מחקר על זיהוי עייפות במפעילי רחפנים המבוסס על שיטת ה-Random Decision Forest

מדוע חשוב להשאיר את הטייסים של הרחפנים ערים

כאשר רחפנים מבצעים יותר משימות — מבדיקת קווי חשמל ועד סיוע במשימות חילוץ — האנשים שמטיסים אותם מהקרקע חייבים להישאר מרוכזים. עם זאת, משימות ארוכות, מסכים חוזרים והמשמרות הליליות עלולים לדחוף את המפעילים בעדינות לכיוון עייפות, מה שמגביר את הסיכון לטעויות יקרות או מסכנות חיים. מאמר זה בוחן כיצד מערכת מבוססת מצלמה יכולה לצפות בפני הטייס בזמן אמת ולהשתמש בשיטת למידת מכונה שקופה על מנת להחליט מתי מישהו נהיה מדי עייף כדי לטוס בבטחה.

שלוש דרכים לזהות מפעיל ישנוני

המחברים פותחים בתיאור שלושה מתחמים רחבים של זיהוי עייפות. אחד בוחן את התנהגות הרכב: זיגזוג בתוך נתיב, סטייה מהקורס או שגיאות שליטה מרובות. גישה אחרת מנטרת אותות מן הגוף והמוח, כגון גלי מוח, קצב לב, נשימה או הולכת העור. גישות אלה יכולות להיות מדויקות אך לעתים דורשות הלבשת חיישנים, מה שעלול להיות לא נוח ולא מעשי בחדרי בקרה אמיתיים. המשפחה השלישית צופה בהתנהגות חיצונית: תדירות המצמוצים, משך סגירת העיניים, עיכי גיהוק והטיית הראש. מאחר שמצלמות יכולות לתפוס מידע זה ללא מגע עם המפעיל, שיטות התנהגותיות אטרקטיביות במיוחד במרכזי בקרה של רחפנים.

קריאת רמזים מהפנים

המערכת שפותחה בעבודה זו מתמקדת במבחר רמזי פנים שאבות־מחקר קודמים מקשרים לעייפות. ספריית ראייה ממוחשבת עוקבת אחרי נקודות תלת־ממד על פני המפעיל בזרם וידאו חי. מנקודות ציון אלה התוכנית מחשבת את "יחס מאפיין העין" (eye aspect ratio) כדי לאמוד עדת פתיחת העיניים, את החלק היחסי של הזמן שבו העיניים נשארות בעיקר סגורות במשך דקה (מדד ידוע בשם PERCLOS), כמה רחב נפתח הפה וכמה הראש מוטה קדימה, אחורה או הצידה. התוכנה פועלת במהירות מספקת על חומרה צרכנית כדי לספק משוב בסמוך לזמן אמת, והיא גם מרשמת את כל המדידות לניתוח מאוחר יותר.

כלל פשוט עם גיבוי חכם

כדי להכריע האם טייס עייף, המחברים משלבים כלל מהימן עם מודל גמיש יותר. PERCLOS, שהתמיכה בו חזקה במחקרי שינה ובטיחות, משמש כשומר הסף הראשי: ערכים נמוכים מאוד מעידים על ערנות, ערכים גבוהים מאוד מעידים על עייפות. כאשר PERCLOS נמצא בטווח ביניים, המערכת פונה לממיינת Random Forest שבוחנת יחד את פתיחת העיניים, פתיחת הפה והטיית הראש. יער אקראי הוא אוסף של עצי החלטה קטנים רבים, שכל אחד מהם מצביע על המצב; ההצבעת המשולבת שלהם קובעת את התוצאה. המערכת גם מעמעמת (מאחרת) החלטות על פני חלון זמן קצר, כך שפריים יחיד חריג לא יפעיל אזעקה מיותרת.

להביט בתוך תהליך קבלת ההחלטות של המודל

בשונה ממערכות למידה עמוקה רבות הפועלות כ"קופסאות שחורות" לא שקופות, ניתן לחקור את היער האקראי כדי לגלות כיצד הוא מגיע להחלטותיו. המחברים אימנו את המודל שלהם על מאגר וידאו מקובל לזיהוי עייפות בנהיגה ובחנו אותו גם על נבדקים שמורים מאותו מערך וגם על מאגר נפרד. הביצועים היו מוצקים, עם הנטייה של המערכת להפעיל אזעקה שווא מאשר לפספס מפעיל ישנוני — פיצול סיכון בטוח יותר בתעופה. על ידי שירטוט כיצד סיכון החיזוי משתנה כאשר כל תכונה מתחלפת, הם מראים, למשל, שפתיחות עיניים קטנה מאוד דוחפת את המודל לעבר הכרעת עייפות, בעוד שהטיות ראש קיצוניות הופכות חשודות רק מעבר לזווית מסוימת. ניתוח חשיבות התכונות מאשר שפתיחות העין שולטת בהכרעת המודל, כאשר פתיחת הפה והטיית הראש ממלאות תפקידים תומכים.

מה משמעות הדבר לטיסות רחפנים בטוחות יותר

המחקר מסכם שמערכת ניטור פנים ברת-פירוש, המשענת על מדד סגירת העפעף בעל תקפות טובה ומגובה ביער אקראי, יכולה לסמן בעקביות עייפות במפעילי רחפנים מבלי לחברם לכלים רפואיים. במקביל, המודל השקוף חושף הטיות וחוסרים בנתוני האימון, ומנחה כיצד לשפר מערכות עתידיות — למשל, בהוספת נבדקים מגוונים יותר, תנאי תאורה משתנים ואותות נוספים מהרחפן עצמו. במלים פשוטות, עבודה זו מציגה דרך לעבר ניטור בטיחות בסגנון תא הטייס עבור טייסים מרוחקים, שהיא גם מעשית לפריסה וגם פתוחה ללמידה ובחינה, ותסייע לארגונים לבסס ולשפר את הטכנולוגיה שמפקחת על צוותיהם.

ציטוט: Wojtowicz, K., Wojciechowski, P. & Panasiewicz, A. Research on drowsiness detection in UAV operators based on the random decision forest method. Sci Rep 16, 9726 (2026). https://doi.org/10.1038/s41598-026-39195-y

מילות מפתח: זיהוי עייפות, מפעילי רחפנים, ניטור פנים, יער אקראי, בטיחות טיסה