北京津发科技股份有限公司

2 年

手机商铺

商家活跃：

产品热度：

NaN
0.7000000000000002
0.7000000000000002
2.7
2.7

搜本店搜全站

ErgoAI人因智能研究实验室

询价

北京津发科技股份有限公司
>公司新闻
>
用户案例 | 运动场景界面交互的用户认知适配性研究

北京津发科技股份有限公司

入驻年限：2 年

联系人：
王先生
所在地区：
北京海淀区
业务范围：
实验室仪器 / 设备、耗材、技术服务
经营模式：
生产厂商科研机构

在线沟通

电话

用户案例 | 运动场景界面交互的用户认知适配性研究

100 人阅读发布时间：2025-11-17 15:56

运动场景界面交互的用户认知适配性研究 — 基于眼动特征与脑电信号的注意力分配及认知负荷动态变化分析

简介

本文介绍的研究探究了不同跑步状态下用户注意力分配与人机交互的评估机制。参与者在四种交互界面布局中完成任务，通过EEG、眼动追踪和主观评分收集多模态数据。结合研究结果提出动态认知资源分配模型，为运动适配界面设计提供实证与实践指导。

Part1：引言

在智能制造加速向数字化、柔性化转型的背景下，多模态同步采集技术正成为破解人机交互界面（HMI）设计中人因难题的核心突破口。随着工业 4.0 与工业互联网的深度融合，智能制造系统对人机协作的精准性、安全性和效率提出了更高要求，传统单模态数据采集已无法满足复杂生产场景下对用户状态的全面感知需求。多模态同步采集技术通过整合脑电（EEG）、眼动、肌电、设备传感器数据等多源信息，实现了对操作人员生理状态、认知负荷、操作意图的立体捕捉，为人机交互界面的智能化设计提供了科学依据。

多模态同步采集技术通过动态数据融合重构了人机交互模式。多模态同步采集技术借助动态数据融合重塑人机交互模式，通过整合多源信息为 HMI 界面的动态调整提供支撑，实现对操作状态的全面感知与响应优化。此外智能制造的柔性化发展推动人因研究从单一效率导向转向 “认知 - 情感双驱动”，跨模态特征对齐算法通过时空维度的精准关联，实现人机协作流程的深度建模，促使 HMI 界面从单纯的指令输出终端升级为能动态感知用户意图的 “智能伙伴”。而技术演进与工业需求的协同，催生了边缘智能与人因设计的深度融合，通过高效的多模态信号对齐技术，大幅提升交互效率与响应速度，支撑 HMI 界面实现情境感知交互，可依据实时状态动态调整操作权限、信息密度与交互层级。

随着多模态大模型与神经形态计算的突破，HMI 设计将向认知 - 物理融合界面演进，推动人因研究从 “事后评估” 转向 “事前设计”，引领智能制造人机交互进入 “感知 - 理解 - 预测” 的全新时代。

下面请阅读基于ErgoLAB 人机环境同步平台V3.0的结合多模态人-机数据和进行跑步机HMI界面设计测评的研究。

Part2：研究案例

题目：Investigating the mechanisms of user attention allocation and interface interaction evaluation across different running states
作者：Qingxia Chen, Yonghong Liu, Pingping Fang ,Yanlin Yin
期刊：Ergonomics
DOI：10.1080/00140139.2025.2538706

01 研究背景

智能可穿戴技术与健身应用的日益融合，改变了体育活动中的人机交互格局。设计良好的界面在降低认知负荷、引导注意力分配和提升整体用户体验方面发挥着关键作用。动态状态下的认知和感知需求显著增加。与静态状态不同，动态状态要求用户在身体协调、环境感知和其他并发任务间分配注意力（Chang 等，2012；Hacker 等，2020），导致感知延迟和交互准确性下降。近期研究采用脑电图和眼动追踪技术，量化跑步机运动中与交互界面相关的认知工作量和用户体验（Pitts、Kannan 和 Bhatt，2023；Tremmel 等，2019）。随着运动强度增加，用户在界面上的注意力分配持续下降（Schneider 等，2009）。尽管有这些发现，将生理和行为洞察转化为可操作的设计策略仍存在关键缺口。通过将用户心理特征和运动行为模式的洞察融入数字界面设计实践，可显著改善动态场景下的用户交互体验（Farzan 等，2011；Young 等，2023）。

