空中交通管制员眼动指标研究：工作经验对眼球运动的影响

-工程7（2021）488研究航空运输工作经验对空中交通管制员眼动王艳君a，王丽伟a，林思远a，b，丛伟c，薛剑飞d，华盛顿Ochienga，e，a南京航空航天大学民用航空学院，南京210016b中航ATM系统设备有限公司，版权所有© 2019上海市沪ICP备0900241号cVariFlight公司，中国d美国马萨诸塞州沃尔瑟姆市布兰迪斯大学计算机科学系，邮编：02453英国伦敦帝国学院交通研究中心，伦敦SW7 2BU阿提奇莱因福奥文章历史记录：收到2020年2020年8月17日修订2020年11月26日接受2021年2月3日在线提供保留字：空中交通管制人为因素眼球运动工作经验A B S T R A C T眼动是信息寻求行为的一个重要指标，并提供了对决策至关重要的认知策略的洞察。已经提出了基于眼动的各种测量来捕获人类在复杂环境中处理信息的能力。这些措施的有效性在空中交通管理领域尚未得到充分探讨。本文对不同工作经验的空中交通管制员的眼动指标进行了比较研究。两个常见的调查眼的行为，固定和扫视，连同注视熵，检查。通过比较相关指标的统计特性固定和眼跳之间的合格和新手控制器不同，与前一种类型的控制器采用更有效的搜索策略。这些发现有助于提高控制器培训的质量，并有助于理解人类在执行复杂任务©2021 THE COUNTORS.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。1. 介绍在过去的几十年里，人们已经做出了大量的努力来研究人机系统和人驱动的复杂系统中的人-操作员问题[1，2]。这包括研究改进人的绩效的分析和测量以及人为错误对系统可靠性和有效性的影响，并开发智能工具以支持人为操作[3尽管自动化水平不断提高，先进技术和运营理念的应用不断增加，但空中交通管制员仍在空中交通管理（ATM）系统中发挥着关键作用[6迄今为止，研究主要集中在空中交通管制员空中交通管理系统正在转型;例如，从雷达控制转向基于自动驾驶的操作，*通讯作者。电子邮件地址：ywang@nuaa.edu.cn（Y.Wang），w.ochieng@ic.ac.uk（W.Ochieng）。以及对人类和自动化的需求都将发生变化[9]。未来，控制器的主要任务将是监控自动化，确保其正常运行，并在发生故障或性能下降时快速恢复控制[9，13]。鉴于空中交通管制员工作的独特性如果有可能很好地理解控制器眼动已经成为包括心理学、人机工程学和计算机科学在内的各个学科中日益增长的研究兴趣的主题。Kowler[14]对眼动文献进行了广泛的回顾。 在诸如眨眼、瞳孔大小等各种行为中，Kowler强调了眼球运动的三种视觉行为，即注视控制、平滑追踪和扫视，并讨论了它们与视觉的相互作用。在计算机科学中，眼动跟踪用于分析计算机界面和人机交互的可用性例如，由MITRE先进航空系统开发中心（CAASD）进行的眼动跟踪研究评估了他们新开发https://doi.org/10.1016/j.eng.2020.11.0062095-8099/©2021 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程杂志首页：www.elsevier.com/locate/engY. 王湖，加-地Wang，S.Lin等人工程7（2021）488489·TM自动化概念，相对位置指示器（RPI），对空中交通管制员作者发现RPI改变了管制员研究还发现，眼动测量法可用于测量人类表现[17，18]。Ahlstrom和Friedman-Berg[19]研究了控制者眼球运动与认知负荷之间的相关性他们发现，眼动测量，包括眨眼和瞳孔大小，提供了比常用的主观工作量更敏感的工作量测量此外，研究表明，眨眼信息和扫视速度是自然任务中觉醒水平的指标[20，21]。在医学领域中关于眼球运动的研究[22、23]。眼动研究近年来得到了广泛的关注在参考文献[24]中，Jang等人证明了可以通过眼球运动推断潜在的隐藏认知策略他们提出了一种基于眼动显著特征的内隐意图预测模型尽管作者声称他们的模型显示了合理的性能，但这仍有待于在复杂任务的性能方面得到证明由于眼动是大脑信息寻求的自然指标，因此通过分析眼动数据可以促进对信息寻求行为的研究许多研究都是关于通过眼球运动寻求任务导向信息的主题[25Gottlieb et al.