(3)建立眨眼行为指标集合：平均眨眼频率Em₇、平均眨眼持续时间Em₈。

第三步：采用主客观组合权重法确定指标权重。

(1)根据记录数据，得到眼动行为指标数值，其中Em_ij表示第j位管制员第i个眼动指标值，1≤i≤n，1≤j≤l，则l位管制员在n个眼动指标下的特征矩阵为：

$Em=\left[\begin{array}{c}{\mathrm{Em}}_{11},{\mathrm{Em}}_{12},{\mathrm{Em}}_{13},...,{\mathrm{Em}}_{1l}\\ {\mathrm{Em}}_{21},{\mathrm{Em}}_{22},{\mathrm{Em}}_{23},...,{\mathrm{Em}}_{2l}\\ \mathrm{..................................}\\ {\mathrm{Em}}_{n1},{\mathrm{Em}}_{n2},{\mathrm{Em}}_{n3},...,{\mathrm{Em}}_{nl}\end{array}\right]$

然后对矩阵进行归一化处理：

${\mathrm{Em}}_i^{\′}=({\mathrm{Em}}_{i1}^{\′},{\mathrm{Em}}_{i2}^{\′},\mathrm{...},{\mathrm{Em}}_{im}^{\′})=(\frac{{\mathrm{Em}}_{i1}-\min \left({\mathrm{Em}}_i\right)}{\max \left({\mathrm{Em}}_i\right)-\min \left({\mathrm{Em}}_i\right)},\frac{{\mathrm{Em}}_{i2}-\min \left({\mathrm{Em}}_i\right)}{\max \left({\mathrm{Em}}_i\right)-\min \left({\mathrm{Em}}_i\right)},\mathrm{...},\frac{{\mathrm{Em}}_{im}-\min \left({\mathrm{Em}}_i\right)}{\max \left({\mathrm{Em}}_i\right)-\min \left({\mathrm{Em}}_i\right)})$

其中：

Em_i表示对应数据矩阵中第i行的所有数据，Em_i′是对Em_i进行归一化处理之后的值；

(2)使用熵权法确定眼动指标的客观权重，第i个眼动行为指标的熵值为：k由管制员数量决定，k＝1/lnm，当Em′_ij＝0时，Em′_ijlnEm′_ij＝0；第i个眼动行为指标的熵权为：基于熵权得到眼动指标的客观权重为w′＝(w′₁,w′₂,…,w′_n)，其中其中w′₁为第一个眼动指标的客观权重，w′₂为第二个眼动指标的客观权重，w′_n为第n个眼动指标的客观权重。

(3)邀请资深管制员和相关学者组成专家组，使用专家打分法确定眼动指标的主观权重，j_pi表示第p位专家对第i个眼动指标的评价权重，1≤p≤r，1≤i≤n，共有r位专家对n个眼动指标的权重进行评价，得到评价矩阵：

$J=\left[\begin{array}{c}{j}_{11},j_{12},j_{13},...,j_{1n}\\ j_{21},j_{22},j_{23},...,j_{2n}\\ \mathrm{.....................}\\ j_{r1},j_{r2},j_{r3},...,j_{rn}\end{array}\right]$

其中，

r位专家对第i个眼动指标的平均评价权重为：所以眼动指标的主观权重为w″＝(w″₁w″₂,…,w″_n)，其中w″₁为第一个眼动指标的主观权重，w″₂为第二个眼动指标的主观权重，w″_n为第n个眼动指标的主观权重。

(4)计算主客观组合权重：w＝αw′+(1-α)w″，其中0≤α≤1，综合考虑主观权重和客观权重的影响程度，设α＝0.5。

第四步：基于模糊C均值聚类算法，评估管制效率。

(1)计算所有管制员在组合权重下的眼动行为特征矩阵，

将矩阵E′进行转置得到E，E_li表示第l个管制员的第i个特征值，1≤i≤n，1≤l≤L，w₁为第1个眼动指标的权重，w₂为第2个眼动指标的权重，w_n为第n个眼动指标的权重。

