CC BY
24
УДК 656.1
ИССЛЕДОВАНИЕ ВЛИЯНИЯ ИНФОРМАЦИОННОЙ НАГРУЗКИ НА ВРЕМЯ ЗАДЕРЖКИ ВЫПОЛНЕНИЯ ОПЕРАЦИЙ ВОДИТЕЛЕМ
Энглези И.П., к.т.н, доцент, ректор Образовательной организации ВПО «Донецкая академия транспорта»
В статье рассмотрено влияние информационной нагрузки на время задержки выполнения операций водителем с помощью анализа показателей электроэнцефалограммы (ЭЭГ), характеризующих возбуждающие и тормозящие процессы в коре головного мозга.
Современный человек сталкивается с проблемой выбора и обработки поступающей к нему информации. Деятельность в системах "человек-машина-среда" - не исключение. Избыток информации способствует развитию усталости и, как следствие, - возникновению невнимательности, которая становится причиной большинства ДТП.
Во время движения главным источником информации является дорожная обстановка, однако существуют множество дополнительных источников (телефон, радио, пассажиры, придорожная реклама и др.), на которые может переключаться внимание водителя, вследствие чего, вероятность возникновения ДТП значительно возрастает.
Для водителя важно, чтобы его внимание было сосредоточено исключительно на те объекты и явления, правильная оценка которых определяет безопасность движения. Поэтому исследование влияния информационной нагрузки на параметры основной деятельности водителей является актуальным.
Ключевые слова: функциональное состояние водителя, информация, время задержки выполнения операций, безопасность дорожного движения, ритмы электроэнцефалограммы, водитель, перевозка опасных грузов.
WAYS OF MEASURING INFLUENCE RATE OF INFORMATION FLOW UPON THE LENGTH OF DRIVERS' ACTION RESPONSE DELAYS
Englezi I., Ph.D., associate professor, rector of the Educational Establishment HPE «Donetsk academy of transport»
This paper deals with ways of ectroentcephalogram-based measurement of the information flow influence rate upon the length of drivers ' action response delays, through signs that characterize stimulating and decelerating processes occurring within the brain cortex layer.
Nowadays, people face a problem of choosing and processing the information they receive in their life. Their everyday activity as part of the "man-vehicle-environment" system belongs to that problem, too.
Getting exposed to excessive information flow causes getting people tired. That results in development of concentration loss and is likely to be a cause for the majority of road accidents.
While driving, a main source of information for the driver is the immediate traffic environment. Nevertheless, There are a lot of additional sources of information (e.g. mobile telephone calls, radio programmes, roadside advertisement signs, and the like) that may draw the driver's attention to get his concentration on the traffic conditions diminished.
A very important thing for the driver is to maintain his concentration on the traffic-related objects on which safely of driving depends. Therefore, it is very important to survey information flow influence upon the driver's professional actions.
Keywords: driver's professional health condition, information, driving action response delay length, driving procedures performance, traffic safety, ectroentcephalogram-rhythms, driver, dangerous goods transportation.
Для достижения поставленной цели были проведены экспериментальные исследования в лабораторных условиях. Для исследований был применен современный сертифицированный комплекс «НЕЙРОКОМ» с соответствующим программным обеспечением, который позволяет регистрировать, хранить, обрабатывать, анализировать и интерпретировать электроэнцефалограммы и полученные потенциалы.
Отбор водителей - участников эксперимента, проходил с учётом их профессиональной и психологической подготовки [4, 7, 10, 11, 12, 13].
Всех водителей - участников эксперимента разделили на две группы: в первую- с опытом работы от 3 до 10 лет, во вторую -имеющих опыт перевозкиопасных грузов, и, соответственно, прошедших все этапы обучения и сертификации [11]. Это позволило в
Удельный вес гамш-рггсма.'
Рисунок 1. Графики зависимости времени задержки выполнения операций от удельного веса бета- и гамма-ритмов для I и II групп водителей
3.5 3
22,5
I 2
П
11.5
i 1
со
0,5 О
♦ , ♦ ♦♦
♦ ♦ ♦ ♦ ♦
♦♦♦♦ **
15 25 35
Удельный вес дельта-ритма, ° о
.!-5 1
0.5 О
♦ ♦ / ♦ 1 t * ♦
tx
15 25 35
Удельныйкс делыа-рнтма.