[29]强调了对信息寻求的潜在机制的研究回顾了三个不同领域的研究，包括机器学习，眼球运动，心理学和神经科学。另一个关于信息搜索的研究流派则集中在人类解决视觉搜索问题时出现的人眼扫描模式上。美国联邦航空管理局（FAA）调查了空中交通管制专家如何扫描雷达屏幕以获取信息[30]。各种眼动数据，包括固定，扫视，眨眼，瞳孔信息，进行了检查。研究发现，管制员往往把注意力集中在交通密度最高的空域，这可能导致入侵识别较晚，从而导致不安全事件的发生。Fehd和Seiffert报告了类似的行为[31]。人类倾向于集中在一个中心位置，这主要是由于将多个目标分组为单个目标的认知策略。Van Meeuwen等人[32]使用雷达屏幕截图的静态图片来调查新手，中级和专家空中交通管制员的认知策略。Kang等人[33，34]开发了一种算法来量化管制员如上面列出的研究所示，眼动与认知策略密切相关，特别是与信息寻求。虽然研究人员试图确定有经验的空中交通管制员的视觉扫描策略，但仍然不清楚培训或工作经验对管制员信息寻求行为的影响本文通过对管制员眼动数据的收集和分析，初步了解了工作经验与眼动测量之间的关系。论文的其余部分组织如下：第2介绍了一个简短的介绍了数据收集和实验。第三部分报告了不同工作经验的管制员的眼动行为分析结果。结论见第4。2. 方法2.1. 参与者为了收集空中交通管制员（M）= 28.4，标准差（SD）= 20.08）参与设计的模拟实验。其中，4名学生来自南京航空航天大学（NUAA）的空中交通管制专业（被归类为“新手”），而其他21名参与者是来自浙江省空中交通管制中心的空中交通管制员（包括一名新手）。所有参与者被分为五个级别，他们的工作经验和个人能力（表1）。2级、3级、4级、5级的工作经验为（14.0 ± 3.5），(9.3± 1.0）、（6.5 ± 0.6）和（2.8 ± 1.1）年。根据中国民用航空局（CAAC）的规定，二级、三级、四级和五级管制员的最低工作经验要求分别为12年、8年、6年和2年。然而，控制器水平不仅仅取决于多年的经验。例如，只有具有12年经验的最佳控制器才能被接受进入2级。表1提供了这五个级别参与者的信息。根据中国民航空中交通管理局的一份统计报告，中国女性管制员的比例不到20%。女性进场管制员的比例更低，不到10%。例如，浙江省空管局的50名进近管制员中有两名女性。因此，我们实验中参与者的性别比例是合理的。2.2. 装置采用faceLABTM5.0实时记录空中交通管制员这是一种非接触式眼动系统，具有非常高的跟踪眼球运动的能力。faceLABTM可以测量许多特性，包括：头部姿势：这可以识别受试者头部在三维（3D）坐标中的位置和取向凝视：可以为左眼和右眼输出单独的凝视光线。每个视线由一个原点和一个单位向量组成。扫视：这被定义为眼睛从一个注视点到下一个注视点的弹道运动扫视速度可达700（°）s-1。眼睛闭合：测量与虹膜覆盖相关的百分比以确定眼睛闭合。眨眼：这是系统记录的二进制信号（真或假）瞳孔测量：faceLAB可以测量每个瞳孔的直径，单位为米。表1参与者信息。性别2级3级4级5级新手男性33394女性01101●●●●●●Y. 王湖，加-地Wang，S.Lin等人工程7（2021）488490·眼睛闭合百分比（PERCLOS）：这是一种疲劳测量方法，被定义为最可靠的单一可见疲劳指标。PERCLOS的计算主要基于受试者的眼睛闭合。2.3. 模拟场景基于安全考虑，我们不能在实际工作时间内在管制员的工作站上放置任何设备，以记录他们的眼球运动。为了采集主动复杂任务中的眼动数据，研制了一套雷达控制仿真系统，以进行高逼真度的仿真训练。该仿真系统与空中交通管制员实际使用的仿真系统具有完全相同的功能和界面。因此，控制器不需要熟悉模拟系统。然而，使用实时模拟的潜在限制是，参与者在模拟期间可能感觉不到与工作期间相同的压力或紧张。本文的最后部分讨论了这一局限性。模拟空域为杭州进近扇区（ZSHCAP 03），其航线结构如图1所示。扇形区的垂直范围为3000米及以下。该部门的主要职能是在移交给杭州塔台之前对到达航班进行排序，并指导离港航班和少数飞越航班。根据实际飞行数据，规定了三种不同级别的交通管制，即容易、正常和困难。