2. 中国民航大学 飞行技术学院, 天津 300300
2. Flight Technology College, Civil Aviation University of China, Tianjin 300300, China
疲劳会损害管制员正常的工作能力,导致其反应变慢和认知能力下降[1-2],是诱发管制员“错忘漏”,造成民航不安全事件的重要因素[3]。英国不安全事件保密报告系统的数据显示,由于管制员疲劳造成的运行差错占13%[4],美国联邦航空管理局(Federal Aviation Administration,FAA)的统计数据显示,疲劳引起的航空事故高达21%[4],中国厦门空管安全报告系统数据显示,涉及管制员的疲劳的工作失误占18%[5-6]。可见,管制疲劳是影响民航安全运行的重要因素。单纯依靠提高管理能力已不能从根本上杜绝管制疲劳的发生,必须同时开发相应的检测管制疲劳的技术工具,降低管制疲劳的危害,这对于保障民航安全具有十分重要的意义。
目前国内外疲劳检测方法主要有主客观2种:主观评价方法主要有斯坦福嗜睡量表(Stanford Sleepiness Scale,SSS)、皮尔逊疲劳量表、卡罗林斯卡嗜睡量表(Karolinska Sleepiness Scale, KSS)等; 客观的检测方法主要有生理指标检测法[7-10](如脑电、心电、皮电、肌电信号等)和眼动行为特征检测法[11-12](如注视模式、扫视速度等)。其中生理指标检测法需要被试配戴多种电信号采集设备,对管制任务有较大的侵入性,影响管制员的正常工作,不适于实际应用。而眼动行为特征检测法具有客观性、实时性和非侵入性等特点,得到管制疲劳研究者的广泛关注,目前已有许多文献对注视模式[11-12]、扫视速度[13]等眼动指标与管制疲劳的相关性进行了探讨,而瞳孔直径指标作为表征人员状态和情绪的重要指标,还未得到充分的研究与讨论。根据马锦飞等[14]有关疲劳对瞳孔变化影响的研究表明:工作负荷增大导致主动疲劳(知觉活动的协调参与而造成的疲劳),诱发瞳孔直径增大,工作时间延长导致被动疲劳(长时间的单调反应所造成的疲劳),诱发瞳孔直径减小;在管制员工作过程中,管制员的工作负荷随航班流量的增大而增大,工作时间也在逐渐累积,这种情况下,两者产生拮抗作用,共同制约瞳孔直径的收缩,那么在管制员工作状态中,瞳孔直径趋势如何变化?瞳孔直径是否还可以作为检测管制疲劳的有效指标呢?
因此,本文搭建了模拟塔台管制实验平台,采集管制员在不同航班流量下的瞳孔数据,并记录其主观疲劳程度。通过分析不同航班流量下疲劳前后瞳孔直径的变化,探讨了瞳孔指标作为管制疲劳评判指标的有效性,为管制员疲劳实时检测和预警的实际应用提供实验基础。
1 实验设计 1.1 实验平台搭建基于模拟塔台管制软件和眼动仪的实验平台。模拟塔台管制软件安装在一台分辨率1 366×768的14英寸笔记本电脑上。眼动仪采样精度为0.5°,采样率为60 Hz。
1.2 被试被试为中国民航大学空中交通管理专业的大学四年级学生,共10名,平均年龄22.3岁,标准差1.34,视力正常,无色盲色弱。具有塔台管制的知识基础,能够熟练使用模拟塔台管制软件。全体被试实验前24 h内睡眠充足且无剧烈运动。
1.3 实验任务实验任务要求被试在保障飞机安全间隔、确保无飞行冲突的前提下使用机场的跑道放行航空器和引导航空器着陆:放行航空器时,下达允许该航空器滑行至跑道X指令,之后适时下达允许起飞指令,并在起飞后按照规定时间向进近管制室进行管制移交;与已经接受管制的进场航空器建立联络后,对其下达允许降落指令,着陆航空器滑跑冲程结束后,下达滑行至停机坪指令,使航空器脱离跑道程序。在实验任务中,与塔台管制员对接的飞行员和进近、地面管制员均视为理想状态,能准确地执行管制员的命令以及交接等任务。
