Metoda oparta na wieloźródłowych danych fizjologicznych do oceny poziomu postrzegania zagrożeń przez operatorów

Dlaczego obserwowanie obserwatorów ma znaczenie

Głęboko pod ziemią nowoczesne kopalnie węgla coraz częściej polegają na salach sterowniczych zamiast na osobach pracujących przy ścianie. W tych pomieszczeniach operatorzy wpatrują się w ściany ekranów wideo, szukając najwcześniejszych oznak niebezpieczeństwa. Jeśli przeoczą wyciek gazu, pęknięcie stropu czy iskry z przenośnika taśmowego, może to skończyć się śmiertelnym wypadkiem. To badanie stawia proste, lecz kluczowe pytanie: czy można w czasie rzeczywistym ocenić, jak czuły jest „radar niebezpieczeństwa” operatora, słuchając ukrytych sygnałów jego ciała?

Odczytywanie cichych alarmów ciała

Naukowcy skupili się na trzech rodzajach sygnałów fizjologicznych, które zmieniają się, gdy ludzie zauważają i oceniają zagrożenia. Aktywność elektryczna mózgu, rejestrowana jako EEG, odzwierciedla, jak intensywnie pracują różne rejony kory. Aktywność elektrodermalna (EDA) rejestruje drobne zmiany przewodnictwa skóry związane z aktywnością gruczołów potowych — klasyczny znak pobudzenia i czujności. Zmienność rytmu serca (HRV) opisuje subtelne fluktuacje w czasie między uderzeniami serca, ujawniając, jak autonomiczny układ nerwowy równoważy stres i regenerację. Zamiast polegać wyłącznie na raportach uczestników czy prostych czasach reakcji, zespół postanowił połączyć te trzy źródła w bogatszy obraz poziomu postrzegania zagrożeń operatora.

Symulacja rzeczywistej sali sterowniczej

Aby eksperyment był realistyczny, zrekrutowano 23 profesjonalnych operatorów z inteligentnych centrów monitorowania bezpieczeństwa kopalń. W laboratorium zespół odtworzył zestaw wieloekranowy za pomocą specjalistycznego oprogramowania. Uczestnicy oglądali 286 rzeczywistych zdjęć z kopalni na czterech ekranach jednocześnie; część przedstawiała sceny niebezpieczne — jak pracownicy bez kasków, nagromadzenie metanu, woda w chodnikach czy niestabilne stropy — a inne pokazywały warunki bezpieczne. Dla każdego obrazu operatorzy mieli szybko zdecydować, czy jest on niebezpieczny, czy bezpieczny, za pomocą klawiatury, a następnie ocenić własną świadomość zagrożeń za pomocą dostosowanego kwestionariusza opracowanego pod kątem pracy w kopalni.

Przekształcanie surowych sygnałów w wynik zagrożenia

Podczas pracy operatorów system ciągle rejestrował EEG z ośmiu miejsc na skórze głowy, przewodnictwo skóry z dłoni oraz aktywność serca z urządzenia noszonego na ciele. Badacze starannie oczyszczali dane, usuwając szumy, takie jak mrugnięcia oczu, a następnie dzielili ciągłe nagrania na krótkie pięciosekundowe okna. Z każdego okna wydobywano dziesiątki cech — na przykład moc w różnych pasmach fal mózgowych, wolne i szybkie składowe przewodnictwa skóry oraz szereg miar zmienności serca. Oddzielnie każdy operatorowi przypisano ogólny poziom postrzegania zagrożeń, łącząc trzy elementy: wyniki z kwestionariusza, średni czas reakcji (gdzie szybszy uznano za lepszy) oraz trafność. Przy użyciu statystycznych granic każde okno danych zostało oznaczone jako odzwierciedlające niski, umiarkowany lub wysoki poziom postrzegania zagrożeń. Następnie trenowano modele uczenia maszynowego i głębokiego, aby rozpoznawać te poziomy wyłącznie na podstawie fizjologii.

Co ciało ujawnia, gdy wzrasta percepcja zagrożenia

Analiza wykazała wyraźne i znaczące wzorce. Wraz ze wzrostem postrzegania zagrożeń niektóre pasma fal mózgowych w obszarach czołowych — szczególnie theta, alfa i beta — wzmacniały się, co wskazuje na bardziej skupione przetwarzanie poznawcze. Niektóre miary przewodnictwa skóry, odzwierciedlające intensywność i nieprzewidywalność pocenia się skóry, rosły, gdy operatorzy byli bardziej wyczuleni na zagrożenia, co odpowiada zwiększonej aktywacji współczulnego układu nerwowego. Tętno miało tendencję do wzrostu przy wyższych poziomach postrzegania zagrożeń, podczas gdy niektóre miary długoterminowej zmienności były mniej czułe w tych krótkich zadaniach. Te tendencje potwierdziły, że sygnały ciała rzeczywiście odzwierciedlają, jak skutecznie ludzie wykrywają niebezpieczeństwo na ekranach.

Nauczanie maszyn wykrywania niskiej uważności

Zespół porównał 12 różnych algorytmów, od klasycznych drzew decyzyjnych i maszyn wektorów nośnych po nowoczesną metodę gradient boosting o nazwie LightGBM oraz jednowymiarową sieć konwolucyjną. Wyróżnił się LightGBM: wykorzystując wszystkie trzy rodzaje sygnałów razem (EEG, EDA i HRV), sklasyfikował poziom postrzegania zagrożeń z imponującą dokładnością 99,89%, z bardzo niewielką liczbą fałszywych alarmów i przeoczeń. Model głębokiego uczenia również osiągnął znakomite wyniki. Co ważne, połączenie wszystkich trzech źródeł fizjologicznych przewyższyło dowolny pojedynczy sygnał lub parę, pokazując, że mózg, skóra i serce dostarczają unikalnych informacji o stanie operatora.

Od inteligentniejszych kopalni do bezpieczniejszej pracy

Dla nietechnicznego odbiorcy najważniejsze jest to, że badanie pokazuje praktyczny sposób na „monitorowanie obserwatorów”. Poprzez ciche śledzenie fal mózgowych operatora, reakcji skóry i rytmów serca, inteligentny system może wnioskować, kiedy jego zdolność do zauważania niebezpieczeństw słabnie — na przykład z powodu zmęczenia, przeciążenia lub rozproszenia — i uruchamiać odpowiednie interwencje, takie jak przerwy, zmiana przydziału zadań czy dodatkowe wsparcie. Choć konieczne są dalsze testy w rzeczywistych kopalniach, podejście wskazuje kierunek w stronę przyszłych sal sterowniczych, gdzie systemy bezpieczeństwa chronią nie tylko maszyny i korytarze, lecz także ludzką uwagę, stojącą między wczesnym ostrzeżeniem a katastrofą.

Cytowanie: 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

Słowa kluczowe: bezpieczeństwo kopalni węgla, postrzeganie zagrożenia, monitorowanie fizjologiczne, uczenie maszynowe, zmęczenie operatora