Un metodo basato su dati fisiologici multi-sorgente per valutare il livello di percezione del pericolo degli operatori

Perché vale la pena osservare chi osserva

In profondità sotto terra, le miniere di carbone moderne si affidano sempre più a sale di controllo remote anziché a persone in prima linea. In queste sale, gli operatori fissano pareti di schermi video, cercando i primi segni di pericolo. Se trascurano una fuoriuscita di gas, una crepa nel tetto o una scintilla da un nastro trasportatore, il risultato può essere un incidente mortale. Questo studio pone una domanda semplice ma vitale: possiamo capire, in tempo reale, quanto è acuto il “radar del pericolo” di un operatore ascoltando i segnali nascosti del suo corpo?

Leggere i silenziosi campanelli d’allarme del corpo

I ricercatori si sono concentrati su tre tipi di segnali fisiologici che cambiano quando le persone notano e valutano i pericoli. L’attività elettrica del cervello, registrata come EEG, riflette quanto intensamente lavorano diverse regioni della corteccia. L’attività elettrodermica (EDA) cattura piccole variazioni nella conduttanza della pelle legate all’attività delle ghiandole sudoripare, un segno classico di eccitazione e vigilanza. La variabilità della frequenza cardiaca (HRV) descrive sottili fluttuazioni nell’intervallo tra battiti cardiaci, rivelando come il sistema nervoso autonomo bilancia stress e recupero. Invece di affidarsi solo a autovalutazioni o tempi di reazione semplici, il team ha cercato di fondere questi tre flussi in un quadro più ricco del livello di percezione del pericolo dell’operatore.

Simulare una vera sala di controllo

Per mantenere l’esperimento realistico sono stati reclutati 23 operatori professionisti provenienti da centri di monitoraggio per la sicurezza delle miniere intelligenti. In laboratorio, il team ha ricreato una configurazione di monitor multipli usando software specializzato. I partecipanti hanno visualizzato 286 immagini reali di miniere di carbone su quattro schermi contemporaneamente, alcune raffiguranti scene pericolose — come operai senza casco, accumulo di metano, acqua nei tunnel o tetti instabili — e altre condizioni sicure. Per ogni immagine, gli operatori dovevano decidere rapidamente se fosse pericolosa o sicura tramite pressioni da tastiera, poi valutare la propria consapevolezza del pericolo usando un questionario su misura adattato al lavoro in miniera.

Trasformare i segnali grezzi in un punteggio di pericolo

Durante il lavoro degli operatori, il sistema registrava continuamente EEG da otto posizioni sul cuoio capelluto, la conduttanza della pelle dalla mano e l’attività cardiaca da un dispositivo indossabile. I ricercatori hanno pulito attentamente i dati per rimuovere il rumore come i battiti delle palpebre, poi hanno suddiviso le registrazioni continue in brevi finestre di cinque secondi. Da ciascuna finestra hanno estratto decine di caratteristiche — per esempio, la potenza in diverse bande di onde cerebrali, componenti lente e veloci della conduttanza cutanea e una serie di misure di variabilità cardiaca. Separatamente, il livello complessivo di percezione del pericolo di ogni operatore è stato quantificato combinando tre elementi: i punteggi del questionario, il tempo di reazione medio (con tempi più rapidi considerati migliori) e la precisione. Usando soglie statistiche, ogni finestra di dati è stata etichettata come riflettente bassa, moderata o alta percezione del pericolo. Sono quindi stati addestrati modelli di machine learning e deep learning per riconoscere questi livelli esclusivamente dalla fisiologia.

Cosa rivela il corpo quando la percezione del pericolo aumenta

L’analisi ha mostrato schemi chiari e significativi. All’aumentare della percezione del pericolo, alcune bande di oscillazione cerebrale nelle regioni frontali — in particolare theta, alpha e beta — si rafforzavano, indicando un’elaborazione cognitiva più focalizzata. Alcune misure della conduttanza cutanea, che riflettono quanto e con quale imprevedibilità la pelle sudasse, aumentavano quando gli operatori erano più sintonizzati sui pericoli, coerentemente con una maggiore attivazione del sistema nervoso simpatico. La frequenza cardiaca tendeva ad essere più alta ai livelli maggiori di percezione del pericolo, mentre alcune misure di variabilità a lungo termine risultavano meno sensibili in questi compiti brevi. Queste tendenze hanno confermato che i segnali del corpo tracciano genuinamente quanto efficacemente le persone individuano il pericolo sugli schermi.

Insegnare alle macchine a individuare bassa vigilanza

Il team ha confrontato 12 algoritmi diversi, dai classici alberi decisionali e macchine a vettori di supporto fino a un moderno metodo di gradient boosting chiamato LightGBM e una rete neurale convoluzionale unidimensionale. LightGBM si è distinto: usando insieme i tre tipi di segnale (EEG, EDA e HRV), ha classificato il livello di percezione del pericolo con un’impressionante accuratezza del 99,89%, con pochissimi falsi allarmi o casi mancati. Anche il modello di deep learning ha mostrato prestazioni molto elevate. È importante sottolineare che combinare tutte e tre le sorgenti fisiologiche ha superato qualsiasi singolo segnale o coppia, dimostrando che cervello, pelle e cuore ciascuno forniscono informazioni uniche sullo stato dell’operatore.

Dalle miniere più intelligenti a un lavoro più sicuro

Per un lettore non specialista, la conclusione è che questa ricerca dimostra un modo praticabile per “monitorare i monitor”. Tracciando silenziosamente onde cerebrali, risposte cutanee e ritmi cardiaci di un operatore, un sistema intelligente può inferire quando la sua capacità di notare il pericolo sta calando — forse a causa di affaticamento, sovraccarico o distrazione — e attivare interventi tempestivi, come pause, riallocazione dei compiti o supporto aggiuntivo. Pur richiedendo ulteriori test in miniere reali, l’approccio indica sale di controllo future in cui i sistemi di sicurezza proteggono non solo macchine e gallerie, ma anche l’attenzione umana che sta tra l’allerta precoce e la catastrofe.

Citazione: 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

Parole chiave: sicurezza nelle miniere di carbone, percezione del pericolo, monitoraggio fisiologico, apprendimento automatico, affaticamento dell’operatore