靳慧斌，劉海波，胡占堯，霍百明

(1.中國(guó)民航大學(xué) 通用航空學(xué)院，天津 300300；2.中國(guó)民航大學(xué) 飛行技術(shù)學(xué)院，天津 300300；3.中國(guó)民航大學(xué) 中歐航空工程學(xué)院，天津 300300)

民航歷年發(fā)生的空中交通管理不安全事件中，管制員人因差錯(cuò)導(dǎo)致的不安全事件數(shù)至少占總數(shù)的80%[1]。可見(jiàn)，對(duì)管制過(guò)程開(kāi)展人因研究對(duì)于提升民航運(yùn)行安全水平具有重要意義。

人機(jī)交互分析是人因研究的重要方法。人的感覺(jué)器官(如眼睛和耳朵)接受信息，傳到大腦進(jìn)行處理、判斷和決策，然后大腦發(fā)出的指令傳遞到口、手、腳等部分并執(zhí)行[2]，管制指揮的關(guān)鍵在于準(zhǔn)確及時(shí)地獲取空域內(nèi)運(yùn)行航空器的信息。而管制員主要通過(guò)眼睛獲取航空器的信息[3]，因此注視時(shí)間和掃視路徑等眼動(dòng)指標(biāo)能在一定程度上反映被試選擇信息的傾向性，目前眼動(dòng)追蹤技術(shù)已經(jīng)能準(zhǔn)確記錄眼球運(yùn)動(dòng)數(shù)據(jù)。在航空領(lǐng)域，視覺(jué)搜索策略[4-6]、工作負(fù)荷[7-10]與管制人因差錯(cuò)[11-14]3個(gè)方面是國(guó)外國(guó)內(nèi)相關(guān)研究的主要方面。此外，眼動(dòng)追蹤技術(shù)正成為新興管制技術(shù)的重要安全評(píng)估手段，如遠(yuǎn)程塔臺(tái)界面評(píng)估[15]等。綜上可知，利用眼動(dòng)追蹤技術(shù)捕捉眼球運(yùn)動(dòng)信息已經(jīng)成為國(guó)內(nèi)外研究人員分析管制人機(jī)交互的重要手段，通過(guò)處理眼動(dòng)數(shù)據(jù)，可以提取有意義的眼球運(yùn)動(dòng)指標(biāo)，這些量化指標(biāo)往往能準(zhǔn)確反映管制員的信息搜索和信息獲取過(guò)程。

雷達(dá)界面中航空器目標(biāo)往往是管制員重點(diǎn)關(guān)注對(duì)象，這些注視點(diǎn)集中的區(qū)域也經(jīng)常被劃分為興趣區(qū)來(lái)研究，因此興趣區(qū)提取可以作為一種雷達(dá)目標(biāo)標(biāo)定的方法。目前興趣區(qū)劃分方法主要利用熱圖法手動(dòng)劃分，該方法雖然快捷簡(jiǎn)單，但是手動(dòng)劃分一方面缺乏切割興趣區(qū)的理論依據(jù)與數(shù)據(jù)支撐，二是這種粗略的劃分方法缺乏一定的精確性。而聚類(lèi)算法因具有理論數(shù)據(jù)支撐和一定的準(zhǔn)確度而進(jìn)入人們的視野。但在使用傳統(tǒng)的具有噪聲的基于密度的聚類(lèi)算法(DBSCAN，density-based spatial clustering of applications with noise)處理眼動(dòng)數(shù)據(jù)時(shí)，輸入?yún)?shù)不合理會(huì)導(dǎo)致聚類(lèi)效果不理想[16]。因此有必要改進(jìn)傳統(tǒng)DBSCAN算法以避免在處理眼動(dòng)數(shù)據(jù)時(shí)的問(wèn)題。

