En multisignal, fysiologidriven metod för att bedöma operatörers faroperceptionsnivå

Varför det är viktigt att övervaka de som övervakar

Djupt under jord förlitar sig moderna kolgruvor i allt högre grad på fjärrstyrda kontrollrum snarare än personal vid bergväggen. I dessa rum stirrar operatörer på väggar av videoskärmar och letar efter de tidigaste tecknen på fara. Om de missar en gasläcka, en takspricka eller en gnista från ett transportband kan följden bli en dödlig olycka. Denna studie ställer en enkel men avgörande fråga: kan vi i realtid avgöra hur skarp en operatörs "faranärvaro" är genom att lyssna på kroppens dolda signaler?

Läsa kroppens tysta larmklockor

Forskarlaget fokuserade på tre typer av fysiologiska signaler som förändras när människor uppmärksammar och bedömer faror. Elektrisk aktivitet i hjärnan, inspelad som EEG, speglar hur intensivt olika delar av cortex arbetar. Elektrodermal aktivitet (EDA) fångar små förändringar i hudens ledningsförmåga kopplade till svettkörtelaktivitet, ett klassiskt tecken på aktivering och vaksamhet. Hjärtvariabilitet (HRV) beskriver subtila fluktuationer i tiden mellan hjärtslagen och visar hur det autonoma nervsystemet balanserar stress och återhämtning. Istället för att förlita sig enbart på självrapporter eller enkla reaktionstider ville teamet slå samman dessa tre strömmar till en rikare bild av en operatörs faroperceptionsnivå.

Simulera ett verkligt kontrollrum

För att hålla experimentet realistiskt rekryterades 23 yrkesverksamma operatörer från intelligenta övervakningscentraler för kolgruvsäkerhet. I laboratoriet återskapade teamet en multiscreen-övervakningsuppsättning med specialiserad programvara. Deltagarna visade 286 verkliga kolgruvsbilder på fyra skärmar samtidigt; vissa visade farliga scenarier—som arbetare utan hjälmar, metanuppbyggnad, vatten i tunnlar eller ostabila tak—medan andra visade säkra förhållanden. För varje bild skulle operatörerna snabbt bedöma om den var farlig eller säker med tangenttryckningar och sedan självskatta sin faromedvetenhet med ett skräddarsytt frågeformulär anpassat till kolgruvsarbete.

Omvandla råa signaler till en faropoäng

Medan operatörerna arbetade spelade systemet kontinuerligt in EEG från åtta skalplägen, hudledningssignal från handen och hjärtaktivitet från en bärbar enhet. Forskarna rengjorde noggrant data för att ta bort brus som ögonblinkningar och delade därefter upp de kontinuerliga inspelningarna i korta femsekundersfönster. Från varje fönster extraherade de dussintals funktioner—till exempel effekt i olika hjärnvågsband, långsamma och snabba komponenter i hudledningen samt en rad mått på hjärtvariabilitet. Separat kvantifierades varje operatörs övergripande faroperceptionsnivå genom att kombinera tre saker: frågeformulärspoäng, genomsnittlig reaktionstid (där snabbare betraktades som bättre) och noggrannhet. Med statistiska gränsvärden märktes varje datafönster som reflekterande låg, måttlig eller hög faroperception. Maskininlärnings- och djupinlärningsmodeller tränades sedan för att känna igen dessa nivåer enbart utifrån fysiologin.

Vad kroppen avslöjar när faroperceptionen ökar

Analysen visade tydliga och meningsfulla mönster. När faroperceptionen ökade blev vissa hjärnvågsband i frontala regioner—särskilt theta, alfa och beta—starkare, vilket indikerar mer fokuserad kognitiv bearbetning. Vissa mått på hudledningsaktivitet, som speglar hur mycket och hur oförutsägbart huden svettades, ökade när operatörerna var mer inriktade på faror, i linje med ökad sympatisk nervsystemaktivering. Puls tenderade att vara högre vid högre faroperceptionsnivåer, medan vissa långsiktiga variabilitetsmått var mindre känsliga i dessa korta uppgifter. Dessa trender bekräftade att kroppens signaler verkligen följer hur effektivt personer upptäcker fara på skärmarna.

Lära maskiner att upptäcka låg medvetenhet

Teamet jämförde 12 olika algoritmer, från klassiska beslutsträd och supportvector-maskiner till en modern gradientboostmetod kallad LightGBM och ett endimensionellt konvolutionellt neuralt nätverk. LightGBM utmärkte sig: genom att använda alla tre signaltyper tillsammans (EEG, EDA och HRV) klassificerade den faroperceptionsnivå med imponerande 99,89 % träffsäkerhet, med mycket få falska larm eller missade fall. Djupinlärningsmodellen presterade också mycket väl. Viktigt var att kombinationen av alla tre fysiologiska källor överträffade varje enskild signal eller par, vilket visar att hjärnan, huden och hjärtat vardera bidrar med unika informationsbitar om en operatörs tillstånd.

Från smartare gruvor till säkrare arbete

För en icke-specialist är slutsatsen att denna forskning visar ett praktiskt sätt att "övervaka de som övervakar." Genom att tyst spåra en operatörs hjärnvågor, hudreaktioner och hjärtrytm kan ett intelligent system dra slutsatsen när deras förmåga att upptäcka fara sviktar—kanske på grund av trötthet, överbelastning eller distraktion—och utlösa tidsanpassade åtgärder som pauser, omfördelning av uppgifter eller extra stöd. Även om mer testning i verkliga gruvor krävs, pekar tillvägagångssättet mot framtida kontrollrum där säkerhetssystem skyddar inte bara maskiner och tunnlar utan också den mänskliga uppmärksamheten som står mellan tidig varning och katastrof.

Citering: 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

Nyckelord: gruvsäkerhet, faroperception, fysiologisk övervakning, maskininlärning, operatörströtthet