(2)初始化隶属矩阵U＝(u_gl)_G×L，G表示分类个数(分类个数即对应管制效率的评价等级)，为了便于认知，通常可分为高、中、低三级，u_gl表示第l个管制员的管制效率属于第g个等级的隶属度，u_gl∈[0,1]，

(3)建立G个分类(等级)的聚类中心C＝(C_g)_G×1，g＝1,2,…,G，其中，m＝2表示加权指数，表示第l个管制员的管制效率属于第g个等级的隶属度的加权值；E_l表示第l个管制员的所有特征值。

(4)根据U和C计算价值函数V，其中，V_g表示等级g的价值；d_gl＝||C_g-E_l||表示等级g的中心与第i个管制员眼动行为特征数据之间的欧式距离，C_g为等级g的聚类中心；E_l为第i个管制员眼动行为特征数据。

(5)对比当前价值函数值V与上一次V的结果(首次计算时，V与0进行比较)，若V改变量小于ε＝10^-5，终止计算；否则，根据对U进行更新，重复步骤(4)和(5)，直至满足终止条件。

(6)依据最终的U识别管制效率的评价等级，识别准则是：if u_gl＝max[u_1l,u_2l,···,u_Gl]，第l个对象属于等级g。结合不同级别内眼动行为指标的分布区间，最终确定不同管制员工作效率的高、中、低所属等级，其中Class(g)为第g个等级集合。

Claims (5)

1.一种基于眼动行为指标体系的管制效率评估方法，其特征在于，包括如下步骤：

(1)采集多组管制员眼动行为数据；

(2)构建管制员眼动行为指标体系；

(3)采用主客观组合权重法确定指标权重；

(4)基于模糊C均值聚类算法评估管制效率。

2.根据权利要求1所述的一种基于眼动行为指标体系的管制效率评估方法，其特征在于，所述步骤(1)包括以下分步骤：

(1.1)使用管制雷达模拟机，模拟管制扇区运行场景，设置多组仿真训练实验；

(1.2)利用faceLAB5.0眼动仪采集l位管制员在仿真实验中的多维眼动行为数据，主要包括扫视、注视和眨眼数据。

3.根据权利要求1所述的一种基于眼动行为指标体系的管制效率评估方法，其特征在于，所述步骤(2)包括以下分步骤：

(2.1)建立扫视行为指标集合：平均扫视角速度Em₁、扫视峰值速度Em₂、平均扫视幅度Em₃、平均扫视时间Em₄；

(2.2)建立注视行为指标集合：平均兴趣区域数量Em₅、平均注视时间Em₆；

(2.3)建立眨眼行为指标集合：平均眨眼频率Em₇、平均眨眼持续时间Em₈。

4.根据权利要求1所述的一种基于眼动行为指标体系的管制效率评估方法，其特征在于，所述步骤(3)包括以下分步骤：

(3.1)建立归一化对象矩阵，Em_ij表示第j位管制员第i个眼动指标值，1≤i≤n，1≤j≤l，则l位管制员在n个眼动指标下的特征矩阵为：

$Em=\left[\begin{array}{c}{\mathrm{Em}}_{11},{\mathrm{Em}}_{12},{\mathrm{Em}}_{13},...,{\mathrm{Em}}_{1l}\\ {\mathrm{Em}}_{21},{\mathrm{Em}}_{22},{\mathrm{Em}}_{23},...,{\mathrm{Em}}_{2l}\\ .................................\\ {\mathrm{Em}}_{n1},{\mathrm{Em}}_{n2},{\mathrm{Em}}_{n3},...,{\mathrm{Em}}_{nl}\end{array}\right]$

