CN107224291B - 调度员能力测试系统 - Google Patents

Abstract

本发明公开了一种调度员能力测试系统，该系统包括：测试内容显示装置；人机交互装置；眼动数据记录装置，用于获取调度员测试时的眼动数据；行为记录装置，用于获取调度员测试时的行为数据；心电数据记录装置，用于获取调度员测试时的心电数据；脑电信号收集装置，用于获取调度员测试时的脑电数据；数据处理及测试装置，包括视觉搜索能力测试单元、注意广度测试单元、注意力测试单元、空间工作记忆更新能力测试单元、工作记忆能力测试单元、任务切换能力测试单元、持续性注意力测试单元、前瞻性记忆能力测试单元、行为监控能力测试单元、日常工作组织效率测试单元、推理能力测试单元中的至少两个。实施本发明能多方位自动化测试调度员能力。

Description

调度员能力测试系统

技术领域

本发明涉及自动控制技术领域，特别涉及一种调度员能力测试系统。

背景技术

一般而言，对飞行员、赛车手、机场塔台空中交通管制员、高铁行车调度员等特定专业人员需要具备高度的综合能力，以保证关键任务的执行控制及时间的精准性。如综合能力包括注意力等。现有的测试方法大多不够科学而且比较片面，如现有的注意力训练方案中，其适用对象通常是针对于特定的人群，如公开号为CN205127306U和CN203838907U的专利文献各公开了一种面向少儿的注意力训练器具。这类装置是基于人的某一体感通道而设计出的结构简单、成本低廉的识图拼图游戏。此外，国内外也有一些面向注意力缺陷的老年人而设计的动作视频游戏。这类装置也是基于人的某一体感通道而设计出的训练系统，只是涉及的体感通道更多，对注意力调用的程度更大。

因此，亟待开发一种用于训练或者考核调度员综合能力的方案，以便根据需求多方位自动化测试调度员能力。

发明内容

有鉴于此，本发明旨在提供一种用于调度员能力测试系统，以便自动化测试调度员能力。

具体而言，本发明的调度员能力测试系统包括：测试内容显示装置，用于显示调度员的模拟任务环境；人机交互装置，用于调度员的人机交互操控；眼动数据记录装置，用于获取调度员测试时的眼动数据；行为记录装置，用于获取调度员测试时的行为数据；心电数据记录装置，用于获取调度员测试时的心电数据；脑电信号收集装置，用于获取调度员测试时的脑电数据；数据处理及测试装置，包括视觉搜索能力测试单元、注意广度测试单元、注意力测试单元、空间工作记忆更新能力测试单元、工作记忆能力测试单元、任务切换能力测试单元、持续性注意力测试单元、前瞻性记忆能力测试单元、行为监控能力测试单元、日常工作组织效率测试单元、推理能力测试单元中的至少两个；其中，所述视觉搜索能力测试单元，用于利用Softmax分类器，根据所述眼动数据及行为数据确定调度员的视觉搜索能力的测试结果；所述注意广度测试单元，用于根据所述眼动数据中的眼睛焦点位置，得到调度员的注意广度水平的测试结果；所述注意力测试单元，用于采用PCVM概率分类算法，对所述脑电数据、眼动数据及行为数据进行处理，得到评测结果；所述空间工作记忆更新能力测试单元，用于利用神经网络，对所述脑电数据及行为数据进行处理，得到评测结果；所述工作记忆能力测试单元，用于根据所述行为数据和所述脑电数据，采用学习矢量量化算法进行网络训练，得到记忆能力水平输出；所述任务切换能力测试单元，用于根据所述眼动数据及行为数据确定调度员的任务切换能力的测试结果；所述持续性注意力测试单元，用于利用神经网络，对所述脑电数据、眼动数据及行为数据进行处理，得到评测结果；所述前瞻性记忆能力测试单元，用于根据所述脑电数据及行为数据进行处理，得到评测结果；所述行为监控能力测试单元，用于利用Softmax分类器，对所述脑电数据及行为数据进行处理，得到评测结果；所述日常工作组织效率测试单元，用于根据获取的任务完成度、列车平均旅速、平均开行列数、移动车数、调度命令完整度确定测评结果；所述推理能力测试单元，用于利用机器学习，对所述脑电数据及行为数据进行处理，得到评测结果。

进一步地，所述数据处理及测试装置包括视觉搜索能力测试单元时，所述测试内容显示装置，用于向调度员随机或按预设显示顺序显示整齐排列的第一类刺激矩阵或第二类刺激矩阵；所述第一类刺激矩阵中所有刺激元均相同，所述第二类刺激矩阵中至少有一个刺激元与其所在的刺激矩阵中的其它刺激元不同；所述眼动数据记录装置，用于在测试过程中持续地实时采集调度员的眼动数据；所述行为记录装置，用于当调度员根据所显示的刺激矩阵进行相应的按键操作时，持续地实时采集调度员的行为数据；所述视觉搜索能力测试单元，用于在测试过程结束之后，对所采集的眼动数据和行为数据进行标准化以及一致化操作；根据标准化以及一致化操作后的眼动数据和行为数据，采用卷积神经网络算法进行处理，得到结果簇；所述Softmax分类器，用于对所述结果簇进行分类，得到分类结果，并将所述分类结果作为调度员的视觉搜索能力的测试结果。

进一步地，所述数据处理及测试装置包括注意广度测试单元时，所述测试内容显示装置，用于向被测调度员显示预设时长的测试画面；所述眼动数据记录装置，用于实时采集被测调度员的眼动数据，并将采集到的眼动数据传输给所述数据处理及测试装置；所述眼动数据包括：眼睛焦点位置、单位时窗内双眼闭合的帧数和眼球横向摆动振幅；所述注意广度测试单元，用于根据所采集的眼动数据中的眼睛焦点位置，计算被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例；根据所采集的眼动数据中的单位时窗内双眼闭合的帧数和预设的比例阈值，计算得到被测调度员的单位时间内眼睛闭合的时长；根据所采集的眼动数据中的眼球横向摆动振幅，计算得到被测调度员的眼睛横向摆动方差；根据被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例、单位时间内眼睛闭合的时长以及眼睛横向摆动方差，得到调度员的注意广度水平的测试结果。

进一步地，所述数据处理及测试装置包括注意力测试单元时，所述注意力测试单元，用于对所述脑电数据进行时域到频域的变换处理，提取脑电特征向量；对所述心电数据进行倒谱处理，提取心电信号特征向量；用于对所述行为数据进行处理，提取行为特征向量；以及用于采用PCVM概率分类算法，对所述脑电特征向量、心电特征向量和所述行为特征向量进行处理，得到评测结果。

进一步地，所述数据处理及测试装置包括空间工作记忆更新能力测试单元，用于通过综合评价模型将所述行为数据和所述脑电数据映射至多个考核等级中的一个；所述综合评价模型事先通过如下方式获得：基于预定数量的调度员在实际任务状态下的测试数据，获得与所述考核等级对应个数的理想评价指标表，并且在所述多个理想评价指标表的监督下通过神经网络学习获得多输入与单输出的关系模型。

进一步地，所述工作记忆能力测试单元，用于将所述行为数据和所述脑电数据进行特征处理，取得相应的特征值；将所述行为数据的特征值和所述脑电数据的特征值作为输入样本，采用学习矢量量化算法进行网络训练，得到记忆能力水平输出。

进一步地，所述数据处理及测试装置包括任务切换能力测试单元时，所述眼动数据记录装置，用于采集调度员阅读测试内容时的扫视时长，所述扫视时长为眼球开始扫视至结束扫视时的所需时长；所述行为记录装置，用于接收到任务测试题的作答结果时，记录作答时长及当前作答的正确率；任务切换能力测试单元，用于基于全部任务测试题中每一个任务测试题对应的扫视时长、作答时长、正确率确定所述高铁调度员任务切换能力的第一测试结果。

进一步地，所述持续性注意力测试单元，用于通过综合评价模型将所述行为数据、所述眼动数据和所述脑电数据映射至多个考核等级中的一个；所述综合评价模型事先通过如下方式获得：基于预定数量的调度员在实际任务状态下的测试数据，获得与所述考核等级对应个数的理想评价指标表，并且在所述多个理想评价指标表的监督下通过神经网络学习获得多输入与单输出的关系模型。

进一步地，所述数据处理及测试装置包括前瞻性记忆能力测试单元时，测试内容显示装置，用于通过展示模块对全部测试题以及所述全部测试题分别对应的预设作答规则进行展示；脑电信号收集装置，用于结束所述展示后，通过脑电获取模块获取高铁调度员针对所述全部测试题中的其中一个测试题进行回想时预设时间段内的脑电幅值；行为记录装置，用于当接收到所述高铁调度员针对所述其中一个测试题给出的作答结果时，基于所述其中一个测试题对应的预设作答规则确定所述作答结果是否正确，并记录当前作答结果的正确率；前瞻性记忆能力测试单元，用于基于所述全部测试题的数量、全部测试题中每一个测试题对应的脑电幅值、全部测试题中每一个测试题对应的正确率，确定所述高铁调度员前瞻性记忆能力对应的第一测试结果。

进一步地，所述数据处理及测试装置包括行为监控能力测试单元时，测试内容显示装置，用于通过显示装置按照随机时间间隔向调度员显示第一类刺激画面或第二类刺激画面；所述调度员被要求在显示第一类刺激画面时进行相应的按键操作，而在显示第二类刺激画面时不作任何反应；行为记录装置，用于当调度员根据所显示的刺激画面进行相应的按键操作时，持续地实时采集调度员的行为数据；行为监控能力测试单元，用于在测试过程结束之后，根据所采集的脑电数据得到错误反应后产生的脑电成分ERN的平均波幅值，并对ERN的平均波幅值和行为数据进行标准化以及一致化操作；根据标准化以及一致化操作后的ERN的平均波幅值和行为数据，采用卷积神经网络算法进行处理，得到结果簇；所述Softmax分类器，用于对所述结果簇进行分类，得到分类结果，并将所述分类结果作为调度员的行为监控能力的测试结果。

进一步地，所述数据处理及测试装置包括日常工作组织效率测试单元时，还包括：获取装置，用于获取以下指标：任务完成度、列车平均旅速、平均开行列数、移动车数、调度命令完整度；所述日常工作组织效率测试单元，用于对所述指标进行无量纲化处理；用于确定无量纲化处理后的指标的权重；用于确定所述无量纲化处理后的指标的决策矩阵；用于依据格序相关理论，计算所述决策矩阵的正、负理想解；用于计算所述正、负理想解之间的第一欧氏距离；用于计算所述高铁调度员分别与所述正、负理想解之间的第二欧氏距离；用于根据所述第一欧氏距离和所述第二欧氏距离，计算所述高铁调度员的综合差异值；用于对所述高铁调度员的综合差异值进行定量化，并根据定量化结果来评测所述高铁调度员的日常工作组织效率。

进一步地，所述数据处理及测试装置包括调度员推理能力测试单元时，测试内容显示装置，用于在接收到开始测试的指令后，控制显示调车场的模拟调度画面；脑电信号收集装置，用于采集调度员在根据所述模拟调度画面进行调度测试时的脑电信号；并将所述脑电信号进行频域转换，并提取对应的频域特征；行为记录装置，用于记录所述调度员完成调度测试的时长和对车辆的调度次数；所述推理能力测试单元，用于将所述频域特征、所述调度员完成调度测试的时长和对车辆的调度次数作为输入特征，输入至概率特征选择分类向量机得到概率预测结果，根据所述概率预测结果评价所述调度员的推理能力。

