Deutsch

Adaptive Automatisierung bezeichnet ein Gestaltungskonzept für die Mensch-Maschine-Interaktion, bei dem in Abhängigkeit von den Erfordernissen des Bedieners eine dynamische Erhöhung bzw. Reduzierung des Automatisierungsgrades vorgenommen wird. Gegenstand der vorliegenden Dissertation war die Überprüfung autonomer Maße zur Entwicklung eines geschlossenen Regelkreises mit adaptiver Automatisierung am Beispiel einer Flugsimulationsaufgabe mit anschließender Anwendung in einem solchen Regelkreis. In Experiment 1 wurde eine Flugaufgabe mit neun Hauptmissionen am Flugsimulator durchgeführt (N=38). Als autonome Maße wurden die Spontanfluktuationen der elektrodermalen Aktivität (NS.SCRs), die Summenamplitude der NS.SCRs, die Herzrate (HR), die Herzratenvariabilität (HRV) und die Atemfrequenz erfasst. Ergänzend wurden als zentralnervöse Maße die Frequenzbänder Theta, Alpha und Beta aus einer 73-Kanal-Ableitung ermittelt, welche anschließend zum sog. Engagement-Index (Beta/[Alpha+Theta]) zusammengefasst wurden. Es zeigte sich, dass von allen Maßen die Anzahl der NS.SCRs zwischen den verschiedenen Flugabschnitten am besten differenzieren konnte. Die HR erwies sich ebenfalls als geeignet, aktive von passiven Flugabschnitten zu trennen, wobei eine feinere Differenzierung nicht gegeben war. In Experiment 2 wurden die sechs Turbulenzstärken des Flugsimulators anhand der Skala zur Allgemeinen Zentralen Aktiviertheit evaluiert, um diejenigen Stufen zu ermitteln, welche hinsichtlich des Aktiviertheitsgrades am ehesten zu differenzieren vermochten (N=36). Anhand der erfassten Urteile war eine Unterscheidung der Aktiviertheitsgrade mit den Turbulenzstufen 0, 1, 3 und 5 möglich. Basierend auf den Experimenten 1 und 2 wurden in Experiment 3 Regelungsalgorithmen entwickelt, welche in Abhängigkeit von der physiologischen Aktiviertheit eines Probanden die Turbulenzstärke des zu bedienenden Flugsimulators variieren sollten (N=48). Es wurden die Anzahl der NS.SCRs, die HR und die HRV herangezogen, um drei Regelungskombinationen zur adaptiven Automatisierung zu untersuchen. Zur Kontrolle des Regelungserfolgs wurden zwei Versuchsbedingungen eingeführt: Bei der geregelten Experimental-Gruppe erfolgte die Umschaltung der Turbulenzen in Abhängigkeit von den physiologischen Reaktionen, wohingegen die sog. Yoked-Control-Probanden das identische Turbulenzabfolgemuster eines Partners der Experimentalbedingung ohne Berücksichtigung ihrer physiologischen Reaktionen durchflogen. Es wurde erwartet, dass unter der geregelten Experimentalbedingung kleinere Soll-Ist-Abweichungen entstehen als in der Yoked-Control-Bedingung. Unter der Regelungskombination "NS.SCRs + HRV" zeigten die geregelten Probanden signifikant kleinere Soll-Ist-Differenzwerte als die Yoked-Control-Probanden. Für die beiden anderen Regelungskombinationen war eine derartige Differenzierung zwischen den beiden Versuchsbedingungen nicht gegeben, was für eine bessere Regelgüte der Kombination "NS.SCRs + HRV" spricht, welche zudem aufgrund des gegensinnigen Verhaltens dieser beiden Parameter als Möglichkeit einer impliziten Artefaktkontrolle angesehen werden kann. Die vorliegenden Ergebnisse lassen den Schluss zu, dass sich Parameter des ANS zur adaptiven Automatisierung bei simulierten Flugaufgaben eignen.

English

Adaptive automation refers to the design of man-machine interaction for varying the degree of automation dynamically depending on the user's requirements. The aim of the doctoral thesis was to probe measures of the autonomic nervous system (ANS) for usability in adaptive automation during simulated flight and to implement these measures in a closed loop. In Experiment 1, 38 subjects flew nine flight missions, acquiring skin conductance responses (SCR), heart rate (HR), heart rate variability (HRV) and respiration frequency. Additionally, theta, alpha and beta bands were derived from 73-channel-EEG for calculating the engagement index beta/(alpha+theta). Results indicated that SCR were able to distinguish different flight missions, followed by HR. In Experiment 2, 36 subjects evaluated the flight simulator's six turbulence steps on the Bartenwerfer Activation Scale. Steps 0, 1, 3 and 5 showed the best differentiation of arousal. In Experiment 3, the results of Experiment 1 and 2 were integrated for generating a closed loop with adaptive automation during simulated flight based on three different combinations of SCR, HR and HRV. For controlling quality of regulation, two conditions were introduced: Twenty-four experimental subjects flew flight missions varying the degree of turbulence in accordance with the subjects' physiological arousal level. Twenty-four yoked control subjects received the same sequence of turbulence steps as their experimental counterparts, however without consideration of their physiological responses. Experimental subjects were expected to have smaller set point deviations in comparison to yoked control subjects. By combining SCR with HRV, experimental subjects showed significantly smaller set point deviations than their yoked control partners. The other two combinations did not yield such a differentiation, emphasizing the quality of a closed loop using SCR and HRV. As an additional benefit, coupling of SCR and HRV within a single algorithm for adaptive automation can be applied as a powerful tool for counteracting artifacts during on-line data assessment. In conclusion, ANS measures can be considered for implementation in adaptive automation.