שיטה מבוססת נתונים פיזיולוגיים מרובי-מקורות להערכת רמת תפיסת הסיכון של מפעילים

מדוע חשוב לצפות בצופים

עומק מתחת לאדמה, מכרות פחם מודרניים נשענים יותר ויותר על חדרי שליטה מרוחקים ולא על אנשים בקו החזית. בחדרים אלה, מפעילים בוחנים קירות של מסכי וידאו, מחפשים את הסימנים הראשונים של סכנה. אם הם מפספסים דליפת גז, סדק בתקרה או ניצוץ מחגורת ההעברה, התוצאה עלולה להיות תאונה קטלנית. המחקר שואל שאלה פשוטה אך חיונית: האם ניתן, בזמן אמת, לקבוע עד כמה חד ה"רדאר" של המפעיל לזיהוי סכנה, על ידי האזנה לאותות החבויים של גופו?

קריאת פעמוני האזעקה השקטים של הגוף

החוקרים התמקדו בשלושה סוגי אותות פיזיולוגיים שמשתנים כאשר אנשים מבחינים ומעריכים סכנות. פעילות חשמלית במוח, שנרשמת כ-EEG, משקפת עד כמה אזורים שונים של הקורטקס פעילים. פעילות אלקטרודרמלית (EDA) קולטת שינויים זעירים במוליכות העור הקשורים לפעילות בלוטות הזיעה — סימן קלאסי לעוררות וערנות. שונות קצב הלב (HRV) מתארת תנודות עדינות בזמן בין פעימות הלב, וחושפת כיצד מערכת העצבים האוטונומית מאזנת בין לחץ והתאוששות. במקום להסתמך על דיווחי סובייקטיביים או על זמני תגובה פשוטים בלבד, הצוות ביקש למזג את שלושת הזרמים האלה לתמונה עשירה יותר של רמת תפיסת הסיכון של המפעיל.

חיקוי חדר בקרה אמיתי

כדי לשמור על ריאליזם בניסוי גוייסו 23 מפעילים מקצועיים ממרכזי ניטור בטיחות חכמים במכרות פחם. במעבדה שחזר הצוות סידור עם מספר מסכים באמצעות תוכנה מיוחדת. המשתתפים צפו ב-286 תמונות אמיתיות ממכרות פחם על ארבעה מסכים בבת אחת, חלקן מתארות סצנות מסוכנות — כמו עובדים ללא קסדות, הצטברות מתאן, מים במנהרות או תקרות בלתי יציבות — ואחרות מציגות תנאים בטוחים. עבור כל תמונה נדרשו המפעילים להחליט במהירות האם היא מסוכנת או בטוחה באמצעות לחיצות מקלדת, ואז לדרג את מודעותם לסכנה באמצעות שאלון מותאם לעבודה במכרות פחם.

הפיכת האותות הגולמיים לציון סיכון

בזמן שהמפעילים עבדו, המערכת הקליטה ברצף EEG משמונה מוקדים על הקרקפת, מוליכות עור מהיד, ופעילות לבבית ממכשיר לביש. החוקרים ניקו בקפידה את הנתונים להסרת רעשים כמו מצמוצי עיניים, וחיתכו את ההקלטות הרציפות לחלונות קצרים של חמש שניות. מכל חלון חילצו עשרות מאפיינים — לדוגמה, עוצמה בתחומי גלים מוחיים שונים, רכיבים איטיים ומהירים של מוליכות העור, וטווח של מדדי שונות קצב הלב. באופן נפרד, רמת תפיסת הסיכון הכוללת של כל מפעיל כוויה משילוב של שלושה מרכיבים: ציוני השאלון, זמן תגובה ממוצע (מהיר יותר נחשב לטוב יותר), ודיוק. באמצעות חתכי סטטיסטיקה סומנו חלונות נתונים כמשקפים תפיסת סיכון נמוכה, בינונית או גבוהה. לאחר מכן אילפו מודלים של למידת מכונה ולמידה עמוקה לזהות רמות אלה על סמך הפיזיולוגיה בלבד.

מה הגוף מגלה כשהתפיסה של הסכנה עולה

הניתוח הראה דפוסים ברורים ומשמעותיים. ככל שתפיסת הסיכון עלתה, חלק מרצועות הגלים המוחיים באזורים קדמיים — במיוחד תטא, אלפא ובאטה — התחזקו, מה שמעיד על עיבוד קוגניטיבי מרוכז יותר. מדדים מסוימים של מוליכות העור, המשקפים כמה ובאילו שינויים בלתי צפויים העור הזיע, עלו כאשר המפעילים היו יותר מכוונים לסכנות, בהתאמה להגברה של פעילות המערכת הסימפתטית. קצב הלב נטה להיות גבוה יותר ברמות תפיסת סיכון גבוהות, בעוד שמדדי שונות ארוכת-טווח היו פחות רגישים במשימות קצרות אלה. מגמות אלה איששו שהאותות של הגוף אכן עוקבים אחרי היעילות שבה אנשים מזהים סכנות על המסכים.

להורות למכונות לזהות מודעות נמוכה

הצוות השווה 12 אלגוריתמים שונים, מעצי החלטה קלאסיים ומכונות וקטור תומך ועד שיטה מודרנית של הגברת גרדיאנט בשם LightGBM ורשת נוירונים קונבולוציונית חד-ממדית. LightGBM בלט: בשימוש בכל שלושת סוגי האותות יחד (EEG, EDA ו-HRV), הוא סיווג את רמת תפיסת הסיכון בדיוק מרשים של 99.89%, עם מעט אזעקות שווא ומקרים מפוספסים. גם מודל הלמידה העמוקה הציג ביצועים מצוינים. חשוב לציין כי שילוב של שלושת המקורות הפיזיולוגיים הקנה תוצאה טובה יותר מכל אות יחיד או צמד, והראה שהמוח, העור והלב מספקים כל אחד חתיכות מידע ייחודיות על מצבו של המפעיל.

ממכרות חכמות לעבודה בטוחה יותר

ללא התמחות מיוחדת, המסקנה היא שהמחקר מדגים דרך מעשית "לנטר את הנטרים". על ידי מעקב שקט אחר גלי המוח, תגובת העור וקצב הלב של המפעיל, מערכת חכמה יכולה להסק מסקנה מתי יכולתו להבחין בסכנה מצטנעת — אולי עקב עייפות, עומס או הסחת דעת — ולהפעיל התערבויות בזמן, כמו הפסקות, חלוקה מחדש של משימות או תמיכה נוספת. אמנם נדרשים ניסויים נוספים במכרות אמיתיים, הגישה מצביעה על חדרי בקרה עתידיים שבהם מערכות בטיחות מגינות לא רק על המכונות והמנהרות, אלא גם על תשומת הלב האנושית שעומדת בין התרעה מוקדמת לאסון.

ציטוט: 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

מילות מפתח: בטיחות במכרות פחם, תפיסת סיכון, ניטור פיזיולוגי, למידת מכונה, עייפות מפעיל