3,5
3
2 2,5
a. 2
1 1
5
Я
аз
0,5
0
•
► ♦
♦ ♦ ♦ • • •
♦♦♦ ♦ ♦ *
V
5 10 15 20
Удельный вес тета-рнтма.0 о
2,5
Ш 1.5
S I
I
%5
♦ ♦
♦ * ** * ♦♦ ♦ * \
* ♦♦
•и
20
в 5 10 15
Удельиыйкес тета-рнтма, "о
Рисунок 2 .1 рафики зависимости времени задержки выполнения операций от удельного веса дельта- и тэта-ритмов для I и II групп водителей
3
2 2.5
Си 2
3
1,5
5
•и
ой
0,5
0
V * У--0.135Х+ 4,1051
♦ *
♦
♦ \*t\\ ♦
10 15 20
Удельный вес гамма-ритма. %
I,,
Б
з
9 1
5, си
0.5 0
♦ у - -0,0S54x+ 2.9849
♦ *
* ♦
* ф* *
10 15 20 25
Удельный вес гамма-ртьи. *..
Рисунок 3. Линейная аппроксимация зависимости времени задержки выполнения операций от удельного веса бета- и гамма-ритмов для
I и II групп водителей
последующем выявить влияние различных факторов на результаты деятельности водителей при разных уровнях подготовки.
Перед исследуемым ставилась задача сосредоточенно выполнять тест «Корректурная проба», который был для него основной функцией и главным источником информации [8, 14]. Параллельно с этим исследуемый получал несвязанную с основной функцией информацию из другого источника. Дополнительное задание требовало правильных ответов, содержащих устный математический расчёт из двух действий.
Во время эксперимента проводилось видеонаблюдение и регистрация электроэнцефалограммы. Для анализа ЭЭГ в каждой пробе выбирались участки,свободные от артефактови соответствующие времени задержки выполнения основного задания (исследуемый приостанавливал выполнение основного задания, отвлекаясь на поставленные ему вопросы), которое определялось с помощью видеозаписи.
В соответствии с программным обеспечением комплекса «НЕЙ-РОКОМ» было выполнено исследование ЭЭГ, которое состоит из колебаний разной частоты и амплитуды. По устойчивости колебаний той или иной частоты в ЭЭГ было выделено 4 основных частотных
диапазона: бета-, гамма-, дельта- и тэта-ритмы. За возбуждающие процессы в коре головного мозга отвечают бета- и гамма-ритмы ЭЭГ, а за тормозящие - дельта- и тэта-ритмы. Таким образом, в результате лабораторных исследований получен массив данных, который позволяет исследовать характеристики каждого из ритмов и провести анализ их влияния на время задержки выполнения операций водителями.
Используя результаты лабораторных исследований, построены графики зависимости времени задержки выполнения операций от удельного веса бета-, гамма-, дельта- и тэта-ритмов для I и II групп водителей (Рисунки 1, 2).
Для нахождения регрессионных моделей использован программный продукт MS Excel [15, 16, 17, 18]. Основными моделями, которые получены в результате анализа, являются: линейная, степенная, экспоненциальная, логарифмическая и полиномиальная модель второй степени.
При определении коэффициентов модели в программе MS Excel использован метод наименьших квадратов. Результатом являются построенные линии регрессии для линейных моделей зависимости вре-
Рисунок 4. Линейная аппроксимация зависимости времени задержки выполнения операций от удельного веса дельта- и тэта-ритмов для
I и II групп водителей
мени задержки выполнения операций от удельного веса бета-, гамма-, дельта- и тэта-ритмов для I и II групп водителей(Рисунки3, 4).
Таким образом, получены зависимости времени задержки выполнения операций от удельного веса бета-, гамма-, дельта- и тэта-ритмов для I и II групп водителей для линейной, степенной, экспоненциальной, логарифмической и полиномиальнойвторой степени моделей. Оценка адекватности полученных моделей выпол-
нена посредней ошибке аппроксимации [19]. Расчёты проводились в табличной форме. Результатыприведены втаблицах 1, 2.
Все модели, кроме линейной (бета-ритмы) и степенной (гамма-ритмы) для I группы водителей, имеют адекватные значения средней ошибки аппроксимации и могут применяться в практической деятельности.