应该注意的是，分析不同交通情景的影响，包括不寻常的交通情况，超出了本文的范围。faceLABTM摄像机位于主屏幕中间下方的控制器正前方（图2）。为每个参与者建立了一个个人特定的模型，以便准确地跟踪他或她的眼球运动。在模拟开始之前进行校准在模拟过程中，参与者可以正常使用手臂和腿，并允许戴眼镜。在模拟开始之前，向参与者简要介绍了研究目的和交通情景从所有参与者处获得签署的知情同意书2.4. 固定的识别为了从原始数据中识别注视，采用速度阈值注视识别（I-VT）算法。I-VT的主要思想是使用角速度来区分注视点和扫视点。为了识别注视点，必须预先指定预定义的参数，即速度阈值。例如，阈值可以设置为125（°）s-1。第一步是将眼动数据的原始时间序列按升序排序。接下来，计算每个点的点对点角速度。以下规则可用于区分注视点和扫视点：如果该点处的角速度小于阈值，则它是注视点;否则，它是扫视点。然后，该算法将连续注视点输出到注视组中。 忽略所有扫视点图1.一、杭州终端空域（ZSHCAP03）的边界和航路结构高亮区域为杭州机场进近扇区（APP 03）;深蓝色线条代表航线;绿色线条为扇区边界;浅灰色线条表示眼球运动轨迹;黄色和浅绿色线条为雷达标签。红点代表空中交通管制员的注视点，正如在一次模拟演习中所记录Y. 王湖，加-地Wang，S.Lin等人工程7（2021）488491¼¼输出固定组的数据格式如下所示<其中x和y是组中的点的中心的坐标，t是组中的第一点的时间，并且d测量注视组的持续时间。图 1绘制了一个控制器的固定轨迹的示例。如该图所示，眼睛运动的轨迹清楚地遵循路线结构的模式。3. 结果3.1. 工作经验对注视和眼跳的影响为了分析工作经验对控制器注视行为的影响，首先检查了三个广泛使用的眼动指标：感兴趣区域（AOI），注视持续时间和注视熵。如第2.1节所述，根据参与者的工作经验将眼动数据分为五组每组的AOI数量和注视时间的统计结果如图3（a）所示。如图所示，这五个组可以进一步分为三类：CAT I（2级）、CAT II（3、4和5级）和CAT III（新手）。2级控制者的眼球运动与其他人不同2级控制器的AOI数量最少（M1126 s），但注视持续时间最长（M1： 66 s）。更长的注视时间和更少的AOI表明，2级控制器更喜欢专注于某些区域，而不是监控该区域的所有空间。这种行为的原因可能与图二. 空中交通管制模拟系统和眼动追踪装置。目前的工作职责。二级管制员是最有经验的管制员，至少有12年的空中交通管制员工作经验。他们的技能和能力在具有相同工作经验的管制员中是突出的。然而，大多数二级管制员已被提升为行政职位，而不是作为管制员管理空中交通。虽然他们拥有空中交通管制的能力，但他们可能不愿意筛选整个空域，特别是在模拟期间。显然，这是一个注意力资源分配不当的案例。CAT II类别中的固定持续时间和AOI数量呈现相反的趋势。管制员是空中交通管制中心负责日常工作的主要人员。从5级到3级，AOI的平均数量略有增加，而平均注视时间逐渐减少。对于CAT II中的管制员，定位感兴趣的航班所需的平均时间为1.1 s，这表明他们能够合理地分配他们的注意力。CAT II中AOI数量的SD远大于CAT I。这可能表明管制员之间的能力存在很大的差异。另一个原因可能是2级控制器比其他级别的控制器少。所有五组中的特殊情况是新手组。我们将AOI和注视的统计结果绘制在图3（a）中，将扫视速度绘制在图3（b）中。如图3（a）所示，平均固定仅0.2s，远低于其他组。虽然分区指数的平均数目与CAI II的相若，但分区指数的标准差非常大在这里，应该记得，新手刚刚完成他们的培训，并没有工作经验。因此，在新手中与其他管制员相比他们必须在整个空域分配他们的注意力资源空域结构和交通分布可以肯定地影响他们的认知策略。它们管理空中交通的能力仍在发展之中然而，新手中可能有潜在的天才控制器，正如AOI数量的巨大变化所表明的那样。这些有天赋的新手可以找到正确的飞机，并将注意力分配到这些区域。工作经验对注视的影响可以通过对AOI数量变化的比较分析进一步揭示。 如图如图3（a）所示，二级管制员在AOI中的SD最小，而新手的SD最大。一个小的变化表明，经验丰富的控制器可能会采用类似的信息寻求策略，经过多年的培训和现场实践。相比之下，空管初学者必须学习图3.