オペレーターの危険知覚レベルを評価するためのマルチソース生理データ駆動手法

監視者を監視することが重要な理由

地中深くにある現代の炭鉱では、作業現場の人ではなく遠隔の管制室に頼ることが増えています。これらの部屋では、オペレーターが壁一面の映像モニターを注視し、危険の最初の兆候を探します。ガス漏れや岩盤の亀裂、コンベヤーベルトからの火花を見落とせば、致命的な事故につながり得ます。本研究は単純だが重要な問いを投げかけます：オペレーターの身体が発する隠れた信号を読み取ることで、リアルタイムにその「危険レーダー」の鋭さを見分けられるか、ということです。

身体の静かな警報を読む

研究者たちは、危険を認識し評価するときに変化する三種類の生理信号に注目しました。脳の電気活動を表すEEG（脳波）は、皮質の異なる領域がどれだけ活発に働いているかを反映します。皮膚導電活動（EDA）は発汗腺の活動に伴う皮膚電導度の微小な変化をとらえ、覚醒や警戒の古典的な指標です。心拍変動（HRV）は心拍間隔のわずかな揺らぎを示し、自律神経系がストレスと回復をどうバランスしているかを明らかにします。自己申告や単純な反応時間だけに頼るのではなく、研究チームはこれら三つの情報を統合して、オペレーターの危険知覚レベルをより豊かに描出しようとしました。

実際の管制室を模擬

実験を現実的に保つために、知能化された炭鉱安全監視センターから23名のプロのオペレーターを募集しました。実験室では専用ソフトウェアを用いてマルチスクリーンの監視環境を再現しました。参加者は四つの画面に同時表示される286枚の実際の炭鉱画像を見て、ヘルメット未着用の作業者、メタン濃度の上昇、トンネル内の浸水、不安定な天井など危険を示すシーンや、安全な状況の画像を含むセットを閲覧しました。各画像について、オペレーターはキーボードで危険か安全かを素早く判断し、その後炭鉱作業向けに調整された質問票で自身の危険認識を評価しました。

生の信号を危険スコアに変える

オペレーターが作業する間、システムは頭皮の8箇所からのEEG、手の皮膚導電、ウェアラブル機器からの心拍データを継続的に記録しました。研究者らは瞬きなどのノイズを除去してデータを丁寧にクリーンアップし、連続記録を5秒ごとの短いウィンドウに分割しました。各ウィンドウからは、異なる脳波帯域のパワー、皮膚導電の遅い・速い成分、各種の心拍変動指標など、数十の特徴量を抽出しました。個々のオペレーターの全体的な危険知覚レベルは、質問票の得点、平均反応時間（速いほど良いと扱う）、および正答率の3つを組み合わせて定量化しました。統計的な閾値を用いて、各データウィンドウに低・中・高のいずれかの危険知覚ラベルを付与し、その後機械学習や深層学習モデルを用いて、生理学的データだけからこれらのレベルを識別するようにモデルを訓練しました。

危険認識が高まると身体は何を示すか

解析は明確で意味のあるパターンを示しました。危険知覚が高まると、前頭部領域のいくつかの脳波帯域—特にシータ、アルファ、ベータ—のパワーが増し、より集中した認知処理が行われていることを示しました。皮膚導電の特定の指標は、皮膚の発汗量やその予測不能性が増すことを反映し、オペレーターが危険により敏感になっているときに上昇しました。これは交感神経系の活性化と一致します。心拍数は一般に危険知覚レベルが高いときに上がり、一方で短時間の課題では一部の長期的な変動指標は感度が低めでした。これらの傾向は、身体の信号が人々が画面上の危険をどれだけ効果的に察知しているかを実際に追跡していることを裏付けました。

低い注意状態を見抜く機械を訓練する

チームは決定木やサポートベクターマシンといった古典的なアルゴリズムから、LightGBMと呼ばれる最新の勾配ブースティング法や一次元畳み込みニューラルネットワークまで、12種類のアルゴリズムを比較しました。LightGBMが際立っていました：EEG、EDA、HRVの三信号をすべて組み合わせることで、危険知覚レベルを99.89%という驚異的な精度で分類し、誤報や見落としが極めて少なかったのです。深層学習モデルも非常に高い性能を示しました。重要なのは、三つの生理学的情報を組み合わせることで、単一または二つの信号に頼るよりも優れた成果が得られたことであり、脳、皮膚、心臓がそれぞれオペレーターの状態に関する独自の手がかりを提供していることを示しています。

より賢い鉱山からより安全な作業へ

専門外の読み手にとっての結論は、この研究が「監視者を監視する」実用的な方法を示したことです。オペレーターの脳波、皮膚反応、心拍リズムを静かに追跡することで、注意力の低下—疲労や負荷、気晴らしが原因かもしれません—を推測し、休憩や作業再配分、追加サポートなどの適切な介入をタイムリーに促すことができるということです。実際の鉱山でのさらなる検証は必要ですが、この手法は将来の管制室が機械や坑道だけでなく、早期警報と災害の間に立つ人間の注意力をも保護する方向を示しています。

引用: 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

キーワード: 炭坑の安全, 危険知覚, 生理学的モニタリング, 機械学習, オペレーターの疲労