采用本发明的调度员能力测试系统后，能至少自动化进行以下能力测试中的两项：视觉搜索能力测试、注意广度测试、注意力测试、空间工作记忆更新能力测试、工作记忆能力测试、任务切换能力测试、持续性注意力测试、前瞻性记忆能力测试、行为监控能力测试、日常工作组织效率测试、推理能力测试。

附图说明

并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例，并且与描述一起用于解释本发明的原理。在这些附图中，类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例，而不是全部实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。

图1为本发明实施例中的调度员能力测试系统包括视觉搜索能力测试单元时的工作流程示意图。

图2为本发明实施例中的调度员能力测试系统包括视觉搜索能力测试单元时的结构示意图。

图3为本发明实施例中的调度员能力测试系统包括注意广度测试单元时的工作流程示意图。

图4为本发明实施例中的调度员能力测试系统包括注意广度测试单元时的结构示意图。

图5为本发明实施例中的调度员能力测试系统包括注意力测试单元时的工作流程示意图。

图6为本发明实施例中的调度员能力测试系统包括注意力测试单元时的结构示意图。

图7为本发明实施例中的调度员能力测试系统包括空间工作记忆更新能力测试单元时的工作流程示意图。

图8为本发明实施例中的调度员能力测试系统包括空间工作记忆更新能力测试单元时的结构示意图。

图9为本发明实施例中的调度员能力测试系统包括工作记忆能力测试单元时的工作流程示意图。

图10为本发明实施例中的调度员能力测试系统包括工作记忆能力测试单元时的结构示意图。

图11为本发明实施例中的调度员能力测试系统包括任务切换能力测试单元时的工作流程示意图。

图12为本发明实施例中的调度员能力测试系统包括任务切换能力测试单元时的结构示意图。

图13为本发明实施例中的调度员能力测试系统包括持续性注意力测试单元时的工作流程示意图。

图14为本发明实施例中的调度员能力测试系统包括持续性注意力测试单元时的结构示意图。

图15为本发明实施例中的调度员能力测试系统包括前瞻性记忆能力测试单元时的工作流程示意图。

图16为本发明实施例中的调度员能力测试系统包括前瞻性记忆能力测试单元时的结构示意图。

图17为本发明实施例中的调度员能力测试系统包括行为监控能力测试单元时的工作流程示意图。

图18为本发明实施例中的调度员能力测试系统包括行为监控能力测试单元时的结构示意图。

图19为本发明实施例中的调度员能力测试系统包括日常工作组织效率测试单元时的工作流程示意图。

图20为本发明实施例中的调度员能力测试系统包括日常工作组织效率测试单元时的结构示意图。

图21为本发明实施例中的调度员能力测试系统包括推理能力测试单元时的工作流程示意图。

图22为本发明实施例中的调度员能力测试系统包括推理能力测试单元时的结构示意图。

图23为图22所示结果的原理图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

本发明提出了一种调度员能力测试系统，该系统包括：测试内容显示装置，用于显示调度员的模拟任务环境；人机交互装置，用于调度员的人机交互操控；眼动数据记录装置，用于获取调度员测试时的眼动数据；行为记录装置，用于获取调度员测试时的行为数据；心电数据记录装置，用于获取调度员测试时的心电数据；脑电信号收集装置，用于获取调度员测试时的脑电数据；数据处理及测试装置，包括视觉搜索能力测试单元、注意广度测试单元、注意力测试单元、空间工作记忆更新能力测试单元、工作记忆能力测试单元、任务切换能力测试单元、持续性注意力测试单元、前瞻性记忆能力测试单元、行为监控能力测试单元、日常工作组织效率测试单元、推理能力测试单元中的至少两个；其中，所述视觉搜索能力测试单元，用于利用Softmax分类器，根据所述眼动数据及行为数据确定调度员的视觉搜索能力的测试结果；所述注意广度测试单元，用于根据所述眼动数据中的眼睛焦点位置，得到调度员的注意广度水平的测试结果；所述注意力测试单元，用于采用PCVM概率分类算法，对所述脑电数据、眼动数据及行为数据进行处理，得到评测结果；所述空间工作记忆更新能力测试单元，用于利用神经网络，对所述脑电数据及行为数据进行处理，得到评测结果；所述工作记忆能力测试单元，用于根据所述行为数据和所述脑电数据，采用学习矢量量化算法进行网络训练，得到记忆能力水平输出；所述任务切换能力测试单元，用于根据所述眼动数据及行为数据确定调度员的任务切换能力的测试结果；所述持续性注意力测试单元，用于利用神经网络，对所述脑电数据、眼动数据及行为数据进行处理，得到评测结果；所述前瞻性记忆能力测试单元，用于根据所述脑电数据及行为数据进行处理，得到评测结果；所述行为监控能力测试单元，用于利用Softmax分类器，对所述脑电数据及行为数据进行处理，得到评测结果；所述日常工作组织效率测试单元，用于根据获取的任务完成度、列车平均旅速、平均开行列数、移动车数、调度命令完整度确定测评结果；所述推理能力测试单元，用于利用机器学习，对所述脑电数据及行为数据进行处理，得到评测结果。

下面结合附图详细说明本发明调度员能力测试系统实施涉及的数据处理及测试装置包括各个不同测试单元时，测试系统实际参与的装置及相应的工作流程。

实施例一：

如图1所示，本发明实施例中的调度员视觉搜索能力的测试方法主要包括如下所述的步骤：

步骤101，通过显示装置(即测试内容显示装置)向被测人员随机或按预设显示顺序显示整齐排列的第一类刺激矩阵或第二类刺激矩阵；所述第一类刺激矩阵中所有刺激元均相同，所述第二类刺激矩阵中至少有一个刺激元与其所在的刺激矩阵中的其它刺激元不同。

步骤102，在测试过程中，通过眼动采集装置(即眼动数据记录装置)持续地实时采集被测人员的眼动数据，并当被测人员根据所显示的刺激矩阵进行相应的按键操作时，通过行为采集装置(即行为记录装置)持续地实时采集被测人员的行为数据。

另外，所述眼动数据可以包括：眼跳潜伏期，扫描持续时间和扫描路径长度。所述行为数据可以包括：反应速度和反应正确率。所述被测人员可以是高铁调度员或其他需要测试的技术人员。

步骤103，在测试过程结束之后，对所采集的眼动数据和行为数据进行标准化以及一致化操作。

在本步骤中，可以使用常用的标准化以及一致化方法将对所采集的眼动数据和行为数据进行标准化以及一致化操作，在此不再赘述。

步骤104，根据标准化以及一致化操作后的眼动数据和行为数据，采用卷积神经网络算法进行处理，得到结果簇。

在本发明的技术方案中，可以使用多种方式来实现上述的步骤104。以下将以其中的一种具体实现方式为例，对本发明的技术方案进行介绍。

例如，较佳的，在本发明的一个具体实施例中，可以通过如下的公式计算得到结果簇：

其中，hω,b为结果簇，f为转换函数，xi为眼动数据和行为数据，ω为隐含层的权重，b为隐含层的阈值。

步骤105，将所述结果簇通过Softmax分类器进行分类，得到分类结果，并将所述分类结果作为被测人员的视觉搜索能力的测试结果。

在本发明的技术方案中，可以根据实际应用情况的需要，对分类结果的种类进行设置，从而得到被测人员的视觉搜索能力的测试结果。

例如，较佳的，在本发明的一个具体实施例中，所述分类结果可以包括如下的四类测试结果：

y(i)∈{1,2,3,4}；其中，当y(i)＝1时，测试结果为90～100分；当y(i)＝2时，测试结果为80～90分；当y(i)＝3时，测试结果为70～80分；当y(i)＝4时，测试结果为60～70分。因此，通过上述的步骤101～105，即可对当前被测试调度员的视觉搜索能力进行有效地测试，并得到最终的测试结果，给出量化的测试分数。在本发明的技术方案中，还提供了一种调度员视觉搜索能力的测试系统。

图2为本发明实施例中的调度员视觉搜索能力的测试系统的结构示意图。如图2所示，本发明实施例中的调度员视觉搜索能力的测试系统包括：显示装置21、眼动采集装置22(眼动数据记录装置)、行为采集装置23、数据处理及测试装置(包括数据处理装置24和Softmax分类器25)；所述显示装置21，用于向被测人员随机或按预设显示顺序显示整齐排列的第一类刺激矩阵或第二类刺激矩阵；所述第一类刺激矩阵中所有刺激元均相同，所述第二类刺激矩阵中至少有一个刺激元与其所在的刺激矩阵中的其它刺激元不同；所述眼动采集装置22，用于在测试过程中持续地实时采集被测人员的眼动数据；所述行为采集装置23，用于当被测人员根据所显示的刺激矩阵进行相应的按键操作时，持续地实时采集被测人员的行为数据；所述数据处理装置24，用于在测试过程结束之后，对所采集的眼动数据和行为数据进行标准化以及一致化操作；根据标准化以及一致化操作后的眼动数据和行为数据，采用卷积神经网络算法进行处理，得到结果簇；所述Softmax分类器25，用于对所述结果簇进行分类，得到分类结果，并将所述分类结果作为被测人员的视觉搜索能力的测试结果。

在本发明中的调度员视觉搜索能力的测试方法和系统中，由于先通过显示装置向被测人员随机或按预设显示顺序显示整齐排列的第一类刺激矩阵或第二类刺激矩阵，然后通过眼动采集装置和行为采集装置分别采集被测人员的眼动数据和行为数据，并对所采集的眼动数据和行为数据进行标准化以及一致化操作之后，采用卷积神经网络算法进行处理，得到结果簇，最后将所述结果簇通过Softmax分类器进行分类，得到分类结果，从而可对当前被测试调度员的视觉搜索能力进行有效地测试，并得到最终的测试结果，给出量化的测试分数。

实施例二

图3为本发明实施例中的调度员的注意广度的测试方法的流程图。如图3所示，本发明实施例中的调度员的注意广度的测试方法包括如下所述步骤：

步骤301，通过显示装置向被测调度员显示预设时长的测试画面，并通过眼动仪装置实时采集被测调度员的眼动数据。在本发明的技术方案中，首先可以在测试过程中通过显示装置向被测调度员显示预设时长的测试画面，然后可以在测试过程中实时地采集调度员的眼动数据。例如，可以通过眼动仪装置来采集调度员在测试过程中的眼动数据。其中，所述眼动数据可以包括：眼睛焦点位置(EFP)、单位时窗内双眼闭合的帧数和眼球横向摆动振幅等数据。

步骤302，根据所采集的眼动数据中的眼睛焦点位置，计算被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例

在本发明的技术方案中，可以根据实际情况的需要，在所述测试画面中预先设置正常视景区域S1和与非安全视景区域S2。被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例

可以用来反映被测调度员的分心状态。

因此，较佳的，在本发明的一个具体实施例中，可以根据所采集的眼动数据中的眼睛焦点位置，判断被测调度员注视非安全视景区域的次数和时长，并根据时窗长度以及被测调度员注视非安全视景区域的次数和时长，计算得到被测调度员在测试过程中注视测试画面中的非安全区域的时间与单位时间窗的比例

从而可以根据该比例

来衡量被测调度员的分心状态。

另外，较佳的，在本发明的一个具体实施例中，可以通过如下所述的公式计算得到被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时窗的比例

其中，n为被测调度员在单位时窗内注视非安全视景区域的总次数；ti为被测调度员第i次注视非安全视景区域的时长；TS为时窗长度。另外，较佳的，在本发明的一个具体实施例中，时窗长度可以是3秒。

步骤303，根据所采集的眼动数据中的单位时窗内双眼闭合的帧数和预设的比例阈值，计算得到被测调度员的单位时间内眼睛闭合的时长(PERCLOS,Percentage ofEyelid Closure Over the Pupil Over Time)。可以通过如下所述的公式计算得到被测调度员的单位时间内眼睛闭合的时长Pc：

