Workload Analysis of Pilot Steep Turn Maneuvers Using SR20 Aircraft and EEG Data
Notice bibliographique
Résumé
Objective: To compare left vs. right steep turns in terms of workload-related neurophysiological signatures using electroencephalogram (EEG) and machine learning. Methods: Thirty-seven flight cadets performed one left and one right steep turn in an SR20 desktop flight simulator while a 32-channel EEG (Emotiv EPOC Flex 32) was recorded. From 2-s sliding windows (50% overlap), 800 features per window were extracted (time-, frequency-, and non-linear domains). Six classifiers (XGBoost, LightGBM, GB, SVM, LR, and Linear SVC) were evaluated using cross-subject nested cross-validation with variance-ranked feature subsets (20%, 40%, 60%, 80%, and 100%), and an additional 10% subset was assessed to identify a more parsimonious feature set. Results Objective EEG/ML: LightGBM demonstrated superior performance across all feature proportions. Subjective: interpretation combined RF-based importance and variance-ranked top-feature analysis, showing convergent frontal/frontocentral dominance with complementary utility definitions (predictive contribution vs. signal dispersion). Physiologically, left turns were associated with relatively higher high-frequency activity/complexity, whereas right turns showed relatively stronger theta/alpha-related patterns. Interpretation: These findings support MWL-associated directional neurophysiological differences in steep turns and identify candidate EEG markers for lightweight real-time workload monitoring, facilitating optimized flight training and enhanced aviation safety.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».