Assessing Pilot Workload During Takeoff and Climb Under Different Weather Conditions: A fNIRS-Based Modeling Using Deep Learning Algorithms
Notice bibliographique
Résumé
Excessive workload caused by weather conditions may increase pilot errors and flight risk. The assessment of pilot workload using pilots’ physiological data is a potential method to address this issue. We conducted a flight simulator study involving 18 cadet pilots with real flight experiences ranging from 232 to 250 h and used noninvasive functional near-infrared spectroscopy (fNIRS) to measure the pilots’ brain activity. Pilots’ subjective National Aeronautics and Space Administration task load index ratings of workload were also recorded. The tested flight maneuvers included a total of 54 takeoff and climb tasks under different weather conditions. Over 1100 features covering three hemoglobin signals and four brain cortexes were extracted from the fNIRS data. A statistical analysis was carried out on the subjective ratings and fNIRS features, and a weighting analysis was applied to the selected fNIRS features that were highly sensitive to pilot workload levels. A convolutional neural network (CNN) with an attention mechanism (CNN-Attention) was built as a classifier for assessing pilot workload and compared with CNN, deep neural network, extreme gradient boosting, and random forest models. The results suggested that pilot workload was highly associated with three hemoglobin measures as well as the activities of different brain regions, including the prefrontal cortex, motor cortex, and occipital cortex, and the CNN-Attention performed best. The findings from this study could provide a reference for optimizing pilot training systems and improving flight safety under different weather conditions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».