其中，PC为被测调度员的单位时间内眼睛闭合的时长，C为预设的比例阈值，ηj为单位时窗内双眼闭合的帧数；Tp为单位时窗的长度；fp为视频拍摄的帧率。当调度员在工作中产生白日梦等状态的时候就容易产生困意，致使分心。因此，在本发明的技术方案中，可以利用Pc来衡量调度员的分心状态。

在本发明的技术方案中，PERCLOS是指在单位时间内眼睛闭合时间所占的百分比率，可以简称为眼睛闭合率。而在判断眼睛是否闭合时，需要使用比例阈值C，例如，当眼睑遮住瞳孔的面积的百分比大于或等于C％时，即判断眼睛否闭合。在本发明的技术方案中，可以根据实际应用环境的需要，预先设置上述比例阈值的取值。例如，较佳的，在本发明的一个具体实施例中，所述比例阈值可以为80。此时，PC＝P80。

步骤304，根据所采集的眼动数据中的眼球横向摆动振幅，计算得到被测调度员的眼睛横向摆动方差。当调度员处于发呆等类似状态时，眼睛会出现长时间的零摆动状态。因此，在本发明的技术方案中，可以根据被测调度员的视野是否改变和时窗长度，对眼球横向摆动振幅进行分段方差处理。因此，在本发明的技术方案中，可以根据所述眼睛横向摆动方差判断被测调度员的视野是否发生改变。另外，较佳的，在本发明的一个具体实施例中，可以通过如下所述的公式计算得到眼睛横向摆动方差：

其中，DA为眼睛横向摆动方差，n为单位时窗内的视频的帧数，Ai为眼球横向摆动振幅。

步骤305，根据被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例、单位时间内眼睛闭合的时长以及眼睛横向摆动方差，得到被测人员的注意广度水平的测试结果。

由于在之前的步骤302～304中，分别计算得到被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例、单位时间内眼睛闭合的时长和眼睛横向摆动方差，因此，在本步骤中，即可根据这三个计算结果，得到被测人员的注意广度水平的测试结果。在本发明的技术方案，可以通过多种具体实现方式来实现上述的步骤305。以下将以其中的一种具体实现方式为例，对本发明的技术方案进行介绍。例如，较佳的，在本发明的一个具体实施例中，所述步骤305可以包括：步骤51，根据被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例、单位时间内眼睛闭合的时长以及眼睛横向摆动方差，分别得到对应的分数；步骤52，计算三个分数的平均值，并将所述平均值作为被测人员的注意广度水平的测试结果。

图4为本发明实施例中的调度员的注意广度的测试系统的结构示意图。如图3所示，本发明实施例中的调度员的注意广度的测试系统包括：显示装置31、眼动仪装置32和数据处理装置33；所述显示装置31，用于向被测调度员显示预设时长的测试画面；所述眼动仪装置32，用于实时采集被测调度员的眼动数据，并将采集到的眼动数据传输给所述数据处理装置33；所述眼动数据包括：眼睛焦点位置、单位时窗内双眼闭合的帧数和眼球横向摆动振幅；所述数据处理装置33，用于根据所采集的眼动数据中的眼睛焦点位置，计算被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例；根据所采集的眼动数据中的单位时窗内双眼闭合的帧数和预设的比例阈值，计算得到被测调度员的单位时间内眼睛闭合的时长；根据所采集的眼动数据中的眼球横向摆动振幅，计算得到被测调度员的眼睛横向摆动方差；根据被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例、单位时间内眼睛闭合的时长以及眼睛横向摆动方差，得到被测人员的注意广度水平的测试结果。

较佳的，在本发明的一个具体实施例中，所述数据处理装置33还可以包括：第一计算单元331、第二计算单元332、第三计算单元333和测评单元334；所述第一计算单元331，用于根据所采集的眼动数据中的眼睛焦点位置，计算被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例；所述第二计算单元332，用于根据所采集的眼动数据中的单位时窗内双眼闭合的帧数和预设的比例阈值，计算得到被测调度员的单位时间内眼睛闭合的时长；所述第三计算单元333，用于根据所采集的眼动数据中的眼球横向摆动振幅，计算得到被测调度员的眼睛横向摆动方差；所述测评单元334，用于根据被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例、单位时间内眼睛闭合的时长以及眼睛横向摆动方差，得到被测人员的注意广度水平的测试结果。

综上所述，在本发明的技术方案中，先通过显示装置向被测调度员显示预设时长的测试画面，并通过眼动仪装置实时采集被测调度员的眼动数据；然后再分别根据所采集的眼动数据，计算被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例、单位时间内眼睛闭合的时长以及眼睛横向摆动方差；最后即可根据被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例、单位时间内眼睛闭合的时长以及眼睛横向摆动方差，得到被测人员的注意广度水平的测试结果。由于在本发明的技术方案中，引入了眼动数据对注意广度水平进行评价，因此从生理指标上明确了对调度员注意广度的测评方法，从而大大增加了对调度员注意广度测评的准确性。

实施例三

图5为示例性实施例示出的注意力评测方法的流程示意图；

S200：数据采集：调度员脑电信号采集装置、调度员心电信号采集装置和调度员行为数据采集装置进行数据采集。

S201：脑电预处理：滤波去除工频、肌电干扰。

S202：心电预处理：低通滤波去除肌电干扰，带陷滤波器滤除工频干扰，零相位滤波器去除基线漂移。

S203：特征提取：进行脑电特征选取(脑电信号频率功率谱幅值)、心电特征选取(倒谱数据中峰值振幅数据)和行为特征选取(正式阶段操作反应时间)。

S204：指标处理：进行指标标准化和一致化，进行PCVM算法和Sigmod函数(阈值函数)处理。

S205：结果输出：量化分数至0-100分。

基于与方法实施例相同的技术构思，本发明实施例还提供一种注意力评测系统，应用于高铁调度员。如图6所示，该系统可以包括：获取单元301、第一提取单元302、第二提取单元303、第三提取单元304和评测单元305。其中，获取单元301，用于获取脑电信号、心电信号和行为数据。第一提取单元302，用于对脑电信号进行时域到频域的变换处理，提取脑电特征向量。第二提取单元303，用于对心电信号进行倒谱处理，提取心电信号特征向量。第三提取单元304，用于对行为数据进行处理，提取行为特征向量。评测单元305，用于采用PCVM概率分类算法，对脑电特征向量、心电特征向量和行为特征向量进行处理，得到评测结果。

在一些可选的实施例中，上述系统还可以包括：第一滤波单元和去除单元。其中，第一滤波单元用于对脑电信号进行滤波。去除单元用于对滤波后的信号进行眼电伪迹的去除。在一些可选的实施例中，上述系统还可以包括：第二滤波单元、第三滤波单元和第四滤波单元。其中，第二滤波单元用于对心电信号进行低通滤波，以滤除肌电干扰信号。第三滤波单元用于对心电信号进行带陷滤波，以滤除工频干扰信号。第四滤波单元用于对心电信号进行零相移滤波，以滤除基线漂移信号。在一些可选的实施例中，脑电特征向量为脑电信号平均功率谱幅值和频域组合。在一些可选的实施例中，第二提取单元具体可以包括：第一变换模块、对数预算模块和第二变换模块。其中，第一变换模块用于对心电信号进行傅立叶变换。对数预算模块用于对傅立叶变换后的信号进行对数运算。第二变换模块用于对对数运算后的信号进行傅立叶反变换，得到心电信号特征向量。在一些可选的实施例中，心电信号特征向量为倒谱数据中的峰值振幅数据。在一些可选的实施例中，行为特征向量为高铁调度员进行操作的反应时间。在一些可选的实施例中，评测单元具体可以包括：最优化模块和评测模块。其中，最优化模块用于根据下式进行更新，得到最优的α_i和b参数：

其中，K(x_t，x)表示核函数；y_i表示输入的训练集的类标；α_i表示拉格朗日乘子向量的一个分量，0＜α_i＜C，C表示支持向量机中的惩罚参数；N表示输入的训练集的数目；评测模块用于基于最优的α_i和b参数，并根据下式得到评测结果：

其中，X表示脑电特征向量、心电特征向量和行为特征向量的集合；w_j,w₀为神经网络隐含层中的权重向量；k(x,x_j)表示核函数；wx+b＝0；b表示映射的超平面划分参数；m表示正整数。

在一些可选的实施例中，上述系统还可以包括：映射单元。其中，映射单元用于利用阈值函数对评测结果进行映射，得到注意力水平数值。

实施例四

图7为本发明实施例中的调度员能力测试系统包括空间工作记忆更新能力测试单元时的工作流程示意图。

具体而言，在受测者准备完毕后，测试界面启动，界面的随机位置上出现一个靶刺激，随机位置为n(可调控)宫格，靶刺激在一段时间后消失。受测者需要判断当前刺激的位置与相邻刺激的前一个刺激的位置是否相同。在受测者完成此任务的同时记录受测者的反应时、正确率，并实时采集受测者与刺激相关的脑电。有关脑电的具体实现方式可以参见现有技术的相关描述，在此不再展开。反应时、正确率通常需要经过数据预处理环节，即经过标准化、一致化后才便于参与综合评价。对经过预处理后的反应时、正确率以及脑电等指标数据进行综合评价。具体方法如下：

由实验所得的参与人员指标中，一般将反应时X₁、正确率X₂、脑电指标X₃作为具有代表性的评估因子，对调度员的空间工作记忆更新能力进行划分，划分标准可以设定为三项：P₁、P₂、P₃。

在进行分级之前先要制定3个的理想评价指标表(测试得到的指标需要和这个理想指标评价表进行对比，以得到最终结果)。理想评价表通过先验分析得到，基于大量的高铁调度员实际的测试数据分析得到。将理想评价指标映射为神经元状态，需要对其进行编码，如图3所示的编码示意图：

模型输入输出关系：

其中

为神经元i与j的连接权值，θ_j为神经元j的阈值；

神经元j的当前时刻t的输入量：u_j(t)＝s_j(t)；

神经元下一时刻t+1的输出量：

当神经网络进行适当的训练后，连接权矩阵ω_ij将被确定，表明网络已经处于准备状态。输入待分类的等级评价指标数据与预先设定的尺度表对比获取DHNN编码图，经过多次循环后，网络可达到稳定状态：v(t+1)＝v(t)，此时输出端可得到稳定输出，即将处理后得到的评价指标表与理想评价指标表进行对比，此项指标大于理想评价指标的话就记为“1”，反之记为“-1”，稳定输出就是被测人员的考核等级。

从上述可知，采用本发明前述两个实施例后，能够将空间工作记忆更新能力与具体场景任务如高铁调度的任务特征充分相融合，并且采用两个维度的指标，从表象层面深入到机理层面，从外源因素到内源因素，建立了一种准确度更高的、更科学客观的空间工作记忆更新能力考核方案，从而能够更好的量化从业者的空间工作记忆更新能力水平，从而提高工作效率以及降低风险。

参见图8所示，用于考核空间工作记忆更新能力的系统可以包括：测试内容显示单元、人机交互单元、行为记录单元、脑电信号收集单元以及空间工作记忆更新能力综合评价单元等，其中：测试内容显示单元用于显示被测人员的模拟任务环境，使被测人员处于模拟任务的场景条件下；人机交互单元用于被测人员的人机交互操控；行为记录单元、脑电信号收集单元分别用于获取被测人员的行为指标数据和脑电指标数据；空间工作记忆更新能力综合评价单元用于通过综合评价模型将行为指标数据和脑电指标数据映射至多个考核等级中的一个；综合评价模型事先通过如下方式获得：基于预定数量的被测人员在实际任务状态下的测试数据，获得与考核等级对应个数的理想评价指标表，并且在多个理想评价指标表的监督下通过神经网络学习获得多输入与单输出的关系模型。优选地，脑电信号收集单元可以采用脑电仪。另外，该用于考核空间工作记忆更新能力的系统还可以包括参数调节模块，用于调节各种参数，例如人机交互的操控参数或者测试内容的显示节奏等，此外各个信号搜集单元上可以分别集成相应的信号处理装置。

