摘要
信息化发展的高速铁路行车调度指挥系统中，行车调度员在人机系统关系中占据主导地位，其认知负荷水平对于系统安全高效运行影响密切。智能化发展的铁路行业需要高铁行车调度员认知负荷实时检测调节技术，而建立对真实生产场景适应性良好的认知负荷识别模型是其中的关键技术问题。因此，本研究面向关键作业场景，建立能够克服研究场景下主要任务切换影响的高铁行车调度员跨任务认知负荷识别模型。主要内容如下： (1)通过现场调研与分析，明确列车运行组织研究场景，提取场景下的列车运行监视任务和列车运行调整任务两个跨任务研究对象。基于认知资源理论分析，通过任务难度和密度控制任务认知负荷，设计并完成研究场景下的认知负荷诱发实验范式，采集到经NASA-TLX量表评价值验证有效的头皮脑电数据。 (2)基于脑电技术完成脑电数据的降噪提纯。基于Welch法对频段功率谱密度特征进行提取，得到原始392维全特征。基于MannWhitney检验提取两种任务共有的显著差异特征，基于Kendall'stau-b系数进一步提取两种任务共有的一致相关特征，得到过滤式筛选后的48个跨任务识别特征，并进行特点分析。 (3)对实验数据条件下的最优机器学习分类器进行比选，采用网格搜索法优化支持向量机模型超参数，建立并分析过滤式筛选特征方案识别模型。在过滤式特征筛选方法的基础上，搭建精英保留的遗传算法跨任务识别模型求解结构，得到能够有效面向列车运行组织作业场景实现高铁行车调度员跨任务认知负荷识别的模型。 最终建立的识别模型仅以19个特征即可实现跨任务识别准确率达88.33%、同任务识别准确率达85.73%，应对列车运行组织真实作业场景下的监视与调整任务切换的识别效果远高于随机水平，识别效果较过滤式筛选特征方案识别模型有进一步提高。该模型为高铁行车人机交互系统的迫切需求提供了理论成果。此外，脑电信号中的β频段功率谱密度特征以及α与β频段相对关系组合特征在列车运行监视与列车运行调整跨任务认知负荷识别中发挥重要作用。
NETL