随着航空技术的进步, 现代飞机系统也在不断地更新与发展, 并逐渐趋于机械化以及智能化, 使任务集中在少数几个人身上。虽然某种程度上减少了体力劳动, 但飞行员的生理和心理承受的负荷越来越大, 再加上夜航、跨时区飞行, 导致飞行员生物钟紊乱, 睡眠缺乏, 因而引发严重的脑力疲劳^[1]。脑力疲劳会导致人的作业机能衰退, 主要症状为头脑昏沉, 注意力不集中, 思考困难, 健忘, 工作绩效下降且易出差错, 因而会导致严重的飞行故障^[2-3]。在这样的背景下, 如何评价和预测脑力疲劳已成为航空医学中的重要研究课题之一。
目前, 关于脑力疲劳的评定方法有主观评定法和客观评定法。主观评定法主要通过问卷调查的形式进行, 这种评定方式可提供脑力疲劳的多种信息, 如脑力疲劳是否产生, 产生时间、产生的原因以及疲劳程度, 常用的有Piper疲乏量表、Epworth嗜睡量表和Stanford疲乏量表等^[4-5]。但主观评定法具有评分主观、评分标准不统一及受个体差异影响严重等缺点, 不能准确地对人的脑力疲劳情况进行客观反映, 因此在实际的脑力疲劳评定工作中仅用主观评定法是不够的, 还需要有客观评定法予以支持。客观评定法包括心理学、行为学指标评定法, 如通过心理运动测验取得人的知觉、认知解释和运动反应等, 前提是假设作业绩效降低是疲劳的标志。其次还包括生理学指标评定法, 主要是一些电生理指标, 如脑电(Electroencephalogram, EEG)、眼电(Electrooculogram, EOG)、肌电(Electromyogram, EMG)以及心电(Electrocardiogram, ECG)等^[6]。在这些生理参数中, 由于EEG直接反应大脑活动, 因而被认为是最可靠有效的指标之一, 广泛应用于脑力疲劳研究中。一般, 通过分析入睡过程或者长时间脑力作业过程中的EEG变化来评价疲劳和困倦状态^[7-8]。
关于疲劳引起EEG变化的研究很多, 一般认为从正常状态向疲劳状态转变的过程中, 慢波增加(δ, θ), 快波降低(α, β)^[9-12]。有研究直接将EEG各节律波的比值(α+θ)/β、α/β、(α+θ)/(α+β)和θ/β作为脑力疲劳的检测指标^[13-14]。但是由于不同研究中实验任务设计不同, 导致这些指标在疲劳状态时表现出来的特性也会有一些差异, 目前还未达成一致的共识。
在飞机飞行过程中, 飞行员的一个重要任务就是需要通过监视仪表盘来获取各种参数信息, 从而实施对系统的操纵和控制。脑力疲劳又是一种涉及生理、精神和行为的复杂过程^[12], 它的评定不能依据单一指标进行, 而应在整合多学科对脑力疲劳研究的成果基础上, 从多角度出发, 并且通过主观和客观评定相结合的方法对脑力疲劳进行定性定量研究。本文通过设计2级不同难度的视觉监控任务来分别诱发疲劳, 并将多种方法相结合, 其中, 主观问卷和反应时间/正确率法作为辅助评定方法用来检验疲劳是否诱发产生并验证EEG评定的可靠性, 并采用小波包分析EEG信号, 通过对被试在执行每种难度任务前后EEG信号各节律(δ, θ, α, β)相对能量以及比值参数(α+θ)/β, α/β, (α+θ)/(α+β)和θ/β进行分析, 从而探讨在视觉监控任务中利用EEG特性客观评估脑力疲劳的可行性, 以及任务难度对这些EEG参数的影响。
1 研究方法 1.1 被试 北京航空航天大学研究生, 共10人, 年龄23～30岁, 经临床检查无中枢神经系统疾病, 临床EEG图检查均正常, 视力正常或矫正在1.0以上, 都具有规律的休息习惯, 要求在实验前将头发洗干净、饱餐, 保证正常睡眠时间, 禁止实验前24小时饮酒、喝茶或者咖啡以及吃药物。所有被试自愿参加实验, 并填写书面知情同意书, 实验结束后均向其支付一定的酬劳。本实验符合相关伦理学的规定和准则, 并且取得了北京航空航天大学生物医学与工程学院相关负责部门的同意与认可。
1.2 监控作业设计 在VC平台上编制程序“视觉监控实验软件”, 其主要是模拟仪表盘来进行设计, 界面被分为n×n个小区域, 每个小区域上分布一个刺激。实验通过设定n值来控制任务难度, 本实验选取的2级难度的任务分别为n=2与n=3, 并且都在人的正常认知范围内。图 1(a)与图 1(b)分别为对应的低难度和高难度任务界面, 其中, 表示靶子刺激, 为干扰刺激。画面重复切换, 间隔时间都固定为3 s, 且每切换一幅画面, 刺激重新随机分布, 每幅画面中可能“有靶子”, 也可能“没有靶子”, 有靶子的概率是50%。实验开始后, 需被试观察每幅画面中是否有靶子刺激:①若发现靶子, 则迅速按下鼠标左键。②若通过搜索之后确定没有靶子则按鼠标右键。实验程序会自动记录每次操作的正确性和反应时间。

