CN111178706A - 一种基于眼动数据的管制员注意力分配评估方法 - Google Patents

Abstract

本发明公开了一种基于眼动数据的管制员注意力分配评估方法，该方法包括：采集管制员在执行管制过程中不同航空器数量场景中的眼动数据并进行去燥处理；利用眼动算法区分去燥后的眼动数据；选择反映管制员注意力分配的眼动指标；利用统计分析和多重分形去趋势波算法分析选取的眼动指标的变化特征对管制员注意力分配进行评估。本发明通过管制员在面对管制场景时眼动数据的变化和相关算法进行结合，得出了较优的管制员注意力相关指标，可以有效评估管制员注意力分配特征。

Description

一种基于眼动数据的管制员注意力分配评估方法

技术领域

本发明涉及一种基于眼动数据的管制员注意力分配评估方法，属于注意力评估技术领域。

背景技术

民用航空运输凭借其安全、快捷、舒适、不受地形限制的优点，在交通运输业中占有独特的地位。随着航空制造业的快速发展，民用航空运输需求的逐年增长，民用航空运输的环境日益复杂，由此造成的空中交通管制任务难度逐渐增加。管制员作为管制扇区的管理者，其行为直接影响着整个空中交通系统的运行。空中交通流量的增加和管制场景的复杂度会增加管制员的工作难度，增强管制员犯错的概率。近年来，由于管制员工作差错造成的空管严重事故征候事件略有增加，例如，2016年在上海虹桥国际机场发生的跑道入侵事件，塔台管制员遗忘飞机动态造成人为原因严重事故征候。通常，为保证管制工作的准确性和管制的安全性，雷达管制员在监视雷达屏幕时，要合理的分配注意力，避免错、忘、漏现象，快速、准确的发现航空器之间潜在的冲突。因此，评估管制员的注意力分配行为对于空中交通运行安全具有重要的理论意义，是预测管制员获取信息的方式和管制意图的前提，也是实现管制自动化的研究基础。

视觉搜索是管制员快速找到目标、获取航空信息最直接的方式。管制员利用扫视快速掌握管制场景的动态信息、凭借精准的注视获取目标信息。研究表明，眼动行为是心理活动的外在的表现，眼动指标的时空特性能够表征管制员信息搜索过程中的行为，反映管制员的管制情景意识及注意力分配状况。

因此，眼动数据可以反映管制员心理和生理状况。通过分析管制员在管制场景中的各项眼动指标，挖掘各项指标特征，可以深入理解管制员的注意力分配行为，正确评估注意力分配。

发明内容

本发明所要解决的技术问题是：提供一种基于眼动数据的管制员注意力分配评估方法，基于管制场景变化对管制员产生心理-生理变化会表现为眼动数据变化的原理，分析眼动数据波形变化，从而判定不同场景下注意力分配指标的特征变化，为评估注意力分配提供一种新的判定方法。

本发明为解决上述技术问题采用以下技术方案：

一种基于眼动数据的管制员注意力分配评估方法，包括如下步骤：

步骤1，采集管制员在执行管制过程中不同航空器数量场景下的眼动数据，包括瞳孔直径、眨眼频率、视线与屏幕的交点坐标；

步骤2，对步骤1采集的眼动数据进行去燥处理，删除存在缺失或异常的数据；

步骤3，采用眼动算法将经过去燥处理后的数据区分为注视组和扫视组，并计算得到每个注视组的注视中心坐标、注视开始时间和注视持续时间，计算得到每个扫视组的扫视持续时间、扫视开始时间和扫视角速度；

步骤4，从注视组和扫视组中选择反映管制员注意力分配的眼动指标，即注视持续时间、扫视持续时间、扫视角速度，并多重分形去趋势波算法分析选取的眼动指标的变化特征，根据变化特征对管制员注意力分配进行评估。