1.4 实验程序本文实验目的主要是分析被试在不同航班流量以及工作时间下瞳孔直径的变化规律,探讨瞳孔直径变化是否可以检测管制员的疲劳状态。因此,实验要求所有被试分别在2种不同的航班流量下(小航班流量,0.47架次/min;大航班流量,0.9架次/min)连续做实验90 min。为精确控制变量,要求同一被试在2天的同一时间段内完成实验;为避免光照变化对实验采集瞳孔数据的影响,在室内封闭环境下通过控制日光灯光照强度,保持光照的稳定性。
具体实验步骤如下:
步骤1 主试向被试讲解实验程序和KSS填写方法以及实验注意事项。
步骤2 主试启动模拟管制软件,设置模拟塔台管制任务难度,即航班流量大小(第1天为小航班流量,记为A组;第2天为大航班流量,记为B组)。
步骤3 被试坐于实验屏幕前眼动仪的有效识别范围内,调整座位和姿态并进行校准。
步骤4 进入实验后,眼动仪开始同步记录被试的眼动数据。被试每30 min报告一次自己的主动疲劳程度(KSS值),直到实验结束。
步骤5 第2天同一时间进行第2次实验,重复步骤2、3、4,该被试完成全部实验内容。
2 数据筛选与分析 2.1 数据筛选首先排除掉数据丢失率超过20%的5号和9号被试的实验数据;然后根据被试的主观疲劳KSS数据(将9级分为3种状态,第1~4级为清醒状态,第5级为中间状态,第6~9级为疲劳状态[15]),排除未达到疲劳状态的3号被试的实验数据;最终取剩余7名被试的瞳孔数据进行预处理:删掉由于头部摆动过大造成的空白数据以及眨眼造成的值为0的数据,使用基于最小均方(Least Mean Square, LMS)算法的自适应滤波去噪,然后对去噪后的数据进行深入分析,去噪效果如图 1所示。
2.2 数据分析本文以被试主观疲劳KSS值为参考标准,将被试的眼动数据分为疲劳前(KSS<6)和疲劳后(KSS≥6)2部分,发现前30 min被试均未进入疲劳状态,中间30 min 2种状态均有,后30 min 7名被试均已进入疲劳状态,故对每名被试的前30 min数据(疲劳前)和后30 min数据(疲劳后)进行对比分析。将每组数据进行单样本t检验(检验值为各组的均值),每组样本的p值均大于0.05,表示样本所在的总体的均数与假设的总体均数相同,即可以使用各组的均值来代表该组变量的集中趋势。利用SPSS对被试疲劳前后的眼动数据进行描述性统计,见表 1。
被试编号 | A组瞳孔直径/mm | B组瞳孔直径/mm | |||
疲劳前 | 疲劳后 | 疲劳前 | 疲劳后 | ||
1 | 5.57(0.39) | 4.90 (0.42) | 5.58 (0.40) | 5.06(0.40) | |
2 | 4.71(0.32) | 4.00 (0.48) | 4.74 (0.34) | 4.30(0.37) | |
4 | 4.95(0.35) | 4.32 (0.41) | 4.70 (0.33) | 4.46(0.38) | |
6 | 6.37(0.35) | 5.85 (0.49) | 6.00 (0.51) | 5.72(0.42) | |
7 | 6.06(0.37) | 5.94 (0.45) | 5.93 (0.51) | 5.81(0.43) | |
8 | 4.26(0.25) | 4.05 (0.35) | 4.27 (0.22) | 4.17(0.22) | |
10 | 4.80(0.32) | 4.17 (0.35) | 4.69 (0.35) | 4.62(0.30) |
3 结果分析与讨论 3.1 疲劳前后瞳孔直径差异性分析
将各被试在小航班流量下疲劳前后瞳孔直径及其标准差绘制成图,如图 2(a)所示,图中深色代表疲劳前,浅色代表疲劳后,以折线图表示瞳孔直径,以柱形图表示其标准差,各被试疲劳后的瞳孔直径相比于疲劳前的瞳孔直径均有不同程度的减小,而各被试疲劳后的标准差相比于疲劳前均呈现增大的趋势。
