关于在时间压力下挖掘机操作员不安全行为的早期预警：实验证据及基于脑电图（EEG）的RCF-IncepLite模型检测方法

《Accident Analysis & Prevention》：Toward early warning of unsafe behavior of excavator operators under time pressure: experimental evidence and EEG-based detection via RCF-IncepLite model

本研究通过模拟挖掘机操作实验，发现时间压力导致操作员认知过载，显著增加不安全行为发生率。基于EEG信号开发的轻量级模型RCF-IncepLite，在资源受限环境下实现82.3%的准确率，为可穿戴神经传感设备预警施工安全风险提供新方法。

　　
建筑行业长期面临高事故率与高风险作业环境的挑战。全球数据显示，该领域占职业致命事故的25-40%，远超其他行业从业比例。时间压力作为关键诱因，其引发的认知负荷与行为风险存在显著关联。研究表明，当操作员面临倒计时压力时，前额叶皮层 beta 波（13-30Hz）活动增强，这通常与注意力集中、认知负荷提升相关，但过度激活会导致前扣带回皮层压力反应异常，进而引发操作失误。

现有研究多聚焦于行为观察或生理指标监测，存在三大技术瓶颈：首先，传统行为记录方法存在滞后性，难以捕捉认知状态与行为之间的即时关联；其次，生理传感器（如心率、皮肤电导）受个体差异影响较大，对复杂动态环境的适应性不足；再次，现有EEG深度学习模型普遍存在计算资源消耗过高的问题，难以部署到实时监测场景。针对这些痛点，本研究构建了基于时间序列特征提取的轻量化EEG分析框架，实现了对认知过载的精准预警。

实验采用模拟式挖掘机操作环境，通过渐进式时间压缩设计（初始时长90分钟，每15分钟缩短10分钟），系统化观测压力梯度下的认知变化。研究团队创新性地将虚拟现实（VR）压力感知系统与EEG多导联采集设备结合，在三维模拟驾驶舱中实现环境压力与神经活动的同步记录。这种设计不仅确保了实验的生态效度，更通过双模态数据融合提升了特征识别的准确性。

神经生理学分析发现，操作员在时间压力达到峰值时（任务剩余时间<20分钟），其前额叶delta波（1-3Hz）与theta波（4-7Hz）出现异常耦合。具体表现为：theta波振幅较基线提升27.6%，同时伴随beta波（13-30Hz）的显著相位偏移，这种神经振荡的时频特征与操作失误率呈现强正相关（r=0.83，p<0.001）。特别值得关注的是，在任务最后5分钟，受试者前扣带回皮层theta/gamma振荡的相位差缩小至0.3秒以内，这种神经同步化现象与事故率激增存在时间上的耦合关系。

针对传统EEG模型存在的算力瓶颈，研究团队提出RCF-IncepLite架构。该模型创新性地将节奏特征提取（Rhythmic Component Filtering）与轻量化卷积结构相结合：在特征提取阶段，通过自适应滤波器分离出目标频率段（13-30Hz）的相位特征，再结合时频域联合分析方法，使模型对beta波的敏感度提升42%；在模型架构设计上，采用深度可分离卷积替代传统卷积层，将参数量压缩至原结构的1/30，同时通过通道注意力机制动态分配计算资源。实测数据显示，该模型在256通道EEG信号处理中，单帧推理时间仅需3.2ms，内存占用控制在128MB以内，满足工业级可穿戴设备的部署要求。

对比实验表明，RCF-IncepLite在同等计算资源下，对认知过载的识别准确率（82.3%）较传统EEGNet模型提升19.7个百分点，且误报率降低至3.8%。其核心优势体现在三个方面：首先，节奏特征模块能有效捕捉压力诱导的神经振荡相位变化，其次，轻量化卷积结构使模型能适应低功耗边缘计算设备，最后，双通道注意力机制实现了对关键频段（13-30Hz）和非关键频段（1-12Hz）的差异化处理。这种设计使得模型在移动端设备（如智能手环式EEG头带）上的表现达到98%以上场景的可用性。

在工程应用层面，研究团队开发了基于RCF-IncepLite的实时预警系统原型。该系统通过嵌入式边缘计算模块，可在0.8秒内完成从原始EEG信号到风险等级分类的转换，预警响应时间较传统方法缩短83%。在模拟工地测试中，系统成功识别出93.6%的潜在风险操作，包括未执行安全确认流程、设备超载运行等高风险行为。更值得关注的是，系统通过持续监测神经振荡的时频特征，可提前15-20分钟预警认知过载风险，为安全干预争取关键窗口期。

理论层面，研究揭示了时间压力影响认知功能的神经机制：当任务剩余时间缩短至临界值（约占总任务时间的5%时），前额叶-顶叶功能网络开始出现解耦现象，具体表现为theta波（4-7Hz）与gamma波（31-50Hz）的相位耦合度下降41.2%，同时伴随beta波（13-30Hz）的功率谱密度提升。这种神经振荡模式的改变，实质上反映了工作记忆资源分配策略的动态调整——操作员从主动监控转向应急反应模式，导致风险行为发生率呈指数级增长。

实践应用方面，研究团队与工业设备制造商合作开发了智能安全头盔原型。该设备集成了微型EEG阵列（16通道）和边缘计算模块，通过无线传输将神经特征数据实时回传至中央监控平台。在长沙某地铁施工项目的试点应用中，系统成功预警了28起潜在事故，其中17起通过及时干预避免了实际伤害。值得注意的是，该系统在复杂噪声环境下（如机械振动干扰）仍保持89.4%的识别准确率，验证了模型的环境鲁棒性。

未来发展方向包括三个维度：技术优化层面，计划将模型进一步压缩至适合FPGA加速的版本，目标计算延迟降至1ms以内；功能扩展方面，正研发多模态融合算法，整合EEG信号与眼动追踪、肌电数据，提升行为预测的全面性；应用场景延伸上，拟将现有架构迁移至塔吊、盾构机等重 machinery操作监控，构建行业级智能预警平台。研究团队与everloyal科技公司的合作项目已获得国家重点研发计划（编号2025YFC1500400X）的资助支持。

该研究不仅填补了认知神经科学在工程机械安全领域的应用空白，更为智慧工地建设提供了关键技术支撑。其开发的轻量化模型框架，可扩展应用于矿山、化工等高危行业，预计在3年内可实现全行业覆盖。通过神经工程与工业安全的深度融合，这项研究正在推动安全管理体系从"事后处置"向"事前预防"的战略转型，为构建零事故工作环境提供科学依据和技术保障。