实施例五

图9为本发明实施例中的调度员能力测试系统包括工作记忆能力测试单元时的工作流程示意图。

在被测人员处于模拟任务状态下，获取所述被测人员的行为指标数据和脑电指标数据；分别将所述行为指标数据和所述脑电指标数据进行特征处理，取得相应的特征值；将所述行为指标数据的特征值和所述脑电指标数据的特征值作为输入样本，采用学习矢量量化算法进行网络训练，得到记忆能力水平输出。

为了能够更好理解本发明的构思，下面结合具体场景及优选实现方式进一步说明。

在实际考核过程中，被测人员准备完毕后，测试界面启动，界面将产生多个(例如三个)不同难度的任务代号；当出现靶刺激时，根据屏幕之前给出的任务指示，进行符合相应规则的操作。在这个过程中，实时采集被测人员的行为指标数据和脑电指标数据，在练习结束时显示，显示练习阶段的平均反应时、正确率、各脑电幅值指标等参数。

然后，将上述指标作为模型输入，在脑电幅值处理中使用主成分分析与判别分析方法来直接进行降维处理，取得特征值，然后利用分类器进行分类，其中包括单类分类器、多类分类器、概率式分类器，本发明实施例利用学习矢量量化算法进行网络训练，由行为指标(平均反应时x₁、正确率x₂)与降维后脑电幅值(x₃,x₄,...,x_N)输入获取记忆力水平输出，一下为模型方法：

设置上述数据作为输入变量X(n)＝[x₁(n),x₂(n),....,x_N(n)]^T为训练样本，权值向量为W_i1(n)＝[w_i1(n)，w_i2(n),....,w_iN(n)]^T

通过欧式距离最小的标准来寻找获胜的神经元，也就是迭代过程中不断的寻找相似的样本，权值向量大的具有更强力的“吸引力”，能将神经网络中的其他神经元包含进来，最终将相似的样本聚合在一起，将X(n)划分为若干类，实现隐含层的竞争原理，这些非线性的计算都由计算机完成。

在输出结果中形成的几个结果簇中，根据训练样本中的测试者表现情况很容易分辨结果簇属于哪一类，并且对工作记忆能力进行梯度性的评价(60-70/70-80/80-90/90-100)。

从上述可知，本发明的工作记忆能力考核的方法将受测者脑电幅值和受测者的行为指标相(平均反应时、正确率)融合，并利用了改进的算法，增强了该方法的泛化能力，将原本的长时间训练时间大量降低，从而提高了时效性，在评判及时性上得到了提高。

参见图10，本发明实施例中的调度员能力测试系统包括工作记忆能力测试单元时的结构示意图，该系统可以包括：测试内容显示单元、人机交互单元、行为记录单元、脑电信号收集单元、特征选取处理单元以及综合评价处理单元等，其中：测试内容显示单元，用于显示被测人员的模拟任务环境；人机交互单元，用于被测人员的人机交互操控；行为记录单元、脑电信号收集单元，分别用于获取被测人员的行为指标数据、脑电指标数据；特征选取处理单元，用于分别将所述行为指标数据和所述脑电指标数据进行特征处理，取得相应的特征值；综合评价处理单元，用于将所述行为指标数据的特征值和所述脑电指标数据的特征值作为输入样本，采用学习矢量量化算法进行网络训练，得到记忆能力水平输出。在具体实施时，脑电信号收集单元可以采用脑电仪。

实施例六

图11为本发明实施例中的调度员能力测试系统包括任务切换能力测试单元时的工作流程示意图。包括如下步骤：

步骤1101：通过展示模块对任务测试题进行展示。

步骤1102：通过眼动采集模块采集高铁调度员阅读任务测试题时的扫视时长，扫视时长为眼球开始扫视至结束扫视时的所需时长。

步骤1103：通过记录模块记录扫视时长。

步骤1104：接收到任务测试题的作答结果时，通过记录模块记录作答时长及当前作答的正确率。

步骤1105：基于全部任务测试题中每一个任务测试题对应的扫视时长、作答时长、正确率确定高铁调度员任务切换能力的第一测试结果。

在步骤1101中，在一实施例中，本发明可以应用在计算机、智能手机、平板电脑、智能手表等终端设备上，展示模块为终端设备的展示界面。任务测试题的内容不定，任务测试题1例如为：在展示界面中会有正方形和数字出现在屏幕的中央，当展示界面中出现蓝色边框的正方形的时候，请高铁调度员判断接下来在正方形中出现的数字是奇数还是偶数，如果是偶数请又快又准用左手食指按左方向键，如果是奇数请又快又准用右手食指按右方向键；任务测试题2例如为：当出现红色边框的正方形的时候，请高铁调度员判断接下来在正方形中出现的数字是小于5还是大于等于5，如果是小于5请又快又准用左手食指按左方向键，如果大于等于5请又快又准用右手食指按右方向键。

在步骤1102中，在一实施例中，眼动采集模块可以为终端设备上的摄像头等可以拍摄外界物体的拍摄装置，也可以为终端设备外接的一个独立的拍摄设备，例如眼球仪。通过眼动采集模块，可以将高铁调度员在阅读任务测试题时，眼球的运动时长进行采集，以此避免高铁调度员未阅读完成该任务测试题，任意填写作答结果，导致作答结果不准确的情况发生。扫视时长为眼球开始扫视至结束扫视时的所需时长，若扫视时长过短，极有可能高铁调度员未完成对该任务测试题的阅读，可判定该作答结果无效。在步骤1103中，在一实施例中，通过终端设备中的记录模块记录扫视时长。在步骤1104中，在一实施例中，当终端设备接收到高铁调度员针对该任务测试题的作答结果时，终端设备通过记录模块记录作答时长及当前作答的正确率。

在步骤1105中，在一实施例中，终端设备基于全部任务测试题中每一个任务测试题对应的扫视时长、作答时长、正确率确定高铁调度员任务切换能力的第一测试结果r₁。具体的，该步骤1105可以包括：

基于全部任务测试题中每一个任务测试题对应的扫视时长、作答时长、正确率，分别确定对应的第二测试结果、第三测试结果、第四测试结果；

基于第二测试结果、第三测试结果、第四测试结果及第二测试结果、第三测试结果、第四测试结果分别对应的第一预设权重、第二预设权重、第三预设权重，确定第一测试结果。其中，第二测试结果r₂、第三测试结果r₃、第四测试结果r₄分别为高铁调度员在扫视时长、作答时长、正确率三个方面得到的单项任务切换能力的测试结果。根据扫视时长、作答时长、正确率在高铁调度员任务切换能力的测试中的重要程度，确定与第二测试结果r₂、第三测试结果r₃、第四测试结果r₄分别对应的第一预设权重w₁、第二预设权重w₂、第三预设权重w₃。

具体的，基于全部任务测试题中每一个任务测试题对应的扫视时长、作答时长、正确率，分别确定对应的第二测试结果、第三测试结果、第四测试结果包括：

对全部任务测试题中每一个任务测试题对应的扫视时长、作答时长、正确率分别进行标准化处理，得到全部任务测试题中每一个任务测试题对应的标准扫视时长、标准作答时长、标准正确率；基于全部任务测试题中每一个任务测试题对应的标准扫视时长、预设比例关系、全部任务测试题的总数量、确定第二测试结果；基于全部任务测试题中每一个任务测试题对应的标准作答时长、预设比例关系、全部任务测试题的总数量、确定第三测试结果；基于全部任务测试题中每一个任务测试题对应的标准正确率、预设比例关系、全部任务测试题的总数量、确定第三测试结果。其中，终端设备可以通过min-max标准化公式，对全部任务测试题中每一个任务测试题对应的扫视时长、作答时长、正确率分别进行标准化处理。min-max标准化公式为

其中，T_i、T_min、T_max针对扫视时长、作答时长、正确率分别对应的含义如下：

T_i为第i个任务测试题对应的扫视时长，T_min为所有扫视时长里的最小值，T_max为所有扫视时长里的最大值；T_i为第i个任务测试题对应的作答时长，T_min为所有作答时长里的最小值，T_max为所有作答时长里的最大值；T_i为第i个任务测试题对应的当前作答的正确率，T_min为所有正确率里的最小值，T_max为所有正确率里的最大值。基于全部任务测试题的总数量n，通过判别函数

分别得到与扫视时长、作答时长、正确率对应的s₁、s₂、s₃；通过预设比例关系

计算得到与s₁、s₂、s₃分别对应的第二测试结果r₂、第三测试结果r₃、第四测试结果r₄，其中，t为预设的阈值，80为便于r结果落入60分～100分区间所设定的。若r算出来小于60，则取60，若大于100，则取100。

通过公式r₁＝w₁·r₂+w₂·r₃+w₃·r₄，计算得到第一测试结果r₁，公式中包括第二测试结果r₂、第三测试结果r₃、第四测试结果r₄，第一预设权重w₁、第二预设权重w₂、第三预设权重w₃。

本发明实施例中，高铁调度员任务切换能力的测试方法通过眼球眼动采集模块采集高铁调度员阅读任务测试题时的扫视时长，并结合终端设备接收到任务测试题的作答结果时，通过记录模块记录的作答时长及当前作答的正确率，实现了客观地、全面地评估高铁调度员任务切换能力，并可以对高铁调度员任务切换的能力进行量化展示，为高铁调度员的选拔、业绩考核提供参考依据。

此外，本发明提出的高铁调度员任务切换能力的测试方法在其它实施例中还存在以下优选方式：

基于第一预设概率从上一任务测试题切换至任务测试题。通过设置第一预设概率，使得不同任务测试题之间按照第一预设概率进行切换。当增加较难的任务测试题的出现概率时，全部任务测试题的整体难易程度偏难，当增加较简单的任务测试题的出现概率时，全部任务测试题的整体难易程度偏简单。通过改变第一预设概率，可以调节全部任务测试题的难易程度，使得用户根据自身需要，灵活调节全部任务测试题的难易程度。

图12为本发明实施例中的调度员能力测试系统包括任务切换能力测试单元时的结构示意图。如图12所示，该测试系统包括：测试题展示单元121，用于通过展示模块对任务测试题进行展示；扫视时长采集单元122，用于通过眼动采集模块采集高铁调度员阅读任务测试题时的扫视时长，扫视时长为眼球开始扫视至结束扫视时的所需时长；第一记录单元123，用于通过记录模块记录扫视时长；第二记录单元124，用于接收到任务测试题的作答结果时，通过记录模块记录作答时长及当前作答的正确率；测试结果确定单元125，用于基于全部任务测试题中每一个任务测试题对应的扫视时长、作答时长、正确率确定高铁调度员任务切换能力的第一测试结果。优选地，测试结果确定单元包括：