02 研究目的

本研究旨在探究不同跑步状态对用户注意力分配和界面交互评估的影响，并检验视觉流设计元素在不同运动条件下的调节作用。

03 研究方法

实验采用 3×4 被试内因子设计，两个自变量为：跑步状态（静止、慢跑、快跑）和界面布局设计。

因变量包括：
· 注意力分配（通过眼动指标中的注视持续时间和分布测量）；
· 界面交互效率（通过任务完成时间和错误率量化）；
· 用户对可用性和视觉吸引力的主观评价；
· 认知负荷的生理指标（通过脑电图频域特征如α和β波段特征实现）。

实验设备和刺激材料

本研究采用舒华 E7 跑步机作为运动状态控制设备，其配备可编程控制面板模块和 15.7 英寸电容式触摸屏，支持实时速度调节和实验界面的动态呈现。

基于24 家跑步机设备制造商的实地调研，系统收集 50 个跑步机交互界面设计样本，总结出三类核心信息元素（设备操作控件、实时运动数据和辅助设计元素），并据此设计四种负极性界面布局原型，如图 1 所示，分别为方案 A（中心数据 - 底部操作）、方案 B（底部数据 - 两侧操作）、方案 C（底部数据 - 两侧操作）和方案 D（顶部数据 - 底部操作），且确保信息内容一致。

图1 跑步机HMI界面

生理数据采集设备

如下图所示，实验环境为受控室内空间，配备空调，温度和湿度适宜，照明充足，噪音极小。参与者以自然姿势站立和跑步，眼睛距屏幕约 60 至 90 厘米。实验装置包括 ErgoLAB 人机环境同步云平台（北京津发科技股份有限公司，2020），用于多模态实时数据整合与同步。使用半干式可穿戴无线脑电图系统（北京津发科技股份有限公司，2020）记录大脑活动，该系统支持多通道采集，并针对动态环境中的移动使用进行了优化。眼动数据采用 Tobii Pro Glasses 3（Tobii AB，2020，斯德哥尔摩，瑞典）采集，这是一种可穿戴眼动追踪仪，能够在真实世界中捕捉 gaze 数据，采样率为 50-Hz，内置场景视频同步功能。

图2 实验设计与实验场景

任务和流程

图 3 展示了整个实验流程，每位参与者进行四轮不同界面的实验，顺序随机。每轮包含三种运动状态：静止、慢跑（2-4.8km/h）和快跑（>4.8km/h）（Gultekin、Ozcan Kahraman 和 Kahraman，2024）。每种运动条件包括 4 个阶段，每位参与者共完成 48 次试验（4 种界面方案 ×3 种运动状态 ×4 个阶段）。每个阶段持续约 2 分钟，包括任务执行和反馈，试验之间有短暂停顿。因此，每位参与者的总实验时长约为 50 分钟，包括说明、休息间隔和条件转换时间。

图3 实验流程

在开始跑在开始跑步机任务前，所有指导和练习试验均在参与者静止时进行，以确保清晰和安全。

签署知情同意书后，向参与者简要介绍流程和实验要求，包括调整跑步机速度以选择他们偏好的慢跑和快跑速度。然后，实验者为参与者配备必要的设备，包括生理监测设备、脑电图传感器和眼动追踪设备。校准和设备设置成功后，参与者舒适就座并休息三分钟，作为实验的基线测量。

