《Biomimetics》：A Bio-Inspired Physiological–Behavioral Fusion Method for Human-Factor Risk Assessment of Imported Unmanned Intelligent System Operators in Port-Security Scenarios
编辑推荐：
操作员的疲劳、压力、延迟响应和异常操作可能损害港口安全场景中无人智能系统运行的安全性。本研究提出了一种用于操作员生理-行为融合风险评估的生物启发工程架构。该架构受稳态调节、协调的生理-行为响应、选择性注意和反馈概念启发；其目的不是复现生物学或神经机制。它结合了
操作员的疲劳、压力、延迟响应和异常操作可能损害港口安全场景中无人智能系统运行的安全性。本研究提出了一种用于操作员生理-行为融合风险评估的生物启发工程架构。该架构受稳态调节、协调的生理-行为响应、选择性注意和反馈概念启发；其目的不是复现生物学或神经机制。它结合了操作员特定基线校准、生理与行为特征表示、跨模态耦合表示、模态级自适应加权和时间风险状态分类，以识别正常、疲劳、压力及异常操作状态。生理信息通过非侵入式智能坐垫传感系统（smart-cushion sensing system）和补充性皮肤电活动监测（electrodermal activity monitoring, EDA）获取，而行为信息来源于操作平台和任务事件日志。研究人员在代表性港口操作任务下，使用参与者级数据划分（participant-level data split）和重复计算训练-评估运行对所提方法进行了评估。这些重复运行用于刻画随机优化稳定性，并未被解释为独立的参与者实验。结果表明，与单模态、传统机器学习、直接拼接和时间融合基线相比，所提方法在整体分类性能、预警相关可靠性和重复运行稳定性方面均有所提升。研究结果为生理-行为融合在所考察的港口操作条件下支持操作性人因风险状态分类提供了初步证据。需要更大规模的跨操作员和跨场景研究，以建立更广泛的普适性。
无人智能系统（包括无人机、无人地面车和无人水面艇）在港口安全场景中的使用日益增多，但安全运行仍高度依赖操作员执行任务规划、过程监控、异常判断、远程干预和安全接管。操作员在持续监控、多设备协调和紧急响应中可能出现疲劳、压力、响应延迟和异常操作，构成人因风险。现有研究显示，生理信号（如心率、呼吸、皮肤电活动）和行为特征（如控制频率、响应延迟、轨迹偏差）分别可提供风险线索，但单模态信息存在不足：生理信号易受个体差异和噪声干扰，行为异常表现滞后。已有融合方法多采用直接特征拼接或简单决策级融合，难以刻画生理状态偏离与行为异常之间的动态耦合关系，更缺乏对时间演变过程的有效建模。为此，研究人员提出了受稳态调节、协调生理-行为响应、选择性注意和反馈概念启发的生物启发工程架构，旨在实现对操作员正常、疲劳、压力与异常操作状态的动态识别和分级评估。
研究人员构建了包含生理特征提取、行为特征提取、跨模态耦合表示、模态级自适应加权和时间风险分类的融合模型，并利用真实港口操作任务数据进行了评估。数据来自4名训练有素的操作员，在约10个运行日、每日约3小时的有效记录，最终获得约30小时同步记录，共10800个观测样本，四类状态各2700个。生理信息通过非侵入式智能坐垫系统（集成MEMS与光纤传感器）和补充皮肤电活动监测获取；行为信息来自操作平台和任务事件日志。风险标签通过任务事件、操作条件和独立专家评审确定，专家间一致性κ=0.76。实验采用参与者级数据划分，并进行250次重复计算运行以评估随机优化稳定性。