第一结果确定模块(图中未示出)，用于基于全部任务测试题中每一个任务测试题对应的扫视时长、作答时长、正确率，分别确定对应的第二测试结果、第三测试结果、第四测试结果；第二结果确定模块(图中未示出)，用于基于第二测试结果、第三测试结果、第四测试结果及第二测试结果、第三测试结果、第四测试结果分别对应的第一预设权重、第二预设权重、第三预设权重，确定第一测试结果。优选地，第一结果确定模块包括：标准化处理子模块(图中未示出)，用于对全部任务测试题中每一个任务测试题对应的扫视时长、作答时长、正确率分别进行标准化处理，得到全部任务测试题中每一个任务测试题对应的标准扫视时长、标准作答时长、标准正确率；第一确定子模块(图中未示出)，用于基于全部任务测试题中每一个任务测试题对应的标准扫视时长、预设比例关系、全部任务测试题的总数量、确定第二测试结果；第二确定子模块(图中未示出)，用于基于全部任务测试题中每一个任务测试题对应的标准作答时长、预设比例关系、全部任务测试题的总数量、确定第三测试结果；第三确定子模块(图中未示出)，用于基于全部任务测试题中每一个任务测试题对应的标准正确率、预设比例关系、全部任务测试题的总数量、确定第三测试结果。

优选地，测试系统还可以包括：测试题切换单元126，用于基于第一预设概率从上一任务测试题切换至任务测试题。

本发明提出的高铁调度员任务切换能力的测试系统的工作过程简述如下：通过终端设备上的展示模块对该任务测试题进行展示，高铁调度员阅读该任务测试题时，通过眼动采集模块采集高铁调度员阅读该任务测试题时的扫视时长，该扫视时长为眼球开始扫视至结束扫视时的所需时长，眼动采集模块将采集到的扫视时长发送到终端设备上的记录模块，通过记录模块记录该扫视时长，终端设备接收到高铁调度员针对任务测试题给出的作答结果时，终端设备通过记录模块记录作答时长及当前作答的正确率，基于全部任务测试题中每一个任务测试题对应的扫视时长、作答时长、正确率，终端设备确定高铁调度员任务切换能力的第一测试结果。

本实施例高铁调度员任务切换能力的测试方法通过眼球眼动采集模块采集高铁调度员阅读任务测试题时的扫视时长，并结合终端设备接收到任务测试题的作答结果时，通过记录模块记录的作答时长及当前作答的正确率，实现了客观地、全面地评估高铁调度员任务切换能力，并可以对高铁调度员任务切换的能力进行量化展示，为高铁调度员的选拔、业绩考核提供参考依据。

实施例七

图13为本发明实施例中的调度员能力测试系统包括持续性注意力测试单元时的工作流程示意图。

如图13所示：在被测人员处于模拟任务状态下，获取被测人员的行为指标数据、眼动指标数据和脑电指标数据；将行为指标数据、眼动指标数据和脑电指标数据作为预设综合评价模型的输入，综合评价模型的输出为多个考核等级中的一个；综合评价模型事先通过如下方式获得：基于预定数量的被测人员在实际任务状态下的测试数据，获得与考核等级对应个数的理想评价指标表，并且在多个理想评价指标表的监督下通过神经网络学习获得多输入与单输出的关系模型。在此基础上，在具体实施过程中，还可以采用如下至少一种优化或实现方式：一、行为指标数据、眼动指标数据和脑电指标数据在输入前均经过数据预处理；二、脑电指标数据的预处理可以包括：将采集的脑电信号先通过0至30HZ带宽的整体滤波器，再以长度为2s的时间窗分割，分割得到的每个窗的信号乘以汉明窗函数并进行FFT变换；三、脑电指标数据包括FFT变换后的脑电信号α波平均幅值、β波平均幅值、α/β、(α+β)/β；行动指标数据和所述眼动指标数据的预处理具体为数据的标准化、一致化处理，数据标准化及一致化处理可以包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果，数据无量纲化处理主要解决数据的可比性。去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。数据标准化的方法有很多种，常用的有“最小—最大标准化”、“Z-score标准化”和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析；四、行为指标数据可以包括反应时和正确率；五、眼动指标数据可以包括瞳孔直径、眨眼频率、注意持续时间和扫视速度等；六、考核等级可以为三个，例如P1，P2，P3，分别对应好、量和中，以便判断被测人员的持续性注意力水平是否达标。

具体而言，在被测人员准备完毕后，测试界面启动，界面中央会出现一个信号机，每次出现的信号机与上次出现的信号机不同，信号机在一段时间后消失，随之出现列车不同运行状态，被测人员需要在出现特定信号机的时候，若下一个列车运行状态与之匹配，则做出反应。在被测人员完成此任务的同时记录被测人员的行为指标数据如反应时和正确率，并实时采集被测人员脑电、眼动指标数据。有关脑电及眼动指标数据的具体实现方式可以参见现有技术的相关描述，在此不再展开。反应时、正确率通常需要经过数据预处理环节，即经过标准化、一致化后才便于参与综合评价。相应地，眼动数据也通常需要经过数据预处理环节，即经过标准化、一致化后才能参与综合评价。

采集的脑电信号先通过0-30HZ带宽的整体滤波器，去除工频电和部分肌电信号干扰，然后得到的信号再以长度为2s的时间窗分割，每个窗的信号再乘上同等长度汉明窗函数，之后进行快速傅里叶变换即FFT，前一步骤有助于FFT变换的旁瓣效应影响，相关具体公式如下：

时间窗信号：h(n)

汉明窗：

其中a+b＝1，a和b决定了窗函数的格式，a，b-般取0.5，N≈n²n为信号样本量。

处理后信号：H(n)＝h(n)·W(n)

处理后的脑电信号再经过FFT变换得到：

k＝0，1......N-1

从已变换后的信号中可以提取有用的脑电信号特征α波平均幅值、β波平均幅值、α/β、(α+β)/β，作为后续模型算法的参数输入。对经过预处理后的反应时、正确率、眼动以及脑电等指标数据进行综合评价。具体方法如下：

由实验所得的参与人员指标中，一般将反应时X₁、正确率X₂、眼动指标X_i、脑电指标X_i+1作为具有代表性的评估因子，对调度员的持续性注意进行划分，划分标准可以设定为三项：P₁、P₂、P₃。

在进行分级之前先要制定3个的理想评价指标表(测试得到的指标需要和这个理想指标评价表进行对比，以得到最终结果)。理想评价表通过先验分析得到，基于大量的高铁调度员实际的测试数据分析得到。将理想评价指标映射为神经元状态，需要对其进行编码

模型输入输出关系：

其中

为神经元i与j的连接权值，θ_j为神经元j的阈值；

神经元j的当前时刻t的输入量：u_j(t)＝s_j(t)；

神经元下一时刻t+1的输出量：

当神经网络进行适当的训练后，连接权矩阵ω_ij将被确定，表明网络已经处于准备状态。输入待分类的等级评价指标数据与预先设定的尺度表对比获取DHNN编码图，经过多次循环后，网络可达到稳定状态：v(t+1)＝v(t)，此时输出端可得到稳定输出，即将处理后得到的评价指标表与理想评价指标表进行对比，此项指标大于理想评价指标的话就记为“1”，反之记为“-1”，稳定输出就是被测人员的的考核等级。

从上述可知，采用本发明前述两个实施例后，能够将持续性注意与具体场景任务如高铁调度的任务特征充分相融合，并且采用三个维度的指标，从表象层面深入到机理层面，从外源因素到内源因素，建立了一种准确度更高的、更科学客观的持续性注意考核方案，从而能够更好的量化从业者的持续注意力水平，从而提高工作效率以及降低风险。

图14为本发明实施例中的调度员能力测试系统包括持续性注意力测试单元时的结构示意图。参见图14所示，系统可以包括：测试内容显示单元、人机交互单元、行为记录单元、眼动信号收集单元、脑电信号收集单元以及持续注意力综合评价单元等，其中：测试内容显示单元用于显示被测人员的模拟任务环境，使被测人员处于模拟任务的场景条件下；人机交互单元用于被测人员的人机交互操控；行为记录单元、眼动信号收集单元、脑电信号收集单元分别用于获取被测人员的行为指标数据、眼动指标数据和脑电指标数据；持续性注意力综合评价单元用于通过综合评价模型将行为指标数据、眼动指标数据和脑电指标数据映射至多个考核等级中的一个；综合评价模型事先通过如下方式获得：基于预定数量的被测人员在实际任务状态下的测试数据，获得与考核等级对应个数的理想评价指标表，并且在多个理想评价指标表的监督下通过神经网络学习获得多输入与单输出的关系模型。

优选地，眼动信号收集单元可以采用眼动仪，脑电信号收集单元可以采用脑电仪。另外，该用于持续性注意力考核的系统还可以包括参数调节模块，用于调节各种参数，例如人机交互的操控参数或者测试内容的显示节奏等，此外各个信号搜集单元上可以分别集成相应的信号处理装置。

实施例八：

图15为本发明实施例中的调度员能力测试系统包括前瞻性记忆能力测试单元时的工作流程示意图。包括如下步骤：

步骤1501：通过展示模块对全部测试题以及全部测试题分别对应的预设作答规则进行展示。

步骤1502：结束展示后，通过脑电获取模块获取高铁调度员针对全部测试题中的其中一个测试题进行回想时预设时间段内的脑电幅值。

步骤1503：当接收到高铁调度员针对其中一个测试题给出的作答结果时，基于其中一个测试题对应的预设作答规则确定作答结果是否正确，并记录当前作答结果的正确率。

步骤1504：基于全部测试题的数量、全部测试题中每一个测试题对应的脑电幅值、全部测试题中每一个测试题对应的正确率，确定高铁调度员前瞻性记忆能力对应的第一测试结果。

在步骤1501中，在一实施例中，本发明可以应用在计算机、智能手机、平板电脑、智能手表等终端设备上，展示模块为终端设备的展示界面。前瞻性记忆为对将来某一时刻要做的事或任务的记忆，是相对于回顾性记忆的一种记忆。测试题具体的可以为，在完成第3个干扰试题后，在电脑桌面上建立文件名为“1”的文件夹；在完成第6个干扰试题后，在电脑桌面上建立文件名为“2”的文件夹；在完成第9个干扰试题后，在电脑桌面上建立文件名为“3”的文件夹。其中，干扰试题为针对高铁调度员的反应能力、抗压能力的其他测试题。终端设备通过展示模块对全部测试题以及全部测试题分别对应的预设作答规则进行展示，此处具体的展示时间可以为终端设备预设的固定时长，例如1分钟。也可以为高铁调度员通过双击、单击、长按等预设方式结束该展示。

在步骤1502中，在一实施例中，脑电获取模块为终端设备外接的脑电采集设备，例如电极帽。高铁调度员佩戴该脑电采集设备，终端设备通过脑电采集设备获取高铁调度员的脑电幅值。结合步骤1501，结束展示后，终端设备可以通过展示模块对干扰试题进行展示，当高铁调度员完成第3个干扰试题后，高铁调度员针对“在电脑桌面上建立文件名为“1”的文件夹”的测试题进行回想，通过脑电获取模块获取高铁调度员针对该测试题进行回想时预设时间段内的脑电幅值，该预设时间段可以为200ms～500ms，全部测试题中的每一个测试题对应的脑电幅值均采集相同预设时间段，使得采集结果统一化。

在步骤1503中，在一实施例中，结合步骤1502，例如，针对测试题“在完成第3个干扰试题后，在电脑桌面上建立文件名为“1”的文件夹”，当终端设备接收到高铁调度员在完成第3个干扰试题后，在电脑桌面上建立文件名为“1”的文件夹的作答结果时，终端设备基于“在完成第3个干扰试题后，在电脑桌面上建立文件名为“1”的文件夹”的预设作答规则确定作答结果是否正确，并记录当前作答结果的正确率。

在步骤1504中，在一实施例中，终端设备基于全部测试题的数量n、全部测试题中每一个测试题对应的脑电幅值μ_i、全部测试题中每一个测试题对应的正确率d_i，确定高铁调度员前瞻性记忆能力对应的第一测试结果score。

