人机协作条件下的注意分配策略识别系统和方法与流程

本发明属于注意分配策略识别领域，具体而言，涉及人机协作条件下的注意分配策略识别系统和方法。

背景技术：

1、注意状态的好坏直接关联人机团队协作效率与安全，而这其中注意分配策略的识别是其关键问题之一。操作员注意分配策略的准确识别是当下人机协作领域的一个关键议题，相关研究可用于支撑复杂工业系统中人机团队的培训计划制定和动态人机功能分配的触发设计，从而起到提高人因效能和保障安全的作用。

2、目前对于注意分配策略识别系统尚存在以下几方面问题。首先，尽管已经有一些神经生理学的理论探索，但尚未见注意分配策略相关的识别系统；此外，目前的注意分配策略研究大多数研究集中在事后的主观打分，且多为单个维度（如主观、眼动）测量的探索；最后，目前心理学研究多集中在注意与非注意状态的探索，尚缺乏多种注意分配策略的识别尝试。

3、基于上述情况，设计出一套人机协作条件下的注意分配策略识别系统和方法，能够解决上述不足，以应用于典型人机协作任务中操作员注意分配策略的识别，从而为人机团队培训效能的增强和高效人机功能分配的触发提供支撑。

技术实现思路

1、针对以上缺陷，本发明提供了人机协作条件下的注意分配策略识别系统，包括：

2、数据采集模块、指标计算模块以及注意分配策略识别模块；

3、所述数据采集模块中设置有多个维度采集操作员在执行人机交互任务时的测量数据的子模块，包括注意资源采集子模块、情境冻结采集子模块和作业绩效采集子模块；

4、所述指标计算模块中设置有将多个维度采集的操作员在人机交互任务时的测量数据进行计算的子模块，并得到6个测量数据的计算指标，包括注意资源计算子模块、情境冻结计算子模块和作业绩效计算子模块；

5、所述注意资源采集子模块采集主观上的注意资源的需求和供给数据并通过所述注意资源计算子模块得到注意资源需求量和注意资源供给量；所述情境冻结采集子模块采集在情境冻结时回答问题的绩效数据并通过所述情境冻结计算子模块得到答题准确率和答题反应时间；所述作业绩效采集子模块采集的绩效数据并通过所述作业绩效计算子模块得到任务正确率和任务反应时间；

6、所述注意分配策略识别模块包括预处理子模块和注意分配策略识别子模块；

7、预处理子模块将6个测量数据的计算指标依次进行归一化、标准化、主成分分析、以及再次标准化处理后输出为标准化后的6个主成分；

8、注意分配策略识别子模块将标准化后的6个主成分进行计算，得到用于判断识别的一级注意分配策略、二级注意分配策略和三级注意分配策略。

9、进一步地，本发明还公开了人机协作条件下的注意分配策略识别方法，包括上述的人机协作条件下的注意分配策略识别系统，还包括以下步骤：

10、s1、通过数据采集模块完成人机协作任务时操作员注意资源的需求和供给、情境冻结时回答问题的绩效和任务绩效的3个维度数据的采集，并储存至计算机内；

11、s2、通过指标计算模块计算并得到步骤s1中3个维度对应的注意资源需求量、注意资源供给量、情境冻结时回答问题的答题准确率、情境冻结时回答问题的答题反应时、任务正确率和任务反应时的6个计算指标；

12、s3、将步骤s2计算出的结果输入至注意分配策略识别模块后，得出操作员注意分配策略的识别结果；

13、s3-1、通过预处理子模块进行对6个计算指标依次进行归一化、标准化、主成分分析、以及再次标准化处理后输出为标准化后的6个主成分；

14、s3-2、通过注意分配策略识别子模块对步骤s3-1中得到的标准化后的6个主成分中进行计算，完成一级注意分配策略、二级注意分配策略和三级注意分配策略的识别，得到的最终注意分配策略识别结果由显示界面进行展示。

15、进一步地，所述预处理子模块对指标计算模块中得到的6个测量数据：注意资源需求量、注意资源供给量、情境冻结时回答问题的答题准确率、情境冻结时回答问题的答题反应时间、任务正确率和任务反应时间的计算，计算过程为：

16、将6个测量数据分别代入下述的方程（1）至方程（6）中：

17、（1）；

18、（2）；

19、方程（1）至（2）中，分别为情境的不稳定度得分、信息的变化差异性得分、信息的辨识复杂性得分、觉醒程度得分、应对余量得分、集中程度得分和合理分配程度得分，ar_r和ar_s分别为注意资源需求量和注意资源供给量；

20、（3）；

21、（4）；

22、方程（3）至（4）中，分别为冻结时正确问题个数、冻结提问总数量和第 i次正确冻结答题的反应时间，分别为答题准确率和答题反应时间；

23、（5）；

24、（6）；

25、方程（5）至（6）中，分别为正确操作的子步骤数量、子步骤总数量和第 j次正确操作子步骤的反应时间，分别为任务正确率和任务反应时间；

26、第一步：对6个计算指标进行minmax归一化，得到归一化后的6个计算指标的计算值；

27、第二步：对归一化后的6个计算指标的计算值进一步进行z-score标准化，得到标准化后的6个计算指标的计算值；

28、第三步：将z-score标准化后的6个计算指标的计算值进行主成分分析，得到对应的6个主成分；

29、第四步：对6个主成分再次进行z-score标准化，得到标准化后的6个主成分，即 z1 、 z2 、z3 、z4 、z5和 z6。

30、进一步地，所述注意分配策略识别子模块对预处理子模块输出的标准化后的6个主成分 z1 、z2 、z3 、z4 、z5和 z6的计算过程为：

31、分别代入下述的方程（7）、方程（8）和方程（9）中，

32、（7）；

33、（8）；

34、（9）；

35、方程（7）至方程（9）中，ln为自然对数， p1、 p2和 p3分别为一级注意分配策略、二级注意分配策略和三级注意分配策略的判别概率。

36、本发明与现有技术相比具有以下有益效果：

37、1、通过人机协作条件下的注意分配策略识别系统，借助注意分配策略识别子模块的经验参数设定的识别模型，就能够对典型人机协作条件下的操作员注意分配策略进行识别；

38、2、通过人机协作条件下的注意分配策略识别方法，只需输入操作员的注意资源需求量、注意资源供给量、情境冻结时回答问题的答题准确率等6个选定的计算指标，便可直接完成一级、二级和三级注意分配策略的识别；

39、3、与传统的注意与非注意状态的探索相比，采用本发明能够准确识别操作员的多种注意分配策略，具有指标多维、可解释性高等特点，可为典型人机协作任务下的操作员注意分配策略培训和触发设计提供支撑，从而保障高效的培训效果和人机分工。