一种基于多源生理数据的操作者危险感知水平评估方法

为何监视“监视者”至关重要

在深处的地下现代煤矿中，越来越多依赖远程控制室而非现场作业人员。在这些控制室里，操作者盯着成排的视频屏幕，寻找危险的最早迹象。如果他们错过了瓦斯泄漏、顶板开裂或输送带火花，后果可能是致命事故。本研究提出了一个简单但至关重要的问题：能否通过监听人体的隐秘信号，实时判断操作者的“危险雷达”有多敏锐？

解读身体的微弱警报

研究者关注了三类人在察觉和评估危险时会发生变化的生理信号。记录为EEG的脑电活动反映了大脑皮层不同区域的工作强度。皮电活动（EDA）捕捉与汗腺活动相关的皮肤电导微小变化，是唤醒与警觉的经典指标。心率变异性（HRV）描述心跳间隔的细微波动，揭示自主神经系统在压力与恢复之间的平衡。研究团队并不单靠自我报告或简单反应时，而是试图将这三条信号流融合，构建更丰富的操作者危险感知水平图景。

模拟真实控制室

为了保持实验的现实性，招募了23名来自智能煤矿安全监测中心的专业操作者。实验在实验室中用专用软件重建了多屏监控布置。参与者在四块屏幕上同时查看286张真实煤矿图像，其中一些展示危险场景——如未戴安全帽的工人、甲烷聚集、巷道积水或不稳固的顶板——另一些显示安全状况。每张图像，操作者必须通过键盘快速判断危险或安全，然后用针对煤矿作业改编的问卷对自己的危险意识进行评分。

将原始信号转化为危险得分

在操作者工作的同时，系统连续记录头皮八个位置的EEG、手部的皮电和可穿戴设备记录的心脏活动。研究者对数据进行仔细清理以去除眼动等噪声，然后将连续记录切分为短的五秒窗口。从每个窗口提取了数十种特征——例如不同脑电频段的功率、皮电的慢速与快速成分，以及一系列心率变异特征。每位操作者的整体危险感知水平则由三项组合量化：问卷得分、平均反应时（反应越快越好）和准确率。通过统计阈值，每个数据窗口被标注为反映低、中或高危险感知。随后使用机器学习与深度学习模型，仅通过生理信号训练识别这些水平。

危险感知上升时身体透露的信息

分析显示了清晰且有意义的模式。随着危险感知提高，额叶区域的某些脑电频段——尤其是theta、alpha和beta——增强，表明认知处理更为集中。部分皮电指标反映皮肤出汗量及其不可预测性在操作者更关注危险时上升，与交感神经系统激活增高相一致。心率在较高危险感知水平时往往升高，而一些长期变异性指标在这些短时任务中敏感性较低。这些趋势证实，身体信号确实能追踪人们在屏幕上发现危险的效果。

教会机器识别低警觉

团队比较了12种不同算法，从经典的决策树和支持向量机到一种名为LightGBM的现代梯度提升方法以及一维卷积神经网络。LightGBM表现突出：在同时使用三类信号（EEG、EDA和HRV）时，对危险感知水平的分类准确率高达99.89%，误报和漏报都很少。深度学习模型也表现极佳。重要的是，三种生理来源的组合优于任何单一信号或任意两者的组合，表明大脑、皮肤与心脏各自提供了关于操作者状态的独特信息片段。

从更智能的矿井走向更安全的工作

对非专业读者而言，结论是这项研究展示了一种可行的“监视监视者”的方法。通过静默追踪操作者的脑电、皮肤反应和心率节律，智能系统可以推断出其注意到危险的能力何时在下降——可能由于疲劳、负荷过重或分心——并触发及时干预，例如休息、任务重新分配或额外支持。尽管在真实矿井中仍需更多测试，这一方法指向了未来控制室的方向：安全系统不仅保护机器与巷道，也保护那道将早期预警与灾难之间隔开的人的注意力。

引用: 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

关键词: 煤矿安全, 危险感知, 生理监测, 机器学习, 操作者疲劳