Une méthode multi-source fondée sur des données physiologiques pour évaluer le niveau de perception des dangers des opérateurs

Pourquoi il est important d’observer ceux qui surveillent

En profondeur, les mines de charbon modernes dépendent de plus en plus de salles de contrôle à distance plutôt que de personnels au front. Dans ces salles, les opérateurs scrutent des murs d’écrans vidéo, à la recherche des premiers signaux de danger. S’ils manquent une fuite de gaz, une fissure du toit ou une étincelle d’un convoyeur, la conséquence peut être un accident mortel. Cette étude pose une question simple mais essentielle : peut-on déterminer, en temps réel, l’acuité du « radar du danger » d’un opérateur en écoutant les signaux cachés de son corps ?

Lire les petites sonnettes d’alarme du corps

Les chercheurs se sont concentrés sur trois types de signaux physiologiques qui changent lorsque les personnes repèrent et évaluent des dangers. L’activité électrique du cerveau, enregistrée sous forme d’EEG, reflète l’intensité du travail des différentes régions corticales. L’activité électrodermale (EDA) saisit de minuscules variations de conductance de la peau liées à l’activité des glandes sudoripares, un signe classique d’activation et de vigilance. La variabilité de la fréquence cardiaque (HRV) décrit de subtiles fluctuations dans le temps entre les battements du cœur, révélant comment le système nerveux autonome équilibre stress et récupération. Plutôt que de s’appuyer uniquement sur des auto‑évaluations ou des temps de réaction simples, l’équipe a cherché à fusionner ces trois flux pour obtenir une image plus riche du niveau de perception des dangers d’un opérateur.

Simuler une vraie salle de contrôle

Pour conserver le réalisme de l’expérience, 23 opérateurs professionnels issus de centres de surveillance de la sécurité des mines intelligentes ont été recrutés. En laboratoire, l’équipe a recréé une configuration de surveillance multi‑écrans à l’aide d’un logiciel spécialisé. Les participants ont regardé 286 images réelles de mines de charbon sur quatre écrans simultanément, certaines montrant des situations dangereuses — comme des travailleurs sans casque, une accumulation de méthane, de l’eau dans les galeries ou des toits instables — et d’autres des conditions sûres. Pour chaque image, les opérateurs devaient décider rapidement si la scène était dangereuse ou sûre via des pressions sur le clavier, puis évaluer leur propre conscience du danger à l’aide d’un questionnaire adapté au travail en mine de charbon.

Transformer des signaux bruts en score de danger

Pendant que les opérateurs travaillaient, le système enregistrait en continu l’EEG à partir de huit emplacements sur le cuir chevelu, la conductance de la peau depuis la main et l’activité cardiaque via un dispositif portable. Les chercheurs ont soigneusement nettoyé les données pour éliminer le bruit tel que les clignements d’yeux, puis ont découpé les enregistrements continus en fenêtres courtes de cinq secondes. À partir de chaque fenêtre, ils ont extrait des dizaines de caractéristiques — par exemple la puissance dans différentes bandes de rythmes cérébraux, les composantes lentes et rapides de la conductance cutanée, et une gamme de mesures de variabilité cardiaque. Séparément, le niveau global de perception des dangers de chaque opérateur a été quantifié en combinant trois éléments : les scores du questionnaire, le temps de réaction moyen (les plus rapides considérés comme meilleurs) et la précision. À l’aide de seuils statistiques, chaque fenêtre de données a été étiquetée comme reflétant une perception des dangers faible, modérée ou élevée. Des modèles d’apprentissage automatique et d’apprentissage profond ont ensuite été entraînés à reconnaître ces niveaux uniquement à partir de la physiologie.

Ce que révèle le corps lorsque la perception du danger augmente

L’analyse a mis en évidence des motifs clairs et significatifs. À mesure que la perception du danger augmentait, certaines bandes d’ondes cérébrales dans les régions frontales — en particulier le theta, l’alpha et le bêta — se renforçaient, indiquant un traitement cognitif plus focalisé. Certaines mesures de conductance cutanée, traduisant l’intensité et l’imprévisibilité de la sudation, augmentaient lorsque les opérateurs étaient plus attentifs aux dangers, cohérent avec une activation accrue du système nerveux sympathique. La fréquence cardiaque avait tendance à être plus élevée aux niveaux supérieurs de perception du danger, tandis que certaines mesures de variabilité à long terme étaient moins sensibles dans ces tâches courtes. Ces tendances confirment que les signaux du corps suivent réellement l’efficacité avec laquelle les personnes repèrent les dangers à l’écran.

Apprendre aux machines à détecter la faible vigilance

L’équipe a comparé 12 algorithmes différents, des arbres de décision classiques et machines à vecteurs de support à une méthode moderne de gradient boosting appelée LightGBM et un réseau de neurones convolutionnel unidimensionnel. LightGBM s’est distingué : en utilisant conjointement les trois types de signaux (EEG, EDA et HRV), il a classé le niveau de perception des dangers avec une précision impressionnante de 99,89 %, avec très peu de fausses alertes ou de cas manqués. Le modèle d’apprentissage profond a également très bien performé. Fait important, la combinaison des trois sources physiologiques a surpassé n’importe quel signal seul ou toute paire, montrant que le cerveau, la peau et le cœur apportent chacun des informations uniques sur l’état de l’opérateur.

Des mines plus intelligentes à un travail plus sûr

Pour un non‑spécialiste, l’essentiel est que cette recherche démontre une manière pratique de « surveiller les surveillants ». En suivant discrètement les ondes cérébrales, la réponse cutanée et les rythmes cardiaques d’un opérateur, un système intelligent peut inférer quand sa capacité à repérer le danger décline — peut‑être en raison de la fatigue, d’une surcharge ou d’une distraction — et déclencher des interventions opportunes, comme des pauses, une réaffectation des tâches ou un soutien supplémentaire. Bien que des tests supplémentaires en situation réelle soient nécessaires, l’approche ouvre la voie à des salles de contrôle futures où les systèmes de sécurité protègent non seulement les machines et les galeries, mais aussi l’attention humaine qui sépare l’alerte précoce de la catastrophe.

Citation: 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

Mots-clés: sécurité des mines de charbon, perception des dangers, surveillance physiologique, apprentissage automatique, fatigue des opérateurs