不同特性駕駛員指路標(biāo)志信息認(rèn)知差異

程迎迎 陳 飛 黃曉明 莊 威 王 芳

(東南大學(xué)交通學(xué)院,南京 210096)

駕駛員對(duì)交通標(biāo)志信息的準(zhǔn)確判識(shí)和認(rèn)知是確保駕駛安全的首要保障.不同特性的駕駛員(如性別及駕駛經(jīng)驗(yàn)不同)對(duì)標(biāo)志信息的認(rèn)知存在一定的差異.尤其對(duì)于新手駕駛員來(lái)說(shuō),能夠準(zhǔn)確無(wú)誤地判讀交通標(biāo)志的內(nèi)容并做出相應(yīng)的正確駕駛操作以保證行車安全,是一個(gè)較為復(fù)雜的認(rèn)知任務(wù).因此,了解不同特性駕駛員對(duì)標(biāo)志牌信息進(jìn)行判讀的認(rèn)知機(jī)理,有利于標(biāo)志牌信息量的合理配置.本研究設(shè)計(jì)駕駛員判讀指路標(biāo)志試驗(yàn),記錄駕駛員的腦電信號(hào),對(duì)駕駛員完成認(rèn)知任務(wù)過程中的心理負(fù)荷測(cè)度進(jìn)行定量計(jì)算,對(duì)不同特性駕駛員對(duì)標(biāo)志信息的認(rèn)知機(jī)理進(jìn)行研究.心理負(fù)荷計(jì)算的關(guān)鍵問題在于對(duì)所采集的生理信號(hào)的復(fù)雜程度的定量評(píng)價(jià).從 20世紀(jì) 80年代中期開始,一些研究者用非線性混沌動(dòng)力學(xué)理論發(fā)展了一些腦電信號(hào)復(fù)雜性測(cè)度的算法[1],這些方法的缺點(diǎn)在于若要得到準(zhǔn)確的計(jì)算結(jié)果,要求的數(shù)據(jù)量較大,對(duì)取樣信號(hào)的平穩(wěn)度要求較高,因此可能并不適合于人腦這種各異性的空間擴(kuò)展系統(tǒng).隨著非線性理論的不斷發(fā)展,腦電復(fù)雜性測(cè)度分析方法進(jìn)一步得到完善[2-3].近似熵作為最近新發(fā)展起來(lái)的一種度量序列復(fù)雜性的統(tǒng)計(jì)方法,具有需要數(shù)據(jù)點(diǎn)數(shù)少以及抗干擾和抗噪能力好等特點(diǎn),目前在醫(yī)學(xué)領(lǐng)域已經(jīng)相繼有成熟的應(yīng)用成果出現(xiàn)[4].本文選取近似熵作為駕駛員心理負(fù)荷測(cè)度方法,對(duì)被試者在進(jìn)行標(biāo)志信息判讀時(shí)的認(rèn)知機(jī)理進(jìn)行研究.

1 近似熵

20世紀(jì) 60年代,Kolmogorov[5]把 Shannon的信息熵理論引入動(dòng)力學(xué)系統(tǒng)的研究中,奠定了統(tǒng)計(jì)類似隨機(jī)行為內(nèi)在確定性結(jié)構(gòu)的基礎(chǔ).Kolmogorov熵的計(jì)算有嚴(yán)格的限制條件,所以它只有理論意義而難以用于實(shí)測(cè)數(shù)據(jù).為了克服熵在應(yīng)用中的困難,Pincus[6-7]于 1991年定義了近似熵(approximate entropy).近似熵是用 1個(gè)非負(fù)數(shù)來(lái)表示前一數(shù)據(jù)對(duì)后一數(shù)據(jù)的可預(yù)測(cè)性,以定量描述時(shí)間序列的可重復(fù)性.熵值越大,表明時(shí)間序列越具有隨機(jī)性或不規(guī)則性,其非周期性越強(qiáng),復(fù)雜度越高;熵值越小,表明數(shù)據(jù)周期性越強(qiáng),復(fù)雜度越小.近似熵計(jì)算中需要進(jìn)行預(yù)選的關(guān)鍵參數(shù)為模式維數(shù) m和相似容限 r[8-9].一般情況下,m=2,r為 0.1～0.25倍原始數(shù)據(jù)的標(biāo)準(zhǔn)差[10].在本文中取 m=2,r為 0.2倍原始數(shù)據(jù)的標(biāo)準(zhǔn)差.近似熵算法可參見文獻(xiàn)[10],本文采用 Visual C++編寫了近似熵計(jì)算程序.