Все модели, кроме логарифмической (дельта-ритмы)и модели
Таблица 1. Модели зависимости времени задержки выполнения операций от удельного веса бета- и гамма-ритмов для I и II групп водителей и оценка их адекватности
Название модели Вид модели Накопленная сумма отклонений, » У " 3< ых С Средняя ошибка аппроксимации, £%
Бета-ритм
линейная 1[ =-0,064- р + 4,0002 7,11 17,18
I1; = - 0,0401 • /3 + 2,9072 4,87 12,16
степенная = 660,27 • /Г1'699 4,88 12,2
^ =100,32 -/Г1,2 3,89 9,73
экспоненциальная = 7,6642 • е-0'044 5,18 12,95
^ =4,2487 -е"0'031^ 4,15 10,38
логарифмическая = -2,51 \-Ьп{Р) +10,635 5,95 14,87
^ = -1,591-Ь«(Д) + 7,1216 4,22 10,55
полиномиальная втооой степени = 0,002 • р2 - 0,2255 • р + 7,0559 5,18 12,96
= 0,0011 • р2 - 0,1329 • р + 4,679 4,78 11,95
Гамма-питм
линейная = -0,135-^ + 4,1051 5,06 12,65
^ = - 0,0854 • у + 2,9849 3,13 7,84
степенная < = 80,732 • у~1'423 6,33 15,83
^=25,759 -Г*'029 4Д 10,25
экспоненциальная = 7,4077 • е"°'088'г 5,29 13,23
^ = 4,2642 • е~°'063г 3,42 8,56
логарифмическая = -2,2351-Ьп(/) + 8,0328 5,34 13,36
^ =-1,427+5,5097 3,61 9,03
полиномиальная второй степени г\ = 0,00008 • у2 - 0,1323 • у + 4,0829 5,07 12,66
^ = 0,0002 • у2 - 0,0766 • у + 2,9122 3,3 8,25
Название модели Вид модели Накопленная сумма отклонений, » t AI -1ф У^ 131 ' si Средняя ошибка аппроксимации, £ %
Zj ,ф /= 1 13i
Дельта-ритм
линейная t!s =0,0669 • 8 - 0,1078 5,8 14,5
t" = 0,0437 • 8 + 0,2938 3,54 8,85
степенная ti = 0,0661 -80'9757 5,46 13,65
tf =0,1373 -¿>0'7193 3,62 9,05
экспоненциальная t'3 = 0,4574 -e0'0454'* 4,47 11,18
ti1 =0,5804 -e0'0329"5 3,26 8,15
логарифмическая ti -1,3885 • \,n{8) - 2,8085 7,97 19,92
ti1 =0,9281 1,5375 4,68 11,7
полиномиальная второй степени ti = 0,001 • S2 + 0,0182 • 8 + 0,4125 4,76 11,89
ti1 = 0,0003 • 82 + 0,0283 • + 0,4586 3,33 8,32
Тэта-ритм
линейная ti =0,1262-6»+ 0,0773 6,75 16,86
ti1 = 0,0793 • в + 0,4477 4,97 12,43
степенная t[= 0,1864-00'8548 6,66 16,65
ti1 =0,3115- в0'6063 5,06 12,64
экспоненциальная t'3 = 0,5324-eow 6,25 15,62
tf = 0,6594-e0'05860 4,89 12,24
логарифмическая tl3 = 1,2489 -\м{в)-1,408 8,85 22,14
t1; = 0,7971 • b<6>) - 0,5145 5,78 14,25
полиномиальная второй степени t'3 = 0,0023 • в2 + 0,071 • в + 0,3601 6,54 16,35
t1! = 0,0004 • в2 + 0,0685 • в + 0,5031 4,94 12,34
Вид модели
Накопленная
сумма отклонений,
» tM -
Средняя ошибка аппроксимации, £
логарифмическая
полиномиальная второй степени
Дельта-ритм
ti =0,0669 • 8 - 0,1078
t" = 0,0437 • 8 + 0,2938
t{ = 0,0661
•0,9757
t" = 0,1373 • 8
•0,7193
ti = 0,4574 -e0'0454-*
t" = 0,5804 • e
0,0329 S
ti = 1,3885 • Ln(8) - 2,8085
t" =0,9281 -\,n(8)-1,5375
t{ = 0,001 • 82 + 0,0182 • 8 + 0,4125
tf = 0,0003 • 82 + 0,0283 • 8 + 0,4586
5,8
3,54
5,46
3,62
4,47
3,26
7,97
4,<
4,76
3,33
14,5
8,85
13,65
9,05
11,18
8,15
19,92
11,7
11,89
8,32
линейная
степенная
экспоненциальная
логарифмическая
полиномиальная второй степени
Тэта-ритм
t[ =0,1262-6»+ 0,0773
ti' = 0,0793 • в + 0,4477
ti = 0,1864 • 6>(
t1! =0,3115
10,6063
ti = 0,5324-е
0,0834-0
tu = 0,6594 • е
0.0586-0
ti = 1,2489 -Ln(0)~1,408
t1! =0,7971 -Lh(0)- 0,5145
¿f = 0,0023 • 6>2 + 0,071 • в + 0,3601
t" = 0,0004 • в2 + 0,0685 • в + 0,5031
6,75
4,97
6,66
5,06
6,25
4,1
8,85
5,78
6,54
4,94
16,86
12,43
16,65
12,64
15,62
12,24
22,14
14,25
16,35
12,34
(тэта-ритмы) для I группы водителей, имеют адекватные значения средней ошибки аппроксимации и могут применяться в практической деятельности.
