A comparison of ECG and EEG metrics for in-flight monitoring of helicopter pilot workload
Notice bibliographique
Résumé
There is increasing interest in understanding the cognitive and physiological state of operators in safety critical situations (e.g. pilots), specifically as it relates to task difficulty and mental workload. Herein, we evaluate the potential of electrocardiography (ECG) and electroencephalography (EEG) for detecting in-flight changes in helicopter pilot workload. Two National Research Council Canada test pilots performed a series of flight maneuvers in an NRC Bell 205 helicopter which involved a target tracking task with three levels of difficulty. Subjective ratings of pilot workload were collected using the Cooper-Harper handling quality ratings scale and pilot control activity was quantified based on cyclic control movements. ECG derived measures of heart rate and heart rate variability, as well as EEG derived measures of power in three frequency bands (theta 4-8Hz; alpha 8-13Hz; beta 13-22Hz), were computed and compared across task difficulty levels. A set of support vector machine (SVM) regressors were trained and tested to differentiate the three difficulty levels from ECG and EEG features. Differences in subjective ratings and control activity metrics confirmed the task difficulty manipulations (pECG= 0.17) performing better than the EEG-based regressor (minimum cross-validation MSEEEG= 0.29). This study provides an initial application demonstration of physiological and cognitive metrics and machine learning approaches for detecting differences in task difficulty during helicopter flight. This is the necessary first step for further development of passive brain computer interfaces for real-time in-flight monitoring of helicopter pilot workload.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».