一种基于多维任务复杂度与生理信号融合的飞行员工作负荷量化新模型

《International Journal of Industrial Ergonomics》：A new quantifying model of pilots' workload based on the fusion of multidimensional task complexity and physiological signals

　　

• 提出了一种整合多维任务复杂度、资源冲突和时间压力的工作量量化试点模型，突破了传统静态评估的局限。□ • 融合层次任务分析（HTA）、改进的VACP框架和熵权法，通过W/INDEX修正和时间压力系数动态调整工作量评估。 • 模型评估结果与NASA-TLX主观评分的相关系数达到0.884（p < 0.001），准确率比传统VACP模型高出4.5%。 • 建立了"主观量表+眼动数据"双模态验证系统，实现了生理指标（眨眼频率/时长）与心理工作量感知的动态关联。

引言

随着航空技术的快速发展和智能自动化系统的广泛应用，飞行员的角色已从传统的"操作员"演变为"系统监控者"和"决策者"（Feltman等人，2024年；Kaur等人，2024年）。飞行员现在需要面对复杂的任务管理以及对动态飞行环境的实时响应，导致认知工作量日益复杂且波动加剧，对人体工程设计和安全管理构成了严峻挑战（Singh等人，2023年）。国际航空运输协会（IATA，2024年）报告称，2023年航空事故中有68%与人因相关，其中42%源于工作量过载（Pagnotta等人，2022年；Sánchez等人，2020年）。因此，如何准确及时地评估飞行员的认知工作量，对于提高飞行安全和优化人机协作而言刻不容缓。

准确评估飞行员的工作量对于优化任务设计、提高飞行安全和提升飞行员表现至关重要（Wickens，2008年；Young等人，2015年；Charles和Nixon，2019年；Li等人，2025年）。然而，传统的工作量评估方法存在明显局限。虽然主观报告方法（如NASA-TLX）易于实施，但容易受到个人偏见和回忆误差的影响（Hart，2006年）。任务绩效指标无法全面捕捉个体的认知适应性和策略调整（Charles和Nixon，2019年），而生理测量（如心电、皮肤电、脑电）虽然能提供客观数据，但面临设备侵入性、数据解读复杂和连续监测困难等挑战（Charles和Nixon，2019年；Liu等人，2023年；Zhu等人，2024年）。因此，学术界普遍认为单一评估方法无法全面捕捉工作量的多维特征。尤其是在飞行环境中，整合生理和心理因素对于准确掌握飞行员的实际认知状态至关重要。研究人员通过实验证明，结合主观心理评估与客观生理指标的综合模型可以显著提高评估准确性，为工作量评估提供了新的视角（Causse等人，2017年；Young等人，2015年；Pagnotta等人，2022年）。此外，研究人员还调查了叉车操作员在基于VR的训练中，因不同任务难度和重复训练水平导致的认知工作量变化，并探讨了不同交互方式对飞行员表现（包括任务绩效、工作量和用户体验）的影响。一种基于CNN-Bi-LSTM的融合模型被开发出来，用于训练和分类提取的脑电特征，实现对飞行员工作量状态的准确识别（Yu等人，2025年；Yang等人，2026年）。

近年来，机器学习技术的快速发展为克服传统工作量评估方法的局限、提高评估准确性和实时性提供了新的途径。研究人员构建了整合生理、行为及主观数据的多模态工作量评估系统，以实现更为全面的认知工作量评估（Jiang等人，2022年；Li等人，2025年）。Longo等人（2022年）提出了多维工作量的概念以及结合任务特征、操作者特征和环境因素的多模态评估框架。Charles和Nixon（2019年）系统性地回顾了心率变异性和皮肤电导等生理指标在认知工作量评估中的核心作用。Feltman等人（2024年）和Singh等人（2023年）进一步利用脑电、多模态生理融合模型和神经网络算法（如LSTM、KNN）提高了飞行员认知工作量的实时估计准确性，部分模型的准确率超过了90%。Mark等人（2024年）构建了基于六种生物医学监测方法的多模态工作量评估框架，实现了97.89%的分类准确率。Seong等人（2025年）开发并验证了一种基于皮肤电活动的模型，用于非侵入性、实时评估上肢任务工作量，并解决了环境因素对操作者身心负荷的影响。Li等人（2025年）结合心率变异性和皮肤电活动与机器学习算法，实现了93.1%的工作量水平分类准确率。这些最新的研究成果验证了基于生理、行为及主观多源信息融合的工作量评估方法的可行性和有效性。

然而，尽管在提高准确性方面取得了显著进展，多模态评估方法在处理实际飞行任务的固有复杂性和动态性以及由此产生的认知资源动态分配挑战时，仍面临关键瓶颈（Liu等人，2018年；Yan等人，2025年）。Rahman和Ryu（2026年）引入了一种多模态体力疲劳评估方法，利用可穿戴传感器同时采集生理数据，包括心率和皮肤温度。Xu等人（2025年）提出了一种新型的多模态深度学习方法来监测飞行员的态势感知，结合了从27名新手飞行员在不同训练阶段通过飞行模拟器采集的眼动和飞行控制数据中提取的手工特征和深度特征。Ji等人（2026年）探索了基于连续驾驶过程中多模态生理测量的驾驶员机械工作量预测的机器学习回归模型，并检验了特定生理模态及其组合在预测性能方面的有效性。已有文献（Park和Jung，2006年；Zheng等人，2015年；Kaur等人，2024年）指出，飞行任务的复杂性主要体现在任务多样性、相似性和动态性等多个维度。Zhu和Salvendy（2008年）提出了一种基于信息熵的任务复杂度模型，将复杂度量化为操作员完成任务所需的认知资源量，并证明了任务复杂度与工作量之间存在显著的正相关关系。在现代智能座舱环境中，任务复杂度已超越单个操作动作的数量或顺序，扩展至信息处理密度、资源竞争（如多通道视觉认知冲突）和交互复杂度等深层要素（Efatmaneshnik和Handley，2020年；Longo等人，2022年；Li等人，2024年；Liu等人，2025年）。Li等人（2025年）进一步证明，将结构任务分析与多模态数据融合相结合可以显著提高工作量评估的科学性和时效性。

