Een multisource, door fysiologische gegevens gedreven methode om het gevaarbewustzijnsniveau van operators te beoordelen

Waarom het kijken naar de kijkers ertoe doet

Diep ondergronds vertrouwen moderne steenkoolmijnen steeds vaker op controlekamers op afstand in plaats van mensen aan het front. In deze kamers staren operators naar wanden vol videoschermen en zoeken ze naar de vroegste tekenen van gevaar. Als ze een gaslek, een dakscheur of een vonk van een transportband missen, kan dat leiden tot een dodelijk ongeluk. Deze studie stelt een eenvoudige maar cruciale vraag: kunnen we, in real time, afleiden hoe scherp het ‘gevaarradar’ van een operator is door naar de verborgen signalen van zijn lichaam te luisteren?

De stille alarmbelletjes van het lichaam lezen

De onderzoekers richtten zich op drie soorten fysiologische signalen die veranderen wanneer mensen gevaren opmerken en inschatten. Elektrische activiteit in de hersenen, geregistreerd als EEG, geeft aan hoe intens verschillende delen van de cortex werken. Elektrodermale activiteit (EDA) legt kleine veranderingen in huidgeleiding vast die samenhangen met zweetklieractiviteit, een klassiek teken van opwinding en alertheid. Hartslagvariabiliteit (HRV) beschrijft subtiele fluctuaties in de tijd tussen hartslagen en onthult hoe het autonome zenuwstelsel stress en herstel in balans houdt. In plaats van alleen te vertrouwen op zelfrapportage of eenvoudige reactietijden, wilden de onderzoekers deze drie stromen combineren tot een rijker beeld van het gevaarbewustzijnsniveau van een operator.

Een echte controlekamer simuleren

Om het experiment realistisch te houden, werden 23 professionele operators gerekruteerd uit centra voor intelligente mijnveiligheidsbewaking. In het laboratorium recreëerde het team een multiscreen-monitoromgeving met gespecialiseerde software. De deelnemers bekeken 286 echte steenkoolmijnbeelden op vier schermen tegelijk; sommige beelden toonden gevaarlijke situaties — zoals werknemers zonder helm, ophoping van methaan, water in tunnels of instabiele dakdelen — en andere toonden veilige omstandigheden. Voor elk beeld moesten operators snel beslissen of het gevaarlijk of veilig was met toetsenborddrukken en daarna hun eigen gevaarbewustzijn beoordelen met een op de mijnbouw aangepaste vragenlijst.

Ruwe signalen omzetten in een gevaarscore

Terwijl de operators werkten, registreerde het systeem continu EEG op acht locaties op de schedel, huidgeleiding van de hand en hartactiviteit met een draagbaar apparaat. De onderzoekers schonen de data zorgvuldig om ruis zoals oogknippers te verwijderen en deelden de continue opnames op in korte vensters van vijf seconden. Uit elk venster extraheerden ze tientallen kenmerken — bijvoorbeeld vermogen in verschillende hersengolfbanden, langzame en snelle componenten van huidgeleiding en een reeks HRV‑maten. Apart werd het algemene gevaarbewustzijnsniveau van elke operator gekwantificeerd door drie elementen te combineren: scores uit de vragenlijst, gemiddelde reactietijd (sneller werd als beter beschouwd) en nauwkeurigheid. Met behulp van statistische drempels werd elk datavenster gelabeld als lage, matige of hoge gevaarwaarneming. Vervolgens werden machine learning- en deep learning-modellen getraind om deze niveaus puur op basis van fysiologie te herkennen.

Wat het lichaam prijsgeeft als het gevaarbewustzijn stijgt

De analyse toonde duidelijke en betekenisvolle patronen. Naarmate het gevaarbewustzijn toenam, werden bepaalde hersengolfbanden in frontale gebieden — vooral theta, alfa en bèta — sterker, wat duidt op meer gefocuste cognitieve verwerking. Bepaalde huidgeleidingsmaatregelen, die weergeven hoeveel en hoe onvoorspelbaar de huid zweette, namen toe wanneer operators meer op gevaren waren afgestemd, in overeenstemming met een verhoogde sympathische zenuwstelselactiviteit. De hartslag neigde hoger te zijn bij grotere gevaarwaarneming, terwijl sommige langetermijnvariabiliteitsmaten minder gevoelig bleken in deze korte taken. Deze trends bevestigden dat de lichaamssignalen daadwerkelijk bijhouden hoe effectief mensen gevaren op de schermen herkennen.

Machines leren lage alertheid herkennen

Het team vergeleek 12 verschillende algoritmen, van klassieke beslisbomen en supportvectormachines tot een moderne gradient-boostingmethode genaamd LightGBM en een eendimensionaal convolutioneel neuraal netwerk. LightGBM sprong eruit: met alle drie signaaltypen samen (EEG, EDA en HRV) classificeerde het het gevaarbewustzijnsniveau met een indrukwekkende 99,89% nauwkeurigheid, met zeer weinig valse alarmen of gemiste gevallen. Het deep learning‑model presteerde ook uitstekend. Belangrijk is dat het combineren van alle drie de fysiologische bronnen elk enkel signaal of paar overtrof, wat aangeeft dat hersenen, huid en hart elk unieke informatie leveren over de toestand van een operator.

Van slimmere mijnen naar veiliger werk

Voor niet‑specialisten is de kernboodschap dat dit onderzoek een praktische manier aantoont om ‘de bewakers te bewaken’. Door stilletjes de hersengolven, huidreacties en hartritmes van een operator te volgen, kan een intelligent systeem afleiden wanneer hun vermogen om gevaar te herkennen afneemt — mogelijk door vermoeidheid, overbelasting of afleiding — en tijdig interventies activeren, zoals pauzes, taakherverdeling of extra ondersteuning. Hoewel meer tests in echte mijnen nodig zijn, wijst de aanpak op toekomstige controlekamers waar veiligheidssystemen niet alleen machines en tunnels beschermen, maar ook de menselijke aandacht die het verschil vormt tussen vroege waarschuwing en catastrophe.

Bronvermelding: 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

Trefwoorden: mijnveiligheid, gevaarbewustzijn, fysiologische monitoring, machine learning, operatorvermoeidheid