Core Concepts
熱ストレスに晒された原子力発電所オペレーターの心電図時間周波数スペクトルとfNIRS前頭前野ネットワークを用いて、深層学習モデルを構築し、オペレーターの異常状態を高精度に検出することができる。
Abstract
本研究では、原子力発電所オペレーターの熱ストレス下における性能評価のためのニューロエルゴノミクスモデルを提案した。
まず、オペレーターに4つの熱ストレス環境(25°C 60%湿度、30°C 70%湿度、35°C 80%湿度、40°C 90%湿度)を与え、心電図(ECG)と機能的近赤外分光法(fNIRS)を用いて生理学的データを収集した。ECGデータからは時間周波数スペクトルを、fNIRSデータからは前頭前野(PFC)ネットワークを抽出した。
次に、これらの生理学的特徴を用いて4つのモデルを構築した。モデルAはCNNによる時間周波数スペクトルの分類、モデルBはCNNと手作り特徴量(ECG)の融合、モデルCはCNNと手作り特徴量(ECG、fNIRS)の融合、モデルDはCNNと注意機構付きグラフニューラルネットワーク(GAT)による特徴量(ECG、fNIRS PFCネットワーク)の融合である。
結果として、モデルDが最も優れた性能を示し、0.90のAUCを達成した。これは、fNIRSデータをグラフ構造として表現し、GATによって効果的に特徴を抽出できたためと考えられる。一方、単純な手作り特徴量の連結では性能が向上しなかった。
本研究は、熱ストレス下におけるオペレーターの異常状態を高精度に検出できるニューロエルゴノミクスモデルを提案した。この手法は、産業5.0シナリオにおける人間-サイバネティクスシステムの人的状態評価に応用可能である。
Stats
熱ストレス環境下では、オペレーターの心電図時間周波数スペクトルとfNIRS前頭前野ネットワークに大きな変化が見られる。
Quotes
"熱ストレスに晒された原子力発電所オペレーターの心電図時間周波数スペクトルとfNIRS前頭前野ネットワークを用いて、深層学習モデルを構築し、オペレーターの異常状態を高精度に検出することができる。"
"fNIRSデータをグラフ構造として表現し、GATによって効果的に特徴を抽出できたため、モデルDが最も優れた性能を示した。"