上述研究为理解任务复杂度如何影响工作量提供了理论基础。然而，在动态高压环境中实时捕捉任务复杂度的变化并评估其对工作量的影响仍然是未解决的挑战。在复杂环境中，多项任务必须同时共享资源，通道冲突、感知认知干扰和时间压力可能导致实际工作量远超模型评估值（Wickens，2008年；Edwards等人，2017年）。Fu等人（2026年）开发了一种基于心电图的实时工作量评估模型，优先保证可验证的准确性、连续量化和实时性能。现有的工作量评估模型如VACP及其衍生模型虽然能够分析多资源消耗，但大多基于静态任务分解，难以反映实际复杂动态环境中飞行员工作量的实时波动。这些模型还未能充分考虑任务间资源冲突和时间压力等关键因素，缺乏对个体差异和环境因素的动态整合机制。近期研究进一步证实，在高压环境中，任务需求的变化和资源冲突可能显著影响工作量和疲劳水平（Qiao等人，2021年；Li等人，2021年；Edwards等人，2017年）。

除了任务复杂度和资源冲突之外，个体差异、环境背景和任务动态性也显著影响工作量（Szalma，2002年；Teo和Szalma，2010年；Bernhardt等人，2016年）。高技能水平、强烈的动机以及优化的身体和心理环境都有助于降低工作量过载的风险（Li等人，2024年；X. Yu等人，2025年）。然而，在复杂环境中动态整合这些因素的综合影响以构建准确有效的实用模型仍然是当前研究的关键挑战。多因素动态整合是指一种实时、自适应和交互的过程，通过综合多样化、相互关联的要素（因素）来实现特定目标。本质上，它是一种将因素视为动态网络而非孤立变量来处理复杂性的系统性方法。

综上所述，现有的工作量评估模型和方法存在三个关键缺口：1）静态评估局限：传统模型（如经典VACP、NASA-TLX等主观量表）依赖于固定的任务分解或事后报告，无法捕捉动态飞行环境中的实时工作量波动（如突发的资源竞争、时间压力变化）（Liu等人，2018年）。2）因素整合不完整：大多数模型忽略了核心因素之间的相互依存关系——任务复杂度（超越动作数量/顺序）、通道间资源冲突（如视觉认知重叠）和时间压力——导致在高需求场景中工作量被低估（Wickens，2008年；Edwards等人，2017年）。3）缺乏双模态验证：很少有模型系统性地关联客观生理数据（如眼动数据）与主观心理感知，限制了在复杂人机交互环境中的可靠性（Causse等人，2017年；Young等人，2015年）。

为弥补这些缺口，本研究提出了一种整合层次任务分析（HTA）、VACP多资源理论以及资源冲突和时间压力动态修正的多维飞行员工作量评估模型。该模型通过多源数据表征任务复杂度，引入冲突和时间因素修正以解决实时资源竞争和任务切换问题，并进行系统化建模。在多因素动态整合的背景下，冲突指不同因素之间相互制约、对立或权衡的关系——优化或优先考虑一个因素将不可避免地削弱、限制或降低另一个因素的有效性，使得难以同时实现所有目标。此外，通过主观和客观数据及实验验证了模型的有效性和实用价值。本研究为优化飞行员任务流程、工作量管理和航空安全评估提供了理论创新和决策支持。

方法与模型

本研究采用"分解-量化-修正-融合"框架来解决动态工作量评估问题。首先，通过HTA将飞行任务分解为元操作。其次，利用VACP框架和图熵量化节点和结构任务复杂度。第三，应用资源冲突（W/INDEX）和时间压力修正以捕捉动态因素。最后，利用熵权法融合多源特征生成最终工作量值。

参与者

从西北工业大学航空学院招募了30名具有航空相关学术背景的参与者。关于具体的纳入和排除标准，所有参与者视力正常（或矫正后正常），无色盲或色弱，无认知障碍，能够准确识别实验信息，且身体和心理健康状况良好。该实验已获伦理委员会批准。

讨论

本研究提出了一种整合任务复杂度、资源冲突和时间压力的多维飞行员工作量评估模型，并通过眼动数据和主观评级的双模态框架进行了验证。本节解读核心发现，将其置于现有和新兴行业趋势中进行阐释，阐明理论贡献，并详细说明对航空及相关行业的实际意义。

结论

针对飞行员工作量的动态评估问题，本研究动态整合了结构任务复杂度和资源冲突，构建了基于熵权法的多维融合模型。通过建立任务操作与VACP通道资源之间的映射量表，并引入通道资源冲突和时间压力修正因子，该模型克服了传统静态评估的局限性，实现了精准评估。

作者贡献声明

张晓燕：原稿撰写、方法论、资金获取、正式分析、概念构思。程佳奥：审阅与编辑、方法论、正式分析、数据整理。胡瑞琳：审阅与编辑、方法论、数据整理。薛红军：审阅与编辑、验证、监督、调研、概念构思。

利益冲突声明

本手稿作者无潜在利益冲突需要披露。

致谢

本研究受国家自然科学基金资助（项目编号：62576278）。作者感谢杨洲在实验设置和数据收集方面提供的协助。

张晓燕|程佳奥|胡瑞琳|薛红军