本发明实施例中，通过脑电获取模块获取高铁调度员针对全部测试题中的其中一个测试题进行回想时预设时间段内的脑电幅值，并且基于全部测试题的数量、全部测试题中每一个测试题对应的脑电幅值、全部测试题中每一个测试题对应的正确率，确定高铁调度员前瞻性记忆能力对应的第一测试结果，实现了对高铁调度员前瞻性记忆能力的测试，并通过第一测试结果进行展示，为高铁调度员的选拔、业绩考核提供参考依据。

此外，本发明高铁调度员前瞻性记忆能力的测试方法其它实施例中还至少存在以下优选方式：预设作答规则包括在指定时间内进行作答和/或在指定步骤前或后进行作答，上述步骤1501针对测试题的举例为“指定步骤后进行作答”的一种预设作答规则，通过设置不同的预设作答规则，以及将多种预设作答规则相结合的方式，可以对测试题的难易程度进行灵活调节；上述步骤1503包括：

判断作答结果是否符合其中一个测试题对应的预设作答规则，若符合则确定作答结果正确。具体的，所述的测试方法还包括：

获取高铁调度员未回想测试题时的标准脑电幅值。具体的，步骤1504包括：

基于全部测试题的数量、全部测试题中每一个测试题对应的脑电幅值确定第二测试结果；基于全部测试题的数量、全部测试题中每一个测试题对应的正确率确定第三测试结果；基于全部测试题的数量、全部测试题中每一个测试题对应的脑电幅值、标准脑电幅值确定第四测试结果；基于第二测试结果、第三测试结果、第四测试结果确定高铁调度员前瞻性记忆能力对应的第一测试结果。

其中，第二测试结果为全部测试题中每一个测试题对应的脑电幅值的平均值。例如，终端设备基于全部测试题的数量n、全部测试题中每一个测试题对应的脑电幅值μ_i(i为第i个测试题)，通过公式

确定第二测试结果X₁。

第三测试结果为全部测试题中每一个测试题对应的正确率的平均值。例如，终端设备基于全部测试题的数量n、全部测试题中每一个测试题对应的正确率d_i，通过公式

确定第三测试结果X₂。

第四测试结果为全部测试题中每一个测试题对应的脑电幅值的变化率的平均值。例如，终端设备基于全部测试题的数量n、全部测试题中每一个测试题对应的脑电幅值μ_i、标准脑电幅值p(μ_i)，通过公式

确定第四测试结果X₃。基于X₁，X₂，X₃分别对应的第二测试结果、第三测试结果、第四测试结果通过公式

确定高铁调度员前瞻性记忆能力对应的第一测试结果score。其中X₁，X₂，X₃作为输入，k(x,x_j)为核函数，wj,w₀为神经网络隐含层中的权重向量，经过网络内部的不断自我更新，得到y(x,w)作为输出，对产生的输出使用改变纵坐标单位变成分数值的Sigmoid函数，具体的，设定横坐标为输出的数值，可以将其控制在某个区间内，例如[a，b]，纵坐标单位设定为能力分值，譬如[60,100]，那么不同的输出就对应了不同的数值，比如输出＝(a+b)/2时，能力数值对应纵坐标80分，即得到高铁调度员前瞻性记忆能力测试的第一测试结果80分。

图16为本发明实施例中的调度员能力测试系统包括前瞻性记忆能力测试单元时的结构示意图，其为上述各高铁调度员前瞻性记忆能力的测试方法所示实施例对应的系统，上述各高铁调度员前瞻性记忆能力的测试方法所示实施例的解释说明适用于本实施例。如图16所示，该测试系统包括：测试题展示单元1601，用于通过展示模块对全部测试题以及所述全部测试题分别对应的预设作答规则进行展示；脑电幅值获取单元1602，用于结束所述展示后，通过脑电获取模块获取高铁调度员针对所述全部测试题中的其中一个测试题进行回想时预设时间段内的脑电幅值；正确率记录单元1603，用于当接收到所述高铁调度员针对所述其中一个测试题给出的作答结果时，基于所述其中一个测试题对应的预设作答规则确定所述作答结果是否正确，并记录当前作答结果的正确率；测试结果确定单元1604，用于基于所述全部测试题的数量、全部测试题中每一个测试题对应的脑电幅值、全部测试题中每一个测试题对应的正确率，确定所述高铁调度员前瞻性记忆能力对应的第一测试结果。优选地，所述正确率记录单元包括：正确率记录模块(图中未示出)，用于判断所述作答结果是否符合所述其中一个测试题对应的预设作答规则，若符合则确定所述作答结果正确，并记录当前作答结果的正确率，所述预设作答规则包括在指定时间内进行作答和/或在指定步骤前或后进行作答。优选地，所述系统还包括：标准幅值获取单元1605，用于获取所述高铁调度员未回想测试题时的标准脑电幅值。优选地，所述测试结果确定单元包括：

第一结果确定模块(图中未示出)，用于基于所述全部测试题的数量、全部测试题中每一个测试题对应的脑电幅值确定第二测试结果；第二结果确定模块(图中未示出)，用于基于所述全部测试题的数量、全部测试题中每一个测试题对应的正确率确定第三测试结果；第三结果确定模块(图中未示出)，用于基于所述全部测试题的数量、全部测试题中每一个测试题对应的脑电幅值、所述标准脑电幅值确定第四测试结果；测试结果确定模块(图中未示出)，用于基于所述第二测试结果、所述第三测试结果、所述第四测试结果确定所述高铁调度员前瞻性记忆能力对应的第一测试结果。

本高铁调度员前瞻性记忆能力的测试系统的工作过程简述如下：高铁调度员佩戴好电极帽，电极帽将采集的到的高铁调度员未作任何回想时的脑电幅值记录为标准脑电幅值。准备工作就绪后，终端设备的展示界面中展示：在完成第3个干扰试题后，在电脑桌面上建立文件名为“1”的文件夹；在完成第6个干扰试题后，在电脑桌面上建立文件名为“2”的文件夹；在完成第9个干扰试题后，在电脑桌面上建立文件名为“3”的文件夹的三个测试题，高铁调度员阅读完成后，可以点击阅读完成的按钮，展示界面中开始展示干扰试题，当高铁调度员给出第3个干扰试题的作答结果后，需要开始对“在完成第3个干扰试题后，在电脑桌面上建立文件名为“1”的文件夹”的测试题进行回想，电极帽采集此时高铁调度员的脑电幅值，终端设备获取该脑电幅值，当高铁调度员针对该测试题给出作答结果时，基于全部测试题的数量、全部测试题中每一个测试题对应的脑电幅值、全部测试题中每一个测试题对应的正确率，确定高铁调度员前瞻性记忆能力对应的第一测试结果。

本发明实施例中，通过脑电获取模块获取高铁调度员针对全部测试题中的其中一个测试题进行回想时预设时间段内的脑电幅值，并且基于全部测试题的数量、全部测试题中每一个测试题对应的脑电幅值、全部测试题中每一个测试题对应的正确率，确定高铁调度员前瞻性记忆能力对应的第一测试结果，实现了对高铁调度员前瞻性记忆能力的测试，并通过第一测试结果进行展示，为高铁调度员的选拔、业绩考核提供参考依据。

实施例九

图17为本发明实施例中的调度员能力测试系统包括行为监控能力测试单元时的工作流程示意图。主要包括如下所述的步骤：

步骤1701，通过显示装置按照随机时间间隔向被测人员显示第一类刺激画面或第二类刺激画面；所述被测人员被要求在显示第一类刺激画面时进行相应的按键操作，而在显示第二类刺激画面时不作任何反应。

步骤1702，在测试过程中，通过脑电采集装置持续地实时采集被测人员的脑电数据，并当被测人员根据所显示的刺激画面进行相应的按键操作时，通过行为采集装置持续地实时采集被测人员的行为数据。

另外，较佳的，在本发明的一个具体实施例中，所述行为数据可以包括：对不需作任何反应的刺激的错误率。

另外，较佳的，在本发明的一个具体实施例中，所述被测人员可以是高铁调度员或其他需要测试的技术人员。

步骤1703，在测试过程结束之后，根据所采集的脑电数据得到错误反应后产生的脑电成分(ERN)的平均波幅值，并对所述ERN的平均波幅值和行为数据进行标准化以及一致化操作。

例如，较佳的，在本发明的一个具体实施例中，所述根据所采集的脑电数据得到ERN的平均波幅值包括：

步骤1731，通过脑电分析装置对所采集的脑电数据进行离线分析，以单侧乳突为参考电极，去除眼电数据的干扰，并采用30Hz低通进行滤波处理以消除高频信息的干扰。

步骤1732，以被测人员的错误反应时刻作为分析零点，设分析时程为600毫秒(例如，分析时程可以是反应前400毫秒至反应后200毫秒)，以反应前400至200毫秒进行基线校正。

步骤1733，将分析时程内的波幅大于±100μv的脑电数据视为伪迹而去除，获得干净的ERN波形。

步骤1734，对所获得的ERN波形进行波峰探测，根据探测到的各个波峰得到对应的ERN波幅值。

步骤1735，根据得到的所有ERN波幅值计算得到ERN的平均波幅值。

通过上述的步骤1731～1735，即可根据所采集的脑电数据得到ERN的平均波幅值。

另外，在本步骤中，可以使用常用的标准化以及一致化方法将对ERN的平均波幅值和所采集的行为数据进行标准化以及一致化操作，在此不再赘述。步骤1704，根据标准化以及一致化操作后的ERN的平均波幅值和行为数据，采用卷积神经网络算法进行处理，得到结果簇。在本发明的技术方案中，可以使用多种方式来实现上述的步骤1704。以下将以其中的一种具体实现方式为例，对本发明的技术方案进行介绍。例如，较佳的，在本发明的一个具体实施例中，可以通过如下的公式计算得到结果簇：

其中，hω,b为结果簇，f为转换函数，xi为ERN的平均波幅值和行为数据，ω为隐含层的权重，b为隐含层的阈值。步骤1705，将所述结果簇通过Softmax分类器进行分类，得到分类结果，并将所述分类结果作为被测人员的行为监控能力的测试结果。在本发明的技术方案中，可以根据实际应用情况的需要，对分类结果的种类进行设置，从而得到被测人员的行为监控能力的测试结果。例如，较佳的，在本发明的一个具体实施例中，所述分类结果可以包括如下的四类测试结果：

y(i)∈{1,2,3,4}；其中，

当y(i)＝1时，测试结果为90～100分；

当y(i)＝2时，测试结果为80～90分；

当y(i)＝3时，测试结果为70～80分；

当y(i)＝4时，测试结果为60～70分。

因此，通过上述的步骤101～105，即可对当前被测试调度员的行为监控能力进行有效地测试，并得到最终的被测人员的行为监控能力的测试结果，给出量化的测试分数。另外，在本发明的技术方案中，还提供了一种调度员行为监控能力的测试系统。

