Метод оценки уровня восприятия опасности операторов на основе многопоточных физиологических данных

Почему важно наблюдать за наблюдающими

Глубоко под землёй современные угольные шахты всё чаще опираются на удалённые диспетчерские, а не на людей у забоя. В таких помещениях операторы смотрят на ряды видеомониторов, выискивая первые признаки опасности. Если они пропустят утечку газа, трещину в кровле или искру от конвейера, это может привести к смертельному инциденту. В этом исследовании поставлен простой, но жизненно важный вопрос: можно ли в реальном времени определить, насколько «радар опасности» оператора остёр, анализируя скрытые сигналы его организма?

Чтение тихих «тревожных сигналов» тела

Исследователи сосредоточились на трёх типах физиологических сигналов, которые меняются, когда люди обнаруживают и оценивают опасность. Электрическая активность мозга, записанная как ЭЭГ, отражает степень вовлечённости разных областей коры. Электродермальная активность (ЭДА) фиксирует крошечные изменения проводимости кожи, связанные с работой потовых желёз — классический маркер возбуждения и бдительности. Вариабельность сердечного ритма (HRV) описывает тонкие флуктуации во времени между ударами сердца и показывает, как вегетативная нервная система балансирует стресс и восстановление. Вместо того чтобы полагаться лишь на самооценки или простые времена реакции, команда поставила задачу объединить эти три потока в более полную картину уровня восприятия опасности оператора.

Моделирование реального диспетчерского

Чтобы эксперимент оставался правдоподобным, привлекли 23 профессиональных оператора из центров интеллектуального мониторинга безопасности угольных шахт. В лаборатории команда воссоздала многоэкранную рабочую станцию с помощью специализированного программного обеспечения. Участники просматривали 286 реальных изображений шахт на четырёх экранах одновременно — некоторые показывали опасные ситуации (например, работников без касок, накопление метана, воду в туннелях или нестабильные кровли), другие — безопасные условия. Для каждого изображения операторы должны были быстро решить с помощью клавиатуры, опасно оно или нет, а затем оценить собственную осведомлённость об опасности по специально адаптированной анкете для шахтёрской работы.

Преобразование сырых сигналов в оценку опасности

Пока операторы работали, система непрерывно записывала ЭЭГ с восьми точек на коже головы, проводимость кожи с руки и сердечную активность с носимого устройства. Исследователи тщательно очищали данные от шумов, таких как моргания, затем делили непрерывные записи на короткие пятисекундные окна. Из каждого окна извлекали десятки признаков — например, мощность в разных полосах мозговых волн, медленные и быстрые компоненты проводимости кожи и множество показателей вариабельности сердечного ритма. Отдельно уровень восприятия опасности каждого оператора был количественно определён как комбинация трёх показателей: баллы анкеты, среднее время реакции (чем быстрее, тем лучше) и точность. С применением статистических порогов каждое окно данных маркировали как отражающее низкий, средний или высокий уровень восприятия опасности. Затем модели машинного и глубокого обучения обучали распознавать эти уровни только по физиологическим данным.

Что тело показывает при повышении восприятия опасности

Анализ выявил чёткие и значимые паттерны. По мере роста восприятия опасности в лобных областях усиливались некоторые диапазоны мозговых волн — особенно тета, альфа и бета — что указывает на более сконцентрированную когнитивную обработку. Определённые показатели проводимости кожи, отражающие объём и непредсказуемость потоотделения, повышались, когда операторы были более настроены на опасности, что соответствует усилению активности симпатической нервной системы. Частота сердечных сокращений в целом была выше при большем уровне восприятия опасности, тогда как некоторые показатели долгосрочной вариабельности оказывались менее чувствительны в этих коротких задачах. Эти тенденции подтверждают, что сигналы тела действительно отслеживают, насколько эффективно люди замечают опасность на экранах.

Обучение машин распознавать низкую внимательность

Команда сравнила 12 различных алгоритмов — от классических решающих деревьев и методов опорных векторов до современного градиентного бустинга LightGBM и одномерной сверточной нейронной сети. LightGBM выделился: при использовании всех трёх типов сигналов вместе (ЭЭГ, ЭДА и HRV) он классифицировал уровень восприятия опасности с впечатляющей точностью 99,89%, с очень малым числом ложных срабатываний и пропусков. Модель глубокого обучения также показала крайне хорошие результаты. Важно, что объединение всех трёх физиологических источников превзошло любую отдельную величину или их пару, показав, что мозг, кожа и сердце вносят уникальные сведения о состоянии оператора.

От умных шахт к более безопасной работе

Для неспециалиста основной вывод таков: это исследование демонстрирует практический способ «наблюдать за наблюдающими». Тихо отслеживая мозговые волны, кожную реакцию и сердечный ритм оператора, интеллектуальная система может выявить, когда его способность замечать опасность снижается — например, из‑за усталости, перегрузки или отвлечения — и инициировать своевременные меры, такие как паузы, перераспределение задач или дополнительная поддержка. Хотя требуется больше испытаний в реальных шахтах, этот подход указывает на будущее диспетчерских, где системы безопасности защищают не только машины и выработки, но и человеческое внимание, стоящее на пути от раннего предупреждения к катастрофе.

Цитирование: 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

Ключевые слова: безопасность угольных шахт, восприятие опасности, физиологический мониторинг, машинное обучение, усталость оператора