Eine mehrquellige, physiologisch datengetriebene Methode zur Bewertung des Gefahrenwahrnehmungsniveaus von Bedienern

Warum das Beobachten der Beobachter wichtig ist

Tief unter Tage verlassen sich moderne Kohlebergwerke zunehmend auf ferngesteuerte Leitstände statt auf Personal direkt am Abbauort. In diesen Räumen starren Bediener auf Wände aus Videobildschirmen und suchen nach den frühesten Anzeichen von Gefahr. Wenn sie ein Gasleck, einen Dachriss oder einen Funken von einem Förderband übersehen, kann das zu einem tödlichen Unfall führen. Diese Studie stellt eine einfache, aber entscheidende Frage: Können wir in Echtzeit erkennen, wie scharf der „Gefahrenradar“ eines Bedieners ist, indem wir auf die verborgenen Signale seines Körpers hören?

Die leisen Alarmglocken des Körpers lesen

Die Forschenden konzentrierten sich auf drei Arten physiologischer Signale, die sich verändern, wenn Menschen Gefahren wahrnehmen und bewerten. Elektrische Aktivität im Gehirn, als EEG gemessen, spiegelt wider, wie intensiv verschiedene Bereiche der Großhirnrinde arbeiten. Elektrodermale Aktivität (EDA) erfasst winzige Änderungen der Hautleitfähigkeit, die mit Schweißdrüsenaktivität zusammenhängen und ein klassisches Zeichen von Erregung und Wachsamkeit sind. Die Herzratenvariabilität (HRV) beschreibt feine Schwankungen in der Zeit zwischen Herzschlägen und zeigt, wie das autonome Nervensystem Stress und Erholung ausbalanciert. Anstatt sich nur auf Selbstauskünfte oder einfache Reaktionszeiten zu verlassen, wollten die Forschenden diese drei Ströme zu einem reichhaltigeren Bild des Gefahrenwahrnehmungsniveaus eines Bedieners verschmelzen.

Eine reale Leitwarte simulieren

Um das Experiment realistisch zu halten, wurden 23 professionelle Bediener aus intelligenten Sicherheitsüberwachungszentren von Kohlebergwerken rekrutiert. Im Labor rekonstruierte das Team eine Multi‑Screen‑Überwachungsumgebung mit spezieller Software. Die Teilnehmenden sahen sich 286 echte Bilder aus Kohlebergwerken auf vier Bildschirmen gleichzeitig an, wobei einige gefährliche Szenen zeigten — etwa Arbeiter ohne Helm, Methanansammlungen, Wasser in Tunneln oder instabile Dächer — und andere sichere Zustände. Für jedes Bild mussten die Bediener schnell per Tastendruck entscheiden, ob es gefährlich oder sicher ist, und anschließend ihre eigene Gefahrenwahrnehmung anhand eines auf die Arbeit im Bergwerk zugeschnittenen Fragebogens bewerten.

Rohsignale in einen Gefahrenwert verwandeln

Während die Bediener arbeiteten, zeichnete das System kontinuierlich EEG von acht Stellen auf der Kopfhaut, Hautleitfähigkeit von der Hand und Herzaktivität von einem tragbaren Gerät auf. Die Forschenden bereinigten die Daten sorgfältig, um Störgeräusche wie Augenblinzeln zu entfernen, und zerschnitten die kontinuierlichen Aufzeichnungen in kurze Fünfsekunden‑Fenster. Aus jedem Fenster extrahierten sie Dutzende von Merkmalen — zum Beispiel die Leistung in verschiedenen Gehirnwellenbändern, langsame und schnelle Komponenten der Hautleitfähigkeit sowie eine Reihe von Herzvariabilitätsmaßen. Separat wurde das allgemeine Gefahrenwahrnehmungsniveau jedes Bedieners quantifiziert, indem drei Größen kombiniert wurden: Fragebogenergebnisse, durchschnittliche Reaktionszeit (schneller wurde als besser gewertet) und Genauigkeit. Mithilfe statistischer Schwellenwerte wurde jedes Datenfenster als Ausdruck niedriger, moderater oder hoher Gefahrenwahrnehmung etikettiert. Anschließend wurden Machine‑Learning‑ und Deep‑Learning‑Modelle darauf trainiert, diese Stufen rein aus der Physiologie zu erkennen.

Was der Körper verrät, wenn die Gefahrwahrnehmung steigt

Die Analyse zeigte klare und aussagekräftige Muster. Mit zunehmender Gefahrenwahrnehmung verstärkten sich in Frontalbereichen bestimmte Gehirnwellenbänder — insbesondere Theta, Alpha und Beta — was auf fokussiertere kognitive Verarbeitung hindeutet. Bestimmte Messgrößen der Hautleitfähigkeit, die widerspiegeln, wie stark und wie unvorhersehbar die Haut schwitzte, stiegen, wenn Bediener stärker auf Gefahren eingestimmt waren, konsistent mit einer erhöhten Aktivierung des sympathischen Nervensystems. Die Herzfrequenz war tendenziell höher bei größerer Gefahrenwahrnehmung, während einige langfristige Variabilitätsmaße in diesen kurzen Aufgaben weniger sensitiv waren. Diese Trends bestätigten, dass die Körpersignale tatsächlich nachverfolgen, wie effektiv Personen Gefahren auf den Bildschirmen erkennen.

Maschinen beibringen, geringe Aufmerksamkeit zu erkennen

Das Team verglich 12 verschiedene Algorithmen, von klassischen Entscheidungsbäumen und Support‑Vector‑Machines bis zu einer modernen Gradient‑Boosting‑Methode namens LightGBM und einem eindimensionalen Faltungsnetzwerk. LightGBM stach hervor: Bei Nutzung aller drei Signaltypen zusammen (EEG, EDA und HRV) klassifizierte es das Gefahrenwahrnehmungsniveau mit beeindruckenden 99,89 % Genauigkeit und sehr wenigen Fehlalarmen oder übersehenen Fällen. Auch das Deep‑Learning‑Modell erzielte sehr gute Leistungen. Wichtig ist, dass die Kombination aller drei physiologischen Quellen jede einzelne Signalart oder Paarung übertraf, womit gezeigt wurde, dass Gehirn, Haut und Herz jeweils einzigartige Informationsstücke über den Zustand eines Bedieners liefern.

Von intelligenteren Bergwerken zu sichererem Arbeiten

Für Nicht‑Fachleute lautet die Quintessenz: Diese Forschung demonstriert einen praktischen Weg, die „Beobachter zu überwachen“. Indem ein intelligentes System stillschweigend Gehirnwellen, Hautreaktion und Herzrhythmen eines Bedieners verfolgt, kann es erkennen, wann seine Fähigkeit, Gefahren wahrzunehmen, nachlässt — etwa durch Müdigkeit, Überlastung oder Ablenkung — und rechtzeitig Interventionen auslösen, wie Pausen, Umverteilung von Aufgaben oder zusätzliche Unterstützung. Obwohl weitere Tests in realen Bergwerken nötig sind, deutet der Ansatz auf zukünftige Leitstände hin, in denen Sicherheitssysteme nicht nur Maschinen und Tunnel schützen, sondern auch die menschliche Aufmerksamkeit, die zwischen Frühwarnung und Katastrophe steht.

Zitation: 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

Schlüsselwörter: Sicherheit in Kohlebergwerken, Gefahrenwahrnehmung, physiologische Überwachung, maschinelles Lernen, Bedienermüdigkeit