マルチモダル生理学によるパイロット・ディストレスの区別:インテリジェント・コックピットにおける人間・システム統合の強化へ

科学分野:

• 神経科学
• 心臓病科
• 航空宇宙工学
• 人とコンピュータの相互作用

背景:

• インテリジェント・コックピットでの飛行安全を確保するには,パイロットによるストレスの正確な評価が必要であり,有益なストレスと有害なストレスを区別する必要があります.
• 既存のストレスモニタリング方法では,これらの状態を様々なフライトタスクで区別するニュアンスが欠如しています.
• 次の世代のコックピットは 操縦士の真の認知と感情状態に対応する 適応システムが必要です

研究 の 目的:

• 模擬飛行中のパイロットにおけるストレスと苦痛を区別するための多様性神経心臓の枠組みを開発し,検証する.
• fNIRSとECGデータから,さまざまなストレスタイプを確実に示す生理学的バイオマーカーを特定する.
• これらのバイオマーカーで訓練された機械学習モデルの有効性を評価し,パイロットストレスの分類を行う.

主な方法:

• ストレスと苦痛の両方を誘発するように設計されたシミュレート飛行ミッションで35人の参加者から収集された多式生理学的データ (fNIRSとECG).
• ストレス状態の有意な差異を示した神経心臓データから 11の重要な特徴を抽出し分析した.
• 飛行士のストレスレベルを予測するために,特定された特徴を使用して,機械学習の分類モデルを訓練し,評価した.

主要な成果:

• ストレスと苦悩を区別する重要な特徴は11つです.
• 開発された機械学習モデルは,異なる飛行タスクのパイロットストレスを分類する全体的な精度83.04%を達成しました.
• 特定のタスクでは,モデルの精度は90.83%に達し,制御された条件下で高い精度を証明しました.

結論:

• fNIRS-ECGベースのマルチモダルフレームワークは,パイロットストレスの状態を分類するための堅牢で正確な方法を提供します.
• このアプローチから得られた客観的なバイオマーカーは,適応性のあるインテリジェント・コックピット・システムの開発に不可欠です.
• この研究は,飛行の安全性の向上と,航空における人間と機械の相互作用の最適化に大きく貢献しています.