基于深度学习算法的人机交互界面信任预测及校准方法
- 国知局
- 2024-10-21 14:32:24
本发明属于自适应人机交互方法,具体涉及基于深度学习算法的人机交互界面信任预测及校准方法。
背景技术:
1、目前对人机界面和信任感之间的相互作用机理认识不足,特别是在风险情境下的动态信任变化难以测量,这导致了人机界面信任定量建模的困难。信任度作为内隐主观感受,其测量需依赖自我报告、行为测量或生理测量。在现有研究中,多数聚焦于正常工况下的信任度测量,而在风险情境下的信任度测量研究较少。
2、信任测量是信任校准的关键前提,已有多种模型和算法用于描述信任度量,主要方法包括自我报告测量、行为测量和生理及神经测量,但这些方法大多针对机器或信息安全体系,而非人对自动化设备的主观信任感。自我报告测量常用人机信任问卷,提供用户主观感受的直接反馈,但无法实时观测信任变化并且准确度依赖与被试者的配合程度。基于行为测量主要通过移交与接管两种行为作为观察指标,而在实时测量信任变化和捕捉信任偏差方面有一定局限性。基于生理及神经测量的方法通过测量操作员的心率、皮电、脑电等生理指标来判断其情绪状态,然而接触式的测量会对操作者的操作状态产生影响。
3、信任校准是指调整用户对自动化系统的信任水平,使其与系统的实际能力和性能相匹配。信任校准的目的是避免过度信任或不足信任,以确保用户能够有效、安全地使用自动化系统。目前,信任校准的方法有增加透明度和可解释性、建立反馈机制、进行训练和教育。目前的信任校准方法都存在一定的局限性。不同用户对系统的信任和需求差异显著,现有方法难以满足,且实时调整复杂。而自我报告受主观因素影响不准确,行为测量难以捕捉内在心理状态,生理和神经测量成本高且不实用。复杂系统难以完全透明,用户无法理解系统工作原理,信息过载反而降低信任。实时反馈技术受限,信息不当会导致误解和不信任。用户培训和教育的效果有限,一次性培训难以持续影响信任,实际应用与培训环境差异大,影响实际操作中的信任水平。
技术实现思路
1、本发明的目的是提供基于深度学习算法的人机交互界面信任预测及校准方法,解决了现有技术中信任测量主观性较强,针对人机交互界面信任定量建模困难的问题。
2、本发明所采用的技术方案是,基于深度学习算法的人机交互界面信任预测及校准方法具体按照以下步骤实施:
3、步骤1、建立人机交互界面的信任度校准设计模型;
4、步骤2、根据信任交互设计框架及界面交互信任感的描述方法,采用层次分析法确定信任感的度量指标权重;
5、步骤3、根据风险情境的ysrd评估值构建srd评价函数,采用层次分析法确定信任感的度量指标权重;
6、步骤4、利用生成对抗网络训练生成界面设计特征组合数据集,根据贝叶斯更新的信任校准算法对人机界面进行校准设计;
7、步骤5、根据具体的校准原则,采用信任抑制与信任提升的策略调整界面设计,构建面向复杂智能机械装备的人机界面信任校准设计原型系统。
8、本发明技术方案的特点还在于:
9、步骤1中建立模型时以影响界面信任度的关键设计特征为模型属性,以适度信任原则为构建准则,其研究内容包括以信任诱发预实验、透明度实验、易用性实验、可靠性实验、美观和情感实验的实验数据为基础。
10、步骤1具体按照以下步骤实施:
11、步骤1.1,将基于多模态生理信号的信任度指标观测中进行的交互界面信任诱发预实验、透明度实验、易用性实验、可靠性实验、美观和情感实验的实验数据进行收集整理;
12、步骤1.2,将步骤1中实验研究中获得的由颜色、形状、层级、风格设计特征分成信息内容、信息形式两种类型。
13、步骤2具体按照以下步骤实施:
14、步骤2.1,采用beta分布函数分别构建每个度量指标的信任度计算矩阵ci,j,si,j为单个设计要素的直接信任值,通过该指标的计算值获取;
15、
16、步骤2.2,计算具体的情境风险度ssrd:
17、ssrd=ysrd·qsrd (2)
18、其中,qsrd是客观冲突量化值,ysrd为主观风险度;
19、步骤2.3,进行临界值的计算:
20、
21、其中,qsrd表征取复杂设备的最大制动减速度jm,制动增长时间为tz,非完全制动停止距离为d,冲突严重程度判别的临界值为p;
22、步骤2.4,两运动单元存在冲突前提下,若冲突时间t>p,则为非严重冲突,反之则为严重冲突;定义冲突严重程度的量化值为:
23、qsrd=p/t (4)
24、步骤2.3中v越大,p越大,即冲突越趋于严重,因此临界值中的v取两个冲突单元速度较大值。
25、步骤3具体按照以下步骤实施:
26、步骤3.1,由基于情境风险的四维度构建srd评价函数,来计算主观风险度ysrd:
27、ysrd=(ya+yb)/2 (5)
28、
29、式中,ysrd为被试对风险情境的srd评估值,为主观评价结果;ya,yb分别为四维度主观评估值的几何和算术平均值;xi为被试对风险情境四维度的标准化主观评价值;
30、步骤3.2,采用贝叶斯更新算法更新设计特征与信任度映射的后验分布,将每个设计要素的风险情境来临前、中、后的不同时间节点两两比较,其时机信任值记为tik,并将向量(ti1,ti2,ti3,……,tim)记为将局部信任值矩阵[ci,j]记为c,则有再与步骤2中计算具体的情境风险度ssrd进行运算,到得到该指标的全局信任值,进行迭代,得到该指标基于情境风险度的全局信任值t:
31、t=ssrd·(ct)n·ti (8)
32、当n取了足够大的值时,全部的信任向量收敛到同一个向量,从而得到了人机界面整体信任度量值。
33、步骤4具体为:
34、用gan训练生成界面设计特征组合数据集gnew=g(z),然后定义信任度t的先验分布,并根据新收集的数据更新信任度t的概率分布:
35、
36、其中p(t|g=gi)是后验概率,p(ti|g=gi)是似然函数,p(g=gi)是先验概率,p(ti)是边缘概率。
37、步骤5中最佳信任等级选取综合人机绩效最优之和,具体计算函数为:
38、
39、其中,ki是三个指标的综合绩效值,fi是无量纲化处理后i级信任等级下的风险决策前景值、判断时间和判断准确率的具体数值,si是风险决策前景值、判断时间和判断准确率的具体权重,权重通过专家打分法获得。
40、本发明的有益效果是:本发明基于深度学习算法的人机交互界面信任预测及校准方法,以适度信任原则作为模型的构建准则,建立人机交互界面的信任度校准设计模型;使用了生成对抗网络(gan)、条件生成对抗网络(cgan)、贝叶斯更新算法等深度学习类算法,有利于设计特征与信任度的复杂映射;可以有效构建实现交互界面信任度校准的设计方法,并建立面向复杂机械智能装备风险情境下的人机信任交互系统原型。
本文地址:https://www.jishuxx.com/zhuanli/20241021/318510.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表