图 1 视觉监控任务界面 Fig. 1 Visual detection task interfaces

图选项

1.3 实验步骤 实验安排在一间隔音效果良好的电磁屏蔽室里, 根据生物钟时间表以及主观问卷调查初步确立实验时间为上午10:00-11:00和下午3:00-4:00, 10名被试均参与高、低任务难度下的视觉监控任务, 每级任务持续时间为60 min。为获得被试在实验过程中的操作绩效及主观疲劳感, 每级任务过程被分为12个5 min任务片段, 如图 2所示, 被试每完成5 min任务, 软件自动记录这期间的平均反应时间和正确率, 同时要求被试参照疲劳量表(见表 1)以书面的形式给出此刻的疲劳分值, 然后迅速进入下一个5 min任务。同时记录整个实验过程的EEG信号。

图 2 实验过程设计 Fig. 2 Experiment process design

图选项

表 1 疲劳量表 Table 1 Subjective fatigue scale

疲劳等级	症状描述	打分
警觉	注意集中, 高度兴奋	0
清醒	清醒, 没有明显感觉	1~2
轻度疲劳	轻微眼乏, 眼涩	3~4
中度疲劳	中度眼乏, 眼涩, 刺痛, 眩晕, 并伴有轻度的头痛与恶心	5~7
严重疲劳	严重眼乏, 眩晕, 头痛厉害, 恶心呕吐	8~10

表选项






1.4 信号采集及处理 采用国际脑电图学会标定的10~20电极导联定位标准, 并使用Neuroscan64导脑电仪采集EEG信号。取前额区FP(Fp1, Fp2)、侧额区IF (F7, F8)、额区F(F3, F4, Fz)、颞区T(T7, T8)、中央区C(C3, C4, Cz)、后颞区PT(P7, P8)、顶区P(P3, P4)和枕区O(O1, O2, Oz)放置头皮电极, 以乳突电极M1和M2为参考电极, 垂直EOG信号同时被采集。控制头皮阻抗小于5 kΩ, EEG波采集率500 Hz, AC采集。
原始EEG信号非常微弱, 一般在几十微伏量级, 并且在检测过程中不可避免地混入一些干扰成分, 包括ECG、EOG和EMG等非神经活动的生理信号伪迹, 以及其他仪器设备电磁干扰, 如工频干扰、电极接触不良以及身体移动等原因产生的各种伪差。在本文的研究中, 幅度在50~70μV的波段视为伪迹并直接去除^[15-17]；采用独立分量分析(Independent Component Analysis, ICA)法去除眨眼、眼动等导致的伪迹；身体移动产生的噪声较明显, 故直接手动去除。最后, EEG经0.5~40 Hz无相移带通数字滤波器滤波。
由于EEG波是时变非平稳信号, 选择一种合适的方法来更好地获取反映大脑活动和状态的有效信息是进行EEG分析的一个重要前提。近年来, 小波变换不断发展, 相比传统的傅里叶变换, 其具有良好的局部化特性, 非常适于分析非平稳信号的瞬态特性和时变特性。本文利用离散小波包变换检测各EEG节律δ(0.5~4 Hz)、θ(4~8 Hz)、α(8~16 Hz)和β(16~32 Hz), 考虑到每个节律的频率范围, 采用Daubechies (dB4)小波函数对EEG信号进行6层分解, 分为64个频率成分, 最小的频率分辨率用式(1)估计:

(1)

