《Frontiers in Neuroscience》：Workload analysis of pilot steep turn maneuvers using SR20 aircraft and EEG data
编辑推荐：
目的：研究人员旨在基于脑电图（electroencephalogram, EEG）与机器学习方法，比较左、右急转弯在负荷相关神经生理特征上的差异。方法：37名飞行学员在SR20桌面飞行模拟器中分别完成一次左急转弯与一次右急转弯，同步采集32导EEG（Emoti
目的：研究人员旨在基于脑电图（electroencephalogram, EEG）与机器学习方法，比较左、右急转弯在负荷相关神经生理特征上的差异。方法：37名飞行学员在SR20桌面飞行模拟器中分别完成一次左急转弯与一次右急转弯，同步采集32导EEG（Emotiv EPOC Flex 32）。以2秒滑动窗（50%重叠）提取每个窗口的800个特征（时域、频域及非线性域）。采用交叉受试者嵌套交叉验证（cross-subject nested cross-validation），结合方差排序的特征子集（20%、40%、60%、80%及100%）评估六种分类器（XGBoost、LightGBM、GB、SVM、LR、Linear SVC）的性能，并额外测试10%子集以识别更精简的特征集。结果：客观EEG/机器学习结果显示，LightGBM在所有特征比例中均表现最优。主观NASA任务负荷指数（NASA Task Load Index, NASA-TLX）评分显示右转显著高于左转（5.55 ± 1.13 vs. 4.98 ± 1.06，p < 0.001，Cohen's d = 0.52）。事后解释结合随机森林（Random Forest, RF）特征重要性与方差排序的高特征分析，显示额叶/额中央区的主导作用及互补效用定义（预测贡献 vs. 信号离散度）。生理学层面，左转伴随较高高频活动/复杂度，右转则呈现更强的θ/α节律相关模式。解释：上述发现支持急转弯中存在与心理工作负荷（mental workload, MWL）相关的方向性神经生理差异，并确定可用于轻量化实时工作负荷监测的候选EEG标志物，有助于优化飞行训练并提升航空安全。
该研究发表于《Frontiers in Neuroscience》，针对飞行训练中急转弯机动的心理工作负荷（mental workload, MWL）评估问题展开。当前航空事故中约58%由飞行员失误导致，其中高工作负荷是关键诱因，可引发注意力分散与情境意识丧失。尽管已有研究利用脑电图（electroencephalogram, EEG）评估飞行员工作负荷，但多数聚焦起飞、巡航、着陆等阶段，针对左、右急转弯的方向性负荷差异研究不足，且难以排除操纵输入不对称、程序熟悉度、视觉参照限制等混杂因素。此外，现有转向研究多侧重区分不同机动类型的生理信号，缺乏对左、右急转弯间MWL量级的直接量化，也未明确方向性机动不对称是否可稳健映射至生理特征。为此，研究人员以中国民航飞行学院（Civil Aviation Flight University of China, CAFUC）37名右利手男性飞行学员为对象，在SR20桌面飞行模拟器中开展左、右急转弯对照实验，结合主观量表与EEG机器学习分析，探究方向性机动的神经生理差异及其潜在机制。
关键技术方法方面，研究采用先验功效分析确定样本量（G*Power 3.1.9.7，检验效能1–β≈0.84），使用Microsoft Flight Simulator 2020软件与SR20标准训练程序，固定“左转优先于右转”的任务序列以符合实操规范。EEG数据采集采用Emotiv EPOC Flex 32（32导，10–20电极放置标准，采样率256 Hz），经MNE-Python流水线预处理（包括坏道插值、1–45 Hz带通滤波、50 Hz陷波滤波、独立成分分析（independent component analysis, ICA）去除眼电伪迹及autoreject算法剔除异常时段）。特征提取以2秒滑动窗（50%重叠）生成样本，共提取800个特征（时域9项、频域10项、非线性6项），涵盖δ、θ、α、β、γ频段的绝对/相对功率及样本熵、排列熵、奇异值分解熵等复杂度指标。