基于低侵入性生理特征指标的飞行员情境意识判别模型

《International Journal of Industrial Ergonomics》：A situation awareness discrimination model for pilot based on low-intrusive physiological feature measures

　　

- 在高保真模拟飞行任务中开展了情景意识（SA）测量实验。
- 识别了低侵入性、对SA敏感的眼动与心血管指标。
- 通过多模态神经网络模型，在三级SA判别中达到了92.86%的准确率。

**引言**

情景意识（SA）被定义为在时间和空间的特定范围内对环境要素的感知、对其意义的理解以及对近期状态的前瞻（Endsley, 1995）。具备充足SA的飞行员能够准确感知各种情境要素，理解当前任务状态，并做出合理预测，这对于执行飞行任务时做出正确且及时的决策至关重要（Brennan et al., 2020; Zhao et al., 2020）。SA不仅对民航飞行安全至关重要，也对空战中的有效决策和任务执行具有重要意义（Feng et al., 2021）。因此，对飞行员SA的可靠测量与判别有助于及时检测SA退化，从而减少人为相关事故并提高任务效能（Lai et al., 2026）。此外，SA的判别可为飞行员操作状态的调整及人机功能的动态分配提供重要参考，在智能座舱设计中具有潜在应用价值。

现有研究中最常用的四类SA测量方法包括：主观SA测量、记忆探测测量、性能测量和生理测量（Endsley, 2021）。大量研究致力于通过主观测量或记忆探测测量直接评估SA，并对从性能和生理测量中获得的间接SA测量进行方差和相关性分析，探索性能或生理指标在揭示SA变化方面的可用性（Endsley, 2021; Nguyen et al., 2019; Zhang et al., 2023）。通常，主观SA测量（如情景意识评分技术SART）成本低廉且易于使用，但其评估过程可能受操作者主观偏差和记忆衰退的影响，导致准确性降低（Bolton et al., 2021; Wang et al., 2024）。记忆探测测量（如情景意识全局评估技术SAGAT）通过向操作者提出与任务相关的问题并评估其准确率和反应时间来评估SA，这些方法提供客观结果，但需要中断任务，具有侵入性，不适合在真实任务场景中使用（Bacon and Strybel, 2013; Nguyen et al., 2019）。相比之下，性能测量具有非侵入性、连续性和客观性的优势，但其缺点在于可能受到SA以外因素的影响，导致SA评估灵敏度不稳定（Endsley, 2021）。

尽管上述SA评估方法各有优势，但其主要局限在于无法捕捉SA的连续变化。相比之下，生理测量可以通过多通道传感器持续采集操作者的生理信号（Meteier et al., 2023），为SA评估提供及时反馈，从而有力支持后续飞行员状态的干预。目前，眼动追踪技术、心血管测量和脑电图（EEG）已被用于探索其在SA生理测量中的可行性。EEG通过揭示内部认知过程已显示出与SA的相关性（Ding et al., 2025），但其使用受限于复杂的设置要求和易受伪迹干扰的缺陷。相比之下，眼动追踪和心血管测量更为稳定且对操作者的侵入性更低，更适合实际的飞行任务。

眼动追踪是评估SA最常用的技术之一，因为它能有效指示操作者的注意力分配策略和认知功能（Liang et al., 2023; Skaramagkas et al., 2021; Zhang et al., 2023）。例如，一些研究指出凝视和扫视指标与SAGAT准确率或SART评分显著相关（de Winter et al., 2019; Li et al., 2019; Zhang et al., 2026）。此外，研究还表明瞳孔直径和眨眼频率等非自主眼动指标也能揭示SA变化（Liang et al., 2021）。与眼动追踪技术相比，利用心血管测量进行SA测量的研究相对较少，主要涉及心率（HR）和心率变异性（HRV）。一些研究发现心率与SA之间存在正相关关系（Smith et al., 2026）。此外，一些研究报告了RR间期差异的均方根值（RMSSD）和NN间期标准差（SDNN）等时域HRV指标在不同SA水平下显著变化（Saus et al., 2012）。总之，眼动和心血管指标在SA评估和判别方面显示出良好的前景。

尽管生理测量高度依赖于任务条件且对SA缺乏特异性，但鉴于其可连续、客观地测量（Zhang et al., 2023），研究人员仍基于此对SA的监测和评估进行了积极探索（Dang et al., 2025）。机器学习方法（如K-近邻算法KNN、随机森林RF、支持向量机SVM）以及深度学习技术的进步显著推动了相关研究（Feng et al., 2024; Li et al., 2023）。此外，SHAP（SHapley Additive exPlanations）作为可解释性工具，已被用于评估输入特征的贡献度，为理解生理指标如何反映操作者的认知状态提供了新见解（Li et al., 2024; Ji et al., 2026）。例如，Zhou等人开发了一个LightGBM模型来识别模拟驾驶任务中驾驶员的SA，并使用SHAP突出重要的眼动特征，取得了良好的回归性能（Zhou et al., 2022）。类似地，Zheng等人利用XGBoost对非驾驶相关任务期间的SA进行分类，以驾驶情境和注视行为作为输入，并应用SHAP解释特征贡献度，模型准确率达到82.5%（Zheng et al., 2024）。在实际场景中，Kang等人利用经典机器学习算法结合EEG和眼动特征将叉车操作员的SA分为两级，随机森林算法的最高准确率达到了94.18%（Kang et al., 2024）。

