基于语音标记的空管员任务需求与脑力负荷分析：安全关键任务中的实时监测模型研究

本研究针对空管员(ATCo)脑力负荷(MW)实时监测难题，创新性地通过分析80小时真实语音记录，建立基于行为标记的预测模型。研究发现交通密度可通过语音特征（如通信频率、犹豫次数等）预测，揭示了任务需求变化引发行为策略调整的规律，为开发非侵入式MW监测系统奠定基础，对提升航空安全管理具有重要意义。

　　

随着全球航空运输量持续增长（预计2042年将翻倍），空管员(ATCo)面临日益增加的脑力负荷(Mental Workload, MW)挑战。MW被定义为任务需求与操作者可用认知资源间的动态平衡，其过高或过低都会导致绩效下降，直接影响航空安全。当前MW评估主要依赖主观量表（如NASA-TLX）和心理生理测量（如EEG、心率变异），但这些方法存在侵入性强、干扰操作等缺陷。西班牙CRIDA A.I.E研究中心联合爱尔兰研究团队在《Safety Science》发表创新研究，首次系统探索通过空管员语音通信特征构建MW预测模型的可行性。

研究团队分析了80小时真实空管语音记录，提取21项行为标记作为预测变量，以空域航班占用率(Occupancy)作为任务负荷代理指标。通过机器学习建模发现：通信频率、航班交接指令组合(CE combi. flight_transfer)、语音犹豫(PER_Hesitations)等7项指标可解释46.8%的Occupancy变异(R²
=0.468)；逻辑回归模型对高负荷状态(Occupancy≥13)的预测准确率达80.9%。这些语音特征有效反映了空管员随任务复杂度调整的认知策略，如高负荷时减少指令组合(β=-0.30)以简化信息处理。

关键技术包括：1）从数字录音系统(DRS)提取语音片段并手动标注控制事件类型；2）建立包含通信形式（如语速COM_Speech_rate）、绩效（如内容错误PER_Content_errors）等维度的特征体系；3）采用逐步回归和交叉验证筛选预测变量；4）结合线性回归与分类模型多角度验证。

主要结果：

1. 通信特征预测效能：频率(COM_Freq_comm_pilots)与航班交接指令(CNT_COMB_flight_transfer)的标准化系数最高（1.31和1.21），证实通信量直接反映任务负荷。
2. 认知负荷标记：语音犹豫每增加1单位，Occupancy上升0.29单位(p<0.001)，印证高MW导致信息处理延迟。
3. 策略转变证据：控制事件组合(COM_Ctrl_events_grouping)负相关(β=-0.30)，显示高负荷时空管员倾向"单任务"模式。
4. 异常模式识别：冲突解决相关术语(CNT_Conflict_res_phrslgy)与信息请求(CNT_COMB_info_req)呈现相反趋势，揭示时间压力下的优先级调整。

该研究突破性地证明：常规语音通信中蕴含可量化的MW生物标记，为开发非侵入式实时监测系统提供理论依据。相比传统方法，这种基于现有ATM系统日志的分析方案更具实操性，未来结合自然语言处理(NLP)技术可实现全自动MW预警。研究结果对优化空管任务分配、开发自适应决策支持系统具有重要价值，特别是在无人机(UAV)融入空域的背景下，为保障复杂人机协同系统的可靠性开辟新思路。需注意的是，当前模型仍需通过包含主观评估(ISA)和神经生理指标(如fNIRS)的实验进一步验证，这也是作者下一步重点研究方向。