基于心肺耦合的航空疲劳检测：在常氧和轻度缺氧条件下的研究

《Results in Engineering》：Aviation Fatigue Detection Based on Cardiorespiratory Coupling: A Study Under Normoxic and Mild Hypoxic Conditions

飞行疲劳监测中，心呼吸耦合（CRC）与心率变异性（HRV）联合分析可有效提升检测准确率。通过模拟飞行实验，研究显示CRC高频成分及Granger因果性指标与疲劳程度显著相关，集成CRC和HRV特征的随机森林模型在正常氧和轻度缺氧条件下分别提高8.4%和4.4%的测试准确率，验证了CRC作为新型航空疲劳生物标志物的潜力。

　　随着航空技术的发展和全球化的推进，长时间飞行的普及程度不断提高，这使得飞行员疲劳问题愈发突出。飞行员疲劳不仅影响飞行安全，还可能降低任务执行效率。因此，探索有效的疲劳监测方法成为航空领域的重要研究方向。目前，心电图（ECG）作为一种稳定且便携的监测手段，被广泛应用于航空疲劳的评估。然而，尽管HRV（心率变异性）已被广泛研究，但在疲劳检测中，可靠的生物标志物仍较为稀缺。本研究通过分析心肺耦合（CRC）在疲劳发展过程中的动态变化，评估其作为疲劳检测指标的潜力，包括在轻度缺氧条件下的表现。

为了验证CRC在航空疲劳评估中的价值，研究团队招募了八名健康男性参与者，年龄在20.6 ± 1.8岁之间。他们分别在常氧和轻度缺氧（模拟3000米海拔）条件下进行了两次6小时的模拟飞行实验。所有参与者均接受专业培训，能够熟练操作飞行模拟器，并且在实验前签署了知情同意书。实验过程中，参与者穿戴了标准的飞行员个人防护装备，并通过ECG电极、血氧饱和度传感器以及眼动追踪系统和监控摄像头记录了多种生理数据。实验期间，参与者始终保持坐姿，未中断任务。

研究发现，随着疲劳程度的加深，CRC的功率显著增加，特别是在高频成分中表现最为明显。此外，CRC在不同频率带中的功率分布、谱峰位置和谱心位置也发生了显著变化。这些变化表明CRC可以作为评估疲劳状态的潜在生物标志物。与此同时，研究还发现，随着疲劳的增加，从呼吸序列到RR间期序列的Granger因果耦合显著减弱，这可能意味着呼吸对心脏活动的调控作用在疲劳状态下被削弱。因此，CRC不仅反映了心肺之间的相互作用，还可能揭示了疲劳对自主神经调节的复杂影响。

为了进一步评估CRC的检测效果，研究团队构建了基于HRV特征和CRC特征的疲劳检测模型，并采用随机森林分类器进行对比。结果显示，结合CRC特征的模型在常氧条件下训练准确率提高了8.4%，测试准确率提高了4.4%。这表明CRC特征在疲劳检测中具有重要的补充价值，能够提升模型的预测能力和稳定性。同时，研究团队还对轻度缺氧条件下的模型性能进行了评估，发现尽管在轻度缺氧条件下，模型的准确率略有下降，但整体表现仍然良好，表明CRC和HRV的结合能够有效应对复杂的环境变化。

此外，研究团队还对不同疲劳状态下的生理信号进行了统计分析。结果表明，随着疲劳程度的增加，CRC的总功率显著上升，特别是在0.1-0.3 Hz的频率范围内，这种变化尤为明显。这可能与自主神经系统在疲劳状态下的调节机制有关。在轻度疲劳状态下，CRC的谱心向左移动，而在重度疲劳状态下，谱心向右移动，这一现象可能反映了心肺系统在疲劳过程中的动态调整。研究还发现，HRV和CRC在不同疲劳水平下的变化趋势具有显著差异，这进一步支持了CRC作为疲劳评估指标的有效性。

本研究还通过Granger因果分析，揭示了呼吸与心率之间的方向性关系。在重度疲劳条件下，呼吸对心率的调节作用显著减弱，这表明在疲劳状态下，心肺系统的协调性受到了影响。相比之下，心率对呼吸的因果影响则保持相对稳定，这可能意味着心脏活动对呼吸的调控作用在疲劳过程中未发生明显变化。这种非对称的因果关系为理解疲劳对心肺系统的具体影响提供了新的视角。

从实验结果来看，虽然研究团队使用了较为简单的机器学习模型，但这些模型在疲劳识别任务中表现出了较高的准确率和一致性。特别是在结合CRC特征的情况下，随机森林模型在常氧条件下的测试准确率达到了87.6%，而在轻度缺氧条件下，其准确率也保持在较高水平。这表明，CRC特征能够有效提升疲劳识别的性能，即使在复杂的生理环境中也能提供可靠的评估依据。

然而，研究也指出了当前方法的一些局限性。首先，由于样本量较小，研究结果主要适用于年轻男性群体，因此在推广到更广泛人群时可能存在偏差。其次，由于实验设计未能控制昼夜节律对生理信号的影响，模型在不同个体之间的泛化能力受到了一定限制。此外，研究团队在模型构建过程中并未采用深度学习技术，而是使用了传统的机器学习方法，这可能影响了模型的复杂性和适用性。

尽管如此，本研究为航空疲劳监测提供了一种新的技术路径。通过分析心肺耦合的动态变化，研究团队不仅揭示了CRC在疲劳状态下的显著特征，还证明了结合CRC与HRV特征的模型在预测能力上的优势。这些发现不仅有助于更深入地理解疲劳的生理机制，也为未来开发更精确的疲劳监测系统提供了理论支持和技术基础。随着研究的深入，结合CRC与HRV的多模态特征分析有望成为航空领域疲劳监测的重要工具，从而进一步提高飞行安全和任务效率。