跑步机运动期间给出实验任务指令。

· 阶段 1（熟悉）：呈现随机分配的界面，让参与者熟悉其布局，并口头报告他们关注的运动数据。
· 阶段 2（信息检索）：指示参与者搜索并识别界面上显示的与其当前运动状态相关的运动信息（如跑步速度、坡度或心率区间）。在此任务中，记录反应时间和响应准确性以评估性能。
· 阶段 3（操作任务）：要求参与者在保持当前运动状态的同时调整速度和坡度按钮。任务性能通过两个指标评估：反应时间（从指令显示到开始按下按钮的时间）和准确性（定义为正确选择目标设置而无过度或不足调整）。
· 阶段 4（主观评价）：参与者完成主观评价问卷，评估他们在给定运动状态下对界面的偏好。这两个指标均由系统自动记录，用于评估不同运动条件下的用户性能。

完成所有实验后，每位参与者参加访谈，包括四个关键问题：
（1）了解参与者对四种界面设计的偏好。
（2）识别四种界面之间感知到的显著特征。
（3）探究不同运动状态下的心理差异。
（4）检查不同运动状态下的注意力差异。

统计分析

本研究通过在三种不同运动条件（静止、慢跑、快跑）下进行视觉搜索任务，探究运动状态对用户注意力分配和界面评价的影响。收集的数据包括客观任务性能指标、生理反应和主观评分。

任务表现结合反应时间和准确性评估，而视觉吸引力则基于眼动数据和任务后主观评价进行评估。由于各条件下的准确性无显著差异，后续分析主要关注反应时间和注视行为。
采用单因素重复测量方差分析（ANOVA）检验运动状态对眼动指标（包括视觉注视持续时间和界面元素间的注意力分布）的影响。在确定显著效应的情况下，进行 Bonferroni 校正的事后比较，探究运动条件之间的成对差异。

为探究注视行为的空间模式，将 k 均值聚类应用于眼动轨迹，以识别与不同界面设计相关的重复视觉流模式。

对于任务性能指标（反应时间和错误率），进行一系列独立样本 t 检验以评估不同运动状态之间的差异。

04 研究结果

任务表现

采用双因素重复测量方差分析评估跑步状态（静止、慢跑、快跑）和界面设计（方案 A-D）对用户反应时间的影响，两个因素均视为被试内变量。结果总结于表 2。

在所有三种任务类型中均观察到跑步状态的显著主效应。这些发现表明任务表现随身体活动强度显著变化。

在信息搜索任务中发现界面设计的显著效应（F (3,180)=2.95，p=0.034），表明布局结构在视觉要求高的场景中影响交互效率。虽然在坡度调节（F (3,180)=2.22，p=0.0875）和速度调节任务（F (3,180)=2.39，p=0.0701）中未达到统计显著性，但观察到边缘效应，表明根据任务背景可能具有实际相关性。

在信息搜索（F (6,180)=0.59，p=0.740）或速度调节（F (6,180)=0.52，p=0.7932）任务中，未发现跑步状态和界面设计之间的显著交互效应。然而，坡度调节任务中的交互接近显著性（F (6,180)=2.00，p=0.0675），表明在不同跑步状态下界面设计可能存在条件效应。

表 3 呈现了跑步状态间的事后比较结果。信息查找任务中，慢跑和快跑之间无显著差异（p=0.9240）。然而，静止与慢跑之间（p=0.0013）以及静止与快跑之间（p=0.0003）存在显著差异。对于操作任务，静止与慢跑之间无显著差异（坡度 p=0.2879，速度 p=0.1266），但静止与快跑之间（p<0.0001）以及慢跑与快跑之间（坡度 p=0.0077，速度 p=0.0097）存在显著差异。