Выводы:
Таким образом, используя результаты лабораторных исследований, установлены закономерности влияния бета-, гамма-, дельта-, тэта-ритмов на время задержки выполнения операций
В результате исследования определено, что увеличение удельного веса бета- и гамма-ритмов ЭЭГ приводит к уменьшению времени задержки выполнения операций водителями, а увеличение удельного веса дельта- и тэта-ритмов ЭЭГ - к увеличению времени задержки выполнения операций водителями. При этом наблюдается нелинейное влияние рассмотренных ритмов на время задержки выполнения операций водителями.
Литература:
1. Систематолопя на транспорта Шдручник: У 5 кн./ за заг. ред. М.Ф. Дмитриченка. - К.: Знання Украши, 2008 - Кн. V: Ергономша/ Е.В. Гаврилов, М.Ф. Дмитриченко, В.К. Доля та ш. - 256 с.
2. Verwey W.B. How can we prevent overload of the driver? // Driving future vehicles, eds. A.M. Parkes & S. Franzen. London: Taylor & Francis. 1993. pp 235-244.
3. Pauziе A., Pachiaudi G. Subjective evaluation of the mental workload in the driving context // Traffic & Transport Psychology: Theory and Application, eds. T. Rothengatter & E. Carbonell Vaya. Pergamon, 1997. pp.173-182.
4. De Waard D. The measurement of drivers' mental workload. // Ph.D. Thesis. University of Groningen, Traffic Research Centre. Haren. The Netherlands. 1996.
5. Бабков В. Ф. Дорожные условия и безопасность движения// Учебник для вузов. - М.: Транспорт, 1993 - 271 с.
6. Симонов П. В. Избранные труды в 2 томах. Том 1. Мозг: эмоции, потребности, поведение// М: Наука, 2004 -440 с.
7. Piechulla W., Mayser C., Gehrke H., & Konig W. Reducing drivers' mental workload by means of an adaptive man-machine interface.//
Transportation Research, Part F, vol. 6.4. 2003. pp. 233-248.
8. Лобанов Е.М. Проектирование дорог и организация движения с учетом психофизиологии водителя// М.: Транспорт, 1980 - 311 с.
9. Бегма И.В., Гаврилов Э.В., Калужский Я.А. Учет психофизиологии водителей при проектировании автомобильных дорог// М.: Транспорт, 1976 - 88с.
10. Руководство пользователя электроэнцефалографическим комплексом НЕЙРОКОМ.
11. Европейское соглашение о международной дорожной перевозке опасных грузов. Организация Объединенных Наций, Нью-Йорк и Женева, 2015 год (документ ECE/TRANS/185).
12. Гапонова С.А. Комплексная оценка психофизиологической профессиональной пригодности водителей автомобилей, дисс. к.п.н. Горький 1983. 166 с.
13. Данилова H.H. Функциональные состояния: механизмы и диагностика. М.: Изд-во МГУ, 1985. -287 с.
14. Данилова H.H. Психофизиологическая диагностика функциональных состояний: Учеб. Пособие. М.: Изд-во МГУ, 1992. - 192 с.
15. Бююль, А. SPSS: Искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей / А. Бююль, П. Цёфель — СПб. : ООО «ДиаСофтЮП», 2002. — 603 с.
16. Львов, В.М. Математические методы обработки экспериментальных исследований в эргономике, инженерной психологии и психологии труда: учеб. пособие для ВУЗов / В.М. Львов. — Тверь: Триада, 2004. — 83 с.
17. Львовский, Е.И. Статистические методы построения эмпирических формул: учеб. пособие для ВУЗов / Е.И. Львовский - М. : Высшая школа, 1988. - 239 с.
18. Шуметов, В.Г. «Факторный анализ: подход с применением ЭВМ» / В.Г. Шуметов, Л.В. Шуметова - ОрелГТУ, Орел, 1999. — 88 с.
19. Геронимус, Б.Л. Экономико-математические методы в планировании на автомобильном транспорте / Б.Л. Геронимус - М. : Транспорт, 1982. - 192 с.