2 試驗(yàn)設(shè)計(jì)

2.1 試驗(yàn)方法

應(yīng)用 Macromedia Flash8.0制作指路標(biāo)志信息判讀試驗(yàn)動(dòng)畫.動(dòng)畫每一幀向被試者展現(xiàn)一個(gè)指路標(biāo)志牌(包括地名、國(guó)省道、高速公路等附屬信息),被試者按照要求對(duì)標(biāo)志牌信息進(jìn)行判讀.信息判讀結(jié)束時(shí),口頭示意工作人員.每個(gè)試驗(yàn)在相同試驗(yàn)條件下重復(fù) 3次,取平均值作為試驗(yàn)結(jié)果.由于駕駛操作對(duì)駕駛員的腦電有較大的影響,容易產(chǎn)生腦電波偽跡及噪聲,因此本試驗(yàn)未考慮在虛擬駕駛條件下進(jìn)行試驗(yàn).

2.2 試驗(yàn)人員

選擇 9名駕駛員分為 3組進(jìn)行試驗(yàn),其中,3名男性新手駕駛員(駕齡小于 1年),3名女性新手駕駛員(駕齡小于 1年),3名男性經(jīng)驗(yàn)豐富駕駛員(駕齡超過 4年).限于樣本數(shù)量,本次研究沒有選擇女性有經(jīng)驗(yàn)駕駛員作為被試,由于本次研究目的在于選擇信息判讀任務(wù)最不利人群,該組被試缺失并不會(huì)影響正確研究結(jié)果的得出.而男性有經(jīng)驗(yàn)駕駛員被試的試驗(yàn)結(jié)果,可以用來(lái)對(duì)新老駕駛員認(rèn)知機(jī)理差異進(jìn)行比較.9名被試者年齡在 23～26歲之間,均為本科及以上學(xué)歷,矯正視力均超過 1.0.

2.3 試驗(yàn)內(nèi)容

試驗(yàn) 1(搜索標(biāo)志信息試驗(yàn)) 動(dòng)畫由工作人員手動(dòng)切換,在畫面切換之前,工作人員告知被試者一個(gè)地名信息,切換出標(biāo)志牌畫面時(shí),被試者搜尋所告知的地名,搜尋完畢,口頭告知工作人員.

試驗(yàn) 2(閱讀標(biāo)志信息試驗(yàn)) 所觀看的動(dòng)畫與試驗(yàn) 1相同,被試者閱讀版面所有信息,所有信息閱讀完畢,口頭告知工作人員.

試驗(yàn) 1和試驗(yàn) 2中分別有 8組試驗(yàn),為試驗(yàn)組1～試驗(yàn)組 8,每組試驗(yàn)有 20個(gè)標(biāo)志牌樣本,每組試驗(yàn)標(biāo)志牌的信息量(包括地名數(shù)量及附屬信息量)遞增,具體標(biāo)志牌信息內(nèi)容設(shè)置如表 1所示.

表1 試驗(yàn)內(nèi)容

2.4 記錄數(shù)據(jù)及試驗(yàn)儀器

1)記錄被試者判讀標(biāo)志信息的反應(yīng)時(shí)間;

2)應(yīng)用加拿大 Thought Technology公司生產(chǎn)的多通道生理反饋儀(軟件平臺(tái)為 BioGraph Infiniti)記錄被試者不同頻段的腦電信號(hào)的各項(xiàng)數(shù)據(jù)(包括腦電信號(hào)的原始值、峰峰值、峰值頻率、強(qiáng)度百分比).