图18为本发明实施例中的调度员能力测试系统包括行为监控能力测试单元时的结构示意图。本发明实施例中的调度员行为监控能力的测试系统包括：显示装置1821、脑电采集装置1822、行为采集装置1823、数据处理装置1824和Softmax分类器1825；所述显示装置1821，用于按照随机时间间隔向被测人员显示第一类刺激画面或第二类刺激画面；所述被测人员被要求在显示第一类刺激画面时进行相应的按键操作，而在显示第二类刺激画面时不作任何反应；所述脑电采集装置1822，用于在测试过程中持续地实时采集被测人员的脑电数据；所述行为采集装置1823，用于当被测人员根据所显示的刺激画面进行相应的按键操作时，持续地实时采集被测人员的行为数据；所述数据处理装置1824，用于在测试过程结束之后，根据所采集的脑电数据得到错误反应后产生的脑电成分(ERN)的平均波幅值，并对所述ERN的平均波幅值和行为数据进行标准化以及一致化操作；根据标准化以及一致化操作后的ERN的平均波幅值和行为数据，采用卷积神经网络算法进行处理，得到结果簇；所述Softmax分类器1825，用于对所述结果簇进行分类，得到分类结果，并将所述分类结果作为被测人员的行为监控能力的测试结果。综上可知，在本发明中的调度员的行为监控能力的测试方法和系统，由于先通过显示装置按照随机时间间隔向被测人员显示第一类刺激画面或第二类刺激画面；然后通过脑电采集装置和行为采集装置分别采集被测人员的脑电数据和行为数据，并根据所采集的脑电数据得到ERN的平均波幅值，并对ERN的平均波幅值和行为数据进行标准化以及一致化操作之后，采用卷积神经网络算法进行处理，得到结果簇，最后将所述结果簇通过Softmax分类器进行分类，得到分类结果，并将所述分类结果作为被测人员的行为监控能力的测试结果，从而可对当前被测试调度员的行为监控能力进行有效地测试，并得到最终的测试结果，给出量化的测试分数。

实施例十

图19为本发明实施例中的调度员能力测试系统包括日常工作组织效率测试单元时的工作流程示意图。

S1900：从预定的车站联锁表数据库和区间参数数据库中分别随机挑选车站组合和区间组合，作为测试的车站和区间。

S1901：根据所挑选的车站组合和区间组合，生成运行图，并对运行图数据库中实际运行图子数据库和计划运行图子数据库进行初始化。

S1902：随机生成模拟调度任务。

S1903：获取高铁调度员对运行图终端、调度命令终端和调度电话的操作数据。

S1904：统计绩效指标，以评判高铁调度员日常工作组织效率；其中，该绩效指标包括：任务完成度、列车平均旅速、平均开行列数、移动车数和调度命令完整度。

S1905：根据被测列车调度员对运行图终端的操作，更新计划图子数据库。

S1906：从车站联锁表数据库中，选择所选车站可排进路信息，结合计划图子数据库，并根据到发各列车车次、时间、顺序，模拟车站接发列车。

S1907：当列车从车站出发后，根据区间参数数据库信息，模拟列车在区间的运行，并显示以下事件：进路显示、列车移动、信号机显示。

S1908：当列车在区间运行到下一车站时，重复步骤S7，并显示以下事件：进路显示、列车移动、信号机显示。

S1909：根据模拟列车接发所产生的列车在车站到发的实际数据，更新实际图子数据库。

本发明实施例通过采取上述技术方案，填补了国内外针对列车调度员交互式培训仿真模拟的空白，可以自动生成仿真任务，可保证对列车调度员的培训样板不重样，解决了传统列车调度仿真测试系统测试平台背景固定化的缺陷，车站和区间可以随机组合，因此，测试平台可模拟出多种多样的测试背景；由于全方面记录列车调度员所有操作数据，从任务完成度、列车平均旅速、平均开行列数、移动车数、调度命令完整度等多项综合性指标对其业务绩效进行量化分析，因此考核更加全面、客观。

基于与方法实施例相同的技术构思，图20为本发明实施例中的调度员能力测试系统包括日常工作组织效率测试单元时的结构示意图。该系统可以包括：获取模块2001，用于获取以下指标：任务完成度、列车平均旅速、平均开行列数、移动车数、调度命令完整度；处理模块2002，用于对指标进行无量纲化处理；第一确定模块2003，用于确定无量纲化处理后的指标的权重；第二确定模块2004，用于确定无量纲化处理后的指标的决策矩阵；第一计算模块2005，用于依据格序相关理论，计算决策矩阵的正、负理想解；第二计算模块2006，用于计算正、负理想解之间的第一欧氏距离；第三计算模块2007，用于计算高铁调度员分别与正、负理想解之间的第二欧氏距离；第四计算模块2008，用于根据第一欧氏距离和第二欧氏距离，计算高铁调度员的综合差异值；定量化模块2009，用于对高铁调度员的综合差异值进行定量化，并根据定量化结果来评测高铁调度员的日常工作组织效率。在一些优选的实施例中，处理模块具体包括：处理子模块，用于根据下式进行无量纲化处理：

其中，p′_ij表示第i个被测调度员、第j项指标归一化处理值；p_ij表示第i个被测调度员，第j项指标实测值；maxp_j表示第j项指标最大值。

在一些优选的实施例中，第一确定模块具体包括：

第一确定单元，用于确定评价指标客观离散度权向量为：

且

其中，w^*表示评价指标客观离散度权向量；

表示评价指标客观离散度权向量的分量；

第二确定单元，用于根据下式确定第i个列车调度员的第j个评价指标与该指标其他列车调度员的离差之和：

其中，

表示第i个列车调度员的第j个评价指标与该指标其他列车调度员的离差之和；

第三确定单元，用于确定在第j个评价指标下，所有列车调度员的总离差：

其中，

表示在第j个评价指标下，所有列车调度员的总离差；

构造单元，用于构造以下模型，以使

最大：

求解单元，用于求解构造的模型，并进行归一化处理，得到客观权向量；

处理单元，用于运用AHP层次分析法对专家的定性评判进行处理，得到主观权向量；

合成单元，用于根据下式将客观权向量与主观权向量合成，从而确定权重：

其中，w_j表示权重，且w_j＝(w₁,w₂,......,w_m)；

表示客观权向量；

表示主观权向量。

在一些优选的实施例中，第二确定模块具体包括：

第四确定单元，用于确定如下算子：

d_ij＝w_j·p′_ij

其中，d_ij表示算子；w_j表示权重；p′_ij表示第i个被测调度员、第j项指标归一化处理值；

第五确定单元，用于确定决策矩阵如下：

其中，D表示决策矩阵；n、m取正整数。

在一些优选的实施例中，第一计算模块具体包括：

第六确定单元，用于依据格序相关理论，确定正、负理想解分别为：

其中，M⁺表示正理想解；M^-表示负理想解。

在一些优选的实施例中，第二计算模块具体包括：

第一计算单元，用于根据下式计算正、负理想解之间的第一欧氏距离：

其中，L表示正、负理想解之间的第一欧氏距离。

在一些优选的实施例中，第三计算模块具体包括：

第二计算单元，用于根据下式计算高铁调度员分别与正、负理想解之间的第二欧氏距离：

其中，

表示高铁调度员与正理想解之间的第二欧氏距离；

表示高铁调度员与负理想解之间的第二欧氏距离；i表示高铁调度员。在一些优选的实施例中，第四计算模块具体包括：第七确定单元，用于根据下式确定综合差异值：

其中，L_i表示综合差异值。

实施例十一

图21为本发明实施例中的调度员能力测试系统包括推理能力测试单元时的工作流程示意图。其包括：

步骤2101：在接收到开始测试的指令后，控制显示调车场的模拟调度画面；

步骤2102：采集调度员在根据所述模拟调度画面进行调度测试时的脑电信号；并将所述脑电信号进行频域转换，并提取对应的频域特征；具体操作时，所述频域特征包括：所述脑电信号的α波频段功率谱平均幅值作为第一幅值；所述脑电信号的β波频段功率谱平均幅值作为第二幅值；所述第一幅值与第二幅值的和除以第二幅值的商；以及，所述第一幅值除以所述第二幅值的商。

具体操作时，在所述将所述脑电信号进行频域转换的步骤之前可以包括：对所述脑电信号进行滤波处理，如利用0.5-30HZ的带通滤波器滤除工频和肌电干染信号；并对滤波后的所述脑电信号进行眼电伪迹的去除处理，如:设置断点，找出所有符合的眨眼信号，对眨眼信号进行平均处理，得到标准眨眼，利用Scan软件中的空间滤波器按一定比例滤除采集的脑电信号所有电极的眨眼信号，即滤除了眼电伪迹。步骤2103：记录所述调度员完成调度测试的时长和对车辆的调度次数；步骤2104：将所述频域特征、所述调度员完成调度测试的时长和对车辆的调度次数作为输入特征，输入至概率特征选择分类向量机得到概率预测结果，根据所述概率预测结果评价所述调度员的推理能力；其中，将所述频域特征、所述调度员完成调度测试的时长和对车辆的调度次数作为输入特征的步骤包括：将所述频域特征、所述调度员完成调度测试的时长和对车辆的调度次数进行标准化和一致化处理后作为输入特征；假设共有n司机参与测试，共有m项测试指标。设第i个人的第j项测试值为x_ij，其中i＝1,2,…,n，j＝1,2,…,m其中，标准化处理为：记第j项测试指标的样本均值为

样本方差为

其中j为调度员推理能力的测试序号，则标准化处理后为：

一致性处理为：

其中M_j＝max{y_ij,i＝1,2,…,n}，m_j＝min{y_ij,i＝1,2,…,n}，j＝m₁+1,m₁+2,…,m₁+m₂。

其中，所述根据所述概率预测结果评价所述调度员的推理能力的步骤可以包括：对所述概率预测结果，使用改变纵坐标单位变成分数值的Sigmoid函数(可以根据需要选择)，可以使得一个区间的值按照一定的变换变换到另一个区间里，即值-值的映射(可称为映射关系),得到所述调度员的推理能力的评价结果。即:通过利用sigmoid函数，将概率预测结果转换为另一个区间的值，也就是说概率预测结果作为sigmoid函数的输入，sigmoid函数的输出作为最终的调度员的推理能力的评价结果。

本实施例调度员推理能力的测试方法通过结合被测试的调度员的脑电信号的频域特征和完成调度测试的时长和对车辆的调度次数，并利用概率特征选择分类向量机得到概率预测结果，以此评价所述调度员的推理能力，由于特征综合带有调度特性的行为指标和脑电信号，能提高调度员推理能力考核的准确度。

图22为本发明实施例中的调度员能力测试系统包括推理能力测试单元时的结构示意图。图23示例性地示出了一种调度员推理能力的测试系统的作用原理图。如图22及图23所示，该测试系统包括：调度测试任务显示装置，用于在接收到开始测试的指令后，控制显示调车场的模拟调度画面；脑电信号采集处理装置，用于采集调度员在根据所述模拟调度画面进行调度测试时的脑电信号；并将所述脑电信号进行频域转换，并提取对应的频域特征；行为记录装置，用于记录所述调度员完成调度测试的时长和对车辆的调度次数；机器学习分析装置，用于将所述频域特征、所述调度员完成调度测试的时长和对车辆的调度次数作为输入特征，输入至概率特征选择分类向量机得到概率预测结果，根据所述概率预测结果评价所述调度员的推理能力。优选地，所述的测试系统还包括：预处理装置(图中未示出)，用于将所述频域特征、所述调度员完成调度测试的时长和对车辆的调度次数进行标准化和一致化处理后作为输入特征优选地。标准化和一致化处理的解释可以参见上述说明。优选地，所述的测试系统还包括：脑电信号处理装置，用于对所述脑电信号进行滤波处理；并对滤波后的所述脑电信号进行眼电伪迹的去除处理。优选地，所述的测试系统还包括：评价结果获取装置，用于对所述概率预测结果，使用改变纵坐标单位变成分数值的Sigmoid函数，得到所述调度员的推理能力的评价结果。

本调度员推理能力的测试系统的工作过程简述如下：在被试做好准备之后，测试的界面开始启动，被试在调监屏上能看到一个调车场，每隔一定时间到达一辆列车，被试需要将列车解体到各个股道，待新编列车凑够满轴后将其发出，根据被试完成任务的时间和发出的列车是否符合规定对被试进行记录。本系统在评测被试的一般推理能力的方法上，综合分析了在带有调度特色的试验下，被试的脑电信号(EEG)和被试在评测过程中的得到的行为参数，通过算法分类计算后得到被试更加精确稳定的一般推理能力水平预测结果。