鉴于不同领域SA的任务特异性，在评估飞行员SA时，必须开发针对航空场景的SA模型（Martins, 2016）。在此背景下，Feng等人根据MATB-II任务中的SAGAT评分将参与者分为高SA和低SA组，并利用SA敏感的EEG特征采用贝叶斯方法开发了SA判别模型，准确率达到70.8%（Feng et al., 2022）。为进一步提高SA判别准确率，Xu等人采用了一种新型多模态深度学习方法，利用EEG和性能数据对模拟五边形任务期间的SA进行分类，准确率达到92.04%，并凸显了深度学习算法在SA预测中的潜力（Xu et al., 2025）。

现有研究在探索SA敏感的生理指标和构建定量SA判别模型方面取得了显著进展。然而，在飞行员SA评估方面仍存在局限性。首先，现有的飞行员SA判别模型大多基于桌面模拟器环境，缺乏层次化的任务设计，限制了其研究成果向航空场景的推广。其次，现有的SA模型主要聚焦于二分类，在SA评估的精度方面仍有提升空间。尽管如此，尽管对EEG特征在SA评估中的应用已进行了广泛研究，但EEG在真实飞行场景中的实用局限性凸显了探索替代性生理测量的需求。与EEG系统相比，眼动追踪设备和轻量化心电图（ECG）或光电容积脉搏波（PPG）设备在实际飞行环境中的侵入性更低。因此，探索眼动和心血管特征在飞行员SA评估中的可行性，并基于低侵入性技术可测量的生理指标构建高精度SA判别模型，在实际应用中具有重大意义。

为满足对抗性任务中对飞行员SA的判别与评估需求，本研究采用基于"任务相关信息量"和"分心干扰"的层次化实验设计，以诱导操作者产生不同的SA状态。实验在高保真先进战斗机模拟器中进行，包含典型的对抗性高压任务。实验收集了SA主观评定量表、眼动和心血管活动以及战术测试员的任务性能数据。基于实验数据，本研究分析了SA敏感的眼动和心血管指标，并利用机器学习算法开发了三级SA判别模型，以生理指标作为输入特征。此外，采用SHAP方法评估了每个输入特征的重要性，并结合统计分析结果识别了SA评估的敏感生理指标。因此，本研究为航空操作场景下使用低侵入性生理特征进行飞行中SA评估与判别奠定了基础。

**参与者**

来自中国飞行试验研究院的10名战术测试员（6名男性，4名女性，平均年龄27.6岁，标准差5.55岁）参与了实验。这些战术测试员是参与任务程序设计和模拟测试的专业人员，均具有丰富的飞行模拟经验，确保了高水平的任务熟悉度和操作洞察能力。所有参与者均为右利手，无色盲或色弱，且具备正常的

**SA测量与评估**

模拟器实验共收集了90个样本的数据集。每个样本包含主观量表评分、眼动特征、心血管特征和性能结果。值得注意的是，由于注视点有效比例低于80%，4名参与者的6个样本被排除，且没有参与者贡献超过2个无效样本。无效样本在后续数据处理中被排除，最终分析了84个样本。

本研究的整体框架如所示

**讨论**

基于高保真先进战斗机模拟器和高压对抗性任务，本研究设计和实施了不同任务条件下的飞行模拟实验，并选用具有丰富飞行模拟经验的战术测试员作为参与者。数据集根据参与者自评的主观SA量表和飞行性能结果整合后分为三组（HSA、MSA和LSA）。实验结果通过方差分析进行

**结论**

本研究利用高保真战斗机模拟器设计了典型的航空对抗性任务，识别了SA敏感的生理指标，并建立了飞行员三级SA判别模型，使用SHAP分析对其进行了解释。根据研究结果，眼动指标（包括凝视持续时间、凝视次数、NNI、扫视幅度和瞳孔直径）对SA变化具有敏感性，此外心血管

**CRediT作者贡献声明**

钱春莺：撰写——初稿、可视化、方法论、形式化分析。刘爽：监督、项目管理、方法论、概念化。万艳晓茹：撰写——审阅与编辑、监督、资源、方法论、资金获取、概念化。梁超然：调查研究、形式化分析、数据管理。赵华：资源、数据管理。刘潇：资源、数据管理。冯传燕：撰写——审阅与编辑、资源、资金获取。

**资金来源**

本研究由国家自然科学基金（编号52402507）和中国航空科学基金（编号201813300002）共同资助。

**利益冲突声明**

作者声明不存在已知的可能影响本论文工作的竞争性经济利益或个人关系。

**致谢**

作者衷心感谢飞行学员身心能力增强科教协同创新中心提供的支持。

钱春莺 | 刘爽 | 万艳晓茹 | 梁超然 | 赵华 | 刘潇 | 冯传燕