式中:f_s为采集频率, 这里为500 Hz。
重排后小波包系数依次与各节律EEG波(δ, θ, α, β)的对应关系如图 3所示。重建小波分解系数并分别提取4个EEG节律信号。各频段波的能量E_j通过式(2)得到:

图 3 小波包的空间分解 Fig. 3 Spatial decomposition of wavelet packet

图选项

(2)

式中:j为不同节律的EEG波；C_j为每频段波对应的小波系数；L为一个频段波中分解系数的数目。
各频段波的相对能量R_Ej表示为

(3)

比值参数(α+θ)/β、α/β、(α+θ)/(α+θ)以及θ/β都可以根据式(2)和式(3)计算得到。
2 结果 2.1 主观分析 以被试A为例, 发现其主观脑疲劳分值随着时间的推移逐渐上升, 如图 4所示。结果说明, 随着监控任务的持续, 被试A的疲劳程度不断加深。

图 4 被试A主观疲劳量化分值 Fig. 4 Subjective fatigue evaluation scale scores of subject A

图选项

从图 4中还可以看出, 相比高难度的任务2, 任务1更容易导致人疲劳；并且大多数被试(7∶3)存在相同的变化趋势, 他们普遍认为在任务1持续到25 min左右, 而任务2到30 min左右时, 开始感觉较难集中注意力, 到任务结束时都会伴随心慌、易怒和恶心想吐等症状, 由此可推断持续了60 min的2级难度任务都已成功诱发了脑力疲劳。
2.2 行为数据分析 高、低任务难度下被试执行监控任务的操作正确率和反应时间随时间变化的曲线如图 5所示。单因素重复测量方差分析表明:低难度任务状态下(任务1), 被试对刺激信息反应时间显著延长(df=11, F=11.413, P=0), 并随时间呈线性增长趋势(拟合系数R²=0.88), df为自由度, F为F检验的结果, P为F分布的概率, 一般P≤0.05表示差异显著；操作正确率降低, 但未达到显著水平。高难度任务状态下(任务2), 被试对刺激信息反应时间显著延长(df=11, F=3.101, P=0.046), 并随时间呈线性增长趋势(R²=0.69)；操作正确率降低, 也未达到显著水平。说明随着任务的持续, 被试疲劳的加深, 导致工作绩效下降。

图 5 行为数据随时间变化曲线 Fig. 5 Curves of changes over time in behavior data

图选项

2.3 EEG分析 为了获取疲劳前后各EEG参数的变化特性, 选取每级任务前5 min和后5 min的EEG数据进行比较分析。分别对2级任务中8个EEG参数(δ、θ、α、β、(α+θ)/β、α/β、(α+θ)/(α+β)和θ/β)在各脑区(FP、IF、F、C、T、PT、P和O)进行配对T检验分析, 结果如表 2和表 3所示。选O区并作出疲劳前后各EEG参数对比柱状图(见图 6)。

图 6 O区疲劳前后各EEG参数对比(*P < 0.05, **P < 0.001) Fig. 6 Comparison of EEG parameters in occipital O between before and after fatigue (*P < 0.05, ** P < 0.001)

图选项

表 2 任务1疲劳前后各EEG参数在各脑区的配对T检验结果 Table 2 Paired T-test results of EEG parameters of task 1 before and after fatigue in all brain regions

参数	FP	IF	F	T	C	PT	P	O
δ
θ								0.045
α			0.001		0.001		0.001	< 0.001
β	< 0.001	0.002			0.047	0.001	0.002	< 0.001
(α+θ)/β	< 0.001	< 0.001	< 0.001		< 0.001	< 0.001	< 0.001	< 0.001
α/β	< 0.001	< 0.001	< 0.001	0.018	< 0.001	< 0.001	< 0.001	< 0.001
(α+θ)/(α+β)	< 0.001	< 0.001	< 0.001		< 0.001	< 0.001	< 0.001	< 0.001
θ/β	< 0.001	< 0.001	0.001		0.001	< 0.001	< 0.001	< 0.001

表选项






表 3 任务2疲劳前后各EEG参数在各脑区的配对T检验结果 Table 3 Paired T-test results of EEG parameters of task 2 before and after fatigue in all brain regions