使用配对t检验的方法对疲劳前后的瞳孔直径及其标准差进行显著性分析,发现被试瞳孔直径(p=0.001<0.05)及其标准差(p=0.004<0.05)疲劳前后数据差异显著,表明随着疲劳加深,瞳孔直径减小、波动变大,这与丛晓妍等[16]研究的结果以及Morad等[17]得出的瞳孔疲劳率(瞳孔直径均值与其标准差之比)随着疲劳的加深而逐渐降低的结论一致。
以同样的方式对大航班流量下被试疲劳前后瞳孔直径及其标准差绘制成图进行分析,如图 2(b)所示。
由图 2(b)可知,大航班流量下疲劳前后瞳孔直径呈明显减小的趋势(p=0.00 < 0.05),这与小航班流量下疲劳前后瞳孔直径变化一致,但不同的是,大航班流量下被试瞳孔直径变化的标准差疲劳前后没有显著差异(p=0.313>0.05)。
为探讨不同航班流量对瞳孔直径变化的影响,本文进一步对比2种航班流量下瞳孔直径的变化率,将每名被试实验开始前10 s的瞳孔平均尺寸作为该被试瞳孔直径的基准值,计算各被试在不同航班流量下疲劳前后瞳孔直径的变化率(疲劳前后瞳孔直径差值/瞳孔直径基准值),如图 3所示。
由图 3可知,被试在小航班流量下疲劳前后瞳孔直径减小的幅度都大于大航班流量下疲劳前后瞳孔直径减小的幅度,用配对t检验对不同流量下同一被试的瞳孔直径减小幅度进行分析,结果显示两组数据差异显著(p=0.013 < 0.05),被试在航班流量为0.47架次/min时,疲劳前后瞳孔直径平均下降了10个百分点,而在航班流量为0.9架次/min时,疲劳前后瞳孔直径平均下降了5个百分点。可能的原因是航班流量增大时执行管制任务工作负荷增大,主动疲劳程度增加,制约了瞳孔直径的减小。而大航班流量下被试疲劳前后瞳孔直径明显减小,说明在60~90 min时,工作时间累积造成的被动疲劳对瞳孔直径的影响占主要因素。
3.2 瞳孔直径随工作时间的变化规律以1号被试为例,以时间为横坐标,取每分钟瞳孔直径的均值为纵坐标绘制成散点图,观察瞳孔直径在不同航班流量下随工作时间的变化规律,见图 4。
由图 4(a)可知,小航班流量下,随时间的累积瞳孔直径整体呈下降趋势。将图中数据点按时间等分为3部分分别分析其变化趋势,发现其斜率依次为-0.019 4、-0.003 8和-0.000 9,说明在该航班流量下,瞳孔直径随工作时间的累积而逐渐减小,但减小的趋势逐渐变缓。
由图 4(b)可知,大航班流量下,最初瞳孔直径呈增大趋势(k1=0.009 6),随着工作时间的延长,瞳孔直径增大的趋势减小(k2=0.001 3 < k1=0.009 6),在经过1 h之后,瞳孔直径明显下降(k3=-0.021 5),可能的原因是最初由于工作负荷对瞳孔直径的影响占主导因素致使瞳孔直径扩张,随着时间的累积,工作时间对瞳孔直径变化的影响增大,制约了工作负荷引起的瞳孔直径增大,1 h后,由工作时间累积引起的被动疲劳对瞳孔直径的变化占主导因素导致瞳孔直径减小。
3.3 受试者工作特征分析受试者工作特征(Receiver Operating Characteristic,ROC)曲线常用于评价诊断检测方法的准确性,适用于二元分类情况,ROC曲线越快速逼近于左上角,ROC曲线下方面积(Area Under Curve,AUC)就越大,表示检测性能越好。
本文将被试KSS<6的状态定义为非疲劳状态(负类),将KSS≥6定义为疲劳状态(正类),以真正率(表示管制员处于实际为疲劳状态时被识别为疲劳状态的概率)为纵坐标,假正率(表示管制员实际处于疲劳状态而被识别为非疲劳状态的概率)为横坐标绘制瞳孔直径识别管制疲劳ROC曲线,如图 5所示。
