Neuroergonomisches Modell zur Bewertung der Leistung von Kernkraftwerksbetreibern unter Hitzestress, basierend auf ECG-Zeitfrequenzspektren und fNIRS-Präfrontalkortex-Netzwerken

Keskeiset käsitteet

Ein neuroergonomisches Modell, das die Leistung von Kernkraftwerksbetreibern unter Hitzestress anhand von ECG-Zeitfrequenzspektren und fNIRS-Präfrontalkortex-Netzwerken bewertet.

Tiivistelmä

Das Papier stellt ein neuroergonomisches Modell zur Bewertung der Leistung von Kernkraftwerksbetreibern unter Hitzestress vor. Es kombiniert Elektrokardiogramm (ECG)-Zeitfrequenzspektren und funktionelle Nahinfrarotspektroskopie (fNIRS)-Präfrontalkortex-Netzwerke, um diskriminierende Merkmale zu extrahieren und die Leistung in drei Kategorien zu klassifizieren.
Das Modell umfasst folgende Schritte:

Extraktion von ECG-Merkmalen im Zeit- und Frequenzbereich sowie Berechnung von Zeitfrequenzspektren
Berechnung von Aktivierungsbetas und Funktionsverbindungen aus fNIRS-Daten zur Erstellung eines Präfrontalkortex-Netzwerks
Extraktion diskriminierender Merkmale aus den ECG-Zeitfrequenzspektren mittels CNN und aus den fNIRS-Netzwerken mittels Graphen-Aufmerksamkeits-Netzwerken (GATs)
Fusion der extrahierten Merkmale und Klassifizierung der Leistung in drei Kategorien
Die Ergebnisse zeigen, dass das Modell mit einer Genauigkeit von 81,82% und einer AUC von 0,90 die Leistung der Betreiber unter extremen Temperatur- und Feuchtigkeitsbedingungen effektiv identifizieren kann. Die Verwendung von GATs zur Verarbeitung der fNIRS-Netzwerke erweist sich als vorteilhaft gegenüber einer einfachen nichtlinearen Transformation der manuellen Merkmale.

Tilastot

Die Herzfrequenz (HR) der Betreiber lag zwischen 60 und 100 Schlägen pro Minute.
Die Leistung im sehr niederfrequenten Bereich (VLF) des ECG-Signals betrug 0,5 bis 2 s².
Die Leistung im niederfrequenten Bereich (LF) des ECG-Signals betrug 1 bis 4 s².
Die Leistung im hochfrequenten Bereich (HF) des ECG-Signals betrug 0,5 bis 2 s².
Die Leistung im sehr hochfrequenten Bereich (VHF) des ECG-Signals betrug 0,1 bis 0,5 s².

Lainaukset

"Das vorgeschlagene Modell bietet eine potenzielle neuroergonomische Anwendung zur Bewertung des menschlichen Zustands in lebenswichtigen Mensch-Maschine-Systemen unter Industrie-5.0-Szenarien."
"Die Verwendung von GATs zur Verarbeitung der fNIRS-Netzwerke erweist sich als vorteilhaft gegenüber einer einfachen nichtlinearen Transformation der manuellen Merkmale."

Tärkeimmät oivallukset

A neuroergonomics model to evaluating nuclear power plants operators' performance under heat stress driven by ECG time-frequency spectrums and fNIRS prefrontal cortex network

by Yan Zhang,Mi... klo arxiv.org 04-04-2024

https://arxiv.org/pdf/2404.02439.pdf

Syvällisempiä Kysymyksiä

Wie könnte das Modell weiter verbessert werden, um die Leistungsunterschiede zwischen normalen und extremen Umgebungen besser zu erfassen?

Um die Leistungsunterschiede zwischen normalen und extremen Umgebungen besser zu erfassen, könnte das Modell durch die Integration zusätzlicher physiologischer Signale verbessert werden. Eine Möglichkeit wäre die Einbeziehung von weiteren biochemischen Parametern wie beispielsweise der Hauttemperatur, der Atemfrequenz oder des Blutdrucks. Diese zusätzlichen Signale könnten dazu beitragen, ein umfassenderes Bild des physiologischen Zustands der Betreiber in verschiedenen Umgebungen zu erhalten und somit die Klassifizierungsgenauigkeit des Modells zu verbessern.
Des Weiteren könnte die Implementierung von fortgeschrittenen Machine-Learning-Techniken wie Reinforcement Learning oder Transfer Learning in das Modell die Fähigkeit zur Erfassung von Leistungsunterschieden in verschiedenen Umgebungen weiter stärken. Durch die Nutzung dieser Techniken könnte das Modell adaptiver und robuster gegenüber Veränderungen in den Umgebungsbedingungen werden.
Zusätzlich könnte die Erweiterung des Modells um eine zeitliche Komponente, die die Veränderungen im physiologischen Zustand im Laufe der Zeit berücksichtigt, die Erfassung von Leistungsunterschieden zwischen normalen und extremen Umgebungen verbessern. Dies könnte durch die Integration von Zeitreihenanalysen oder rekurrenten neuronalen Netzwerken erreicht werden, um die zeitliche Dynamik der physiologischen Signale zu erfassen.

Wie könnte das Modell auf andere Anwendungsszenarien in der Industrie 5.0 übertragen werden, in denen die Überwachung des menschlichen Zustands von entscheidender Bedeutung ist?

Um das Modell auf andere Anwendungsszenarien in der Industrie 5.0 zu übertragen, in denen die Überwachung des menschlichen Zustands von entscheidender Bedeutung ist, könnten verschiedene Anpassungen und Erweiterungen vorgenommen werden. Eine Möglichkeit wäre die Integration zusätzlicher physiologischer Signale, die spezifisch für das jeweilige Anwendungsszenario relevant sind. Beispielsweise könnten Signale wie die Muskelaktivität, die Augenbewegungen oder die Hautleitfähigkeit in das Modell integriert werden, um spezifische Aspekte des menschlichen Zustands in verschiedenen Arbeitsumgebungen zu erfassen.
Des Weiteren könnte das Modell durch die Implementierung von domänenspezifischem Wissen und Expertenregeln für bestimmte Industriezweige oder Arbeitsumgebungen angepasst werden. Dies könnte dazu beitragen, die Relevanz der extrahierten Merkmale und die Interpretierbarkeit der Ergebnisse für spezifische Anwendungsfälle zu verbessern.
Darüber hinaus könnte das Modell durch die Integration von Echtzeitdatenüberwachungssystemen oder Wearable-Technologien in die Überwachung des menschlichen Zustands in Echtzeit umgewandelt werden. Dies würde es ermöglichen, das Modell in Echtzeit zu implementieren und kontinuierlich den physiologischen Zustand der Betreiber zu überwachen, um potenzielle Risiken oder Abweichungen frühzeitig zu erkennen und entsprechend zu reagieren.