為了提高管制人機(jī)交互的效率與安全水平，有必要提出一種能客觀準(zhǔn)確提取管制雷達(dá)界面航空器的目標(biāo)方法，本研究從眼動(dòng)數(shù)據(jù)處理入手進(jìn)行雷達(dá)界面航空器目標(biāo)標(biāo)定。利用雷達(dá)管制模擬機(jī)、眼動(dòng)儀等搭建模擬管制實(shí)驗(yàn)平臺(tái)，招募8名民航管制學(xué)員為實(shí)驗(yàn)被試，記錄被試在實(shí)驗(yàn)過(guò)程中的眼動(dòng)數(shù)據(jù)，從原始眼動(dòng)數(shù)據(jù)中提取注視點(diǎn)信息，對(duì)傳統(tǒng)DBSCAN算法進(jìn)行自適應(yīng)獲取參數(shù)改進(jìn)，最后對(duì)相關(guān)改進(jìn)進(jìn)行驗(yàn)證。

1 模擬管制實(shí)驗(yàn)

1.1 實(shí)驗(yàn)被試

總計(jì)8名航空管制學(xué)員參加本實(shí)驗(yàn)，年齡范圍為20～25歲。所有被試在實(shí)驗(yàn)前均參與過(guò)相關(guān)管制培訓(xùn)課程，具備獨(dú)立完成實(shí)驗(yàn)任務(wù)的能力。所有管制學(xué)員視力正常2.0±0.3。

1.2 實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)平臺(tái)硬件部分包括：

1)Tobii X2-60眼動(dòng)儀：采樣率60 Hz，精度0.34°；

2)雷達(dá)管制模擬機(jī)；

3)14英寸筆記本電腦：分辨率為1 366×768。

1.3 實(shí)驗(yàn)程序

具體實(shí)驗(yàn)程序如下：

1)連接好所有設(shè)備的電源，并將眼動(dòng)儀與外界設(shè)備相連，待連接完成后開(kāi)啟眼動(dòng)儀，讓被試處于設(shè)備屏幕前方約0.6 m位置；

2)待眼動(dòng)儀開(kāi)啟后，先校準(zhǔn)眼動(dòng)儀，保證儀器能準(zhǔn)確記錄眼睛觀察的位置；

3)啟動(dòng)雷達(dá)管制模擬機(jī)，設(shè)定初始航空器數(shù)目為7；

4)截取模擬實(shí)驗(yàn)過(guò)程中某一時(shí)刻的管制界面，讓被試觀察此時(shí)的雷達(dá)界面，并讀取界面中的航空器信息，然后口頭報(bào)告給主試，直到讀取完所有航空器目標(biāo)的數(shù)據(jù)，要求被試不能改變標(biāo)牌的位置或形狀，記錄每名被試實(shí)驗(yàn)過(guò)程中的眼動(dòng)數(shù)據(jù)，最后換下一被試看同樣的雷達(dá)界面；

5)關(guān)閉并整理所有實(shí)驗(yàn)器材。

1.4 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

眼動(dòng)儀無(wú)法記錄被試眨眼或看向?qū)嶒?yàn)屏幕外時(shí)眼睛運(yùn)動(dòng)的數(shù)據(jù)，此時(shí)收集到的原始數(shù)據(jù)是空白數(shù)據(jù)，數(shù)據(jù)預(yù)處理時(shí)需將其刪除。

一般認(rèn)為當(dāng)人的眼睛停留在某一位置的時(shí)間超過(guò)100 ms時(shí)會(huì)形成一次注視[17]。實(shí)驗(yàn)使用眼動(dòng)儀的采樣率為60 Hz，即1 s內(nèi)記錄60次數(shù)據(jù)。因此當(dāng)眼動(dòng)儀記錄的數(shù)據(jù)點(diǎn)連續(xù)6次未改變位置時(shí)，表明眼睛至少在這一位置停留了100 ms，可以認(rèn)為發(fā)生了一次注視過(guò)程，此過(guò)程眼睛對(duì)準(zhǔn)的位置稱(chēng)為注視點(diǎn)。這是一種從眼動(dòng)數(shù)據(jù)中提取注視點(diǎn)的方法。

