驾驶舱心理负荷生理参数检测：多方法途径

《Frontiers in Physiology》：Examining physiological parameters of mental workload in the cockpit: a multimethod approach

　　

随着驾驶舱自动化程度的提高以及注重为飞行员提供量身定制辅助的自适应辅助系统，监控飞行员的状态变得越来越重要。虽然先前的研究中已经使用了多种不同的心理生理测量方法，但这些方法各有缺点和局限性，需要克服这些缺点才能提供有效可靠的操作员状态评估。在本研究中，研究人员使用多方法途径，结合不同的生理测量（包括神经生理学、中枢和外围测量以及眼动追踪），在模拟飞行任务中研究了心理负荷（MWL）的评估。对14名商业航空公司飞行员进行了为期60分钟的简化飞行任务，分为四个难度级别，同时收集了他们的生理、表现和自我报告数据。研究人员的分析表明，尤其是神经生理学测量（脑电图（EEG）、功能性近红外光谱（fNIRS））以及心率（HR）和心率变异性（HRV，特别是avNN）能够区分诱导的MWL水平，并且不同的测量在低MWL和高MWL水平下表现更好。因此，研究人员主张结合生理测量来评估MWL，以应用于未来的驾驶舱。

随着驾驶舱自动化程度的提升，飞行员角色从手动操作向任务管理转变，心理负荷（MWL）显著增加，尤其在不确定性和高速操作环境下。为保障飞行安全并优化任务效能，自适应辅助系统需实时、客观地评估MWL，但现有心理生理测量方法各有局限，缺乏统一的最佳组合。针对此问题，研究人员招募14名商业航空公司飞行员（来自德国航空航天中心，A320机型等级认证），在高速真度飞行模拟器（AVES）中开展简化飞行任务，通过改良的n-back任务（0–3-back）操纵四个难度水平，同时采集8种生理测量数据（包括脑电图（EEG）、功能性近红外光谱（fNIRS）、心电图（ECG）、血压、呼吸率、皮肤电导、外周皮肤温度及眼动追踪），并记录主观评价和任务表现。研究发现，神经生理学测量（EEG额叶theta活动、fNIRS脱氧血红蛋白（HbR））以及心率（HR）和心率变异性（HRV，特别是avNN）对MWL变化最为敏感，能有效区分不同难度水平，且不同测量在低和高MWL水平下表现各异。研究人员据此主张结合多种生理测量进行MWL评估，为驾驶舱自适应辅助系统提供实证依据。该论文发表在《Frontiers in Physiology》。

研究人员采用的关键技术方法包括：使用高速真度A320飞行模拟器（AVES）构建简化飞行任务，通过并行n-back任务（0–3-back）和高度监控任务诱导MWL变化；利用脑电图（EEG）记录额叶theta和顶叶alpha频段功率谱密度；应用功能性近红外光谱（fNIRS）测量前额叶皮层氧合血红蛋白（HbO）和脱氧血红蛋白（HbR）浓度；采用眼动追踪（Tobii Pro Glasses 3）分析注视点；通过心电图（ECG）提取心率（HR）和心率变异性（HRV）参数（如avNN）；同时记录血压、呼吸率、皮肤电导及外周皮肤温度。样本队列来源为14名商业飞行员（A320执照，德国籍，中位年龄35.6岁，飞行经验950–17,500小时）。

研究结果如下：

**3.1 主观和表现数据**
主观MWL评分（ISA）随任务难度增加显著提高（F(3,39)=117.14, p<.001, η²_p=.90），从0-back的极低水平（M=1.21）升至3-back的高水平（M=3.96），所有难度间差异显著（所有p<.001）。n-back准确率受难度显著影响（F(1.16,15.08)=18.34, p<.001, η²_p=.59），仅3-back与其他水平差异显著（所有p≤.009）。监控反应时间无显著效应（p=.145）。主观疲劳（F-ISA）和KSS评分显示轻微增加，但未达到过度疲劳水平。

**3.2 生理数据**
EEG额叶theta活动（电极Fz和F3）随n-back水平增加显著增强（Fz: F(3,39)=13.81, p<.001, η²_p=.52；F3: F(3,39)=5.12, p=.004, η²_p=.28），Fz能区分0-与2-back、0-与3-back、1-与3-back，F3仅区分0-与3-back。顶叶alpha活动无显著变化（所有p>.05）。fNIRS中，左半球感兴趣区（ROI）的HbR能区分除0-与1-back外的所有水平，右半球ROI仅3-back与其他水平有显著差异。HbO结果一致性较低，左半球ROI仅0-与3-back、2-与3-back显著，右半球ROI则0-与1-back、1-与2-back、1-与3-back显著。眼动追踪指标（注视时间百分比、转移频率）均未受难度影响（所有p>.05）。外围生理测量中，心率（HR）显著增加（F(1.33,17.32)=11.78, p=.002, η²_p=.46），能区分0-与2-back、0-与3-back、1-与3-back；皮肤电导（SRL）显著变化（F(3,39)=3.73, p=.019, η²_p=.22），仅区分0-与3-back；呼吸率（BR）显著（F(3,39)=5.26, p=.004, η²_p=.29），仅区分1-与3-back；收缩压显著（F(3,39)=3.17, p=.036, η²_p=.21），但事后检验无显著差异；HRV参数avNN显著下降（F(1.71,22.17)=17.09, p<.001, η²_p=.57），能区分0-与2-back、0-与3-back、1-与2-back、1-与3-back；pNN50有显著主效应但事后检验无差异；舒张压、外周温度、RMSSD、SDNN、SDSD均无显著效应。

在讨论部分，研究人员指出，本研究成功诱导了不同MWL水平，且疲劳未造成显著干扰。神经生理学测量（EEG额叶theta、fNIRS HbR）与HR/avNN在区分MWL方面表现最佳，而外围测量（如皮肤温度、血压）敏感性较低。眼动追踪无显著效应，可能因任务视觉要求简化。研究局限性包括样本量较小（14人），但结果与先前研究一致，增强了可信度。未来研究需在更真实场景（如军用飞机）中验证，并探索机器学习方法优化组合。

**结论**翻译：总之，利用大量同时测量的中枢、外围、神经生理和行为参数，本研究展示了哪些参数在控制环境下具有区分多个MWL水平的潜力。虽然研究人员能够提供多种多样测量性能的初步广泛概述，但仍需更多研究来增强研究结果的稳健性。未来研究应将发现扩展到民用和军用航空的更真实飞行模拟中，尝试获得更大样本量，并探索使用先进统计方法、机器学习算法或人工智能的可能性。这将有助于研究在航空背景下，适当参数组合相对于单独参数测量在检测MWL时是否具有附加价值。