参数	FP	IF	F	T	C	PT	P	O
δ
θ
α			0.001		< 0.001	< 0.001	< 0.001	< 0.001
β	0.030	0.048				0.040		0.049
(α+θ)/β	< 0.001	< 0.001	< 0.001		< 0.001	< 0.001	< 0.001	< 0.001
α/β	< 0.001	< 0.001	< 0.001	0.045	< 0.001	< 0.001	< 0.001	< 0.001
(α+θ)/(α+β)	< 0.001	< 0.001	< 0.001		< 0.001	< 0.001	< 0.001	< 0.001
θ/β	< 0.001	0.011	< 0.001		< 0.001	< 0.001	< 0.001	< 0.001

表选项






综合表 2、表 3和图 6可以看出, 疲劳前后EEG参数在2种不同任务难度条件下的变化规律基本是一致的, 即从正常状态到疲劳阶段, F、C、P和O区的α波相对能量显著增加(P < 0.05)；FP、IF、PT和O区β波相对能量显著降低(P < 0.05)；δ和θ波疲劳前后变化表现的较为微弱, 没有达到显著性差异(P>0.05);4个比例参数(α+θ)/β、α/β、(α+θ)/(α+β)和θ/β在除T区外的各脑区都显著增大(P < 0.05), 在T区只有参数θ/β显著增大。
进一步比较2种任务难度下各EEG参数疲劳前后的变化程度, 同样选取O区, 通过式(4)计算每个参数疲劳前后的相对变化量:

(4)

式中:y₁、y₂分别为任务前5 min、后5 min对应的参数值。
分别对8个指标在2级难度任务中的δ值进行独立样本T检验, 结果表明:疲劳前后, δ(t=-1.656, df=39, P=0.106), θ(t=-0.605, df=57, P=0.548), α(t=-0.770, df=57, P=0.445), β(t=-0.818, df=43, P=0.417)波的能量变化以及(α+θ)/β(t=-1.906, df=58, P=0.062), α/β(t=-0.024, df=58, P=0.981), θ/β(t=-1.916, df=40, P=0.062)的能量变化在2种难度的任务中表现均无显著性差异; 而(α+θ)/(α+β)(t=-2.692, df=58, P=0.009)在2种难度的任务中表现有显著性差异。图 7为不同任务难度级别状态下EEG参数疲劳前后变化对比。可以看出, 在较低难度的任务1中, 疲劳后EEG参数的变化相比任务2中较为明显, 从某种程度上可反映出任务1较易使人产生疲劳, 这与主观评价的结果是相吻合的。而通过独立T检验得到大部分指标未达到显著性差异可能是由2级任务的难度级别差距太小而导致的。从图 7中还可看出, 在δ、θ、α和β 4个节律的波中, α波在疲劳后的变化程度最大。

图 7 不同任务难度级别状态下EEG参数疲劳前后变化对比 Fig. 7 Comparison of EEG parameters with different task complexity between before and after fatigue

图选项

以被试B为例, 图 8显示了被试B在任务1前后EEG功率密度。对比可知, 在任务后5 min, EEG功率在8 Hz和12 Hz左右明显增大, 正好在α波频率范围内, 验证了图 7的结果, 即α波变化最明显, 能敏锐地反映脑力疲劳的变化。