表4 总结了不同跑步状态下不同界面设计方案的平均任务完成时间。在静止状态下，各方案的任务完成时间无显著差异。然而，在慢跑状态下，信息查找任务和操作任务的完成时间差距开始扩大。具体而言，方案 C 的信息查找任务完成时间比方案 D 少 0.98 秒。对于操作任务，方案 A 的坡度调整任务完成时间比方案 D 快 1.86 秒，速度调整任务快 1.96 秒。在快跑状态下，信息查找任务的完成时间差异进一步扩大，方案 C 比方案 B 快 1.04 秒。对于操作任务，方案 C 的坡度调整任务比方案 B 快 4.19 秒，速度调整任务快 2.45 秒。

图 4 展示了不同跑步状态下任务反应时间的分布，结果表明，对于信息查找任务，随着跑步状态从静止到慢跑再到快跑，完成时间增加，其中方案 C 的波动最小。在静止状态下，各方案的完成时间无显著差异；然而，在慢跑和快跑状态下，差异变得更加明显，特别是方案 D 和 B，表现出更长的完成时间。尽管方案 B 和 C 在较低范围内的信息分布相似，但它们之间仍存在明显的时间差异。

图4 不同状态下任务反应时

眼动结果

正式实验的注视持续时间

为进一步探究跑步状态对注意力分配的影响，分析了三种实验条件（静止、慢跑、快跑）下的首次注视持续时间（FFD）和平均注视持续时间（AFD）。首次注视持续时间和平均注视持续时间均在预定义的兴趣区域（AOIs）内计算，这些区域代表功能不同的界面区域，包括数据显示区、操作控制面板和与任务相关的视觉线索。这些兴趣区域基于界面的空间布局和功能结构定义，以便有针对性地分析不同跑步状态下的注视行为。这些兴趣区域的配置如图 5 所示。

图 5 AOI划分

双因素重复测量方差分析显示，跑步状态对两种眼动指标均有显著主效应（表 5）：首次注视持续时间，F (2,180)=47.10，p<0.0001；平均注视持续时间，F (2,180)=34.76，p<0.0001；对于界面设计，首次注视持续时间的效应显著，F (3,180)=4.90，p=0.0047，平均注视持续时间的效应接近显著，F (3,180)=2.69，p=0.0565。两种指标在跑步状态和界面设计之间均未观察到显著交互效应（p>0.49），表明跑步状态对视觉注视模式的影响在不同界面条件下是一致的。

事后多重比较证实，跑步状态对首次注视持续时间（FFD）和平均注视持续时间（AFD）均有显著影响（见表 6）。对于首次注视持续时间，静止和快跑条件之间的差异最大（p<0.0001）。慢跑和快跑之间也存在显著差异（p=0.0054）。对于平均注视持续时间，所有成对比较均具有统计显著性：静止 vs 慢跑和静止 vs 快跑（p<0.0001），以及慢跑 vs 快跑（p=0.0010）。这些结果凸显了身体活动水平对眼动行为的显著影响，既影响初始定向（首次注视持续时间）也影响持续视觉参与（平均注视持续时间）。

表 7 呈现了四种界面设计在三种跑步状态下的首次注视持续时间（FFD）和平均注视持续时间（AFD）的均值和标准差。使用单因素方差分析（ANOVA）分析各跑步状态下不同方案的眼动指标差异。这些结果表明，在任何运动条件下，界面设计均未显著影响注视持续时间。

图6：三种状态下的首次注视持续时间（FFD）和平均注视持续时间（AFD）

阶段 1 - 熟悉过程中对信息内容的注意力

表 8 总结了参与者在不同跑步状态下基于运动数据的注意力分布。在所有状态下，里程始终获得最高的视觉注意力。

在静止状态下，对速度的注意力普遍较高，方案 A 最能吸引对时间的注意力，方案 B 最能吸引对里程的注意力。这可归因于两种方案的界面中心均突出显示时间和里程数据。在慢跑阶段，所有方案对里程和步数的注意力均显著较高。方案 D 对心率的偏好略高于里程，尽管差异极小。在快跑状态下，所有方案对心率的注意力均增加，仅次于里程。