第三章。（a）AOI和注视持续时间，以及（b）扫视速度的统计结果误差线表示相关组数据的SDY. 王湖，加-地Wang，S.Lin等人工程7（2021）488492并在职业生涯的早期阶段接受信息搜索策略的培训从眼动数据中获得显示给定空域中的注视概率的热图。图4呈现了来自级别2、3、4、5和新手的六个不同控制器的六个热图。图中以红色和黄色突出显示的热区代表具有较高固定密度的空域，表明空中交通管制员倾向于频繁监视这些区域。图像中突出显示的区域清晰地勾勒出空域的结构，机场位于中心，主要交通流量来自左上角和左下角。在这些画面中，机场始终是管制员关注的焦点。他们花了大量的时间来监测进出机场的交通处理;这一结果与以前的研究一致[31]。新手的热图显示，新手倾向于监视空域的每一个部分，这表明他们在寻找关键信息方面的效率很低3.2. 扫视速度为了研究控制者的扫视行为， 结果绘制在Fig. 3（b）款。初学者的平均扫视速度明显快于持照控制者，持照控制者的平均扫视速度与初学者基本相同。由于多年的专业训练，经验丰富的管制员获得了管理空中交通的特殊能力。研究表明，扫视速度与跟踪运动目标的能力有关。更快的扫视速度可以指示响应于快速变化的环境的更好的能力。在这种情况下，新手具有最快的扫视速度;然而，这并不意味着新手在搜索必要信息方面比其他控制者更好。相反，新手的速度可能是随机选择飞行器造成的，因为新手不熟悉控制。新手无法估计飞机的位置，所以他们需要经常查看每架飞机为了进一步研究空中交通管制员的眼动特征的差异，我们比较了凝视过程中注视点的数量、注视持续时间和扫视速度的分布。在对空中交通管制员语音通信活动的研究中，学者们发现空中交通管制员的相互通信时间呈现重尾分布[35，36]。我们想确定控制者的眼球运动行为是否表现出类似的模式。图5呈现了上面列出的眼动测量的相应分布。可以看出，注视时间的分布和注视次数的分布具有相似的模式。来自有经验的控制器的数据的分布的特征在于具有幂律尾部的指数衰减，而新手的分布的特征在于幂律分布（在双对数图中由直线然而，扫视速度的分布集中在一条直线上，这表明所有控制器的扫视速度都遵循幂律分布。这些结果需要进一步探讨。3.3. 注视熵数据驱动方法的流行促进了通过眼球运动对信息寻求行为的定量测量。基于信息理论的凝视相关测量方法的发展在人的因素研究中具有特别的意义。熵的概念起源于物理学，旨在描述系统的混沌程度图四、从六个控制器的数据生成的固定热图（a）2级;（b）3级;（c）4级;（d）5级;（e、f）新手。图五. （a）注视计数、（b）注视持续时间和（c）扫视速度的概率（Y. 王湖，加-地Wang，S.Lin等人工程7（2021）488493X×ðÞðÞðÞð ¼Þ熵已成功地应用于各个领域，包括物理学，社会科学，以及最近的眼动研究[37]。给定记录的眼动数据，可以基于香农熵和条件熵的等式来计算静止注视熵（STE）和注视转移熵（GTE）关于凝视熵测量的最新综述可以在参考文献[38]中找到。在目前的工作中，我们使用香农熵来衡量控制器的凝视熵，离开GTE进一步研究。凝视熵（Hg）定义如下：nHgX-pi·log2pi11/1其中X是总长度为n的注视序列，而i是X中包含的每个注视的位置：p x;y表示控制器的注视落在x ; y位置的概率这个方程给出了在实验过程中的瞬间凝视因此，它可以确定控制器的凝视的离散性为了计算凝视熵，我们首先将雷达屏幕离散化为64 36个部分，总共产生2304个正方形。然后直接获得在任何给定的时间样本上落在这些正方形中的每一个上的注视的频率。每个控制器的注视熵使用等式（Eq. （1），所有控制器的平均值为6： 94 0： 79。图6呈现了不同级别的控制器的注视熵。图中最右边的方框显示了所有控制器的熵。值得注意的是，与扫视速度相比，注视熵表现出类似的趋势（图3（b））。3级控制器具有较高的扫视速度，但熵较低，这表明最有效的信息收集能力。虽然新手控制器也表现出较低的熵和最快的扫视速度，他们的平均固定是远远低于其他人。这可能表明无法从复杂的交通状况中获得必要的信息由于每个级别的控制器的样本数据的大小有限，我们在这里集中在新手和专家之间的比较。我们选择7： 2作为阈值，将控制器分为两组：高注视熵（HGE）组和低注视熵（LGE）组。结果见表2。