隧道項目施工人員風險認知評估框架：基于虛擬現(xiàn)實與腦電信號的融合研究

摘要：隧道項目施工環(huán)境具有高動態(tài)風險特征，復雜的危險因素使傳統(tǒng)安全培訓難以量化評估人員的實時風險認知能力。為此，提出一種基于虛擬現(xiàn)實（VR）與腦電信號（EEG）的多模態(tài)評估框架，通過構(gòu)建高沉浸度隧道施工VR場景，采集30名被試的腦電數(shù)據(jù)及風險識別行為，并利用Stacking集成模型預測其風險識別能力。結(jié)果表明：Stacking模型識別準確率達69.49%，AUC值為0.713 8，F(xiàn)1分數(shù)為0.788 3，優(yōu)于其他模型；復雜場景下，（θ+α）/β相對功率值對風險識別貢獻最大，簡單場景下，F(xiàn)3通道α波功率占主導地位；額葉和頂葉區(qū)域的腦電特征對風險識別具有顯著預測作用，尤其是F3、F4、C3通道特征影響突出。基于VR和EEG的融合研究可為隧道項目施工人員風險認知評估及動態(tài)安全預警系統(tǒng)開發(fā)提供技術支撐。

關鍵詞：風險源識別；未來風險預測；隧道項目施工人員；腦電信號（EEG）；虛擬現(xiàn)實；分類模型

0"引言

隧道項目施工是高風險作業(yè)場景，其安全隱患主要來源于地質(zhì)條件突變、設備運行異常及人員操作失誤等多重動態(tài)風險源。據(jù)統(tǒng)計，在我國2014—2023年隧道項目施工事故中，因人員認知滯后導致的安全事件占比高達51.1%^[1]，凸顯了施工人員風險識別能力在事故防控中的核心作用。

然而，傳統(tǒng)的安全培訓方法（如理論講授、模擬演練）存在顯著局限性，不僅難以量化評估個體在高風險情境下的實時認知反應，還忽略了應急狀態(tài)下心理壓力與情緒波動對風險判斷的干擾^[2]。例如，信息繁雜的施工現(xiàn)場可能導致施工人員腦電θ波功率異常升高（4Hz～8Hz），預示認知負荷超載與判斷失誤風險。此外，現(xiàn)有研究多基于靜態(tài)場景或事后行為回溯，缺乏對動態(tài)施工環(huán)境下腦-行為協(xié)同機制的解析，導致風險識別模型的泛化能力不足。

近年來，腦電信號（EEG）因其高時間分辨率與無創(chuàng)特性，成為探索風險認知神經(jīng)機制的重要工具，被廣泛應用于認知能力和情境判斷的研究。通過非侵入性的大腦活動監(jiān)測，分析不同頻段的腦電波（如α波、β波、θ波等），能夠揭示施工人員在面對復雜情境時的認知狀態(tài)及反應模式，為提升其風險識別能力提供科學依據(jù)^[3]。這一方法為深入理解隧道項目施工人員的風險感知機制提供了新視角^[4]。

目前，國內(nèi)外學者基于腦電信號的隧道項目施工人員風險認知能力研究，已初步揭示了腦電波（如θ波、α波、β波）與施工人員在高風險情境中的認知過程之間的關聯(lián)。例如，張茹等^[5]利用深度學習模型和腦電信號，在隧道項目施工階段進行風險感知研究，結(jié)合施工操作行為數(shù)據(jù)，構(gòu)建了多維風險認知能力評估框架；鄧軍等^[6]構(gòu)建了基于混合貝葉斯網(wǎng)絡（BN）的施工火災風險分析模型，并結(jié)合腦電信號特征數(shù)據(jù)分析認知負荷變化；Zhang等^[7]進行了腦電信號（EEG）實驗，發(fā)現(xiàn)建筑工人在識別危險時表現(xiàn)出特定的腦電波模式，如P200和LPP波形，該研究表明大腦在感知和判斷風險水平時經(jīng)歷特定的處理階段，這對于有效的危險識別和反應至關重要；Li等^[8]應用EEG技術檢測特定危險情況，如高處墜落危險，并顯示出較高的準確性，這表明利用EEG數(shù)據(jù)的機器學習模型在檢測危險方面表現(xiàn)優(yōu)異，因此EEG可以成為主動安全管理和早期預警系統(tǒng)的有力工具；Zhang等^[9]指出，EEG在建設安全研究中的應用仍處于起步階段，多數(shù)研究集中于檢測腦活動的頻率帶和頻道，EEG有望為現(xiàn)場安全管理和風險控制提供支撐，但同時也面臨倫理考慮和實際部署等挑戰(zhàn)。