值得注意的是，静止阶段的注意力模式更具可变性，且似乎受各方案内数据大小和屏幕位置的影响。相比之下，慢跑和快跑期间的分布更一致，所有方案均主要关注心率和步数。

阶段 2 - 信息检索过程中对信息布局的注意力

对页面五个不同区域的信息进行双因素方差分析事后比较，方差分析结果表明注意力无显著差异，这表明运动状态不影响用户对特定区域的注意力（表9）。

静止状态下的参与者通常更容易分心，更多地关注页面的整体布局和操作按钮的位置。在慢跑阶段，注意力逐渐转向运动数据，特别是里程和持续时间。在快跑阶段，注意力集中在屏幕的上中心。在静止、慢跑和快跑三个阶段中，注意力的焦点和对特定信息的注意力分配逐渐减少。

阶段 3 - 操作任务期间的视觉流变化

图 7 显示了阶段 3 中不同跑步状态下的视觉流变化。在静止状态下，用户的目光高度集中在界面的关键区域，导致较长的注视持续时间。热点图中这一模式很明显，红色区域（表示高度关注）集中在核心功能区域周围。例如，在方案 B 和 C 中，热点聚焦明显，非目标区域的注视极少，表明这些界面方案有效符合用户的视觉习惯。相比之下，方案 A 中的热点更分散，可能由于界面元素冗余或方案逻辑不合理而降低搜索效率。

在慢跑状态下，慢跑期间的视觉注意力主要集中在动态变化的数据上，热点区域定期调整，可能优先考虑与运动方向一致的界面部分（如动态变化的模拟跑道）。展示视觉流模式的方案 B 和 D 的热点图显示，用户的目光在多个功能模块之间转移。此外，用户倾向于优先关注前方的视觉信息，对视野中心的内容更敏感。

在快跑状态下，高速运动增加了用户的视觉处理负荷，导致热点图上的分布分散，注意力在多个区域之间快速转移。例如，快跑期间的注意力图显示焦点突然转换，表明用户依靠高对比度元素或运动线索来高效捕捉信息。

图7 注视热点图

脑电结果

跑步时，大脑皮层受到刺激，随着运动强度增加，大脑活动增强。相比之下，静止和慢跑时的数据更稳定，可用作比较基线。

图 8 中的脑电图信号分析显示，在方案 A 中执行任务时观察到最低的 β 波段功率。这表明大脑中的 β 波段活动相对较低，可能表明注意力集中度或认知负荷降低。相反，在方案 B、C 和 D 中执行任务时，β 波段功率相对较高，方案 D 的任务 1 记录到最高的 β 波段功率。此外，方案 C 的任务 1 表现出最高的 β 波段功率。此外，方案 C 在任务执行期间的脑电图 α 波段功率最高，表明更强的 α 波段活动，这可能与放松状态或改善的记忆功能相关。相比之下，方案 A、B 和 D 中的 α 波段功率相对较低，方案 D 的任务 2 中观察到最低的 α 波段功率。

图8 脑电信号结果展示

这些结果表明，不同界面在任务执行期间对大脑活动的影响不同。方案 A 可能更适合需要较低认知负荷的任务，而方案 C 可能更适合需要放松状态或增强记忆功能的任务。

用户偏好

采用双因素方差分析对 ASQ 评分、沉浸感评分和喜好评分进行事后比较，将运动状态（静止、慢跑、快跑）和设计方案（A、B、C、D）作为被试内因素（表 10）。结果表明，主观负荷评分因运动状态而显著不同。具体而言，快跑与静止（p=0.0087）和慢跑（p=0.0317）之间的主观负荷评分存在显著差异。相比之下，不同跑步状态下的沉浸感评分变异性不显著。用户偏好仅在慢跑和快跑之间存在显著差异（p=0.037）。

