基于双过程QN-MHP-U的长时间清醒人体绩效建模

《Proceedings of the Human Factors and Ergonomics Society Annual Meeting》：Modeling the Effect of Prolonged Wakefulness on Human Performance Using a Dual-Process QN-MHP-U

　　

准确预测长时间清醒期间的人体绩效对于高风险环境中的安全性至关重要，在这些环境中，操作人员通常需要在长时间无睡眠的状态下保持清醒。本研究将昼夜节律过程（Process C）和睡眠稳态过程（Process S）通过Server 9整合进排队网络-模型人类处理器统一架构（QN-MHP-U）中，以预测长时间清醒期间的人体绩效。该模型应用于系统监控任务，在该任务中操作人员必须监控模拟仪表和警示灯，并对异常信号及时作出反应——这类任务既具有现实监控职责的代表性，又极易因唤醒水平下降而受影响。该模型预测了25小时清醒期间该任务的反应时，均方根误差（RMSE）达到0.41。所开发的计算模型可进一步应用于需要长时间工作的领域，例如航空和核电站运行。

研究背景：在航空、航天和核动力等领域，操作人员常需长时间无睡眠工作。现有研究指出，睡眠剥夺导致的长时间清醒会损害认知功能并引发工作场所事故，其中唤醒水平下降是主要因素。调节唤醒波动的基本机制涉及睡眠稳态过程（Process S）和昼夜节律过程（Process C），但很少有研究从认知计算建模角度将两者整合。因此，本研究旨在增强排队网络-模型人类处理器统一架构（QN-MHP-U），通过引入Server 9模拟这两个过程，以预测长时间清醒下的人体绩效。

研究内容与结论：研究人员将增强后的QN-MHP-U应用于系统监控任务，该任务需要操作员监控模拟仪表和警示灯并对异常信号及时反应。利用Kong等（2022）的25小时实验反应时数据，模型预测的均方根误差（RMSE）为0.41，平均绝对百分比误差低于9%。这表明将双过程机制纳入认知架构能有效提升长时间清醒绩效预测的准确性，可推广至航空、核电等长时作业领域。

关键技术方法：研究人员在QN-MHP-U网络中新增Server 9，对应视交叉上核（SCN）及其下游上行网状激活系统（Process C）和基底皮层睡眠压力调节系统（Process S）。Server 9根据内部生物时间和清醒时长动态计算唤醒水平A(t)，并按照公式μ_j=A(t)·μ_0,j缩放所有感知、认知和运动服务器的处理速率。模型使用人类认知与行为仿真软件（www.excellentuxe.com）实现。验证数据采自Kong等（2022）的25小时系统监控任务实验，包括20名健康志愿者（19–32岁），每2小时测试1次共13次会话，记录反应时。预测与实验数据的RMSE为0.41。

研究结果：

计算建模机制与模型增强：论文首先概述了QN-MHP-U，这是一个模拟人类认知系统的计算架构，通过并行的感知、认知和运动子网络模拟人脑信息处理的时间消耗、容量限制和网络化特征。每个服务器代表一个脑区，如视觉感知（Servers 1–4）、视觉画板（Server A）、中央执行控制（Server C）、复杂认知处理（Server F）等。增强部分通过Server 9整合Process C和Process S。Process C由视交叉上核产生昼夜节律，Server 9跟踪内部生物时间，用Kronauer-Jewett极限环振荡器模型模拟光诱导的相位重置，并采用Peng等（2018）的昼夜调节函数计算昼夜驱动力；Process S用指数累积函数模拟睡眠压力的增加。两者结合形成唤醒水平A(t)，进而影响所有服务器的处理速率。

系统监控任务中的模型应用：为验证模型，将系统监控任务中的界面元素表示为信息实体在QN-MHP-U网络中传播。视觉警报经视觉感知子网络接收整合，形成“系统异常”感知，随后经视觉空间画板、中央执行、复杂认知等服务器进行状态判断和规则提取，最后通过运动程序组装和执行产生按键反应。该任务在模型中的处理路由为1→2/3→4→A→C→F→H→G→D→E→C→W→Y→Z→23。反应时通过各服务器处理时间求和得到。

模型验证：利用Kong等（2022）的实验数据，将模型预测的反应时与实际观测值对比，通过RMSE量化一致性。模型得到0.41的RMSE，表明预测与实验数据高度吻合。

讨论：论文讨论了双过程非线性交互对绩效波动的影响：当昼夜节律低谷与高睡眠压力叠加时，绩效显著下降；而当日间唤醒上升抵消睡眠压力时，绩效可保持稳定或暂时改善。模型预测在后期会话出现反应时峰值，与这一规律相符。尽管整体吻合良好，但中间会话的预测略高于实测反应时，可能反映了未纳入的学习效应。未来研究将加入学习成分。

研究结论：本研究通过引入Server 9增强QN-MHP-U，对Process S和Process C对唤醒水平的影响进行了建模。模型通过系统监控任务的实证研究得到验证，能够以低于9%的平均绝对百分比误差预测长时间清醒期间的人体绩效。这一发现表明，将双过程机制纳入认知架构可改善对长时间清醒绩效变化的预测。