A组AUC值为0.714,标准误差为0.150,95%的置信区间为0.419~0.916;B组AUC值为0.653,标准误差为0.161,95%的置信区间为0.361~0.879,表示在这2种航班流量下,瞳孔直径检测分类被试清醒和疲劳的效果中等,2组ROC曲线成对对比分析发现A、B 2组面积差异不显著(p=0.233 2>0.05), 即航班流量不同,不影响瞳孔直径指标判断疲劳状态的准确性。
3.4 讨论通过以上分析可得,航班流量小,管制员工作负荷较小,被试感受到的疲劳主要是以工作时间累积导致的被动疲劳形式存在,疲劳后瞳孔直径显著减小,瞳孔直径的波动性增加。航班流量大,执行管制任务时需持续地调动注意资源、协调知觉活动,合理的安排飞机的起飞和降落,保障安全,管制员工作负荷较大,易产生主动疲劳,因此瞳孔直径增加,随着该任务时间的延长,2种疲劳形式共存,相互制约,被试瞳孔直径的变化趋势趋于平缓,而工作时间不断地累积,达到一定量的时候被动疲劳对被试的瞳孔直径的影响占主要因素,瞳孔直径减小。虽然2种疲劳形式引起的瞳孔直径变化相反,但通过ROC曲线分析可得,2种航班流量下瞳孔直径指标均可以用来检测管制员的疲劳状态。
由此可以说明,瞳孔直径可以作为衡量管制员疲劳的有效指标,但不能简单地以瞳孔直径的减小幅度来确定疲劳程度。
4 结论本文研究以模拟塔台管制眼动实验为基础,通过不同航班流量下疲劳前后瞳孔直径的对比及变化规律分析,得出以下结论:
1) 小航班流量下,被动疲劳占主要因素,疲劳后瞳孔直径显著减小。
2) 大航班流量下,最初主动疲劳对瞳孔直径影响占主要因素,瞳孔直径增大,随着工作时间的累积被动疲劳对瞳孔直径的影响逐渐增大,瞳孔变化趋势趋于平缓,当工作时间累积达到一定量的时候,被动疲劳对瞳孔直径的影响占主要因素,瞳孔直径逐渐减小,2种疲劳形式产生拮抗作用,共同制约瞳孔直径变化。
3) 通过ROC分析可知,这2种不同航班流量下,瞳孔直径指标均可以检测管制疲劳状态。
[1] | MITLER M M, CARSKADON M A, CZEISLER C A, et al. Catastrophes, sleep, and public policy:Consensus report[J]. Sleep, 1988, 11 (1): 100–109. DOI:10.1093/sleep/11.1.100 |
[2] | WILLIAMSON A, LOMBARDI D A, FOLKARD S, et al. The link between fatigue and safety[J]. Accident Analysis & Prevention, 2011, 43 (2): 498–515. |
[3] |
王永刚, 董保健. 管制员人为差错影响因素及指标权重分析[J].
中国安全生产科学技术, 2011, 7 (2): 28–33.
WANG Y G, DONG B J. Analysis of human error influence factors and evaluation indexes weights determination for air traffic controller[J]. Journal of Safety Science and Technology, 2011, 7 (2): 28–33. (in Chinese) |
[4] |
孙涛, 陈宇. 空中交通管制的疲劳管理和预防[J].
空中交通管理, 2005 (5): 4–10.
SUN T, CHEN Y. The management and prevention of ATC fatigue[J]. Air Traffic Management, 2005 (5): 4–10. (in Chinese) |
[5] |
孙瑞山, 马广福, 袁乐平. 语音反应时特性的管制员疲劳风险分析[J].
中国安全科学学报, 2016, 26 (12): 7–12.