由于实验样本数量少于40，因此采用Fisher结果显示新手和专家之间的注视熵的统计学显著差异p0： 042。近80%的新手管制员属于LGE组，而11个专家管制员中有4个属于LGE组。一般来说，见图6。 不同层次控制者的凝视熵。+：离群值。点，注视熵越大，这与前面部分中获得的结果一致。然而，从上述结果可以得出一个结论，即过于依赖单一的眼动测量可能会导致对空中交通管制员信息寻求策略的4. 结论眼动数据可以用作人类注意力的感知和分配的代理对空中交通管制员的眼动行为进行了研究，重点分析了我们的目标是使用数据驱动的方法来理解所观察到的眼动行为的潜在机制。这项工作的重点是所有研究的空中交通管制员的眼球运动的统计模式。为了收集更可靠的眼动数据，我们设计了真实世界的雷达控制场景。在人在环模拟过程中收集眼动数据我们开发了一种I-VT算法，从记录的眼动数据中提取固定信息。三个常用的调查指标进行了深思熟虑的探讨：AOI的数量，固定时间，扫视速度。结果表明，一个合格的控制者能够采用有效的空中交通管制中视觉搜索行为的训练效率有待进一步提高虽然眼动数据的概率分布显示重尾特征，形状是有用的区分新手和有经验的控制器。还进行了凝视熵的比较;然而，研究结果可能会导致对空中交通管制员的信息寻求策略的误解总的来说，我们发现工作经验对对控制者眼动行为的影响。AOI、注视持续时间、扫视速度和注视熵被证明是判断受训控制员是否具有有效收集信息能力然而，不同的眼动测量的组合，建议揭示空中交通管制员的认知策略的根本差异这项工作有几个局限性。一个主要的挑战，这也可能会遇到其他人类行为研究，是空中交通管制员所经历的紧张和压力无法捕捉。在实际操作中，空中交通管制员必须做出快速、正确的决策，以确保安全有序的飞机流。在实际操作中不能出现任何错误。然而，在实时仿真期间，控制器的工作态度将改变，因为他们知道他们可能会犯错误。因此，控制器在人在环仿真期间将比在其日常工作中更放松，并且其行为由于不同的环境和生理情况而改变。这项工作的第二个局限性是，只考虑了控制器的主要任务。次要任务，如与其他控制器的协调，没有模拟。在实际操作中，空中交通管制员需要处理表2不同经验水平人群注视熵差异的比较。组专家组萌新组总HGE7310LGE41115注：2级、3级、4级的操控者归为专家组，5级和新手归为新手组。Y. 王湖，加-地Wang，S.Lin等人工程7（2021）488494进出邻近区域的航班因此，他们必须监测周围地区的交通状况，以便制定战术计划。为了捕获这些类型的干扰，必须设计一个涉及多个连接扇区的大规模模拟实验。最后但并非最不重要的是，在目前的工作中没有考虑模拟情景的影响。我们没有使用静态图片，而是使用实时交通来捕捉控制器的眼球运动数据。交通场景的密度和复杂鉴于空中交通管制工作的独特性，建议来自心理学，计算机工程和数据科学领域的合作者进行确认我们感谢空中交通管制员和学生参与实验。本研究得到了国家自然科学基金（U1833126，U2033203，61773203，61304190）的资助。遵守道德操守准则Yanjun Wang、Liwei Wang、Siyuan Lin、Wei Cong、JianfeiXue和Washington Ochieng声明他们没有利益冲突或财务冲突需要披露。引用[1] 李KW，蒂尔曼FA，希金斯JJ。人机系统中人的可靠性部分的文献综述。 IEEETrans Reliab 1988;37（1）：24-34.[2] Boring RL，Hendrickson SML，Forester JA，Tran TQ，Lois E.人的可靠性分析方法的基准问题：文献综述。可靠工程系统安全2010;95（6）：591-605。[3] VermaS，Tang H，Ballinger D，Chinn F，Kozon T，Farrahi A，等. 终端区冲突探 测 工 具 的 人 因 评 估 。 In ： Proceedings of the10th USA/Europe Air TrafficManagement Research and Development Semina;2013 Jun 10 -13; Chicago ，IL，USA; 2013.[4] [10]杨文，王文.通过自动语音识别增加对控制器协助的接受度。