2 基于DBSCAN算法的雷達(dá)目標(biāo)標(biāo)定

2.1 DBSCAN算法簡(jiǎn)介

管制員在進(jìn)行空中交通指揮時(shí)通過(guò)閱讀飛機(jī)的標(biāo)牌來(lái)獲得相關(guān)的飛行參數(shù)，所以管制員的注視行為能直觀反映出其關(guān)注的目標(biāo)。雷達(dá)中的航空器目標(biāo)往往受到相對(duì)頻繁地關(guān)注，因此眼動(dòng)數(shù)據(jù)能被用來(lái)對(duì)雷達(dá)界面中航空器目標(biāo)進(jìn)行標(biāo)定。

圖1左圖顯示，雷達(dá)界面中有航班號(hào)分別為CCA1610、CCA1402和CCA937的3個(gè)航空器目標(biāo)。圖1右圖為所有被試在雷達(dá)界面上的眼動(dòng)數(shù)據(jù)熱點(diǎn)圖，對(duì)照2圖可以發(fā)現(xiàn)航空器附近的顏色較亮，說(shuō)明注視點(diǎn)在航空器目標(biāo)附近集中，根據(jù)熱點(diǎn)圖手動(dòng)畫(huà)出3個(gè)矩形框，得到3個(gè)航空器在雷達(dá)界面上的大概位置，顯然這種劃分的精確性較低，因此需要一種具有較高精確性的方法來(lái)標(biāo)定航空器目標(biāo)。

圖1 模擬雷達(dá)界面與注視點(diǎn)熱圖

熱點(diǎn)圖表明在航空器周?chē)植嫉淖⒁朁c(diǎn)密度大，而其他區(qū)域注視點(diǎn)密度小，因此可用基于密度的聚類(lèi)算法進(jìn)行處理，眼動(dòng)數(shù)據(jù)中不可避免地會(huì)有一些由于頭部運(yùn)動(dòng)等行為導(dǎo)致的噪聲數(shù)據(jù)，因此在選擇數(shù)據(jù)處理方法時(shí)需要考慮密度和噪聲干擾，而DBSCAN算法能根據(jù)密度把數(shù)據(jù)劃分為不同的簇，同時(shí)能在具有噪聲的數(shù)據(jù)集中進(jìn)行聚類(lèi)[18]，因此引入DBSCAN算法處理眼動(dòng)數(shù)據(jù)。

DBSCAN算法有2個(gè)重要的參數(shù)，ε鄰域值和密度閾值(Minpts)。對(duì)于給定的數(shù)據(jù)點(diǎn)Q，到Q的距離不大于ε值的區(qū)域稱(chēng)為該點(diǎn)的ε鄰域，單位是像素。密度閾值一般是一個(gè)固定值。DBSCAN算法中，首先統(tǒng)計(jì)所有數(shù)據(jù)點(diǎn)在給定ε值范圍內(nèi)其他數(shù)據(jù)點(diǎn)的個(gè)數(shù)，如果其他數(shù)據(jù)點(diǎn)個(gè)數(shù)大于給定的密度閾值，即滿足建立數(shù)據(jù)簇的條件，然后遍歷所有的數(shù)據(jù)簇，將密度可達(dá)數(shù)據(jù)簇合并，當(dāng)搜索不到新的可達(dá)數(shù)據(jù)簇時(shí)，結(jié)束迭代并建立類(lèi)別[19]。

DBSCAN算法取不同參數(shù)的計(jì)算結(jié)果對(duì)比如圖2，圖中以不同形狀區(qū)分不同類(lèi)別的數(shù)據(jù)點(diǎn)，其中的黑空心圓點(diǎn)為噪聲點(diǎn)。圖2表明，設(shè)定的ε鄰域數(shù)值或者密度閾值都不能合理劃分航空器目標(biāo)和飛機(jī)標(biāo)牌。原因可能是上述2個(gè)參數(shù)對(duì)DBSCAN算法的聚類(lèi)結(jié)果影響較大，如果輸入過(guò)大的ε鄰域值，無(wú)法有效過(guò)濾噪聲點(diǎn)，更容易建立數(shù)據(jù)簇，從而降低算法的精確性；輸入過(guò)小的ε鄰域值，很多有效數(shù)據(jù)點(diǎn)被錯(cuò)誤地分類(lèi)為噪聲點(diǎn)，降低算法準(zhǔn)確性，導(dǎo)致目標(biāo)區(qū)域標(biāo)定過(guò)??；而密度閾值的選取也為全局參數(shù)，但不同注視點(diǎn)數(shù)據(jù)簇的分布密度差異較大，設(shè)定單一的密度閾值處理眼動(dòng)數(shù)據(jù)并沒(méi)有取得理想的效果。