SUN R S, MA G F, YUAN L P. Analysis of risk of controller fatigue based on characteristics of speech reaction time[J]. China Safety Science Journal, 2016, 26 (12): 7–12. (in Chinese) |
[6] |
汪磊, 孙瑞山. 空中交通管制员疲劳状态实时监测方法的实现[J].
安全与环境工程, 2013, 20 (4): 87–91.
WANG L, SUN R S. Air traffic controller fatigue state implementation of real time monitoring method[J]. Safety and Environmental Engineering, 2013, 20 (4): 87–91. (in Chinese) |
[7] | MOLLARD R, CABON P, BOURGEOIS-BOUGRINE S, et al. Measurement of fatigue and sleepiness in ATC simulation[C]//Proceedings of the Human Factors and Ergonomics Society Annual Meeting. London: SAGE Publications, 2000, 44(19): 208-211. |
[8] | DASARI D, CROWE C, LING C, et al. EEG pattern analysis for physiological indicators of mental fatigue in simulated air traffic control tasks[C]//Proceedings of the Human Factors and Ergonomics Society Annual Meeting. London: SAGE Publications, 2010, 54(3): 205-209. |
[9] | WIYOR H D, NTUEN C A, STEPHENS J D W, et al. Classifying visual fatigue severity based on neurophysiological signals and psychophysiological ratings[J]. International Journal of Human Factors and Ergonomics, 2013, 2 (1): 11–32. DOI:10.1504/IJHFE.2013.055982 |
[10] | CHARBONNIER S, ROY R N, BONNET S, et al. EEG index for control operators' mental fatigue monitoring using interactions between brain regions[J]. Expert Systems with Applications, 2016, 52 : 91–98. DOI:10.1016/j.eswa.2016.01.013 |
[11] | IQBAL S T, BAILEY B P. Using eye gaze patterns to identify user tasks[C]//The Grace Hopper Celebration of Women in Computing, 2004: 1-6. |
[12] | HAISONG G, QIANG J. An automated face reader for fatigue detection[C]//FGR'04 Proceedings of the 6th IEEE International Conference on Automatic Face and Gesture Recognition. Piscataway, NJ: IEEE Press, 2004: 111-116. |
[13] | DI S L, MCCAMY M B, CATENA A, et al. Microsaccade and drift dynamics reflect mental fatigue[J]. European Journal of Neuroscience, 2013, 38 (3): 2389–2398. DOI:10.1111/ejn.12248 |
[14] |
马锦飞, 常若松, 高远. 瞳孔直径大小检测驾驶员疲劳的实证效度分析[J].
辽宁师范大学学报(社会科学版), 2014, 37 (1): 67–70.
MA J F, CHANG R S, GAO Y. An analysis of empirical validity on pupil diameter size in driver fatigue measurement[J]. Journal of Liaoning Normal University(Social Science Edition), 2014, 37 (1): 67–70. (in Chinese) |
[15] |
胥川, 王雪松, 陈小鸿. 无侵入测量指标的驾驶疲劳检测性能评估[J].
西南交通大学学报, 2014, 49 (4): 720–726.
XU C, WANG X S, CHEN X H. Evaluating performance of non-intrusive indicators on drowsy driving detection[J]. Journal of Southwest Jiaotong University, 2014, 49 (4): 720–726. (in Chinese) |
[16] |
丛晓妍, 王增才, 徐俊凯, 等. 瞳孔测量法应用于疲劳检测的适应性[J].
长安大学学报(自然科学版), 2015, 35 (6): 135–140.
CONG X Y, WANG Z C, XU J K, et al. Pupillary parameters as an objective tool for fatigue assessment[J]. Journal of Chang'an University (Natural Science Edition), 2015, 35 (6): 135–140. (in Chinese) |
[17] | MORAD Y, LEMBERG H, YOFE N, et al. Pupillography as an objective indicator of fatigue[J]. Current Eye Research, 2000, 21 (1): 535–542. DOI:10.1076/0271-3683(200007)2111-ZFT535 |