在访谈阶段，大多数用户偏好界面 B 和 C。用户报告通过操作体验感知到界面方案的差异。然而，他们发现难以区分三种运动状态下的注意力差异和审美偏好（表 11）。许多用户表示，他们对界面的主观评价不受快跑状态的影响，而是受整体操作体验的影响。所有用户都指出，速度坡度调整对他们的交互体验影响最显著，特别是在快跑阶段，点击操作可能分散他们的注意力并带来潜在的安全隐患。

研究结论

本研究提出了一个概念模型（图 9），解释跑步状态如何通过动态人机交互影响用户注意力分配、认知加工和界面评价。我们的发现证实，跑步强度通过不同但相互关联的机制显著调节注意力分配、任务性能和主观评价。

研究结果表明，运动强度显著改变视觉注意力模式，特别是在动态状态下。为适应这些变化，界面应动态调整其复杂性，例如，在快跑时最小化非必要信息，强调核心运动指标，并优化速度和坡度调整模块，以便在动态状态下高效访问。

重要的是，研究还揭示，界面评价的差异更多地由用户的操作体验而非运动状态驱动。这表明设计策略应优先考虑不同身体条件下的感知清晰度、交互效率和注意力稳定性。这些见解有助于开发适应运动的界面，以符合运动期间的注意力和认知限制。

06 部分参考文献

[1] Farzan, Rosta, Laura A. Dabbish, Robert E. Kraut, and Tom Postmes. 2011. “Increasing Commitment to Online Communities by Designing for Social Presence.” In Proceedings of the ACM 2011 Conference on Computer Supported Cooperative Work, 321–330Hangzhou China: ACM. doi:10.1145/1958824.1958874.

[2] Yu, Na., and Ziwei Ouyang. 2024. “Effects of Background Colour, Polarity, and Saturation on Digital Icon Status Recognition and Visual Search Performance.” Ergonomics 67 (3)Informa UK Limited: 433–445. doi:10.1080/00140139. 2023.2226849.

[3] Park, Su Jin., Su Jin Park, Kwak Taeyoung, Kwak Taeyoung, Lee Sangwon, and Sangwon Lee. 2025. “Human-Machine Interface Design of Construction Machinery Based on Scenario Generation and Accident Pattern Analysis.” Archives of Design Research 38 (1): 143–160. doi:10.15187/ adr.2025.02.38.1.143.

Part3：研究拓展

本案例通过多模态数据（EEG、眼动、行为数据）揭示了运动强度对注意力的影响，但界面布局仍为预设模式。未来可引入 AI 实时学习模型，基于用户实时生理信号（如 EEGα/β 波段特征）和眼动轨迹，通过强化学习动态调整界面元素（如核心指标位置、信息密度）。结合生成式 AI 与机器学习，基于用户历史运动数据（如运动习惯、注意力偏好）训练个性化模型：利用生成对抗网络（GAN）生成符合个体视觉流偏好的界面原型，再通过迁移学习预测用户在不同运动状态下的注意力分布，实现 “千人千面” 的界面设计。

Part4：引申阅读

【1】题目：Impact of Emotional Design: Improving Sustainable Well-Being Through Bio-Based Tea Waste Materials
作者：Ming Lei, Shenghua Tan, Pin Gao, Zhiyu Long, Li Sun, Yuekun Dong
期刊：buildings
DOI：10.3390/buildings15091559

【2】题目：Modeling Visual Fatigue in Remote Tower Air Traffic Controllers:A Multimodal Physiological Data-Based Approach
作者：Ruihan Liang, Weijun Pan, Qinghai Zuo, Chen Zhang, Shenhao Chen, Sheng Chen, Leilei Deng
期刊：Aerospace
DOI：doi.org/10.1109/ECIS...

用户案例 | 基于多模态信号融合的驾驶员疲劳注意力网络构建与验证研究

喜报｜津发科技入选guojia级专精特新重点“小巨人”企业

更多资讯

我的询价

北京津发科技股份有限公司