一种基于BP神经网络的人机交互界面认知负荷预测方法技术

本发明专利技术公开了一种基于BP神经网络的人机交互界面认知负荷预测方法，包括以下步骤：S1：采用眼动设备收集用户在操作电气设备人机交互界面时的眼动指标数据；S2：基于AHP法构建认知负荷量化评价模型；S3：建立BP神经网络模型，并将BP神经网络模型分为输入层、隐含层和输出层。对认知负荷的评估结合了生理测量指标和主观测量指标，既保证了生理测量指标的客观性，也保证了主观测量指标的无侵入性以及易于操作，且基于AHP将定量与定性相结合以量化主观评价，增加了其结果的可信度；通过BP神经网络对认知负荷进行预测，BP神经网络具有很强的非线性映射能力和柔性的网络结构，能够构建非线性模型，适用于复杂的实际情况。适用于复杂的实际情况。适用于复杂的实际情况。

【技术实现步骤摘要】
一种基于BP神经网络的人机交互界面认知负荷预测方法


[0001]本专利技术涉及认知负荷预测
，尤其涉及基于BP神经网络的人机交互界面认知负荷预测方法。

技术介绍

[0002]认知负荷是人在处理需要完成的具体任务时，通过信息加工而产生的心理资源总量，认知负荷理论表示，人的认知资源是有限的，而任何具体任务的解决和学习都需要消耗认知资源，即有可能造成认知上的负荷。目前对于认知负荷的衡量指标研究主要从主观方法和生理测量方法等两个角度展开，对于认知负荷的预测研究主要可以分为传统和现代两种方法。传统的认知负荷预测方法主要包括时间序列法、回归分析法、状态空间法等。
[0003]经检索，中国专利申请号202110475684.0记载了一种“认知负荷评估方法、装置、存储介质及计算机设备”，其可以通过模拟环境对待测试人员进行认知负荷的评估，使得认知负荷评估更加高效和准确，但是仅根据眼动指标量化认知负荷，其数据较为单一。
[0004]经检索，中国专利申请号CN201610797877.7记载了一种“表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成系统及方法”，其系统包括对认知负荷的预测模块，但是仅根据学习者完成任务的绩效打分来量化认知负荷，其数据较为单一。
[0005]经检索，中国专利申请号CN202110403822.4记载了一种“基于生理信号的具身学习认知负荷评估系统”，本专利技术采用长短时记忆网络来进行分类，能更真实地学习多种生理信号序列之间的关系，从而提高识别准确率，但LSTM需训练的权重参数较多，训练时长也更长。
[0006]现有的认知负荷评估方法主要为主观和生理测量两类，主观方法的量表测量结果可能会因为措辞等问题影响被试的理解程度，从而影响到实验结果；生理测量方法由于设备、任务形式以及环境等无关变量可能会影响到被试的实验状态。
[0007]现有的认知负荷预测方法主要为专家评估和基于时间序列或回归分析法两类，将专家的经验通过一系列规则进行量化可能存在信息误差，时间序列模型不能充分排除对认知负荷结果有显著影响的无关变量，回归分析法则建立在确定认知负荷的各个评估指标与随机因素关系的前提下，而在实际应用中其函数关系较难确定。