图 8 被试B的EEG功率密度 Fig. 8 EEG Power spectral density of subject B

图选项

3 讨论 脑力疲劳从表象上解释, 主要是指心理学、行为学涉及的注意力不集中、反应迟缓和工作能力降低, 主观疲劳感增加。本文设计了2种不同难度级别的视觉监控任务来诱发疲劳, 使被试在执行过程中视觉器官和中枢神经处于高度紧张状态而导致疲劳。通过主观调查问卷获取被试对自身疲劳程度的评价, 根据得分情况定性地推断随着时间的推移, 被试脑力疲劳逐渐产生并不断加深。被试在执行任务过程中的行为绩效数据也表明随着任务的持续, 工作绩效降低。从主客观2个方面验证了脑力疲劳的产生。
关于脑力疲劳的EEG特性的研究, 本文采用能量谱估计分析了不同频段波的变化规律, 发现α波在额区、中央区、顶区和枕区活动增强, 而β波在前额区、侧额区、后颞区以及枕区活动减弱, 与以往的研究基本保持一致。Belyavin和Wright^[18]在其研究中指出, β波活动会在警觉度降低的情况下明显减弱。Torsvall和Akerstedt^[19]认为α波能灵敏地反映脑力疲劳的变化。同时, Lal等^[9]认为δ波和θ波在疲劳期间活动会明显增强, 但本文中δ波和θ波没有发生显著差异, 只有轻微的增长趋势, 分析原因可能是由于监控任务诱发产生的疲劳较微弱, 不足以引起δ波和θ波发生较明显的波动。而当诱发产生的疲劳不足以引起各频率成分发生明显变化时, 选择合理的比例特征参数能更好区分疲劳等级。本文选取反映EEG快波与慢波之间比例关系的特征参数(α+θ)/β、α/β、(α+θ)/(α+β)和θ/β作为评价指标进行研究, 结果表明这些参数在除颞区的整个头皮区域都有显著的增加。Eoh等^[20]在其研究中得到了类似的结果, 即(α+θ)/β和α/β随着疲劳的增加逐渐增大。由于δ波和θ波处于一个轻微的上升趋势, 因而(α+θ)/(α+β)和θ/β均处于上升状态。这些EEG特征参数在颞区表现迟钝, 可能是由于颞区的功能与视觉认知无关所致。
脑力负荷与任务难度之间是一种正比例的关系^[21], 本文选定的2级不同难度的视觉监控任务都在人的正常脑力负荷承载范围内。相对难度较高的任务2, EEG参数在任务1中变化更加明显, 这是因为任务1更简单、单调和无挑战性, 长时间的重复操作更容易使被试感到疲劳、乏味和厌倦, 很难集中精力来完成实验。因此, 适当地增加任务难度在某种程度上可以对抗疲劳的产生。
4 结论 本文在小波变换的基础上分析了疲劳时各EEG特征参数变化情况, 同时将视觉监控任务的反应时间和主观问卷作为疲劳产生及程度的界定指标, 结果表明:
1) 除δ波和θ波相对能量参数, 其余特征参数都被证实可以作为衡量脑力疲劳的指标。
2) 任务难度太低, 长时间的简单重复操作更易产生乏味和厌倦心理, 从而引发脑力疲劳。因此, 在飞机座舱人机界面设计时, 针对飞行员适当增加任务难度可以在某种程度上对抗脑力疲劳的产生。
本文只是脑力疲劳的初步研究, 更深入全面的研究有待于进一步展开:
1) 在任务难度等级划分上, 本文只选择了2个难度等级的任务, 而且低难度任务选取得过于简单, 因而具有一定的局限性, 后期将考虑设定更多的难度等级, 以便更加深入地探索难度等级对脑力疲劳的影响规律。
2) 被试数量太少, 个体差异很容易影响到最后结果。
3) 由于EEG信号处理和分析的工作量较大, 只选取了任务开始5 min和任结务束5 min进行研究, 中间过程未进行研究。
4)除了主观评价和时间反应法, 其他测量方法(例如EOG、EMG和ECG等)都可以与EEG结合来对脑疲劳程度进行综合分析。
在后续的脑力疲劳研究中, 将综合考虑这些因素, 以期得到更加全面准确的结论。

