基于生理特征的应急情境下管制员安全行为能力测评

王宇，王健新



基于生理特征的应急情境下管制员安全行为能力测评

王宇1，王健新2

（1.中国民航大学经济与管理学院，天津 300300；2.北京交通大学轨道交通控制与安全国家重点实验室，北京 100044）

为了客观评价管制员在应急情境下的安全行为水平，模拟大流量管制情境，选取14名一线管制员作为被试，采用专家打分方式确定其安全绩效，采用生理多导仪测量其心率、心率变异性、皮电等生理数据，并构建安全行为能力指数。结果表明，应急情境下管制员的平均心率、SDNN、PNN50、张力EDA、相位EDA等5项生理指标有明显变化，其中SDNN、PNN50随着流量的增加降低，其余指标明显增加。安全行为能力指数能有效反映管制员的技能水平和安全行为能力，为管制员的选拔和培训提供一定的参考。

管制员；应急情境；生理指标；安全绩效

近年来，尽管航班量快速增长，但我国空域却没有增加，使得管制员在同一时间内指挥更多的航空器，给他们带来更大的工作压力。已有学者研究发现，人在紧张情境下受到刺激时，其大脑活动会最终导致其生理上发生变化，进而可能导致其错误的决策行为。因此，有必要分析管制员的生理指标与其不安全行为之间的关系，以测评其在紧张情况下的安全行为能力。

国内外学者通过对司机、飞行员等人员的生理指标进行研究，分析其行为能力，如Nassef等[1]提出用HRV1（128 s内心率功率谱从0.07～0.14 Hz变化的平均值）和HRV2（相同128 s内，标准差与HRV1的比值）作为被试的心率变异性指标，通过实验发现司机的这两项生理指标会随着工作负荷的增加而降低；Veltman等[2]通过测量飞行员的心率、血压、呼吸和眨眼等指标以评估飞行员的工作敏感性，发现心率和血压对其工作负荷变化的敏感性较强；而针对雷达管制员，已有学者通过眼动和面部特征等指标分析其工作负荷状况，如汪磊等[3]通过面部特征识别方法实现了对管制员疲劳状态的实时监测；王燕青等[4]分析了大流量情境下管制员眼动指标的变化规律，为进一步评估管制员的应急能力提供了依据。但针对程序管制员，无法通过眼动和面部特征指标分析其安全行为能力，因此，本文拟通过对雷达管制员和程序管制员同时适用的生理特征指标以分析管制员的安全行为水平，进而为管制员的培训、考核提供一定的科学指导。

1 实验设计

1.1 实验仪器的选取

采用Erglolab生理多导仪记录被试的各项生理指标。

1.2 应急情境的设计

《中国民用航空空中交通管理规则》中第八章第二百条规定“通常情况下，进近扇区管制席位同时提供雷达服务航空器的数量最多为8架”，因此，可以以大流量管制作为应急情境。本实验结合管制单位的实际工作情况，将小流量（管制航班为8架次及以下）管制情境作为对照组：将大流量（管制航班为9架次及以上）管制情境作为实验组。

1.3 被试的选取

选取14名一线男性管制员作为被试，被试均能熟练操作管制模拟机。实验前被试均休息良好且满足《民用航空空中交通管制员执照管理规则》中的管制员上岗要求。根据被试所持执照等级、参与重大任务保障情况等因素将被试的技能水平分为新手组（编号1～6）和老手组（编号7～14）。

1.4 测量指标的确定

参考《中国民用航空空中交通管理规则》和《民用航空空中交通管制培训管理规则》的规定，确定出管制员安全绩效定性指标包括：保持清醒的判断、管制意图正确有效和合理分配注意力等3个指标；定量指标包括完成练习时间和发现复诵错误次数等2个指标。

考虑到管制员在应急情境下易出现紧张情绪，进而可能引发心率、皮电、血压等生理变化，确定本实验测量的生理指标主要包括心率、心率变异性和皮电三个指标。

1.5 实验程序

实验前确认被试的身体状况满足《空中交通管制员执照管理规则》有关规定，并告知其本次实验的目的；将管制模拟机设置为练习模式；被试调整坐姿和座椅高度，并穿戴好生理多导仪，确认生理数据采集正常后即开始模拟机练习；模拟管制过程持续约35 min，期间航班数量稳定增加至9架以上；被试在该阶段负责管制航班起降、解决航班冲突以及通告军方活动等事宜；待所有出港航班均正常爬升且进港航班按理想序列进近后，实验结束。

2 数据处理

2.1 管制员安全绩效数据分析

被试的安全绩效定性指标得分由3名专家打分并取其平均数得出，其中一名在被试不知情的情况下现场打分，另外两名通过回放录像的方式进行打分；定量指标中的完成练习时间由管制模拟机记录，发现复诵错误次数由视频回放记录，因此被试的安全绩效指标如表1所示。由表1数据可以看出，老手管制员在5项安全绩效指标数据上均明显优于新手，表明老手管制员较新手能更好地保持头脑清醒、制订出更加有效的管制策略，在合理分配注意力的情况下以更短的时间完成任务，并能及时发现飞行员的复诵失误。