技术实现思路

[0008]本专利技术的目的是为了解决现有技术中存在的缺陷，而提出的基于BP神经网络的人机交互界面认知负荷预测方法。
[0009]为了实现上述目的，本专利技术采用了如下技术方案：
[0010]一种基于BP神经网络的人机交互界面认知负荷预测方法，包括以下步骤：
[0011]S1：采用眼动设备收集用户在操作电气设备人机交互界面时的眼动指标数据；
[0012]S2：基于AHP法构建认知负荷量化评价模型；
[0013]S3：建立BP神经网络模型，并将BP神经网络模型分为输入层、隐含层和输出层；
[0014]S4：建立基于样本数据和误差函数的BP神经网络模型训练算法；
[0015]S5：根据步骤S4中的BP神经网络模型训练算法，进行电气设备人机交互界面认知负荷的预测。
[0016]进一步地，在步骤S1中，眼动指标数据包括：注视次数、注视时长、扫视时长和瞳孔直径。
[0017]进一步地，步骤S2具体包括以下步骤：
[0018]对目标界面进行分层，向专家发放AHP指标重要度调查问卷；
[0019]采用1
‑
9级标度法对不同层级指标进行重要度比较，通过打分获得判断矩阵；
[0020]在进行归一化运算以及一致化检验以后获得最终的权重系数。
[0021]进一步地，步骤S3中，BP神经网络模型的构建包括以下步骤：
[0022](1)收集归一化眼动数据指标；
[0023](2)将归一化眼动数据指标作为输入向量带入建立好的BP神经网络模型，通过训练确定模型中的参数；
[0024](3)把数据输入到经过训练的BP模型进行预测。
[0025]进一步地，在步骤S3中具体还包括，根据输入层节点个数和输出层节点个数计算隐含层节点个数，输入层的输入向量为眼动指标，输出层的输出向量为认知负荷的量化结果，根据输出层的输出向量和期望的输出向量确定BP神经网络模型的误差函数。
[0026]进一步地，在步骤S5中，将步骤S1中的归一化眼动数据指标作为输入向量，将获得的认知负荷综合评价数据作为输出向量，建立基于样本数据和误差函数的BP神经网络模型训练算法。
[0027]相比于现有技术，本专利技术的有益效果在于：对认知负荷的评估结合了生理测量指标和主观测量指标，既保证了生理测量指标的客观性，也保证了主观测量指标的无侵入性以及易于操作，且基于AHP将定量与定性相结合以量化主观评价，增加了其结果的可信度；通过BP神经网络对认知负荷进行预测，BP神经网络具有很强的非线性映射能力和柔性的网络结构，能够构建非线性模型，适用于复杂的实际情况。
附图说明
[0028]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。
[0029]图1是本专利技术的基于BP神经网络的人机交互界面认知负荷预测方法的流程示意图，
[0030]图2是本专利技术的电气设备人机交互界面兴趣区分区示意图，
[0031]图3是本专利技术的BP神经网络预测模型示意图，
[0032]图4是本专利技术的BP神经网络算法流程示意图。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0034]实施例一
[0035]参照图1
‑
4，基于BP神经网络的人机交互界面认知负荷预测方法，包括以下步骤：
[0036]S1：采用眼动设备收集用户在操作电气设备人机交互界面时的眼动指标数据，测量工具采用头戴式眼动仪，最大程度减轻用户在实验时无关负荷的产生。
[0037]其中，眼动指标数据包括：注视次数、注视时长、扫视时长和瞳孔直径。
[0038]具体的，各眼动指标的具体定义如表1所示：
[0039]表1眼动指标定义表
[0040][0041]表1对以上4个眼动数据进行归一化处理，归一化公式如下：
[0042][0043]其中，i的取值范围为{1，2，3，4}，依次代表以上4个眼动数据；x
i
代表各眼动数据的原始值大小；x
min
和x
max
分别代表各眼动数据原始值的最小值和最大值。
[0044]眼动数据作为生理指标具有一定的客观性、实时性。
[0045]S2：基于AHP法构建认知负荷量化评价模型；
[0046]需要说明的是，所构建的认知负荷量化评价模型是基于AHP的一种多准则、多要素、多层次的非结构化复杂决策方法，将定量与定性相结合以量化主本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的人机交互界面认知负荷预测方法，其特征在于，包括以下步骤：S1：采用眼动设备收集用户在操作电气设备人机交互界面时的眼动指标数据；S2：基于AHP法构建认知负荷量化评价模型；S3：建立BP神经网络模型，并将BP神经网络模型分为输入层、隐含层和输出层；S4：建立基于样本数据和误差函数的BP神经网络模型训练算法；S5：根据步骤S4中的BP神经网络模型训练算法，进行电气设备人机交互界面认知负荷的预测。2.根据权利要求1所述的基于BP神经网络的人机交互界面认知负荷预测方法，其特征在于，在步骤S1中，眼动指标数据包括：注视次数、注视时长、扫视时长和瞳孔直径。3.根据权利要求1所述的基于BP神经网络的人机交互界面认知负荷预测方法，其特征在于，步骤S2具体包括以下步骤：对目标界面进行分层，向专家发放AHP指标重要度调查问卷；采用1
‑
9级标度法对不同层级指标进行重要度比较，通过打分获得判断矩阵；在进行归一化运算以及一致化检验以...

【专利技术属性】
技术研发人员：卢国英，余剑琴，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：