参考文献

[1]	张佳丽, 李靖, 蒙果, 等. 飞行员在模拟飞行训练中脑力疲劳的脑电图研究[J].中国应用生理学杂志, 2013, 29(3): 267–270.ZHANG J L, LI J, MENG G, et al. Study on fatigue of pilots during simulated flight training based on electroencephalogram[J].Chinese Journal of Applied Physiology, 2013, 29(3): 267–270.(in Chinese)
[2]	HOPSTAKEN J F, LINDEN D, BAKKER A B, et al. Amultifaceted investigation of the link between mental fatigue and task disengagement[J].Psychophysiology, 2015, 52(3): 305–315.DOI:10.1111/psyp.12339
[3]	MURATA A, UETAKE A, TAKASAWA Y. Evaluation of mental fatigue using feature parameter extracted from event-related potential[J].International Journal of Industrial Ergonomics, 2005, 35(8): 761–770.DOI:10.1016/j.ergon.2004.12.003
[4]	LI H, SEO J, KHAM K, et al.Method of measuring subjective 3D visual fatigue:A five-factor model[C]//Digital Holography and Three-Dimensional Imaging.[S.l.:s.n.], 2008:44-50.https://www.osapublishing.org/abstract.cfm?uri=DH-2008-DWA5
[5]	HODDES E, ZARCONE V, SMYTHE H, et al. Quantification of sleepiness:A new approach[J].Psychophysiology, 1973, 10(4): 431–436.DOI:10.1111/psyp.1973.10.issue-4
[6]	KAR S, BHAGAT M, ROUTRAY A. EEG signal analysis for the assessment and quantification of driver's fatigue[J].Transportation Research Part F:Traffic Psychology and Behavior, 2010, 13(5): 297–306.DOI:10.1016/j.trf.2010.06.006
[7]	SCHMIDT E A, SCHRAUF M, SIMON M, et al. Drivers' misjudgment of vigilance state during prolonged monotonous daytime driving[J].Accident Analysis and Prevention, 2009, 41(5): 1087–1093.DOI:10.1016/j.aap.2009.06.007
[8]	HOWARD M E, JACKSON M L, BERLOWITZ D, et al. Specific sleepiness symptoms are indicators of performance impairment during sleep deprivation[J].Accident Analysis and Prevention, 2014, 62: 1–8.DOI:10.1016/j.aap.2013.09.003
[9]	LAL S, CRAG A, BOORD P, et al. Development of an algorithm for EEG-based drive fatigue countermeasure[J].Journal of Safety Research, 2003, 34(3): 321–328.DOI:10.1016/S0022-4375(03)00027-6
[10]	GALE A, DAVIES R, SMALLBONE A. EEG correlates of signal rate, time in task and individual differences in reaction time during a five-stage sustained attention task[J].Ergonomics, 1977, 20(4): 363–376.DOI:10.1080/00140137708931639
[11]	PHIPPS-NELSON J, REDMAN J, RAJARATNAM S. Temporal profile of prolonged, night-time driving performance:Breaks from driving temporarily reduce time-on-task fatigue but not sleepiness[J].Journal of Sleep Research, 2011, 20(3): 404–415.DOI:10.1111/jsr.2011.20.issue-3
[12]	ZHAO C, ZHAO M, LIU J, et al. Electroencephalogram and electrocardiograph assessment of mental fatigue in a driving simulator[J].Accident Analysis and Prevention, 2012, 45: 83–90.DOI:10.1016/j.aap.2011.11.019
[13]	DE WAARD D, BROOKHUIS K. Assessing driver status:A demonstration experiment on the road[J].Accident Analysis and Prevention, 1991, 23(4): 297–307.DOI:10.1016/0001-4575(91)90007-R
[14]	JAP B, LAL S, FISCHER P, et al. Using EEG spectral components to assess algorithms for detecting fatigue[J].Expert Systems with Applications, 2009, 36(2): 2352–2359.DOI:10.1016/j.eswa.2007.12.043
[15]	LAL S, CRAIG A. Driver fatigue:Electroencephalography and psychological assessment[J].Psychophysiology, 2002, 39(3): 313–321.DOI:10.1017/S0048577201393095
[16]	SCHIER M A. Changes in EEG alpha power during simulated driving:Ademonstration[J].International Journal of Psychophysiological, 2000, 37(2): 155–162.DOI:10.1016/S0167-8760(00)00079-9
[17]	WILSON G, SWAIN C, ULLSPERGER P. EEG power changes during a multiple level memory retention task[J].International Journal of Psychophysiology, 1999, 32(2): 107–118.DOI:10.1016/S0167-8760(99)00005-7
[18]	BELYAVIN A, WRIGHT N. Changes in electrical activity of the brain with vigilance[J].Electroencephalography and Clinical Neurophysiology, 1987, 66(2): 137–144.DOI:10.1016/0013-4694(87)90183-0
[19]	TORSVALL L, AKERSTEDT T. Sleepiness on the job:Continuously measured EEG changes in train drivers[J].Electroencephalography and Clinical Neurophysiology, 1987, 66(6): 502–511.DOI:10.1016/0013-4694(87)90096-4
[20]	EOH H, CHUNG M, KIM S. Electroencephalographic study of drowsiness in simulated driving with sleep deprivation[J].International Journal of Industrial Ergonomics, 2005, 35(4): 307–320.DOI:10.1016/j.ergon.2004.09.006
[21]	曾庆新, 庄达民, 马银香. 脑力负荷与目标辨认[J].航空学报, 2007, 28(Supl): 76–80.ZENG Q X, ZHUANG D M, MA Y X. Mental workload and target identification[J].Acta Aeronautic et Astronautica Sinica, 2007, 28(Supl): 76–80.(in Chinese)