Un método multi‑fuente basado en datos fisiológicos para evaluar el nivel de percepción de peligros de los operadores

Por qué importa vigilar a quienes vigilan

A grandes profundidades, las minas de carbón modernas dependen cada vez más de salas de control remotas en lugar de personal en el frente de extracción. En estas salas, los operadores observan paredes de pantallas de vídeo en busca de las primeras señales de peligro. Si pasan por alto una fuga de gas, una grieta en el techo o una chispa en una cinta transportadora, el resultado puede ser un accidente mortal. Este estudio plantea una pregunta simple pero vital: ¿podemos determinar, en tiempo real, cuán afilado está el “radar de peligro” de un operador escuchando las señales ocultas de su cuerpo?

Leer las silenciosas alarmas del cuerpo

Los investigadores se centraron en tres tipos de señales fisiológicas que cambian cuando las personas detectan y evalúan peligros. La actividad eléctrica del cerebro, registrada como EEG, refleja la intensidad con la que distintas regiones corticales están trabajando. La actividad electrodermal (EDA) capta pequeños cambios en la conductancia de la piel relacionados con la actividad de las glándulas sudoríparas, un indicador clásico de excitación y vigilancia. La variabilidad de la frecuencia cardíaca (HRV) describe fluctuaciones sutiles en el tiempo entre latidos, que revelan cómo el sistema nervioso autónomo equilibra estrés y recuperación. En lugar de fiarse solo de autoinformes o tiempos de reacción simples, el equipo buscó fusionar estas tres corrientes en una imagen más rica del nivel de percepción de peligros de un operador.

Simulando una sala de control real

Para mantener el experimento realista, reclutaron a 23 operadores profesionales de centros inteligentes de monitorización de seguridad en minas de carbón. En el laboratorio, el equipo recreó una disposición de múltiples pantallas usando software especializado. Los participantes vieron 286 imágenes reales de minas de carbón en cuatro pantallas a la vez, algunas mostrando escenas peligrosas —como trabajadores sin casco, acumulación de metano, agua en túneles o techos inestables— y otras condiciones seguras. Para cada imagen, los operadores debían decidir rápidamente si era peligrosa o segura mediante pulsaciones de teclado y luego valorar su propia conciencia del peligro con un cuestionario adaptado al trabajo en minas de carbón.

Convertir señales crudas en una puntuación de peligro

Mientras los operadores trabajaban, el sistema registró de forma continua EEG en ocho ubicaciones del cuero cabelludo, conductancia cutánea en la mano y actividad cardíaca mediante un dispositivo ponible. Los investigadores limpiaron cuidadosamente los datos para eliminar ruido como parpadeos, y luego dividieron las grabaciones continuas en ventanas cortas de cinco segundos. De cada ventana extrajeron docenas de características —por ejemplo, potencia en distintas bandas de ondas cerebrales, componentes lentos y rápidos de la conductancia de la piel y una variedad de medidas de variabilidad cardíaca. De forma separada, el nivel global de percepción de peligros de cada operador se cuantificó combinando tres elementos: puntuaciones del cuestionario, tiempo de reacción medio (tratando lo más rápido como mejor) y precisión. Usando umbrales estadísticos, cada ventana de datos se etiquetó como reflejo de una percepción de peligro baja, moderada o alta. A continuación se entrenaron modelos de aprendizaje automático y aprendizaje profundo para reconocer estos niveles solo a partir de la fisiología.

Lo que el cuerpo revela cuando aumenta la percepción del peligro

El análisis mostró patrones claros y significativos. A medida que aumentaba la percepción del peligro, algunas bandas de ondas cerebrales en regiones frontales —especialmente theta, alfa y beta— se fortalecieron, lo que indica un procesamiento cognitivo más focalizado. Ciertas medidas de conductancia de la piel, que reflejan cuánto y con qué imprevisibilidad sudaba la piel, aumentaron cuando los operadores estaban más sintonizados con los peligros, coherente con una mayor activación del sistema nervioso simpático. La frecuencia cardíaca tendió a ser mayor en niveles superiores de percepción de peligro, mientras que algunas medidas de variabilidad a largo plazo resultaron menos sensibles en estas tareas breves. Estas tendencias confirmaron que las señales del cuerpo rastrean genuinamente cuán eficazmente las personas detectan peligros en las pantallas.

Enseñar a las máquinas a detectar poca alerta

El equipo comparó 12 algoritmos diferentes, desde árboles de decisión clásicos y máquinas de vectores de soporte hasta un método moderno de gradiente potenciado llamado LightGBM y una red neuronal convolucional unidimensional. LightGBM destacó: usando los tres tipos de señales juntos (EEG, EDA y HRV), clasificó el nivel de percepción de peligros con una impresionante precisión del 99,89 %, con muy pocas falsas alarmas o casos perdidos. El modelo de aprendizaje profundo también rindió de forma excelente. Es importante señalar que combinar las tres fuentes fisiológicas superó a cualquier señal única o pareja, mostrando que cerebro, piel y corazón aportan piezas de información únicas sobre el estado del operador.

De minas más inteligentes a trabajos más seguros

Para el lector no especializado, la conclusión es que esta investigación demuestra una forma práctica de “monitorizar a los monitores”. Siguiendo discretamente las ondas cerebrales, la respuesta cutánea y los ritmos cardíacos de un operador, un sistema inteligente puede inferir cuándo su capacidad para notar peligros está disminuyendo —quizá por fatiga, sobrecarga o distracción— y activar intervenciones oportunas, como descansos, reasignación de tareas o apoyo adicional. Aunque se necesita más prueba en minas reales, el enfoque apunta a futuras salas de control donde los sistemas de seguridad protejan no solo máquinas y túneles, sino también la atención humana que separa la advertencia temprana de la catástrofe.

Cita: 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

Palabras clave: seguridad en minas de carbón, percepción de peligros, monitorización fisiológica, aprendizaje automático, fatiga del operador