2.2 生理数据分析

在选定的3项生理指标中，心率是指心脏每分钟跳动的次数；HRV是指心跳间期有节律的波动，对HRV的分析可分为时域分析和频域分析，本实验选取被广泛认可的SDNN和PNN50作为时域指标，选取LF/HF作为频域指标；皮肤电活动（EDA）包括张力EDA（基线值）和相位EDA（反应变化值）。现将被试在对照组和实验组的生理指标进行描述性统计，如表2所示。

从表2可看出，除平均心率和LF/HF外，其余指标的均值均在对照组和实验组之间有明显差别，说明应急情境的出现会对管制员的生理指标造成一定的影响。

进一步对管制员的生理指标进行正态性检验，发现6项生理指标值均服从正态分布（＞0.05），因此，可对对照组和实验组进行配对样本T检验，结果表明管制员在平均心率（=－3.471，=0.004）、SDNN（=8.554，=0.000）、PNN50（=6.417，=0.000）、张力EDA（=－4.818，=0.000）、相位EDA（=－5.374，=0.000）5项生理指标上有明显变化，而在LF/HF（=－1.160，=0.267）上没有明显变化，因此，可利用平均心率、SDNN、PNN50、张力EDA和相位EDA等5项生理指标来反映管制员在应急情境下的安全行为水平。

3 管制员安全行为能力模型的构建

为了进一步分析管制员各生理指标的变化与其安全行为水平间的关系，现构建一无量纲指数，即安全行为能力指数，以综合衡量应急情境下的管制员生理指标变化，计算方法如下：

式（1）中：i为第个被试的安全行为能力指数；ij和ij分别为第个被试在应急情境出现前、后产生正向变化的第个生理指标，=1，2，3；ik和ik分别为第个被试在应急情境出现前、后产生负向变化的第项生理指标，=1，2.

为了验证值的适用性，将14名被试的生理数据代入公式，计算出各被试的值，将值与管制员的技能水平做二列相关分析，得=0.905**，=0.000，说明被试的值与其技能水平有极强的相关性，并将值与各安全绩效指标进行Spearman相关分析，结果如表3所示。由表3可知，指数与被试各项安全绩效均有高度相关性，即值越大，被试完成任务所需时间越少，对飞行员复诵越专注，头脑判断越清醒，管制策略越高效，注意力分配越合理。因此，可用安全行为能力指数来反映管制员的安全绩效。

表1 管制员安全绩效数据

技能水平定性指标定量指标 保持清醒判断管制意图正确有效合理分配注意力完成练习时间发现复诵错误次数 新手2.777 82.777 83.166 735.366 70.333 3 老手3.541 73.458 33.541 731.012 51.500 0

表2 管制员生理指标描述性统计

生理指标实验分组 对照组实验组 均值标准差均值标准差 平均心率/bmp87.589 112.473 188.669 912.553 7 SDNN/ms98.251 513.025 885.453 111.142 1 PNN50/（%）8.946 93.468 87.297 73.130 6 LF/HF4.231 10.231 84.376 20.381 9 张力EDA/μs4.072 43.466 57.410 05.558 3 相位EDA/μs0.150 40.084 80.239 20.136 5

表3 指数与安全绩效的相关性分析

完成练习时间发现复诵错误次数 保持清醒的判断管制意图正确有效合理分配注意力 相关系数－0.592*0.680**0.593*0.724**0.646* P-value0.0260.0070.0260.0030.013

4 结论

应急情境出现时，管制员的平均心率、SDNN、PNN50、张力EDA和相位EDA等5项生理指标会发生明显变化，而HRV中LF/HF的变化不明显。其中，平均心率、张力EDA和相位EDA的变化率越大，则值越大；SDNN和PNN50的变化率越大，则值越小。构造的安全行为能力指数与管制员的技能水平和安全绩效之间高度相关，表明值能很好地反映管制员在大流量应急情境下的安全行为能力，它的提出利用能有效降低专家打分的主观性。

［1］Nassef，M.Mahfouf，D.A.Linkens.The assessment of hart rate variability（HRV）and task load index（TLI） as physiological markers for physical stress［J］.World Congress on Medical Physics and Biomedical Engineering，2009，25（09）：146-149.

［2］J.A.Veltman，A.W.K.Gaillard.Physiological indices of workload in a simulated flight task［J］.Biological Psychology，1996，6（01）：323-342.

［3］汪磊，孙瑞山.基于面部特征识别的管制员疲劳监测方法研究［J］.中国安全科学学报，2012，22（07）：66-71.

［4］王燕青，王健新，惠金有.大流量管制情境下雷达管制员眼动特征分析［J］.中国安全科学学报，2016，6（26）：1-6.

2095－6835（2018）24－0137－02

F272.92

A

10.15913/j.cnki.kjycx.2018.24.137

〔编辑：张思楠〕