3 標(biāo)志信息判讀任務(wù)的反應(yīng)差異

3.1 反應(yīng)時(shí)間分布

男性新手駕駛員(MN)、女性新手駕駛員(FN)和男性有經(jīng)驗(yàn)駕駛員(MO)在試驗(yàn) 1和試驗(yàn)2中的反應(yīng)時(shí)間平均值分布如圖 1所示.

3.2 方差分析

圖1 被試者反應(yīng)時(shí)間分布

對(duì)信息搜索和信息閱讀試驗(yàn)中 3組不同被試的測(cè)試結(jié)果進(jìn)行單因素方差分析(顯著性概率的臨界值定為 α=0.05),方差分析結(jié)果見表 2.并選用 Duncan法對(duì)一致性子集進(jìn)行檢驗(yàn).

表2 被試者反應(yīng)時(shí)間方差分析的差異顯著性

在試驗(yàn) 1中,試驗(yàn)組 1～試驗(yàn)組 7中 3組被試均表現(xiàn)出較為明顯的差異性,單因素方差分析結(jié)果的 P值均小于 0.05.單因素方差分析以及一致性子集檢驗(yàn)結(jié)果表明,只有試驗(yàn)組 8中 3組被試的反應(yīng)時(shí)間無(wú)差異顯著性,屬于同一子集.3組被試中,男性新手駕駛員的平均反應(yīng)時(shí)間最長(zhǎng),女性新手駕駛員居中,男性有經(jīng)驗(yàn)駕駛員在信息搜索試驗(yàn)中表現(xiàn)最佳,反應(yīng)時(shí)間顯著低于其他 2組.

在試驗(yàn) 2中,閱讀標(biāo)志信息的試驗(yàn)中,各組的反2,3,4,6)結(jié)果來(lái)看,其單因素方差分析結(jié)果為 P值均大于 0.05,且 4組的一致性子集檢驗(yàn)結(jié)果中 3組被試的閱讀標(biāo)志信息的試驗(yàn)結(jié)果均屬于同一子集.

3.3 反應(yīng)時(shí)間建模

男性新手駕駛員為信息搜索試驗(yàn)中認(rèn)知表現(xiàn)最差被試組.對(duì)該被試組的搜索標(biāo)志牌反應(yīng)時(shí)間 T與地名個(gè)數(shù) n的相互關(guān)系進(jìn)行建模.線性模型的方值較高(R2=0.887),方差分析的 F值為 47.001,顯著水平小于 0.001,方程具有統(tǒng)計(jì)意義.模型的形式為：T=1.107+0.095n.

4 認(rèn)知差異的近似熵表征

以下討論 3組被試在進(jìn)行標(biāo)志信息判讀過程中的近似熵表征差異.

4.1 搜索標(biāo)志牌信息試驗(yàn)

圖 2所示為 3組被試各個(gè)頻段腦電波近似熵分布,其中 S為腦電原始值的近似熵計(jì)算值.

經(jīng)計(jì)算,腦電信號(hào)峰峰值、峰值頻率、信號(hào)強(qiáng)度百分比的近似熵分布與原始腦電信號(hào)近似熵分布形態(tài)類似.因此,以下僅對(duì)原始腦電信號(hào)近似熵表征進(jìn)行討論.

從腦電信號(hào)的近似熵分布來(lái)看,認(rèn)知任務(wù)比較簡(jiǎn)單的試驗(yàn)組 1～試驗(yàn)組 4,3組被試者的各個(gè)頻段腦電信號(hào)的近似熵均值無(wú)顯著的差異(單因素方差分析見表 3,方差分析得到的 P值均遠(yuǎn)大于0.05).應(yīng)用 Duncan法進(jìn)行一致性子集檢驗(yàn)的結(jié)果表明,3組被試的各頻段腦電信號(hào)的近似熵均值分布在同一子集.并且從各頻段腦電信號(hào)的近似熵分布來(lái)看,雖然各組試驗(yàn)的信息量遞增,但是近似熵值均呈迅速遞減的趨勢(shì).說(shuō)明開始第 1組試驗(yàn)時(shí),被試者是呈現(xiàn)積極的認(rèn)知狀態(tài),當(dāng)發(fā)現(xiàn)任務(wù)較為簡(jiǎn)單,3組被試均呈現(xiàn)逐漸放松的應(yīng)激狀態(tài).