圖2 用取不同參數(shù)的DBSCAN算法處理CCA1610目標(biāo)附近眼動(dòng)數(shù)據(jù)的結(jié)果

因此，為了避免不合理設(shè)定參數(shù)導(dǎo)致錯(cuò)誤的結(jié)果，提高DBSCAN算法的準(zhǔn)確性與精確性，將從自適應(yīng)獲取ε鄰域值和變密度閾值設(shè)定等方面對(duì)傳統(tǒng)DBSCAN算法進(jìn)行改進(jìn)。

2.2 DBSCAN算法改進(jìn)

2.2.1 自適應(yīng)獲取ε鄰域值

傳統(tǒng)DBSCAN算法需要用戶合理設(shè)定參數(shù)，圖2聚類(lèi)效果對(duì)比圖表明參數(shù)值的變化對(duì)聚類(lèi)效果的影響很大，如果用戶隨機(jī)輸入?yún)?shù)很可能使不符合預(yù)期結(jié)果。因此，研究將K-最臨近距離分布圖與統(tǒng)計(jì)分析相結(jié)合來(lái)自適應(yīng)獲取ε鄰域值。

在選取DBSCAN算法推薦的鄰域值時(shí)，Ester M[20]曲線拐點(diǎn)通過(guò)設(shè)定密度閾值為4來(lái)對(duì)比選取ε值。因此為了得到推薦鄰域值，設(shè)定K-最臨近距離分布法中的K=4，即對(duì)眼動(dòng)數(shù)據(jù)集的一個(gè)數(shù)據(jù)點(diǎn)Q，找出距離Q第4近的數(shù)據(jù)點(diǎn)P，計(jì)算Q點(diǎn)與P點(diǎn)之間的距離，訪問(wèn)所有數(shù)據(jù)點(diǎn)計(jì)算出距離，將距離值放入集合DistMinpts中，然后按距離值大小將數(shù)據(jù)點(diǎn)升序排序。最后畫(huà)出DistMinpts排序圖，如圖3，數(shù)據(jù)點(diǎn)序號(hào)作為橫軸，序號(hào)對(duì)應(yīng)的距離值為縱軸。一般將排序圖中曲線拐點(diǎn)的縱坐標(biāo)設(shè)定為推薦的ε值[21]。圖3箭頭對(duì)準(zhǔn)的位置是曲線的拐點(diǎn)，其縱坐標(biāo)值約為12.5 px，所以推薦ε值為12.5 px。

圖3 DistMinpts排序圖

DistMinpts排序圖推薦值是為達(dá)到給定密度閾值，大多數(shù)的數(shù)據(jù)點(diǎn)需要滿足的最小ε值。應(yīng)用概率論中分布概率密度函數(shù)的特點(diǎn)，如果能擬合出DistMinpts距離分布的概率密度函數(shù)，計(jì)算出概率密度函數(shù)的極值點(diǎn)，并令ε等于極值點(diǎn)能夠達(dá)到同樣的效果[22]。