值得注意的是，現(xiàn)有EEG研究多關注靜態(tài)場景，對于復雜施工環(huán)境對腦電特征的影響機制尚未明晰。此外，EEG信號與風險識別行為的動態(tài)關聯(lián)缺乏實證支持，如何準確地解讀這些信號并與實際行為相結(jié)合，仍需要進一步的研究與驗證。

針對上述問題，本研究提出一種融合虛擬現(xiàn)實（VR）與多通道EEG的風險認知評估框架。研究通過構(gòu)建高沉浸度隧道項目施工VR場景，利用腦電儀實時采集30名被試的腦電數(shù)據(jù)與風險識別行為，結(jié)合因子分析法降維提取關鍵腦電特征，并利用Stacking集成模型（準確率69.49%）實現(xiàn)風險識別能力的動態(tài)預測。本研究的核心在于探究不同隧道項目施工環(huán)境下，多種腦電頻段如何表征風險認知的神經(jīng)機制，以及驗證基于 EEG 的機器學習模型能否實現(xiàn)施工人員風險識別能力的實時評估與預警。通過這一研究，不僅可為提升隧道施工人員的安全意識和應急反應能力提供科學依據(jù)，還可為隧道施工現(xiàn)場的風險管理和安全預警系統(tǒng)建設提供新的技術支持。

1"研究方法

1.1"實驗場景

為了模擬隧道不同環(huán)境對施工人員風險認知的影響，本研究設計了兩種典型的實驗環(huán)境，共包含7個簡單場景和7個復雜場景。簡單場景的設置包括光線充足、無任何視覺或聽覺干擾的模擬隧道掌子面；復雜場景則通過光線昏暗、環(huán)境雜亂等特征來增加復雜性，同時加入干擾項，如背景噪聲（包括設備聲或人聲）、煙霧等視覺干擾。場景均以相同個數(shù)的風險源作為核心刺激，以確保刺激的一致性。

1.2"實驗被試

實驗共招募30名20～26歲的健康成年人（M=23.13；SD=0.95），均擁有正常視力和聽力，且無神經(jīng)或心理疾病史。參與者均身體健康，無色盲，也未有3D眩暈癥。所有參與者在培訓中學習了隧道安全風險的應對措施，具備足夠知識判斷和預測風險。在實驗過程中，每名被試在其環(huán)境中完成任務。所有被試在實驗開始前簽署了知情同意書，并接受了實驗目的、要求及任務規(guī)則的說明。

1.3"實驗設備

（1）VR設備。本研究采用的VR設備為HTC Vive，設備單眼分辨率為1080像素×1200像素，組合分辨率為2160像素×1200像素，刷新率為90Hz，視場角為110°。隧道施工人員風險意識測量系統(tǒng)基于UE4引擎開發(fā)，并運行在Steam VR環(huán)境中。

（2）32 通道NE無線腦電儀。本研究采用了一套基于32通道NE的可穿戴無線腦電系統(tǒng)，該系統(tǒng)通過D-Lab數(shù)據(jù)采集分析軟件進行設置、記錄和可視化腦電數(shù)據(jù)。24位高分辨率，可精細捕捉腦電信號的細微變化，確保信號采集的準確性和完整性；500Hz的采樣率提供了高時間分辨率，滿足包括事件相關電位（ERP）實驗在內(nèi)的大多數(shù)研究需求，準確反映大腦活動的快速變化。