In：Proceedings ofthe10thUSA/EuropeAirTrafficManagementResearchandDevelopmentSemina;2013 Jun 10 -13; Chicago，IL，USA; 2013.[5] Amin R，Tang J，Ellejmi M，Kirby S，Abbass HA.实时人类行为研究中交通事件校 正 的 计 算 红 队 。 In ： Proceedings of the 10th USA/Europe Air TrafficManagement Research andDevelopment Semina; 2013 Jun 10 -13; Chicago ，IL，USA; 2013.[6] Reynolds HJD，Lokhande K，Kuffner M，Yenson S.空中交通管制塔台飞行数据管理器人机一体化设计过程。J Cogn EngDecis Mak 2013;7（3）：273. p. 273比92[7] Mercer J，Homola J，Cabrall C，Martin L，Prestige T.在未来的NextGen环境中，人机自动化协作可确保分离。在：航空航天人机交互国际会议论文集;2 0 1 4年 7 月 3 0 日 ; 美 国 加 利 福 尼 亚 州 圣 克 拉 拉 。 New York ： AssociationforComputing Machinery; 2014.[8] Hunt S，Martin L，Mercer J.将人类自动化信任量表应用于空中交通管理环境。Ergon Soc Annu Meet2014;58（1）：26-30.[9] ThomasP，Smith N，Palmer E，Callantine T，Lee P，Mercer J，等. 美国宇航局艾姆斯研究中心空域运行实验室当前能力和研究活动的概述。在：第14届AIAA航空技术，集成和运营会议记录; 2014年6月16日至20日;美国佐治亚州亚特兰大; 2014年。[10] Loft S，Sanderson P，Neal A，Mooij M.航路空中交通管制中心理负荷的建模与预测：评论与更广泛的意义。2007;49（3）：376. p.376-99.[11] Galy E，Cariou M，Mélan C.心理负荷因素与认知负荷类型之间的关系是什么？ 国际心 理 生理学 杂 志 2012;83（3）：269-75。[12] Zhang J，Yang J，Wu C.从树木到森林：关系复杂性网络与空中交通管制员的工作负荷。人体工程学2015;58（8）：1320-36。[13] 放大图片Hasse C，Grasshoff D，Bruder C.眼动跟踪参数作为自动化故障检测中人类 表 现 的 预 测 器 。 In ： de Waard D ， Brookhuis K ， Dehais F ， Weikert C ，Rottger S，Manzey D，editors. 人的因素：从综合的角度来看。海德堡：SpringerBerlinHeidelberg; 2012. p. 133比44[14] 科勒E. 眼动：过去25年。 视觉研究2011;51（13）：1457-83。[15] Jacob RJK，Karn KS.第4节评论-人机交互和可用性研究中的眼动跟踪：准备好兑现承诺。In：Hyönä J，Radach R，Deubel H，editors.心灵之眼。阿姆斯特丹：北荷兰; 2003年。p.573- 605[16] 杨文龙，李晓梅. 用于到达协调的近期终端自动化的眼动跟踪分析。在：第九届AIAA航空技术，集成和运营会议（ATIO）的会议记录; 2009年9月21日至23日;希尔顿黑德，加利福尼亚州，美国; 2009年。[17] May JG，Kennedy RS，Williams MC，Dunlap WP，Brannan JR.脑力负荷的眼动指标。Acta Psychol 1990;75（1）：75.p. 75比89[18] 核电站中注意资源有效性与感知和诊断之间的实验研究。核工程2014;278：758-72。[19] Ahlstrom U，Friedman-Berg FJ. 使用眼动活动作为认知工作负荷的相关性。 