利用不同隨機(jī)分布的概率密度函數(shù)對(duì)DistMinpts分布進(jìn)行擬合，結(jié)果如圖4。圖中虛線曲線、實(shí)線曲線分別為正態(tài)分布的概率密度曲線以及含有尺度參數(shù)和位置參數(shù)的t分布(下文簡(jiǎn)稱(chēng)為含參t分布)概率密度曲線。圖4表明，含參t分布的曲線與DistMinpts的分布情況最接近。同時(shí)含參t分布的概率密度函數(shù)存在唯一的極值點(diǎn)，結(jié)合眼動(dòng)數(shù)據(jù)，采用最大似然法對(duì)參數(shù)求解，算得極值點(diǎn)為7.8，因此對(duì)DistMinpts分布進(jìn)行擬合確定的鄰域值為7.8。

圖4 DistMinpts分布的概率密度函數(shù)與擬合曲線

此數(shù)值小于DistMinpts排序圖法的推薦值，如果直接利用擬合法獲得的鄰域值會(huì)導(dǎo)致大量的數(shù)據(jù)點(diǎn)被誤刪，為保證后續(xù)聚類(lèi)過(guò)程的效果，需要將擬合法求出的極值進(jìn)行放大，放大系數(shù)m應(yīng)取1.6，為作圖法推薦值與擬合函數(shù)極值點(diǎn)的比值。

2.2.2 設(shè)定變密度閾值

人在觀察圖片時(shí)對(duì)不同對(duì)象的觀察深度是不同的，其根源是不同對(duì)象所擁有的信息量和信息重要度迥異，因此不同對(duì)象周?chē)淖⒁朁c(diǎn)密度可能相差很大。由于DBSCAN算法使用了固定的全局參數(shù)[16]，此算法對(duì)密度差別較大的數(shù)據(jù)集(如眼動(dòng)數(shù)據(jù)集)聚類(lèi)效果較差，圖2聚類(lèi)結(jié)果表明，設(shè)定全局的密度閾值來(lái)處理眼動(dòng)數(shù)據(jù)可能會(huì)產(chǎn)生不理想的分類(lèi)效果。因此為了提高該算法處理眼動(dòng)數(shù)據(jù)的可靠性與精確性，改進(jìn)算法還應(yīng)能自適應(yīng)地改變密度閾值。

首先，根據(jù)前文描述的方法獲取鄰域值后，統(tǒng)計(jì)眼動(dòng)數(shù)據(jù)集D中所有數(shù)據(jù)點(diǎn)的ε鄰域內(nèi)存在的其他數(shù)據(jù)點(diǎn)個(gè)數(shù)N。將數(shù)據(jù)點(diǎn)按照對(duì)應(yīng)的N值大小進(jìn)行降序排序。顯然，這時(shí)該數(shù)據(jù)集中序號(hào)越靠前的數(shù)據(jù)點(diǎn)所在數(shù)據(jù)簇中注視點(diǎn)密度越大。

2.2.3 改進(jìn)算法整體流程

為了提高DBSCAN算法處理眼動(dòng)數(shù)據(jù)的可靠性和準(zhǔn)確性，對(duì)DBSCAN算法進(jìn)行了改進(jìn)，即根據(jù)數(shù)據(jù)集自適應(yīng)獲取ε鄰域值和變密度閾值設(shè)計(jì)。對(duì)于眼動(dòng)數(shù)據(jù)集D，使用改進(jìn)算法進(jìn)行處理，最終輸出是帶有類(lèi)別標(biāo)簽的聚類(lèi)分析結(jié)果，改進(jìn)算法整體流程如圖5。

圖5 改進(jìn)DBSCAN算法流程圖

2.3 改進(jìn)算法適用性驗(yàn)證

首先是對(duì)自適應(yīng)獲取ε鄰域方法的適用性驗(yàn)證。在改進(jìn)的DBSCAN算法中，由于擬合分布概率函數(shù)極值ε0與作圖法推薦的ε鄰域值存在較大的差異，于是設(shè)定了一個(gè)放大系數(shù)，當(dāng)對(duì)其他航空器目標(biāo)采用一樣的放大處理時(shí)，需要對(duì)這種放大處理和放大系數(shù)的適用性進(jìn)行檢驗(yàn)。