该研究采用的主要关键技术方法包括：基于非侵入式智能坐垫传感系统（集成MEMS与光纤传感器）和可穿戴皮肤电活动监测获取生理信号，从操作平台与任务日志提取行为数据；对信号进行个体基线归一化和自适应Kalman滤波；构建双分支特征提取结构，分别形成生理特征向量与行为特征向量；通过双线性耦合项刻画生理状态偏离与行为异常之间的关联；引入模态级注意力机制，根据风险状态动态分配生理和行为模态的权重；将连续时间窗口的融合特征输入LSTM分类器，实现正常、疲劳、压力和异常操作的时间状态分类。数据来自4名训练有素操作员在真实港口操作任务中的约30小时同步记录，标签经专家评审产生。
### 5.1 总体性能比较
通过250次重复计算训练-评估运行，比较了所提方法与SVM、随机森林、XGBoost、生理单模态、行为单模态、直接特征拼接和LSTM融合基线。所提方法在Accuracy、Precision、Recall、F1-score和Macro-F1上分别达到92.16%±0.47%、92.43%±0.51%、91.68%±0.54%、92.04%±0.49%和90.86%±0.53%，FAR和MDR分别为4.83%±0.34%和6.74%±0.42%，均优于所有基线。相比LSTM融合，Accuracy、F1-score和Macro-F1分别提高2.60、2.70和2.69个百分点，FAR和MDR分别降低1.71和2.22个百分点，表明生理-行为耦合和注意力机制可进一步提升多模态时间识别能力。
### 5.2 不同风险状态下的识别结果
对四种状态的分类结果显示，正常状态Precision、Recall、F1分别为94.28%、95.17%、94.72%，异常操作状态为93.15%、92.47%、92.81%，而疲劳和压力状态F1分别为90.59%和89.97%，略低。主要混淆发生在疲劳和压力之间，这可能源于两者在心率变异性、呼吸节律、响应延迟等特征上的重叠。正常与异常操作状态的边界相对清晰。
### 5.3 消融研究
依次去除生理模态、行为模态、耦合模块、注意力机制和时间建模后，模型性能均有下降。去除任一单模态后Accuracy降至约80%，去除时间建模后Accuracy降至87.46%，去除耦合模块后Accuracy降至88.21%，去除注意力机制后Accuracy降至89.03%。这表明每个模块都有正向贡献，其中单模态和时间建模的影响最显著。
### 5.4 可解释性分析
模态级注意力分析显示，在疲劳和压力状态下，生理模态权重较高（分别为0.61和0.66），在异常操作状态下，行为模态权重较高（0.63）。这表明模型能够根据风险类型自适应调整模态贡献，符合生理-行为风险特征。耦合分析进一步显示，疲劳时HRV与响应延迟等存在较强关联，压力时皮肤电活动与操作频率关联较强，异常操作则更依赖直接行为异常。
讨论部分指出，生理-行为联合建模、时间建模、耦合表示和注意力机制均对提升风险评估能力有重要作用。正常和异常操作状态识别较好，疲劳和压力存在一定程度混淆，未来可引入任务上下文特征以改善区分。工程应用中，可根据识别结果实施分级预警和干预。研究局限性包括：样本来自有限任务和操作员，个体差异需适应；传感器舒适性和在线性能未评估；标签与场景存在部分关联；可解释性仅达到模态级；未评估端到端在线时延。
结论部分可翻译为：研究人员针对港口进口无人智能系统操作员的疲劳、压力、延迟响应和异常操作等人因安全风险，提出了一种受人类应激反应、神经反馈和选择性注意机制启发的生理-行为融合风险评估方法。该方法将操作员生理状态变化、操作行为表现及其时间演变纳入统一建模框架，通过双分支生理与行为特征提取、生理-行为耦合建模、注意力加权融合和时间风险分类，实现了对正常、疲劳、压力和异常操作状态的动态识别与分类评估。实验结果表明，在250次重复计算训练-评估运行中，该方法在整体识别性能、预警可靠性和重复运行稳定性方面优于传统机器学习、单模态、直接拼接和常规时间融合基线，为复杂无人智能系统操作场景中基于生理-行为融合的操作员风险状态监测提供了初步证据。未来需要更大规模的跨操作员和跨场景研究来验证其普适性。