Int JInd Ergon 2006;36（7）：623-36.[20] McIntire LK，McKinley RA，Goodyear C，McIntire JP.利用眨眼检测警觉性。应用Ergon 2014;45（2 Pt B）：354-62。[21] DiStasi LL，Catena A，Cañas JJ，Macknik SL，Martinez-Conde S. 自然主义任务中作为唤醒指数的扫视速度。Neurosci Biobehav Rev 2013;37（5）：968-75。[22] Brunyé TT，Drew T，Weaver DL，Elmore JG.眼动追踪对理解和改善诊断解释的回顾。Cogn Res Princ Implic2019;4（7）：1-16.[23] 吴CC，沃尔夫JM.医学图像感知中的眼动：过去、现在和未来的选择性回顾。2019年愿景;3（2）：32。[24] 张勇，李俊，郭庆华，李明. 基于眼球运动模式和瞳孔大小变化的人类意图识别。神经计算2014;128：421-32.[25] Jones RE，Milton JL，Fitts PM.飞机驾驶员的眼动：I。回顾了以前的眼动研究，并描述了仪表飞行期间的眼动美国空军技术报告。代顿：赖特-帕特森空军基地，1949年。报告编号： 5837[26] Fitts PM，Jones RE，Milton JL.仪表着陆进场时飞行员的眼动。 航空工 程 修订1950;9（2）：1-6。[27] 发送者JW。人类利用复杂显示器信息的能力。在：Quastler H，编辑. 心理学中的信息论Glencoe：The Free Press，1955. p. 360- 3[28] 发 送 者 JW 。 操 作 人 员 作 为 多自由度系统的 监 控 者 。 IEEE TransFactorsElectron1964;HFE-5（1）：2-5.[29] 杨文伟，王晓，王晓伟，王晓伟.信息寻求，好奇心和注意力：计算和神经机制。Trends Cogn Sci 2013;17（11）：585-93.[30] Willems B，Allen RC，Stein ES.空中交通管制专家视觉扫描II：任务负荷、视觉噪音和侵入管制空域。 技术报告。大西洋：联邦航空管理局，威廉J休斯技术中心，1999年。报告编号：DOT/FAA/CT-TN99/2。[31] FehdHM，Seiffert AE. 多目标跟踪过程中的眼球运动：参与者看哪里？认知2008;108（1）：201-9。[32] VanMeeuwen LW ， Jarodzka H ， Brand-Gruwel S ， Kirschner PA ， de BockJJPR，vanMerriënboer JJG. 在复杂的视觉领域中识别有效的视觉问题解决策略。Learn Instr2014;32：10-21.[33] Kang Z，Bass EJ，Lee DW.空中交通管制员的视觉扫描，飞机选择，和比较策略，以支持冲突检测。 Ergon Soc Annu Meet 2014;58（1）：77-81.[34] Kang Z，Landry SJ.多元目标跟踪任务的眼动分析算法：基于最大变迁的凝聚层次聚类。IEEE THum-Mach Syst 2015;45（1）：13-24.[35] 王勇，冯文，胡明，杨维。空中交通管制员动态行为的实证分析。 Transp Res CEmerg Technol 2013;33：203-13.[36] 王勇，卜杰，韩凯，孙荣，胡明，朱春。一种研究空中交通管制员通信活动的新网络方法。Transp Res C Emerg Technol2016;68：369-88.[37] ToleJR，Stephens AT，Vivaudou M，Harris RL，Ephath AR. 熵，仪器扫描和飞行员工作负荷。在：IEEE系统，人和控制论会议;西雅图，华盛顿州，美国; 1982年。[38] 放大图片作者：Shiferaw B，Downey L.注视熵作为视觉扫描效率的度量的综述。Neurosci Biobehav Rev 2019;96：353-66.[39] 费希尔岭统计方法、实验设计与科学推论。牛津：牛津大学出版社，1990年.