机器学习建模采用嵌套交叉验证（nested cross-validation, NCV）框架，外层10折分层分组交叉验证（StratifiedGroupKFold）、内层5折交叉验证用于特征选择与超参数调优，评估XGBoost、LightGBM、梯度提升（gradient boosting, GB）、支持向量机（support vector machine, SVM）、逻辑回归（logistic regression, LR）、线性支持向量分类器（linear support vector classifier, Linear SVC）六类分类器的性能，以马修斯相关系数（Matthews correlation coefficient, MCC）为核心评价指标。
研究结果如下：
4.1 左、右急转弯的工作负荷差异
研究人员通过配对样本t检验比较NASA-TLX总分，发现右转得分显著高于左转（5.55 ± 1.13 vs. 4.98 ± 1.06，p < 0.001，Cohen's d = 0.52），效应量为中等。进一步分析维度显示，右转的心理需求显著高于左转（p = 0.047），而体力需求无显著差异（p = 0.70），表明负荷不对称主要源于认知资源需求增加，而非单纯体力消耗。这种差异可能由单发螺旋桨航空器的不对称推力/扭矩效应（左转时自然偏航趋势减少方向舵输入需求，右转需主动对抗）、程序熟悉度（标准程序以左转为多，技能自动化程度更高）及视觉参照不对称（左座驾驶舱左转视野更佳，右转依赖仪表交叉检查）共同导致。
4.2 模型预测
嵌套交叉验证结果显示，梯度提升树模型（LightGBM、XGBoost、GB）在所有特征比例下均保持稳定高性能，其中LightGBM表现最优（F1分数约0.90，ROC AUC达0.9715）。线性模型（LR、Linear SVC）与支持向量机（SVM）在高特征比例下性能显著下降，主要受冗余特征干扰。额外测试显示，LightGBM在10%特征比例下即可达到接近最优性能，兼顾预测精度与特征紧凑性，为轻量化监测系统开发提供依据。
4.3 左/右急转弯的特征统计分析
经Benjamini–Hochberg错误发现率（false discovery rate, FDR）校正后，筛选出132个具有统计学意义的EEG特征。头皮地形图显示这些特征集中于前额叶（F4、F7）与额中央区（FC6），对应复杂运动控制与认知协调的核心脑区。随机森林特征重要性分析进一步证实，前额叶电极的特征贡献显著高于颞叶、顶叶区域，其中F4电极峰值最高，反映急转弯任务的核心神经活动集中于额叶决策与调节功能。频率域功率（α/β/γ频段）在前额叶电极占比最高，复杂度指标（排列熵、奇异值分解熵）在额中央区更突出，体现局部神经振荡与跨区域信息整合的动态耦合。
4.4 左/右急转弯的前10位重要特征分析
基于随机森林的重要性排名显示，左转时左脑区呈现更高的高频能量（γ频段相对功率）、复杂度（排列熵、奇异值分解熵、样本熵）与过零率（zero-crossing rate, ZCR），右转时右脑区则以θ/α频段能量为主（如T7电极θ频段绝对功率升高）。这些差异与经典运动相关EEG理论一致：左转伴随左侧运动皮层激活引发的α事件相关去同步（event-related desynchronization, ERD）与γ事件相关同步（event-related synchronization, ERS），右转则因认知负荷增加导致θ功率升高。基于方差的排名进一步显示，右转时额极（Fp2、Fp1）与枕叶（O2）的幅度离散度（方差、Hjorth活动度）更高，与主观负荷升高的趋势吻合。
4.5 研究局限性
研究存在四项局限：一是基于桌面模拟器，未复现真实飞行的湍流、前庭刺激等因素；二是固定任务顺序（左转先于右转），无法完全分离顺序效应与方向性差异；三是缺乏操纵输入强度、飞行绩效偏差、视觉扫描等客观协变量，难以孤立MWL特异性效应；四是样本仅为右利手男性学员，限制了结果的普适性。
讨论与结论部分指出，本研究为概念验证性工作，证实方向性急转弯与可区分的神经生理模式及主观负荷差异相关，但尚未完全因果隔离MWL效应。未来研究需采用平衡设计、记录客观协变量并结合协变量感知建模，进一步区分方向性效应与顺序、运动执行及感知需求的影响，并通过多 session 可靠性测试、真实飞行复现及更广泛人群招募提升外部效度，推动轻量化工作负荷监测技术在飞行训练中的应用。