作为本发明的一种优选方案，步骤1所述采集管制员在执行管制过程中不同航空器数量场景下的眼动数据，是通过faceLAB眼动仪进行采集。

作为本发明的一种优选方案，所述步骤3的具体过程为：

步骤31，选取经过去燥处理后的视线与屏幕的交点坐标作为眼动算法的数据，设置两个空间参数，包括定界距离d₁和聚簇距离d₂，设置一时间参数，为最小注视持续时间mt，其中，d₁＝0.01m，

s_xa、s_ya分别表示经过去燥处理后的视线与屏幕的交点坐标中所有横、纵坐标的标准差，mt＝50ms；

步骤32，将经过去燥处理后的视线与屏幕的交点坐标记为(x₁,y₁),(x₂,y₂),…,(x_M,y_M)，设置第一个坐标(x₁,y₁)为第一个聚类簇的起点和均值点；

步骤33，对于后续每个坐标，计算坐标与当前均值点之间的欧几里得距离，当欧几里得距离＜定界距离d₁时，则将该坐标归到当前聚类簇中，并对均值点坐标进行更新，新的均值点坐标的横、纵轴分别对应为当前聚类簇中所有坐标的横、纵轴的均值；当欧几里得距离≥定界距离d₁时，当前聚类簇聚类完成，转入步骤34；

步骤34，将欧几里得距离≥定界距离d₁对应的坐标设置为下一个聚类簇的起点和均值点，对后续每个坐标重复步骤33-34，直至遍历完所有坐标，则完成初步区分；

步骤35，根据初步区分结果，将每个聚类簇视为一个注视组，将簇中所有坐标的横、纵轴均值作为该簇均值点坐标的横、纵轴，计算簇中各坐标与均值点坐标之间的欧几里得距离，将欧几里得距离＞聚簇距离d₂对应的坐标去除后，计算该簇中心点坐标，中心点坐标的横、纵轴即为去除欧几里得距离＞聚簇距离d₂对应的坐标后剩余坐标的横、纵轴的均值，用(x_f,y_f,st_time_f,dur_time_f)表示每个聚类簇，其中，x_f、y_f分别为注视组中心点坐标的横、纵轴，st_time_f表示注视开始时间，dur_time_f表示注视持续时间；

步骤36，若某注视组的注视持续时间＜最小注视持续时间mt，则将该注视组转为扫视组，用(sac_time_s,st_time_s,ang_velocity_s)表示每个扫视组，其中，sac_time_s表示扫视持续时间，st_time_s表示扫视开始时间，ang_velocity_s表示扫视角速度，区分结束。

作为本发明的一种优选方案，所述步骤4的具体过程为：

步骤41，选择注视持续时间、扫视持续时间、扫视角速度，作为反映管制员注意力分配的眼动指标进行统计分析，对每个指标都进行步骤42-49的操作；

步骤42，以注视持续时间指标为例，计算注视持续时间指标序列的均值，公式为：

其中，

表示注视持续时间指标序列的均值，N表示注视持续时间指标序列的长度，x_k表示注视持续时间指标序列中第k个注视持续时间；

步骤43，构造去均值的和序列，确定累积离差，公式为：

其中，Y(i)表示累积离差，i＝1,…,N；

步骤44，将Y(i)序列划分成N_s个互不相同的区间，每个区间包含s个数据，则N_s＝int(N/s)；

步骤45，对每个区间内的每个数据进行多项式拟合：

y_v(j)＝a₁j^k+a₂j^k-1+…+a_kj+a_k+1，j＝1,…,s

其中，v＝1,…,N_s，y_v(j)表示划分的第v个区间中第j个数据的多项式，k＝1,…,6，a₁、a₂、…、a_k、a_k+1为多项式系数；

步骤46，计算去趋势后的均方误差，公式为：

其中，F²(s,v)表示均方误差，Y[(v-1)s+j]表示累积离差；

步骤47，计算波动函数，公式为：

当q＝0时，波动函数为

当q≠0时，波动函数为

其中，F_q(s)表示波动函数，h(q)表示广义Hurst指数；

步骤48，根据波动函数F_q(s)取对数，求得其变化斜率即h(q)，从而得到q_max和q_min，计算Δh(q)＝h(q_min)-h(q_max)，根据h(q)计算奇异指数α和多重分形谱宽f(α)；