对矩阵进行归一化处理：

${\mathrm{Em}}_i^{\′}=\left({\mathrm{Em}}_{i1}^{\′},{\mathrm{Em}}_{i2}^{\′},...,{\mathrm{Em}}_{im}^{\′}\right)=\left(\frac{{\mathrm{Em}}_{i1}-\min \left({\mathrm{Em}}_i\right)}{\max \left({\mathrm{Em}}_i\right)-\min \left({\mathrm{Em}}_i\right)},\frac{{\mathrm{Em}}_{i2}-\min \left({\mathrm{Em}}_i\right)}{\max \left({\mathrm{Em}}_i\right)-\min \left({\mathrm{Em}}_i\right)},...,\frac{{\mathrm{Em}}_{im}-\min \left({\mathrm{Em}}_i\right)}{\max \left({\mathrm{Em}}_i\right)-\min \left({\mathrm{Em}}_i\right)}\right)$

其中Em_i表示对应数据矩阵中第i行的所有数据，Em_i′是对Em_i进行归一化处理之后的值；

(3.2)使用熵权法确定指标客观权重，所以第i个眼动行为指标的熵值为：其中，k由对象数量决定，k＝1/lnm，当Em′_ij＝0时，Em′_ijlnEm′_ij＝0；

因此，第i个眼动行为指标的熵权为：基于熵权得到眼动指标的客观权重值w′＝(w′₁,w′₂,…,w′_n)，其中w′₁为第一个眼动指标的客观权重，w′₂为第二个眼动指标的客观权重，w′_n为第n个眼动指标的客观权重；

(3.3)使用专家打分法确定指标主观权重，邀请资深管制员和相关学者组成专家组，j_pi表示第p位专家对第i个眼动指标的评价权重，1≤p≤r，1≤i≤n，共有r位专家对n个眼动指标的权重进行评价，得到评价矩阵：

$J=\left[\begin{array}{c}{j}_{11},j_{12},j_{13},...,j_{1n}\\ j_{21},j_{22},j_{23},...,j_{2n}\\ .....................\\ j_{r1},j_{r2},j_{r3},...,j_{rn}\end{array}\right]$

其中，

(3.4)r位专家对第i个眼动指标的平均评价权重为：所以眼动指标的主观权重为w″＝(w″₁,w″₂,…,w″_n)，其中w″₁为第一个眼动指标的主观权重，w″₂为第二个眼动指标的主观权重，w″_n为第n个眼动指标的主观权重；

(3.5)计算主客观组合权重：w＝αw′+(1-α)w″，其中0≤α≤1，认为主观权重和客观权重的同样重要，故α＝0.5。

5.根据权利要求1所述的一种基于眼动行为指标体系的管制效率评估方法，其特征在于，所述步骤(4)包括以下分步骤：

(4.1)计算采样对象在组合权重下的眼动行为特征矩阵，

将矩阵E′进行转置得到E，E_li表示第l个管制员的第i个特征值，1≤i≤n，1≤l≤L；

(4.2)将隶属矩阵U＝(u_gl)_G×L初始化，G表示分类个数，本方法中分类个数即对应管制效率的评价等级，为了便于认知，通常可分为高、中、低三级，u_gl表示第l个管制员的管制效率属于第g个等级的隶属度，u_gl∈[0,1]，

(4.3)建立G个分类的聚类中心C＝(C_g)_G×1，g＝1,2,…,G，其中，表示加权指数，表示第l个管制员的管制效率属于第g个等级的隶属度的加权值；E_l表示第l个管制员的所有特征值；

(4.4)根据U和C计算价值函数V，其中，V_g表示等级g的价值；d_gl＝||C_g-E_l||表示等级g的中心与第l个管制员眼动行为特征数据之间的欧式距离；

(4.5)对比当前价值函数值V与上一次V的结果，其中首次计算时，V与0进行比较，若V改变量小于ε＝10^-5，终止计算；否则，根据对U进行更新，重复步骤(4.3)和(4.4)，直至满足终止条件，其中d_hl表示等级h的中心与第l个管制员眼动行为特征数据之间的欧式距离；

(4.6)依据最终的U判断管制效率的评价等级，判别标准为：if u_gl＝max[u_1l,u_2l,…,u_Gl]，第l个对象属于等级g；结合不同类别内眼动行为指标的分布区间，最终确定不同管制员工作效率的高、中、低所属等级，其中：u_gl表示第l个管制员的管制效率属于第g个等级的隶属度。