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 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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».