表3 試驗(yàn) 1被試者腦電近似熵方差分析結(jié)果

試驗(yàn)組 5～試驗(yàn)組 8試驗(yàn)中,3組被試進(jìn)行信息搜索試驗(yàn)時(shí)的腦電信號(hào)近似熵均值反彈,并且 3組熵值出現(xiàn)顯著差別,單因素方差分析見表 3,P≈0,遠(yuǎn)小于 0.05.從一致性子集檢驗(yàn)結(jié)果表明,女性新手駕駛員和男性有經(jīng)驗(yàn)駕駛員基本處于同一子集(δ,θ,α近似熵值 ).

圖2 被試者腦電信號(hào)原始值的近似熵分布

進(jìn)一步分析 3組被試不同頻段的腦電信號(hào)的近似熵分布形態(tài).男性新手駕駛員的 δ波(最低頻段波)近似熵最高,并隨著標(biāo)志牌信息量增加而呈遞增趨勢(shì).其他 2組被試相應(yīng)的熵值較低,并無(wú)明顯遞增的趨勢(shì).而隨著腦電波頻率的遞增,男性有經(jīng)驗(yàn)駕駛員的熵值逐漸成為 3組中最高的一組.尤其在高頻腦電信號(hào) β波的近似熵分布中,男性有經(jīng)驗(yàn)駕駛員在試驗(yàn)組 5～試驗(yàn)組 8試驗(yàn)中均為最高值.β波振幅較小,一般在人思考問題或接受其他刺激時(shí),精神緊張和情緒激動(dòng)或亢奮時(shí)出現(xiàn).而熵值越大,表明時(shí)間序列越具有隨機(jī)性或不規(guī)則性,其非周期性越強(qiáng),復(fù)雜度越高.說(shuō)明男性有經(jīng)驗(yàn)駕駛員在對(duì)復(fù)雜性高的標(biāo)志信息搜索試驗(yàn)中處于較為興奮的狀態(tài),并且積極進(jìn)行思考,認(rèn)知主動(dòng)性最強(qiáng).相反,新手駕駛員 β波的近似熵值在復(fù)雜任務(wù)中,處在最低水平,說(shuō)明在進(jìn)行復(fù)雜標(biāo)志信息判斷任務(wù)中,男性新手駕駛員表現(xiàn)出消極的認(rèn)知行為,放棄對(duì)任務(wù)進(jìn)行積極的認(rèn)知反應(yīng).女性新手駕駛員在試驗(yàn)過程中的認(rèn)知反應(yīng)介于 2組之間.這與3組被試在進(jìn)行標(biāo)識(shí)信息搜索時(shí)的反應(yīng)時(shí)間分布形態(tài)是一致的.因此,不同頻段的腦電波近似熵表征,很好地解釋了不同分組對(duì)標(biāo)志牌信息進(jìn)行判讀的

4.2 閱讀標(biāo)志牌信息試驗(yàn)

圖 3所示為閱讀標(biāo)志牌信息試驗(yàn)中,3組被試各個(gè)頻段腦電波原始值的近似熵計(jì)算結(jié)果.

以 8組試驗(yàn)的近似熵值作為因變量,被試者的特性作為單一因素變量,進(jìn)行方差分析.由表 4可見,每組被試者各個(gè)頻段腦電信號(hào)近似熵的均值差異不大.Duncan法一致性子集的檢驗(yàn)結(jié)果表明,除了 δ波近似熵值存在 2個(gè)子集,其他各個(gè)頻段的腦電信號(hào)熵值均在一個(gè)子集內(nèi).因此,不同頻段的腦電波近似熵表征與 3組被試者對(duì)信息閱讀任務(wù)的反應(yīng)時(shí)間分布結(jié)果一致.

