**篇 神经人因工程概述
第1章 神经人因工程的产生与发展
1.1 神经人因工程的起源
人因学是一门主要利用工程学、心理学、环境学、人体测量学、生物力学、计算机科学等学科的科学原理和方法的交叉学科，致力于探索人-机-环境之间的关系，使系统、产品、信息系统或者服务等符合人的特点、能力和需求，从而使人高效、愉悦、健康、安全、舒适地工作、生活以及学习等（郭伏和钱省三，2018）。人因学在国内又称人机工程（human machine/computer interaction）、工效学或人类工效学（ergonomics）、人因工程（human factors engineering）等，它们的研究范畴相互重叠但又有所侧重，形成了很好的补充（许为和葛列众，2018）。国外更多地称这一学科为human factors and ergonomics（HFE），旨在设计和评估任务、工作、产品、环境和系统等以符合人的需求、能力以及局限等（Karwowski，2012）。
传统上，人们将人因学科的研究分为人体、认知和组织三个层面。人体层面因与身体活动有关，主要涉及人体解剖学、人体测量学、生理学和生物力学特征的研究；认知层面主要关注人与其他要素交互过程中的心理如感知、记忆、信息处理、推理等；组织层面则关注社会技术系统的优化，主要包括组织结构、政策、流程等（Karwowski，2012）。如今，人因学科在以上三个层面的基础上又延伸到了知识管理、神经认知、情感、信息和服务等学科，形成了神经人因工程、信息人因学、知识人因学等研究领域。
近年来，各国不断将脑计划上升为国家的科技战略重点或力推的核心科技领域，极大地促进了神经科学的发展与延伸。基于神经影像等生理测量技术，以Parasuraman和Rizzo（2006）为代表的科学家提出了神经人因工程的概念。神经人因工程的概念可以追溯到生物控制论或脑机接口（brain computer interface，BCI）的相关研究（Vidal，1973）。这两个领域的研究使用生理反应作为客观指标来评估人类的心理负荷和资源处理。其中Vidal（1973）的研究专注于识别大脑对外界刺激的信号反应，这为设计人脑与工作环境之间的沟通渠道提供了机会。他在研究中提到：“这些可观察到的脑电信号能否作为人机通信中的信息载体，或用于控制假肢装置或宇宙飞船等外部设备？即使仅根据计算机科学和神经生理学的现状，人们也可能认为这样的壮举即将到来。”
生物控制论和脑机接口的相关研究提供了证据，强化了这样一种假设，即客观指标可以从人类信号中提取出来，无论这些信号是大脑/认知功能的信号还是行为反应的信号，都可以被解释为可操作的知识。对这些信号中的信息进行编码，为打开一扇连接人类和机器的机会之门提供了缺失的钥匙。随后，自适应辅助（Rouse，1988）相关研究迅速崛起。在一个复杂的系统中，有许多组件相互作用。在某个时间点，自动化一个组件是必要和有用的，而在另一时间点，这种自动化可能没有那么有用。随着任务需求的变化，辅助水平和定义人机交互方式所需的策略也应改变。生物控制论、脑机接口和自适应辅助三个领域不断相互交织和发展。**个专注于人类信号的收集和解释。第二个关注指标的设计，以及分析任务的复杂性。第三个重点是自适应逻辑的算法设计，它使用前两个流中的可操作信息来决定何时、什么以及如何在人类和机器之间切换功能或子任务。脑成像技术的发展极大地促进了这一学科的成长。
1.2 神经人因工程的快速发展
随着便携式和可穿戴的神经成像方法［如脑电图（electroencephalogram，EEG）］、功能性近红外光谱技术（functional near-infrared spectroscopy，fNIRS）和神经刺激方法［如经颅电刺激（transcranial electrical stimulation，tES）］的出现，在记录和改变大脑活动而不限制身体运动和不限制实验室环境的研究方面取得了重大进展。传统方法受限于实验环节，对实验方案、数据收集设置和任务条件施加了限制。神经人因工程整合了神经科学、神经工程学、人因学、工效学和相关领域的进步，以便在自然主义环境中为健康和受损参与者提供评估身体和大脑功能的灵活性，将神经科学引入日常生活。将神经成像技术用于人因学研究和实践的主要原因有两个。①根据定义，人因学要求参与者在执行某些身体任务时移动四肢或身体。②虽然人因学研究可以在不动的参与者身上进行，但对具体认知的研究表明，在物理世界中移动和互动时的认知过程可能具有*有的特征，只有通过移动神经成像才能捕捉到这些特征（Parasuraman，2003；Mehta and Parasuraman，2013）。