用以实时采集被试的脑电信号的脑电信号采集模块和阐述的脑电信号处理模块通信相连，通过这两个模块对采集的脑电信号预处理、分析并提取脑电信号的特征向量。预处理主要分为两个部分，首先是对采集到的脑电信号进行滤波处理，随后对滤波后信号进行眼电伪迹的去除。分析并提取脑电信号主要是对预处理后的脑电信号进行时域到频域的变换，从中提取频域内的特征向量：α、β四个基础频带特征以及(α+β)/β、α/β、这两个频域组合指标。

用以实时采集被试的行为数据的行为数据采集模块和阐述的行为数据处理模块通信相连，特征向量主要采集的是被试正式测试阶段完成操作的时间和实际对车辆调度的次数多少。最终采用PCVM概率分类算法，充分考虑先验类别信息对模型参数的影响，能够得到更加精确和稳定的概率预测结果。脑电α、β四个基础频带特征以及(α+β)/β、α/β、这两个频域组合指标分别用X1、X2、X3、X4表示；采集的操作总时间和操作总次数用X5、X6表示。

概率预测模型：

其中

其中X＝{X₁,X₂,X_X,X₄,X₅,X₆}作为输入，k(x,x_j)为合适的核函数，w_j,w₀为神经网络隐含层中的权重向量，经过网络内部的不断自我更新，得到y(x,w)作为准输出，对产生的准输出，使用改变纵坐标单位变成分数值的Sigmoid函数，得到调度员的一般推理能力水平。

本实施例调度员推理能力的测试系统通过带有调度特色的一般推理能力测试实验，除此之外还利用了高铁调度员实际作业的操作特征，将脑电信号和行为指标相结合分析，能够更加精确稳定的考核被试的一般推理能力。

本领域普通技术人员可以理解，实现上述实施例的全部或者部分步骤/单元/模块可以通过程序指令相关的硬件来完成，前述程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述实施例各单元中对应的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光碟等各种可以存储程序代码的介质。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种调度员能力测试系统，其特征在于，该系统包括：

测试内容显示装置，用于显示调度员的模拟任务环境；

人机交互装置，用于调度员的人机交互操控；

眼动数据记录装置，用于获取调度员测试时的眼动数据；

行为记录装置，用于获取调度员测试时的行为数据；

心电数据记录装置，用于获取调度员测试时的心电数据；

脑电信号收集装置，用于获取调度员测试时的脑电数据；

数据处理及测试装置，包括视觉搜索能力测试单元、注意广度测试单元、注意力测试单元、空间工作记忆更新能力测试单元、工作记忆能力测试单元、任务切换能力测试单元、持续性注意力测试单元、前瞻性记忆能力测试单元、行为监控能力测试单元、日常工作组织效率测试单元、推理能力测试单元中的至少两个；其中，所述视觉搜索能力测试单元，用于利用Softmax分类器，根据所述眼动数据及行为数据确定调度员的视觉搜索能力的测试结果；所述注意广度测试单元，用于根据所述眼动数据中的眼睛焦点位置，得到调度员的注意广度水平的测试结果；所述注意力测试单元，用于采用PCVM概率分类算法，对所述脑电数据、心电数据及行为数据进行处理，得到评测结果；所述空间工作记忆更新能力测试单元，用于利用神经网络，对所述脑电数据及行为数据进行处理，得到评测结果；所述工作记忆能力测试单元，用于根据所述行为数据和所述脑电数据，采用学习矢量量化算法进行网络训练，得到记忆能力水平输出；所述任务切换能力测试单元，用于根据所述眼动数据及行为数据确定调度员的任务切换能力的测试结果；所述持续性注意力测试单元，用于利用神经网络，对所述脑电数据、眼动数据及行为数据进行处理，得到评测结果；所述前瞻性记忆能力测试单元，用于根据所述脑电数据及行为数据进行处理，得到评测结果；所述行为监控能力测试单元，用于利用Softmax分类器，对所述脑电数据及行为数据进行处理，得到评测结果；所述日常工作组织效率测试单元，用于根据获取的任务完成度、列车平均旅速、平均开行列数、移动车数、调度命令完整度确定测评结果；所述推理能力测试单元，用于利用机器学习，对所述脑电数据及行为数据进行处理，得到评测结果；所述数据处理及测试装置包括视觉搜索能力测试单元时，所述测试内容显示装置，用于向调度员随机或按预设显示顺序显示整齐排列的第一类刺激矩阵或第二类刺激矩阵；所述第一类刺激矩阵中所有刺激元均相同，所述第二类刺激矩阵中至少有一个刺激元与其所在的刺激矩阵中的其它刺激元不同；

所述眼动数据记录装置，用于在测试过程中持续地实时采集调度员的眼动数据；所述行为记录装置，用于当调度员根据所显示的刺激矩阵进行相应的按键操作时，持续地实时采集调度员的行为数据；所述视觉搜索能力测试单元，用于在测试过程结束之后，对所采集的眼动数据和行为数据进行标准化以及一致化操作；根据标准化以及一致化操作后的眼动数据和行为数据，采用卷积神经网络算法进行处理，得到结果簇；所述Softmax分类器，用于对所述结果簇进行分类，得到分类结果，并将所述分类结果作为调度员的视觉搜索能力的测试结果；所述数据处理及测试装置包括注意广度测试单元时，所述测试内容显示装置，用于向被测调度员显示预设时长的测试画面；所述眼动数据记录装置，用于实时采集被测调度员的眼动数据，并将采集到的眼动数据传输给所述数据处理及测试装置；所述眼动数据包括：眼睛焦点位置、单位时窗内双眼闭合的帧数和眼球横向摆动振幅；所述注意广度测试单元，用于根据所采集的眼动数据中的眼睛焦点位置，计算被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例；根据所采集的眼动数据中的单位时窗内双眼闭合的帧数和预设的比例阈值，计算得到被测调度员的单位时间内眼睛闭合的时长；根据所采集的眼动数据中的眼球横向摆动振幅，计算得到被测调度员的眼睛横向摆动方差；根据被测调度员在测试过程中注视测试画面中的非安全视景区域的时间与单位时间窗的比例、单位时间内眼睛闭合的时长以及眼睛横向摆动方差，得到调度员的注意广度水平的测试结果；所述数据处理及测试装置包括注意力测试单元时，所述注意力测试单元，用于对所述脑电数据进行时域到频域的变换处理，提取脑电特征向量；对所述心电数据进行倒谱处理，提取心电信号特征向量；用于对所述行为数据进行处理，提取行为特征向量；以及用于采用PCVM概率分类算法，对所述脑电特征向量、心电特征向量和所述行为特征向量进行处理，得到评测结果；所述数据处理及测试装置包括空间工作记忆更新能力测试单元时，用于通过综合评价模型将所述行为数据和所述脑电数据映射至多个考核等级中的一个；所述综合评价模型事先通过如下方式获得：基于预定数量的调度员在实际任务状态下的测试数据，获得与所述考核等级对应个数的理想评价指标表，并且在多个理想评价指标表的监督下通过神经网络学习获得多输入与单输出的关系模型；所述工作记忆能力测试单元，用于将所述行为数据和所述脑电数据进行特征处理，取得相应的特征值；将所述行为数据的特征值和所述脑电数据的特征值作为输入样本，采用学习矢量量化算法进行网络训练，得到记忆能力水平输出；所述数据处理及测试装置包括任务切换能力测试单元时，

所述眼动数据记录装置，用于采集调度员阅读测试内容时的扫视时长，所述扫视时长为眼球开始扫视至结束扫视时的所需时长；所述行为记录装置，用于接收到任务测试题的作答结果时，记录作答时长及当前作答的正确率；任务切换能力测试单元，用于基于全部任务测试题中每一个任务测试题对应的扫视时长、作答时长、正确率确定高铁调度员任务切换能力的第一测试结果；所述持续性注意力测试单元，用于通过综合评价模型将所述行为数据、所述眼动数据和所述脑电数据映射至多个考核等级中的一个；所述综合评价模型事先通过如下方式获得：基于预定数量的调度员在实际任务状态下的测试数据，获得与所述考核等级对应个数的理想评价指标表，并且在所述多个理想评价指标表的监督下通过神经网络学习获得多输入与单输出的关系模型；所述数据处理及测试装置包括前瞻性记忆能力测试单元时，测试内容显示装置，用于通过展示模块对全部测试题以及所述全部测试题分别对应的预设作答规则进行展示；脑电信号收集装置，用于结束所述展示后，通过脑电获取模块获取高铁调度员针对所述全部测试题中的其中一个测试题进行回想时预设时间段内的脑电幅值；行为记录装置，用于当接收到所述高铁调度员针对所述其中一个测试题给出的作答结果时，基于所述其中一个测试题对应的预设作答规则确定所述作答结果是否正确，并记录当前作答结果的正确率；前瞻性记忆能力测试单元，用于基于所述全部测试题的数量、全部测试题中每一个测试题对应的脑电幅值、全部测试题中每一个测试题对应的正确率，确定所述高铁调度员前瞻性记忆能力对应的第一测试结果；所述数据处理及测试装置包括行为监控能力测试单元时，

测试内容显示装置，用于通过显示装置按照随机时间间隔向调度员显示第一类刺激画面或第二类刺激画面；所述调度员被要求在显示第一类刺激画面时进行相应的按键操作，而在显示第二类刺激画面时不作任何反应；

行为记录装置，用于当调度员根据所显示的刺激画面进行相应的按键操作时，持续地实时采集调度员的行为数据；

行为监控能力测试单元，用于在测试过程结束之后，根据所采集的脑电数据得到错误反应后产生的脑电成分ERN的平均波幅值，并对ERN的平均波幅值和行为数据进行标准化以及一致化操作；根据标准化以及一致化操作后的ERN的平均波幅值和行为数据，采用卷积神经网络算法进行处理，得到结果簇；

所述Softmax分类器，用于对所述结果簇进行分类，得到分类结果，并将所述分类结果作为调度员的行为监控能力的测试结果；所述数据处理及测试装置包括日常工作组织效率测试单元时，还包括：获取装置，用于获取以下指标：任务完成度、列车平均旅速、平均开行列数、移动车数、调度命令完整度；

所述日常工作组织效率测试单元，用于对所述指标进行无量纲化处理；用于确定无量纲化处理后的指标的权重；用于确定所述无量纲化处理后的指标的决策矩阵；用于依据格序相关理论，计算所述决策矩阵的正、负理想解；用于计算所述正、负理想解之间的第一欧氏距离；用于计算所述高铁调度员分别与所述正、负理想解之间的第二欧氏距离；用于根据所述第一欧氏距离和所述第二欧氏距离，计算所述高铁调度员的综合差异值；用于对所述高铁调度员的综合差异值进行定量化，并根据定量化结果来评测所述高铁调度员的日常工作组织效率；所述数据处理及测试装置包括调度员推理能力测试单元时，

测试内容显示装置，用于在接收到开始测试的指令后，控制显示调车场的模拟调度画面；

脑电信号收集装置，用于采集调度员在根据所述模拟调度画面进行调度测试时的脑电信号；并将所述脑电信号进行频域转换，并提取对应的频域特征；

行为记录装置，用于记录所述调度员完成调度测试的时长和对车辆的调度次数；

所述推理能力测试单元，用于将所述频域特征、所述调度员完成调度测试的时长和对车辆的调度次数作为输入特征，输入至概率特征选择分类向量机得到概率预测结果，根据所述概率预测结果评价所述调度员的推理能力。

Images