Operatörlerin tehlike algılama düzeyini değerlendirmek için çok kaynaklı fizyolojik veriye dayalı bir yöntem

Nöbetçileri izlemek neden önemli

Yeraltında, modern kömür madenleri giderek daha fazla insanların yüzeyde değil, uzak kontrol odalarındaki görevlere dayanmaktadır. Bu odalarda operatörler, tehlikenin ilk işaretlerini yakalamaya çalışarak duvarlar dolusu video ekranına bakarlar. Bir gaz kaçağını, tavan çatlağını veya konveyör bandından çıkan kıvılcımı kaçırırlarsa sonuç ölümcül bir kaza olabilir. Bu çalışma basit ama hayati bir soruyu soruyor: operatörün "tehlike radarı"nın ne kadar keskin olduğunu, bedeninin gizli sinyallerini dinleyerek gerçek zamanlı söyleyebilir miyiz?

Vücudun sessiz alarm çanlarını okumak

Araştırmacılar, insanların tehlikeyi fark edip değerlendirdiklerinde değişen üç tür fizyolojik sinyale odaklandı. EEG olarak kaydedilen beyin elektriği, korteksin farklı bölgelerinin ne kadar yoğun çalıştığını yansıtır. Elektrodermal aktivite (EDA), ter bezlerinin etkinliğiyle bağlantılı cilt iletkenliğindeki küçük değişimleri yakalar; heyecan ve uyanıklığın klasik bir göstergesidir. Kalp atış hızı değişkenliği (HRV) ise kalp atışları arasındaki zamandaki ince dalgalanmaları tanımlar ve vücudun otonom sinir sisteminin stres ve toparlanma dengesini ortaya koyar. Araştırma ekibi, sadece öz bildirimlere veya basit tepki sürelerine dayanmak yerine bu üç akışı birleştirip operatörün tehlike algılama düzeyinin daha zengin bir görüntüsünü oluşturmayı amaçladı.

Gerçek bir kontrol odasını simüle etmek

Deneyi gerçekçi tutmak için akıllı kömür madeni güvenlik izleme merkezlerinden 23 profesyonel operatör alındı. Laboratuvarda ekip, özel yazılım kullanarak çok ekranlı bir izleme düzenini yeniden yarattı. Katılımcılar aynı anda dört ekranda 286 gerçek kömür madeni görüntüsü gördü; bazıları kasksız işçiler, metan birikimi, tünellerde su veya dengesiz tavanlar gibi tehlikeli sahneleri gösterirken, diğerleri güvenli koşulları gösteriyordu. Her görüntü için operatörler klavye tuşlarıyla hızlıca tehlikeli mi yoksa güvenli mi olduğuna karar vermek zorundaydı, ardından kömür madeni işine uyarlanmış özel bir anketle kendi tehlike farkındalıklarını puanladılar.

Ham sinyalleri bir tehlike skoruna dönüştürmek

Operatörler çalışırken sistem sürekli olarak saç derisinden sekiz noktadan EEG, eldeki cilt iletkenliğini ve taşınabilir bir cihazdan kalp aktivitesini kaydetti. Araştırmacılar veri temizliğini dikkatle yaparak göz kırpması gibi gürültüleri çıkardı, ardından sürekli kayıtları kısa beş saniyelik pencerelere böldü. Her pencereden çeşitli özellikler çıkarıldı —örneğin farklı beyin dalga bantlarındaki güç, cilt iletkenliğinin yavaş ve hızlı bileşenleri ve çeşitli kalp değişkenliği ölçümleri. Ayrı olarak, her operatörün genel tehlike algılama düzeyi üç şeyin birleşimiyle nicelendirildi: anket puanları, ortalama tepki süresi (daha hızlı olan daha iyi kabul edildi) ve doğruluk. İstatistiksel eşiklere göre her veri penceresi düşük, orta veya yüksek tehlike algılama düzeyini yansıttığı şekilde etiketlendi. Daha sonra makine öğrenimi ve derin öğrenme modelleri yalnızca fizyolojiye dayanarak bu düzeyleri tanımak üzere eğitildi.

Tehlike algısı arttığında vücudun neler verdiği

Analiz açık ve anlamlı desenler gösterdi. Tehlike algısı arttıkça, özellikle frontal bölgelerdeki bazı beyin dalga bantları—özellikle teta, alfa ve beta—güçlendi; bu daha odaklanmış bilişsel işlemleri işaret ediyor. Operatörler tehlikelere daha dikkatli olduğunda cilt iletkenliğinin miktarını ve öngörülemezliğini yansıtan bazı ölçümler arttı; bu, sempatik sinir sistemi etkinleşmesinin yükselmesiyle tutarlı. Kalp hızı daha yüksek tehlike algılama düzeylerinde genellikle artarken, bazı uzun dönem değişkenlik ölçümleri bu kısa görevlerde daha az duyarlıydı. Bu eğilimler, vücudun sinyallerinin insanların ekranlardaki tehlikeyi ne kadar etkili tespit ettiğini gerçekten izlediğini doğruladı.

Düşük farkındalığı tespit edecek makineler eğitmek

Ekip klasik karar ağaçlarından ve destek vektör makinelerinden modern bir gradyan artırma yöntemi olan LightGBM ve tek boyutlu bir konvolüsyonel sinir ağına kadar 12 farklı algoritmayı karşılaştırdı. LightGBM öne çıktı: üç sinyal türünün tümünü birlikte kullanarak (EEG, EDA ve HRV), tehlike algılama düzeyini etkileyici bir şekilde %99,89 doğrulukla sınıflandırdı; çok az yanlış alarm veya kaçırma vardı. Derin öğrenme modeli de son derece iyi performans gösterdi. Önemli olan, üç fizyolojik kaynağın bir arada kullanılmasının tek bir sinyalin veya iki sinyal kombinasyonunun her türlü performansını geride bırakmasıydı; bu, beyin, cilt ve kalbin her birinin operatörün durumu hakkında benzersiz bilgiler sunduğunu gösteriyor.

Daha akıllı madenlerden daha güvenli çalışmaya

Uzman olmayan bir okuyucu için çıkarım şudur: bu araştırma "gözcüleri izlemenin" pratik bir yolunu gösteriyor. Bir operatörün beyin dalgalarını, cilt tepkisini ve kalp ritimlerini sessizce izleyen akıllı bir sistem, dikkatinin—yorgunluk, aşırı yüklenme veya dikkat dağınıklığı nedeniyle—ne zaman zayıfladığını çıkarabilir ve molalar, görev yeniden dağılımı veya ek destek gibi zamanında müdahaleler tetikleyebilir. Gerçek madenlerde daha fazla test gerekli olsa da, yaklaşım gelecekte yalnızca makineleri ve tünelleri değil, erken uyarı ile felaket arasındaki insan dikkati koruyan kontrol odalarına işaret ediyor.

Atıf: 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

Anahtar kelimeler: kömür madeni güvenliği, tehlike algılama, fizyolojik izleme, makine öğrenimi, operatör yorgunluğu