步骤49，当Δh(q)＞0.5时记1分，否则记0分；当α＜1时记1分，否则记0分；当f(α)＞1.3时记1分，否则记0分；

步骤410，统计注视持续时间指标序列、扫视持续时间指标序列、扫视角速度指标序列对应的上述三个参数的分值，得到总分值，总分值在0-9分之间。

作为本发明的一种优选方案，步骤43所述累积离差的修正公式为：

其中，

表示修正后的累积离差，Y(k)表示累积离差，

表示所有累积离差的均值，i＝1,…,N，N表示注视持续时间指标序列的长度。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明首次提出以管制员眼动数据的注意力分配评估方法，基于管制场景变化对管制员产生心理-生理变化会表现为眼动数据变化的原理，分析眼动数据波形变化，从而判定不同场景下注意力分配指标的特征变化，为评估注意力分配提供一种新的判定方法。

2、本发明通过管制员在面对管制场景时眼动数据的变化和相关算法进行结合，得出了较优的管制员注意力相关指标，可以有效评估管制员注意力分配特征。

附图说明

图1是本发明一种基于眼动数据的管制员注意力分配评估方法的流程图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

如图1所示，一种基于眼动数据的管制员注意力分配评估方法，包括如下步骤：

S1，采集管制员在执行管制过程中不同航空器数量场景中的眼动数据；

使用faceLAB眼动仪采集管制员眼动数据，包括瞳孔直径、眨眼频率、视线与屏幕的交点坐标。

S2，对眼动数据进行去燥处理；

对采集到的眼动数据进行去噪处理，删除缺少相关指标的数据和异常数据。

S3，利用眼动算法区分去燥后的眼动数据；

设置空间约束和时间约束，即计算过程设置三个基本参数：两个空间参数(定界距离d₁、聚簇距离d₂)和一个时间参数(最小注视持续时间mt)。

根据去燥后的眼动数据，从中按时间提取视线与屏幕的交点坐标序列，记为(x₁,y₁),(x₂,y₂),…,(x_M,y_M)，其中，(x₁,y₁)、(x₂,y₂)、…、(x_M,y_M)是视线与屏幕的交点坐标，将视线与屏幕的交点坐标序列作为眼动算法的原始数据。

所需参数设置如下：d₁＝0.01m，d₂根据所有记录点坐标的标准差(s_xa,s_ya)确定，

mt＝50ms。

S31：将去燥后的眼动数据第一个记录点(x₁,y₁)设置为第一个聚类簇的起点及该簇的均值点坐标(mean_x1,mean_y1)；

S32：计算后续记录点与均值点之间的欧几里德距离dist：

若dist＜d₁，则将该点归为当前的聚类簇中，并重新计算均值点的坐标：

式中(x1_t,y1_t)为当前聚类簇中第t个点的坐标，T为当前的聚类簇中点的个数；

S33：重复S32的计算过程，直到dist≥d₁，则聚类簇聚类完成，并将该簇定义为一个注视组，将当前的均值点坐标定义为注视组的均值点坐标；将当前的记录点设置为下一个聚类簇的起点，并作为该簇新的均值点坐标；

S34：重复S32、S33的计算过程，直到遍历完成该段时间序列数据，则初步的区分结果已经完成；

S35：根据S34的初步区分结果，计算每一个注视组中各点与该组均值点之间的欧几里德距离，如果某点与均值点的距离大于d₂，则该点不用于计算所在注视组的中心点坐标，中心点坐标为该注视组所有点坐标的均值。根据以上的筛选结果，用(x_f,y_f,st_time_f,dur_time_f)四个参数表示每个注视组，其中x_f,y_f表示注视中心的坐标，st_time_f表示注视开始时间，dur_time_f表示注视持续时间；

S36：若dur_time_f＜mt，则该数据簇不作为注视组；

S37：两注视组之间的数据参数视为扫视组，根据注视组的区分结果，用(sac_time_s,st_time_s,ang_velocity_s)三个参数表示扫视组，其中sac_time_s表示扫视持续时间，st_time_s表示扫视开始时间，ang_velocity_s表示扫视角速度。

