基于动态贝叶斯网络的高原深度采矿中远程操作员疲劳的实时监测和预测

科学领域:

• 职业健康 职业健康 职业健康
• 生物医学工程 生物医学工程
• 人类因素工程 人类因素工程

背景情况:

• 人类错误,通常是由疲劳引起的,是工业事故的主要驱动因素.
• 高海拔,寒冷和低氧环境加剧了操作员的疲劳,增加了事故风险.
• 有效的疲劳监测对于在苛刻的操作环境中确保安全至关重要.

研究的目的:

• 为无人驾驶电动机车运营商开发和验证动态疲劳识别模型.
• 整合生理信号和上下文信息,以全面评估疲劳.
• 为在具有挑战性的环境中提供可靠的长期动态疲劳评估方法.

主要方法:

• 收集了15名操作人员在现场条件下2小时内收集的生理数据 (ECG,EMG,EM).
• 开发了一个动态疲劳评估模型,使用一级隐藏的马科夫 (HMM) 动态贝叶斯网络.
• 整合了情境因素 (睡眠质量,工作环境,昼夜节律) 与生理信号.

主要成果:

• 疲劳评估模型与主观疲劳报告具有很高的一致性 (相关系数r=0.971**).
• 该模型在模拟和现场条件下的长期动态疲劳评估中被证明是可靠的.
• 该研究证实了该模型在估计疲劳状态方面的有效性.

结论:

• 已建立的疲劳评估模型是有效的动态疲劳状态估计在高原上的远程矿山操作员.
• 这项研究提供了一个新的模型和概念,用于在高海拔,低氧条件下识别疲劳.
• 这些发现为临床医学研究和人类疲劳识别提供了宝贵的见解.