基于多模态神经-心脏生理特征的飞行员应激状态精准识别：智能驾驶舱人机协同优化新策略

为解决智能驾驶舱中飞行员应激状态精准评估难题，研究人员创新性地将功能性近红外光谱(fNIRS)与心电图(ECG)技术相结合，构建了能区分良性应激(eustress)与不良应激(distress)的多模态监测框架。通过35名受试者的模拟飞行实验，成功筛选出11个显著性差异特征，构建的分类模型跨任务准确率达83.04%，单任务最高达90.83%，为自适应智能驾驶舱系统提供了客观生物标志物。

　　

在智能驾驶舱安全领域，准确区分飞行员良性应激(eustress)与不良应激(distress)是提升人机协同效能的关键。传统监测方法存在两大局限：应激状态区分不足，跨飞行任务适应性差。这项突破性研究构建了神经-心脏多模态监测框架，巧妙融合功能性近红外光谱(fNIRS)和心电图(ECG)技术，犹如为驾驶舱装上了"生理雷达"。

研究团队设计精妙的模拟飞行实验，35名受试者在诱发不同应激状态的任务中，其大脑皮层氧合血红蛋白浓度(fNIRS监测)与心脏电活动(ECG监测)数据被同步采集。通过机器学习算法，研究人员从海量生理参数中淘选出11个"黄金特征"，这些生物标记物能像指纹般精准区分两种应激状态。

最终构建的智能分类模型展现出令人振奋的性能：跨多种飞行任务的综合识别准确率达到83.04%，而在特定单一任务中更飙升至90.83%的峰值。这种基于fNIRS-ECG的监测方案，如同为智能驾驶舱配备了"应激翻译器"，将复杂的生理信号转化为可操作的决策依据。该技术突破为自适应人机交互系统提供了客观量化工具，直接推动航空安全从"被动响应"向"主动预防"的范式转变。