S4，选择反映管制员注意力分配的眼动指标，利用多重分形去趋势波算法分析选取的眼动指标的变化特征对管制员注意力分配进行评估。

选择反映管制员注意力分配的眼动数据包括注视持续时间、扫视持续时间和扫视角速度。

计算选取数据的均值，即

其中：N为时间序列的长度；x_k为时间序列；

构造去均值的和序列，确定其累积离差，即

其中：

为选取指标的时间序列均值；

分割数据，即

将Y(i)序列划分成N_s个互不相同的区间，每个区间含有s个数据，其中N_s＝int(N/s)；

多项式拟合，即

y_v(j)＝a₁j^k+a₂j^k-1+…+a_kj+a_k+1j＝1,…,s，k＝1,…,6

其中：v(v＝1,…,N_s)为划分的每个小区间；k为阶拟合多项式的阶数；a₁、a₂、…、a_k、a_k+1为各项系数；

计算去趋势后的均方误差，即

计算去趋势后的波动函数，即

当q＝0时，波动函数为

当q≠0时，波动函数为

其中：F_q(s)是序列数据长度s和阶数q的函数，表示不同的q描述信号不同波动程度对F_q(s)的影响，F_q(s)随着s的增大呈幂律增长；根据上述两个公式可得F_q(s)、s与h(q)的计算其关系为F_q(s)∝s^h(q)

其中：h(q)称为广义Hurst指数，即为logF_q(s)～log函数式中的变化斜率；

修正MF-DFA算法，即

当h(q)趋近于0时需要修正MF-DFA算法，需要在MF-DFA算法过程的第一步求两次累积离差：

其中：

为第一次求取的累积离差均值；

重复步骤分割数据、多项式拟合、计算均方误差和计算去趋势后的均方误差值和波动函数，计算广义波动函数，即

对于大标度有

计算广义Hurst指数和多重分形理论中的标度指数，即

τ(q)＝qh(q)-1

计算α和多重分形谱，即

f(α)＝q[α-h(q)]+1

其中：上述两个公式根据勒让德变换α＝τ′(q)和f(α)＝qα-τ(q)得到。

在本实施例中，分析各个指标的多重分形特征时选取航空器数量分别为4、8、12、16时的各个指标信号数据，MF-DFA方法中每个场景中波动函数取值范围为[-20,20]。

表1不同数量下注视持续时间MF-DFA参数

当q从-20增加到+20时，注视持续时间的广义Hurst指数h(q)曲线均依赖q随之下降，不为常数，说明注视持续时间存在明显的多重分形特征，且其波动函数符合幂律分布。表1所示，随着航空器数量的增加，Δh(q)值越来越大，说明注视持续时间的波形随着数量的增加多重分形越来越强，当航空器数量增加至16时，

且整体呈现长程正相关，该变化并不是一个随机过程，过去的变化特性影响现在和未来序列的特性变化。多重分形谱宽f(α)值逐渐增加，而分形维数差Δf逐渐减小，且Δf<0，说明注视持续时间局部变化越强烈，波动幅度越大，振动信号波谷数目多于波峰数目，且随着数量的增加分布复杂性增加，多重分形越显著。

表2不同数量下扫视角速度MF-DFA参数

随着阶数q的增加，h(q)逐渐减小，并不是常数，说明扫视角速度序列的波动函数符合幂律分布。结合表2所示，随着航空器数量的增加，Δh(q)逐渐减小，说明扫视角速度的多重分形越来越弱；

表明扫视角速度序列总体呈现长程正相关。因此，可以表明扫视角速度在一定时间段内会继续保持目前的变化状态，随着数量的增加多重分形强度减弱。根据表4.5显示的多重分形谱参数，随着航空器数量的增加，f(α)基本呈现递减趋势，而Δf都小于零，说明扫视角速度信号多处于波谷，随数量的增加，奇异性减弱，信号逐渐平滑，复杂性减小。

表3不同数量下扫视持续时间MF-DFA参数

随着q的增加，广义Hurst指数h(q)逐渐减小，并不是常数，Δh(q)逐渐减小，说明扫视持续时间序列的波动函数符合幂律分布，该序列多重分形特性逐渐减弱。由表3可知，