表4 試驗(yàn) 2被試者腦電近似熵方差分析結(jié)果

5 結(jié)論

圖3 試者腦電信號(hào)原始值的近似熵分布

1)選擇不同特性的駕駛員分組進(jìn)行標(biāo)志牌信息判讀試驗(yàn),試驗(yàn)結(jié)果表明,男性新手駕駛員為在信息搜索試驗(yàn)中最不利被試組,直觀表現(xiàn)在其信息搜索任務(wù)中,反應(yīng)時(shí)間明顯高于其他被試.男性有經(jīng)驗(yàn)駕駛員在該試驗(yàn)中表現(xiàn)最優(yōu),其次為女性新手駕駛員.各組被試在閱讀標(biāo)志信息試驗(yàn)中,反應(yīng)時(shí)間無(wú)顯著差異.以最不利被試組搜索標(biāo)志信息反映時(shí)間為應(yīng)變量,標(biāo)志牌地名信息數(shù)量為自變量建立相關(guān)性模型 T=1.107+0.095n.

2)3組被試不同頻率的腦電波近似熵表征解釋了其在信息搜索試驗(yàn)中表現(xiàn)出顯著差異的機(jī)理.根據(jù)被試腦電波的近似熵表征分析,可認(rèn)為地名數(shù)為 4個(gè)的指路標(biāo)志為簡(jiǎn)單標(biāo)志牌和復(fù)雜標(biāo)志牌的分界.

3)經(jīng)計(jì)算,腦電信號(hào)峰峰值、峰值頻率、信號(hào)強(qiáng)度百分比的近似熵分布與原始腦電信號(hào)近似熵分布形態(tài)類似.

進(jìn)一步研究可以擴(kuò)大試驗(yàn)的被試者樣本量,對(duì)研究結(jié)論進(jìn)行進(jìn)一步驗(yàn)證.

References)

[1]Nagarajan R.Quantifying physiological data with Lempel-Ziv complexity—certain issues[J].IEEE Transactions on Biomedical Engineering,2002,49(11)：1371-1373.

[2]Casw ell Schuckers S A,Raphisak P.Distinction ofarrhythmiasw ith the use of approximate entropy[C]//Computers in Cardiology.Hannover,Germany,1999,26：347-350.

[3]Xu Lisheng,W ang Kuanquan,Zhang David,et al.Adaptive base line wander removal in the pulse waveform[C]//Proceedings of the 15th IEEE Symposium on Computer-Based Medical Systems.Washington,DC,USA,2002,6：143-148.

[4]Yeragani V K,Srinivasan K,Vempati S,et al.Fractal dimension of heart rate time series：an effective measure o f autonom ic function[J].Journal o f App lied Physiology,1993,75(6)：2429-2438.

[5]Kolmogorov A N.Three approaches to the quantitative definition of information[J].International Journa l of Computer Mathematics,1968,2(1/2/3/4)：157-168.

[6]Pincus S M.Approximate entropy：a comp lexity measure for bio logical time series data[C]//IEEE Proceedings of the Northeast Conference on Bioengineering.Piscataway,NJ,USA,1991：35-36.

[7]Pincus SM.Approximate entropy as ameasureo f system complexity[J].Proc Natl Acad Sci USA,1991,88(6)：2297-2301.

[8]Yang Fusheng,Hong Bo,Tang Qingyu.App roximate entropy and its application in biosignal analysis[M].New York,USA：IEEE Press,2001：72-91.

[9]Rezek I A,Roberts S J.Stochastic complexity measure for physiological signal analysis[J].IEEE Trans on Biomedical Engineering,1998,45(9)：1186-1191.

[10]劉峰濤,賀國(guó)光.基于近似熵和統(tǒng)計(jì)復(fù)雜度的交通流復(fù)雜性測(cè)度[J].中國(guó)公路學(xué)報(bào),2007,20(4)：108-112.Liu Fengtao,He Guoguang.Comp lexity measure o f traffic flow based on approximate entropy and statistical complexity[J].China Journal of Highway and Transport,2007,20(4)：108-112.(in Chinese)