パフォーマンス及び認知負荷を推定した後，最後に認知・作業状態を推定する．こ こで，本研究で提案した図3.1のパフォーマンス-認知モデルをファジィ推論の規則表 のようにしてまとめると，表3.6のようになる．
表 3.6: 認知状態推定における規則
If Then
No. パフォーマンス 認知負荷 認知・作業状態
1 High High High Working State
2 High Low Optimal Working State
3 Low High Bad Working State
4 Low Low Low Working State
ここで，パフォーマンス及び認知負荷をそれぞれファジィ化し，各規則つまり各認 知・作業状態の適応度を算出した．以下にその詳細を述べる．
パフォーマンスおよび認知負荷のファジィ化にあたって，設定した規則からファジィ 集合は「Low」および「High」の2集合とした．また，使用したメンバシップ関数は式 3.26および式3.30，h= 3とし，それぞれの閾値についてはTLow = 0，THigh = 1と設 定した．これはパフォーマンス推定のエラー率の時と同様のパラメータであり，これ は3.5節及び3.6節で，パフォーマンスと認知負荷がファジィ推論により[0,1]の範囲で 定量化されているためである．
ここで，ある時点での表3.6の各規則の適応度についてHigh Working Stateの適応 度をϕCH，Optimal Working StateをϕCO，Bad Working StateをϕCB，Low Working StateをϕCLとする．さらに，このときのパフォーマンスをXi，認知負荷をYiとした とき，式3.26∼式3.31から算出されたµLow(Xi)などのファジィ変数を用いて，適応度 ϕCは以下のようになる．
ϕCH = min(µHigh(Xi), µHigh(Yi)) (3.35) ϕCO = min(µHigh(Xi), µLow(Yi)) (3.36) ϕCB = min(µLow(Xi), µHigh(Yi)) (3.37) ϕCL = min(µLow(Xi), µLow(Yi)) (3.38) 以上の適応度をそれぞれの認知・作業状態の適応度として本手法の出力とした．そ
れぞれ[0,1]をとる値であり，ある状態の適応度が0に近いほどその状態である可能性
は低く，1に近いほどその状態である可能性が高いと言える．
執務者の認知・作業状態を一意に推定する場合は，各4状態の適応度を算出するだ けでなく，それらの中で最も適応度の高い状態をその時点の状態と推定する．しかし，
そのような推定手法の欠点として，適応度が非常に近い値を取る複数の状態が存在す る場合，僅かな誤差により推定結果が大きく変わる可能性がある．一方，一意に状態 を推定せず，各状態の適応度を推定結果として出力した場合，それぞれの適応度が拮 抗する場合や逆にある1状態の適応度が明らかに高い場合などが判別可能となるため，
認知・作業状態の誤推定の回避が容易になる．したがって，本研究ではあえて認知・作 業状態を一意に推定せず，4状態の適応度をそれぞれ推定結果として出力した．
最後に，3.5節で述べたパフォーマンス推定，3.6節で述べた認知負荷推定，そして 本節で述べた認知・作業状態推定をまとめたアルゴリズムのフローチャートを図3.15 のようなフローチャートに示す．図中のサブルーチン処理「ファジィ推論」は3.3.4項 で定義した処理であり，フローチャートは図3.8に示した通りである．
㛤ጞ
i = 0 p = 5
ST, RWྲྀᚓ STi= ST RWi= RW
iӍp
EiViฟຊ PDiHRiᢳฟ
x = (STi,Ei,Vi)
䝣䜯䝆䜱᥎ㄽ
Z1 = z0
⤊
No Yes
input: x
output: z0
x = (PDi,HRi)
䝣䜯䝆䜱᥎ㄽ
Z2 = z0
input: x
output: z0
䝯䞁䝞䝅䝑䝥㛵ᩘタᐃ
つ๎ᩘิ>ϰ㽢ϯᐃ⩏
x = (Z1, Z2)
䝣䜯䝆䜱
⾜ิX2㽢3䛾⏕ᡂ
ྛ≧ែ䛾㐺⏝ᗘ φCH φCO
φCB φCL ฟຊ i ++
ḟ䛾 䝍䝇䜽䝻䜾䛜
䛒䜛
No
Yes
▖Ꮝᚄ 䝕䞊䝍ྲྀᚓᚰ㟁ᅗ
ḟ䛾䝍䝇䜽䝻䜾䛜 ฟຊ䛥䜜䜛䜎䛷ᚅ䛴
図 3.15: 認知・作業状態推定アルゴリズム