表示扫视持续时间呈整体正相关变化；多重分形谱宽f(α)随航空器数量的增加而减小，说明扫视持续时间信号的概率分布均匀，奇异性减小，波动程度较平缓，多重分形减弱，复杂性减小，且未来一段时间内变化趋势与现在一致。Δf值随着航空器数量的增加而减小，说明扫视持续时间的信号波形波峰多于波谷的数目逐渐减少，当航空器数量增加至16时，波谷数目远大于波峰数目。

(1)Hurst指数

自相似性是指某时间序列从不同尺度来看，其波动具有相似性；长程相关性表明了时间序列信号在某时间间隔内两数据具有统计相关性，反映了信号内部的波动特性。对某眼动数据时间序列：

Δh(q)＝h(q_min)-h(q_max)，其中h(q_min)表示阶数q为最小值时所对应的Hurst指数，h(q_max)表示阶数q为最大值时所对应的Hurst指数，Δh(q)可用来度量时间序列信号多重分形特征的强弱程度，Δh(q)值越大，表明其多重分形特征性越强。

(2)奇异指数α和多重分形谱宽f(α)

奇异指数α反映了具有分形序列在某局部概率测试分布上的不均匀程度，多重分形谱宽f(α)是奇异指数α的分维函数，形状一般为单峰拱形。由α与f(α)得出描述多重分析谱的参数，这些参数能够精确地表达多重分析时间序列动力学行为：

奇异指数α，α越小说明信号局部奇异性越强，即信号局部变化越强烈，相反，α越大说明该信号局部奇异性越弱，信号越平滑，因而α在一定程度上也反映了信号的局部变化剧烈程度；

多重分形谱宽f(α)＝α_max-α_min，f(α)表示了信号多重分形性的强弱，f(α)越大则时间序列的概率测度分布得越不均匀，振动的越剧烈，可以反映眼动及生理信号波动的剧烈程度和分布的复杂性。

根据MF-DFA算法计算的三个眼动指标，每个眼动指标都有以上三个参数Δh(q)、奇异指数α、多重分形谱宽f(α)。对于三个参数都有Δh(q)大于0.5记1分，小于等于0.5记0分；奇异指数α小于1记1分，大于等于1记0分；多重分形谱宽f(α)大于1.3记1分，小于等于1.3记0分。管制员注意力分配评估得分最低0分，最高9分，根据结果最后用得分量化管制员注意力分配情况，得分越高说明管制员注意力分配情况越好。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种基于眼动数据的管制员注意力分配评估方法，其特征在于，包括如下步骤：

步骤1，采集管制员在执行管制过程中不同航空器数量场景下的眼动数据，包括瞳孔直径、眨眼频率、视线与屏幕的交点坐标；

步骤2，对步骤1采集的眼动数据进行去燥处理，删除存在缺失或异常的数据；

步骤3，采用眼动算法将经过去燥处理后的数据区分为注视组和扫视组，并计算得到每个注视组的注视中心坐标、注视开始时间和注视持续时间，计算得到每个扫视组的扫视持续时间、扫视开始时间和扫视角速度；

步骤4，从注视组和扫视组中选择反映管制员注意力分配的眼动指标，即注视持续时间、扫视持续时间、扫视角速度，并多重分形去趋势波算法分析选取的眼动指标的变化特征，根据变化特征对管制员注意力分配进行评估。

2.根据权利要求1所述基于眼动数据的管制员注意力分配评估方法，其特征在于，步骤1所述采集管制员在执行管制过程中不同航空器数量场景下的眼动数据，是通过faceLAB眼动仪进行采集。

3.根据权利要求1所述基于眼动数据的管制员注意力分配评估方法，其特征在于，所述步骤3的具体过程为：

步骤31，选取经过去燥处理后的视线与屏幕的交点坐标作为眼动算法的数据，设置两个空间参数，包括定界距离d₁和聚簇距离d₂，设置一时间参数，为最小注视持续时间mt，其中，d₁＝0.01m，

s_xa、s_ya分别表示经过去燥处理后的视线与屏幕的交点坐标中所有横、纵坐标的标准差，mt＝50ms；

步骤32，将经过去燥处理后的视线与屏幕的交点坐标记为(x₁,y₁),(x₂,y₂),…,(x_M,y_M)，设置第一个坐标(x₁,y₁)为第一个聚类簇的起点和均值点；

