О.Н. Корсун – д.т.н., профессор, начальник лаборатории, 

ФГУП «Государственный научно-исследовательский институт авиационных систем» (Москва) E-mail: marmotto@rambler.ru

П.И. Сотников – аспирант, 

Московский государственный технический университет имени Н.Э. Баумана 

E-mail: sotnikoffp@gmail.com

Постановка проблемы. Оценка психофизиологического состояния человека-оператора во время управления летательным аппаратом (ЛА) – важная задача при совершенствовании бортового оборудования перспективного авиационного комплекса. Одним из подходов к оценке состояния оператора по таким признакам, как отвлеченность, усталость и засыпание, является исследование его электроэнцефалограмм (ЭЭГ). В перспективе мониторинг ЭЭГ во время пилотирования поможет вовремя обнаруживать и предупреждать нежелательные состояния оператора.

Цель. Определить принципиальную возможность распознавания качества выполнения пилотажных задач по записи ЭЭГ человека-оператора.

Результаты. Проведен эксперимент, во время которого оператор в течение 1 ч выполнял многократные приборные заходы на посадку на полунатурном стенде. При этом велась запись ЭЭГ с помощью беспроводного 14-канального энцефалографа Emotiv Epoc. После завершения эксперимента заходы на посадку были условно разделены на «хорошие» и «плохие» в зависимости от значения среднеквадратичного отклонения ошибки по высоте (вертикального отклонения от глиссады). По итогам решения бинарной задачи классификации записей ЭЭГ, принадлежащих к «хорошим» и «плохим» заходам на посадку, установлено, что вероятность успешной классификации достигает 87%.

Практическая значимость. Полученные результаты свидетельствует о принципиальной возможности применения ЭЭГ для контроля качества выполнения пилотажных задач человеком-оператором.

Корсун О.Н., Сотников П.И. Исследование возможностей контроля качества выполнения пилотажных задач по электроэнцефалограмме человека-оператора // Системы высокой доступности. 2020. Т. 16. № 2. С. 33–43. DOI: 10.18127/j20729472-202002-03.

1. Поликанова И.С., Леонов С.В. Психофизиологические и молекулярно-генетические корреляты утомления // Электронный журнал «Современная зарубежная психология». 2016. Т. 5. № 4. С. 24–35.
2. Craig A., Tran Y., Wijesuriya N., Nguyen H. Regional brain wave activity changes associated with fatigue. Psychophysiology. April 2012. V. 49. № 4. P. 574–82.
3. Поликанова И.С. Сергеев А.В. Влияние длительной когнитивной нагрузки на параметры ЭЭГ // Национальный психологический журнал. 2014. № 1 (13). С. 84–92.
4. Trejo L.J., Kochavia R., Kubitz K., Montgomery L.D., Rosipal R., and Matthews B. EEG-based Estimation of Cognitive Fatigue. Proceedings of Symposium OR05 Defense and Security. 2005. V. 5797. P. 105–115.
5. Lal S., Bekiaris E. The Reliability of Sensing Fatigue from Neurophysiology. AusWireless 2006: International Conference on Wireless Broadband and Ultra Wideband Communications Proceedings. Sydney. 2007. P. 1–4.
6. Гусева Н.Л., Софронов Г.А., Суворов Н.Б. Особенности динамики альфа-ритма электроэнцефалограммы и кардиоритмограммы человека при снижении уровня бодрствования // Вестник российской военно-медицинской академии. 2007.  № 3 (19). С. 24–31.
7. Корсун О.Н., Набатчиков А.М., Бурлак Е.А. Синхронизация информационных потоков при полунатурном моделировании движения летательных аппаратов // Электронный научно-технический журнал «Инженерный вестник». 2013. № 10. С. 1–16.
8. Левицкая О.С., Лебедев М.А. Интерфейс мозг-компьютер: будущее в настоящем // Вестник РГМУ. 2016. № 2. С. 4–16.
9. Lotte F., Congedo M., Lécuyer A., Lamarche F. A review of classification algorithms for EEG-based brain–computer interfaces. Journal of Neural Engineering, 2007. V. 4. № 2. P. 24.
10. Терещенко Е.П., Пономарев В.А., Кропотов Ю.Д., Мюллер А. Сравнение эффективности различных методов удаления артефактов морганий при анализе количественной электроэнцефалограммы и вызванных потенциалов // Физиология человека. 2009. Т. 35. № 2. С. 124–131.
11. Корсун О.Н., Михайлов Е.И. Методы анализа электроэнцефалограмм в целях оценки состояния человека-оператора в процессе пилотирования. Cloud of Science. 2018. Т. 5. № 4. С. 649 – 663.
12. Mikhaylov E.I., Korsun O.N. Algorithms of the operator's electroencephalogram analysis based on the principal component analysis. ICPE 2018 – Int. Conf. on Psychology and Education: The European Proceedings of Social & Behavioural Sciences EpSBS. 2018. P. 445 – 450.
13. Сотников П.И. Выделение характерных признаков сигнала электроэнцефалограммы с помощью анализа энтропии // Наука и Образование. МГТУ им. Н.Э. Баумана. Электронный журнал. Ноябрь 2014. № 11. С. 555–570.
14. Blankertz B., Tomioka R., Lemm S., Optimizing Spatial Filters for Robust EEG Single-Trial Analysis. IEEE Signal Processing Magazine. 2008. V. XX. P. 581–607.
15. Rejer I. Genetic Algorithms in EEG Feature Selection for the Classification of Movements of the Left and Right Hand. Proceedings of the 8th International Conference on Computer Recognition Systems CORES 2013. Advances in Intelligent Systems and Computing. 2013. V. 226. P. 579–589.
16. Сотников П.И. Методы построения пространства признаков сигнала ЭЭГ в гибридном интерфейсе «глаз-мозг-компьютер» // Математика и математическое моделирование. 2018. № 2. С. 33–52.
17. Oana D.E., Anca M.L. Comparison of Classifiers and Statistical Analysis for EEG Signals Used in Brain Computer Interface Motor Task Paradigm. International Journal of Advanced Research in Artificial Intelligence. 2015. V. 4. № 1. P. 8–12.
18. Muller K.R., Anderson C.W., Birch G.E. Linear and nonlinear methods for brain-computer interfaces. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2003. V. 11. № 2. P. 165–169.
19. Карпенко А.П., Кострубин М.С., Чернышев А.С. Эффективность классификации многомерных временных рядов с помощью шейплетов // Наука и Образование. МГТУ им. Н.Э. Баумана. Электронный журнал. 2015. № 11. С. 382–405.