طريقة مدفوعة ببيانات فسيولوجية متعددة المصادر لتقييم مستوى إدراك المخاطر لدى المشغلين

لماذا يهم مراقبة المراقبين

في أعماق الأرض، تعتمد مناجم الفحم الحديثة بشكل متزايد على غرف تحكم بعيدة بدلًا من تواجد الناس على واجهة العمل. في هذه الغرف، يحدق المشغلون في جدران من شاشات الفيديو بحثًا عن أبكر علامات الخطر. إذا فوتوا تسرب غاز أو تشقّقًا في السقف أو شرارة من حزام ناقل، قد يؤدي ذلك إلى حادث مميت. تطرح هذه الدراسة سؤالًا بسيطًا لكن حاسمًا: هل يمكننا أن نعرف، في الوقت الحقيقي، مدى حدة «رادار الخطر» لدى المشغل من خلال الاستماع إلى الإشارات الخفية في جسده؟

قراءة أجراس الإنذار الهادئة في الجسم

ركز الباحثون على ثلاثة أنواع من الإشارات الفسيولوجية التي تتغير عندما يلاحظ الناس المخاطر ويقيّمونها. النشاط الكهربائي في الدماغ، المسجَّل كـ EEG، يعكس مدى نشاط مناطق مختلفة من القشرة الدماغية. النشاط الكهروجلدي للجلد (EDA) يلتقط تغيّرات طفيفة في موصلية الجلد المرتبطة بنشاط الغدد العرقية، وهو علامة تقليدية على اليقظة والتنبه. تباين معدل ضربات القلب (HRV) يصف تقلبات دقيقة في الزمن بين الدقات القلبية، كاشفًا كيف يوازن الجهاز العصبي الذاتي بين الضغط والتعافي. بدلًا من الاعتماد على التقارير الذاتية أو أزمنة الاستجابة البسيطة وحدها، سعى الفريق إلى دمج هذه التدفقات الثلاثة في صورة أثرى لمستوى إدراك المشغل للمخاطر.

محاكاة غرفة تحكم حقيقية

للحفاظ على واقعية التجربة، جُند 23 مشغلًا محترفًا من مراكز مراقبة سلامة مناجم الفحم الذكية. في المختبر، أعاد الفريق إنشاء إعداد مراقبة متعدد الشاشات باستخدام برمجيات متخصصة. عرض المشاركون 286 صورة حقيقية لمناجم فحم على أربع شاشات في آن واحد، بعضها يصوّر مشاهد خطرة—مثل عمال بلا خوذات أو تراكم الميثان أو وجود مياه في الأنفاق أو سقوف غير مستقرة—والبعض الآخر يعرض ظروفًا آمنة. على كل صورة، كان على المشغلين أن يقرروا سريعًا ما إذا كانت خطرة أم آمنة بواسطة ضغطات لوحة المفاتيح، ثم يقيموا وعيهم بالمخاطر باستخدام استبيان مُكيّف خصيصًا لعمل مناجم الفحم.

تحويل الإشارات الخام إلى درجة خطر

أثناء عمل المشغلين، سجَّل النظام باستمرار EEG من ثماني مواقع على فروة الرأس، وموصلية الجلد من اليد، ونشاط القلب من جهاز قابل للارتداء. نظف الباحثون البيانات بعناية لإزالة الضوضاء مثل رمش العين، ثم قسموا التسجيلات المستمرة إلى نوافذ قصيرة مدتها خمس ثوانٍ. من كل نافذة استخرجوا عشرات الميزات—مثل طاقة نطاقات موجات الدماغ المختلفة، المكونات البطيئة والسريعة في موصلية الجلد، ومجموعة من مقاييس تباين ضربات القلب. بشكل منفصل، تم تحديد مستوى إدراك المخاطر العام لكل مشغل بدمج ثلاثة عناصر: درجات الاستبيان، متوسط زمن الاستجابة (حيث يُعتبر الأسرع أفضل)، والدقّة. باستخدام فواصل إحصائية، وُسِمَت كل نافذة بيانات على أنها تعكس إدراك مخاطرة منخفض أو متوسط أو عالي. ثم دُرِّبت نماذج تعلم الآلة والتعلم العميق للتعرّف على هذه المستويات اعتمادًا فقط على المؤشرات الفسيولوجية.

ما تكشفه الجسم عندما يزداد إدراك الخطر

أظهر التحليل أنماطًا واضحة ومعنوية. مع ازدياد إدراك المخاطر، ازداد قوة بعض نطاقات موجات الدماغ في المناطق الجبهية—خاصة ثيتا وألفا وبيتا—مشيرةً إلى معالجة إدراكية أكثر تركيزًا. ارتفعت بعض مقاييس موصلية الجلد، التي تعكس مدى وتقلّب التعرق الجِلدي، عندما كان المشغلون أكثر انتباهاً للمخاطر، وهو ما يتوافق مع نشاط متزايد للجهاز الودي. مال معدل ضربات القلب لأن يكون أعلى عند مستويات إدراك مخاطرة أكبر، بينما كانت بعض مقاييس التباين بعيدة الأمد أقل حساسية في هذه المهام القصيرة. أكدت هذه الاتجاهات أن إشارات الجسم تتبع فعليًا مدى فعالية الأشخاص في اكتشاف الخطر على الشاشات.

تعليم الآلات على رصد تدنّي اليقظة

قارن الفريق بين 12 خوارزمية مختلفة، من أشجار القرار الكلاسيكية وآلات المتجه الداعم إلى طريقة تعزيز التدرج الحديثة المسماة LightGBM وشبكة عصبية تلافيفية أحادية البُعد. برزت LightGBM: باستخدام جميع أنواع الإشارات الثلاثة معًا (EEG وEDA وHRV)، صنفت مستوى إدراك المخاطر بدقة مدهشة بلغت 99.89%، مع عدد قليل جدًا من الإنذارات الكاذبة أو الحالات المفقودة. كما أدّى نموذج التعلم العميق أداءً ممتازًا أيضًا. والأهم من ذلك، أن الجمع بين المصادر الفسيولوجية الثلاثة تفوّق على أي إشارة مفردة أو زوج من الإشارات، مما يظهر أن الدماغ والجلد والقلب يقدّمون كلٌ منهم معلومات فريدة عن حالة المشغل.

من مناجم أذكى إلى عمل أكثر أمانًا

للقارئ غير المتخصص، الخلاصة أن هذا البحث يبرهن على طريقة عملية لـ«مراقبة المراقبين». من خلال تتبّع أمواج الدماغ وردود فعل الجلد وإيقاعات القلب بهدوء، يمكن لنظام ذكي استنتاج متى تُضعف قدرة المشغل على ملاحظة الخطر—ربما بسبب الإرهاق أو التحميل الزائد أو التشتت—وتفعيل تدخلات مناسبة مثل فترات راحة أو إعادة توزيع المهام أو تقديم دعم إضافي. وبينما يلزم المزيد من الاختبارات في المناجم الحقيقية، تشير المقاربة إلى غرف تحكم مستقبلية حيث تحمي أنظمة السلامة ليس فقط الآلات والأنفاق، بل والانتباه البشري الذي يقف بين الإنذار المبكر والكارثة.

الاستشهاد: Qi, A., Liu, H., Li, J. et al. A multi-source physiological data-driven method for assessing the hazard perception level of operators. Sci Rep 16, 6595 (2026). https://doi.org/10.1038/s41598-026-36107-y

الكلمات المفتاحية: سلامة مناجم الفحم, إدراك المخاطر, المراقبة الفسيولوجية, تعلم الآلة, إجهاد المشغل