1.4"實驗流程

1.4.1"準備階段

向被試說明實驗的目的和任務，確保其簽署知情同意書。隨后，被試接受實驗指導，適應VR環(huán)境，并佩戴無線腦電系統(tǒng)和VR設備。實驗人員調(diào)整設備，確保信號采集正常且被試佩戴舒適。同時，將被試觀看的虛擬現(xiàn)實場景同步到筆記本電腦的屏幕進行監(jiān)控。

1.4.2"適應階段

被試熟悉任務界面和操作流程，進行約5min的VR練習，以排除因?qū)θ蝿漳吧鷮е碌恼`差。練習結(jié)束后，被試閱讀實驗指導語和注意事項。實驗負責人解答其疑問，告知其需嚴格遵守實驗規(guī)則，按照自身習慣完成實驗任務。

1.4.3"實驗階段

（1）實驗進行。啟動仿真VR場景，包括簡單場景和復雜場景。14個實驗場景以隨機順序分配給每個被試，其中有噪聲組將噪聲作為背景音全程播放。被試在每個場景中快速判斷并標記潛在風險源。被試需盡可能快地判斷場景中是否存在潛在風險源，并告知實驗人員，每個試次結(jié)束后，被試需要對識別的風險源進行未來風險判斷，判斷和評價的時間不受限制，但要求被試不做太長時間的思考。

（2）數(shù)據(jù)采集。實驗人員開啟腦電儀的數(shù)據(jù)記錄模式，實時收集被試的腦電數(shù)據(jù)，并同步記錄其對風險源的反應時間和正確率。

（3）監(jiān)控與休息。將被試的VR場景同步到電腦屏幕，便于實驗人員實時監(jiān)控。每組實驗時長約10min，中間安排短暫休息，防止疲勞干擾。每個試次結(jié)束后，被試者休息5min以緩解疲勞。休息期間，實驗人員重新調(diào)試腦電儀，準備下一個實驗場景和對應的風險源。

1.5"數(shù)據(jù)采集與處理

1.5.1"風險識別數(shù)據(jù)

基于本研究的目標——風險感知與判斷能力的評估，本研究將因變量轉(zhuǎn)化為二分分類變量（風險源識別能力與未來風險預測能力），以簡化數(shù)據(jù)分析，并突出關鍵能力。具體轉(zhuǎn)換標準如下：

（1）風險源識別能力。當被試在場景中正確識別出超過90%的風險源時，認為其能夠有效識別風險源，標記為1（能夠有效識別風險源）；當識別正確率低于90%時，則標記為0（不能夠有效識別風險源）。

（2）未來風險預測能力。對于每個風險源，被試需要在實驗中對其危險性做出主觀評估，并試圖預測潛在風險。如果被試能夠準確預測危險發(fā)生概率，并給出合理的解釋，則標記為1（能夠正確預測未來風險）；如果預測錯誤或未能有效預測，則標記為0（無法預測未來風險）。

1.5.2"腦電數(shù)據(jù)

腦電圖（Electroencephalogram，EEG）是腦神經(jīng)細胞電生理活動在大腦皮層或頭皮表面的綜合反映。 4種腦電節(jié)律的特點見表1所示，根據(jù)頻率的不同，腦電波通常分為4種不同的波形，即δ波、θ波、α波和β波。

在這4種腦電節(jié)律中，α波與人的焦慮情緒息息相關，人在心情焦慮時，α波相對得到強化；β波與注意力集中有關，當注意力集中時，β波活動增強；θ波與睡眠和靜息狀態(tài)有關，代表輕度睡眠或疲勞；δ波則體現(xiàn)深度睡眠或疲勞狀態(tài)。在4種腦電節(jié)律的基礎上，本研究腦電指標主要選取α波、β波、θ波、δ波的絕對功率值和α/β相對功率值，（θ+α）/β相對功率值作為主要腦電指標，并通過無線腦電系統(tǒng)獲取腦電數(shù)據(jù)，腦電波頻段及其特征描述見表2。