步骤33，对于后续每个坐标，计算坐标与当前均值点之间的欧几里得距离，当欧几里得距离＜定界距离d₁时，则将该坐标归到当前聚类簇中，并对均值点坐标进行更新，新的均值点坐标的横、纵轴分别对应为当前聚类簇中所有坐标的横、纵轴的均值；当欧几里得距离≥定界距离d₁时，当前聚类簇聚类完成，转入步骤34；

步骤34，将欧几里得距离≥定界距离d₁对应的坐标设置为下一个聚类簇的起点和均值点，对后续每个坐标重复步骤33-34，直至遍历完所有坐标，则完成初步区分；

步骤35，根据初步区分结果，将每个聚类簇视为一个注视组，将簇中所有坐标的横、纵轴均值作为该簇均值点坐标的横、纵轴，计算簇中各坐标与均值点坐标之间的欧几里得距离，将欧几里得距离＞聚簇距离d₂对应的坐标去除后，计算该簇中心点坐标，中心点坐标的横、纵轴即为去除欧几里得距离＞聚簇距离d₂对应的坐标后剩余坐标的横、纵轴的均值，用(x_f,y_f,st_time_f,dur_time_f)表示每个聚类簇，其中，x_f、y_f分别为注视组中心点坐标的横、纵轴，st_time_f表示注视开始时间，dur_time_f表示注视持续时间；

步骤36，若某注视组的注视持续时间＜最小注视持续时间mt，则将该注视组转为扫视组，用(sac_time_s,st_time_s,ang_velocity_s)表示每个扫视组，其中，sac_time_s表示扫视持续时间，st_time_s表示扫视开始时间，ang_velocity_s表示扫视角速度，区分结束。

4.根据权利要求1所述基于眼动数据的管制员注意力分配评估方法，其特征在于，所述步骤4的具体过程为：

步骤41，选择注视持续时间、扫视持续时间、扫视角速度，作为反映管制员注意力分配的眼动指标进行统计分析，对每个指标都进行步骤42-49的操作；

步骤42，以注视持续时间指标为例，计算注视持续时间指标序列的均值，公式为：

其中，

表示注视持续时间指标序列的均值，N表示注视持续时间指标序列的长度，x_k表示注视持续时间指标序列中第k个注视持续时间；

步骤43，构造去均值的和序列，确定累积离差，公式为：

其中，Y(i)表示累积离差，i＝1,…,N；

步骤44，将Y(i)序列划分成N_s个互不相同的区间，每个区间包含s个数据，则N_s＝int(N/s)；

步骤45，对每个区间内的每个数据进行多项式拟合：

y_v(j)＝a₁j^k+a₂j^k-1+…+a_kj+a_k+1，j＝1,…,s

其中，v＝1,…,N_s，y_v(j)表示划分的第v个区间中第j个数据的多项式，k＝1,…,6，a₁、a₂、…、a_k、a_k+1为多项式系数；

步骤46，计算去趋势后的均方误差，公式为：

其中，F²(s,v)表示均方误差，Y[(v-1)s+j]表示累积离差；

步骤47，计算波动函数，公式为：

当q＝0时，波动函数为

当q≠0时，波动函数为

其中，F_q(s)表示波动函数，h(q)表示广义Hurst指数；

步骤48，根据波动函数F_q(s)取对数，求得其变化斜率即h(q)，从而得到q_max和q_min，计算Δh(q)＝h(q_min)-h(q_max)，根据h(q)计算奇异指数α和多重分形谱宽f(α)；

步骤49，当Δh(q)＞0.5时记1分，否则记0分；当α＜1时记1分，否则记0分；当f(α)＞1.3时记1分，否则记0分；

步骤410，统计注视持续时间指标序列、扫视持续时间指标序列、扫视角速度指标序列对应的上述三个参数的分值，得到总分值，总分值在0-9分之间。

5.根据权利要求4所述基于眼动数据的管制员注意力分配评估方法，其特征在于，步骤43所述累积离差的修正公式为：

其中，

表示修正后的累积离差，Y(k)表示累积离差，

表示所有累积离差的均值，i＝1,…,N，N表示注视持续时间指标序列的长度。

Images