基于神经的信号与其他基于生物的信号（如皮肤电流反应、心率变异性等）以及基于手势或行为的信号（如面部表情、头部运动频率和振幅、控制杆或方向盘活动等）相比，具有许多潜在的显著优势（Hettinger et al.，2003）。神经信号*重要的潜在优势之一是其与相应的认知和情感成分具有高度的特异性。正如下面更详细的讨论，目前正在进行大量的研究，试图将中枢神经系统（central nervous system，CNS）活动性与情绪和认知状态联系起来，并且已有很多采用脑电信号对人因学相关问题进行的研究（Catherwood et al.，2014；Rahman et al.，2019；Wilson and Russell，2003）。Hettinger等（2003）研究表明神经人因工程可以可靠地检测与认知和情绪状态相关的大脑活动的客观指标，且在某些情况下，使用这些指标以功能方式驱动人机系统的活动。当然，这些技术在应用之前需要考量以下一些要求。
（1）使用的便捷性和舒适性：生理信号采集设备应该能够应用于各种实际场景，甚至保证长时间的信号采集，并且能够快速方便地佩戴和拆卸，对用户来说通常是便携的、非侵入式的和无干扰的。
（2）敏感性和特异性：如Somon等（2019）所述神经适应技术应以可靠的方式具体、准确、重复地解释心理现象。
（3）技术规格：信号质量是日常生活当中生理测量的一个非常重要的方面，因为信号受到来自各地的噪声（如生理伪影、电磁噪声等）的干扰。此外，记录和处理信号必须非常快，以保持实时测量。
神经人因工程探讨人在工作过程、产品使用过程、人机交互等各个方面的内在原因，而不是单纯依靠外显行为的测量或人们的主观感受。尤其是现代化的自动化办公系统等，神经人因工程增加的附加价值就更加明显，因为在这些环境中很难测量用户的外显行为（Parasuraman，2003）。随着传感器技术的发展、工作复杂性的变化以及人工智能技术的发展等，神经人因工程的研究领域进一步拓展。
1.3 神经人因工程的未来
随着人工智能技术的发展，人因工程中“物”的研究越来越智能化。比如，各种智能系统、协作机器人、服务机器人等。各个国家将机器人产业发展提升到国家战略层面。我国在《中国制造2025》国家战略发展规划中，明确将智能机器人作为未来产业发展重点。人-机器人交互（human-robot interaction，HRI）是一个相对较新和快速发展的研究领域，是心理学、社会科学、认知科学、人工智能、设计学、工程学和计算机科学等多学科交叉的研究领域，致力于理解、设计和评估人与机器人的交互过程（Weiss et al.，2009）。根据研究，人-机器人交互可以概括为“研究人对机器人相关物理、技术和交互特征的行为及态度，从而根据实际情景开发机器人来实现高效率、容易接受、满足个体用户的社会及情感方面需求并且尊重个体价值”（Goodrich and Schultz，2007）。机器人已经广泛应用于各个领域，包括家用、工业、医疗、教育、军警、航空、搜救、帮扶、运输等（Goodrich and Schultz，2007）。机器人按照其应用领域基本可以归结为三种类型：工业机器人、专业服务机器人和一般服务机器人。其中工业机器人由严格的计算机控制并常用于工业环境；专业服务机器人为工业环境之外的特殊领域提供服务如核污染清洁或监测废弃矿井等（Thrun，2004）；一般服务机器人常见于人们生活的各个领域，如家庭清扫、老年人帮扶、餐厅服务等。人-机器人交互随着机器人相关技术的发展而不断变化，机器人的构成和工作环境设定也在不断扩展。基于人的角度而不是技术的角度来审视人-机器人交互已经成为领域关注的焦点，将人的因素与机器人技术相结合，可以实现更好的交互质量和用户体验（Prati et al.，2022）。
对于此类系统的分析至少存在三个方面的挑战（Abbass，2020）。**，哪些是评估人们注意力水平、情景意识、脑力负荷、参与度以及疲劳的有效指标。不同测量模式都有可能提供一些有效指标，如脑电和心跳频率都能一定程度上反映脑力负荷。第二，如何将不同测量模式的信息进行整合，并且让交互对象感知到人的这些状态，并且快速做出响应以应对不同的情景。第三，随着交互的深入，如何描述和评估情景的复杂度。由于交互对象具有智能化的特征，能够随着情景的变化自适应动态调整。与传统的人机交互存在很大的区别，智能机器人可以模仿人类认知功能和模拟人类互动，使用户将其视为类人并形成情感纽带（Kim and Im，2022）。Sheridan和Parasuraman（2005）指出，未来工作研究中的核心主题是人-机器人交互。在智能制造场景模式中，人类和机器人团队需要分析情况，相互沟通和合作，处理紧急情况，并为问题找到合理的解决方案（Jiao et al.，2020）。尽管研究人员已经从各个方面探索了人与机器人的互动，但人与机器人互动和协作的影响仍然难以预测。随着智能程度的提高，机器人正从人类操作和控制的工具转变为与人类合作的伙伴（Jiao et al.，2020）。因此，迫切需要了解新环境下的人类行为、人与机器人的关系并提高团队绩效。当然也包括服务场景中的人-机器人交互研究。这些新兴技术的产生和发展为神经人因工程的发展提供了机遇。
展开