利用8名被試的全部眼動(dòng)數(shù)據(jù)做出熱點(diǎn)圖，在熱圖中注視點(diǎn)密度較大區(qū)域?qū)ξ礃?biāo)定的另外2架航空器進(jìn)行粗標(biāo)。截取出粗標(biāo)后的眼動(dòng)數(shù)據(jù)，處理得到注視點(diǎn)，先利用作圖法求出推薦鄰域值，再進(jìn)行分布擬合求出分布函數(shù)極值，計(jì)算結(jié)果對(duì)比圖如圖6。

圖6 改進(jìn)方法的ε鄰域估計(jì)值

圖6中的修正鄰域值是將分布函數(shù)極值放大1.6倍后的結(jié)果，即是另外2個(gè)航空器目標(biāo)采用自適應(yīng)法得到的ε鄰域值，與作圖法推薦值相差分別為8.6%和10%，差異較小，表明對(duì)于其他位置的航空器目標(biāo)，放大系數(shù)值是合理的。

最后是對(duì)改進(jìn)聚類(lèi)算法的標(biāo)定結(jié)果進(jìn)行檢驗(yàn)，改進(jìn)算法應(yīng)能夠準(zhǔn)確劃分航空器目標(biāo)和航空器標(biāo)牌。在上面檢驗(yàn)中確定的ε值的基礎(chǔ)上，基于MATLAB工具使用改進(jìn)算法對(duì)目標(biāo)區(qū)域的眼動(dòng)數(shù)據(jù)進(jìn)行聚類(lèi)，聚類(lèi)結(jié)果如圖7(a)所示。

圖7 眼動(dòng)數(shù)據(jù)聚類(lèi)結(jié)果和目標(biāo)區(qū)域提取結(jié)果

圖7(a)表明改進(jìn)后的算法能準(zhǔn)確劃分航空器目標(biāo)和航空器標(biāo)牌，并且對(duì)雷達(dá)界面上其他區(qū)域的航空器目標(biāo)依然能很好地完成聚類(lèi)。

在3架航空器目標(biāo)聚類(lèi)結(jié)果的基礎(chǔ)上，刪除掉噪聲點(diǎn)，并使用最小包絡(luò)矩形法提取出航空器的目標(biāo)區(qū)域，實(shí)現(xiàn)對(duì)不同航空器目標(biāo)的標(biāo)定。提取效果如圖7(b)，圖中左邊方框中是航空器區(qū)域，右邊方框是標(biāo)牌區(qū)域。顯然，提出的目標(biāo)區(qū)域標(biāo)定方法較熱圖法更為精確，且對(duì)于雷達(dá)界面中不同的航空器目標(biāo)都具有良好的適用性。

3 結(jié) 論

眼動(dòng)數(shù)據(jù)的熱點(diǎn)圖直觀反映出航空器目標(biāo)附近的注視點(diǎn)密度較大，表明航空器目標(biāo)是雷達(dá)界面中管制員重點(diǎn)關(guān)注的目標(biāo)，在熱點(diǎn)圖上能粗略標(biāo)定航空器目標(biāo)，但仍需進(jìn)一步處理眼動(dòng)數(shù)據(jù)以提高目標(biāo)提取精度。

研究引入DBSCAN算法并進(jìn)行改進(jìn)，提出了一種基于眼動(dòng)數(shù)據(jù)的雷達(dá)目標(biāo)標(biāo)定方法。改進(jìn)算法能自動(dòng)處理眼動(dòng)數(shù)據(jù)。通過(guò)對(duì)模擬雷達(dá)管制界面中其他目標(biāo)使用改進(jìn)算法處理，發(fā)現(xiàn)對(duì)于不同的航空器，自適應(yīng)算法獲取的ε值與推薦的ε值相差僅為8.6%和10%，證明采用擬合分布函數(shù)極值點(diǎn)結(jié)合放大系數(shù)確定ε值的改進(jìn)措施是合理的。聚類(lèi)和提取結(jié)果表明，研究提出的雷達(dá)目標(biāo)標(biāo)定方法，對(duì)雷達(dá)管制界面中不同航空器目標(biāo)具有一定的準(zhǔn)確性和普適性。