為了確保數(shù)據(jù)的質(zhì)量和可靠性，在完成腦電數(shù)據(jù)采集后，需要對腦電信號進行必要的預處理。步驟如下：

（1）過濾去噪。采用帶通濾波器將信號濾波范圍設定在0.5Hz～30Hz，去除肌電干擾、工頻干擾等高頻和低頻噪聲，只保留有意義的腦電信號。

（2）偽跡去除。利用獨立成分分析（Independent Component Analysis，ICA）方法，識別并去除眼電、肌電等偽跡信號，降低非腦源性信號對實驗結(jié)果的影響。

（3）信號分段與基線校正。根據(jù)實驗事件，將連續(xù)的腦電信號按時間窗口進行分段處理，并進行基線校正，消除信號的漂移和系統(tǒng)誤差。

（4）功率譜分析。對預處理后的腦電數(shù)據(jù)，采用快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）進行功率譜分析，提取各頻段的絕對功率值和相對功率值。

1.5.3"數(shù)據(jù)降維

在腦電信號的采集過程中，大部分研究均根據(jù)國際腦電圖學會規(guī)定的10/20標準電極放置法來確定電極擺放的位置。電極擺放位置如圖1所示，奇數(shù)表示大腦左側(cè)，偶數(shù)表示大腦右側(cè)，F(xiàn)z表示額中點，Cz表示中央點，Pz表示頂點，A1、A2代表參考電極。

為避免數(shù)據(jù)冗余與計算復雜性，本研究基于對風險識別與認知評估相關腦區(qū)的定位需求，只選取了前額葉、頂葉和中央?yún)^(qū)這些與風險感知、決策及情境評估密切相關的關鍵區(qū)域的電極位置（F3、F4、F7、F8、AF3、AF4、FC5、FC6、C3、CZ）。

由于多個電極來源匯集的變量可能存在相關性，變量之間的相互干擾會弱化研究所得規(guī)律的解釋性。但若僅對其中某個或某幾個變量進行分析，則只能反映整個數(shù)據(jù)集合中的個別信息，損失掉有用信息。因此，需要對多個電極的6個腦電指標數(shù)據(jù)降維，減少需要納入模型計算的指標數(shù)量，提取其中因子。因此，本研究使用因子分析法進行腦電數(shù)據(jù)降維^[14]。具體步驟如下：

（1）數(shù)據(jù)預處理。①數(shù)據(jù)標準化。為了消除量綱的影響，所有變量應進行標準化處理（例如，均值為0，標準差為1），特別是當原始數(shù)據(jù)量綱不一致時。②缺失值處理。處理數(shù)據(jù)中的缺失值，可以選擇插補、刪除缺失值等方法。③相關性檢驗。由于因子分析依賴于變量之間的相關性，提前檢查相關矩陣十分必要。

（2）計算KMO值。只有當原始數(shù)據(jù)中各指標變量之間存在較強的相關性時，才能使用因子分析法探究指標變量間的相互關系，并提取公共因子。常用的檢驗方法為KMO（Kaiser-Meyer-Olkin）檢驗和Bartlett球形度檢驗。研究中KMO值大于0.6時，數(shù)據(jù)適合進行因子分析。本研究的KMO值為0.938，遠高于0.600的閾值，表明數(shù)據(jù)非常適合進行因子分析；Bartlett的球形度檢驗證明變量之間存在顯著的相關性（plt;0.001）。因此，數(shù)據(jù)適用于因子分析方法。

（3）確定因子數(shù)目。由總方差解釋表結(jié)果可知，前兩個主成分累積解釋了接近 98% 的總方差，證明了其在數(shù)據(jù)降維中的有效性和可行性。因此，提取前兩個成分作為公共因子，以簡化數(shù)據(jù)結(jié)構(gòu)，并保留主要信息。同時，忽略后續(xù)成分對整體方差貢獻較小的部分，從而提高分析的效率與解釋力。

（4）提取因子。為了使因子分析結(jié)果更具解釋性，本研究采用主成分分析結(jié)合最大方差旋轉(zhuǎn)法提取因子，保留載荷值大于0.5的變量。最后，通過因子載荷矩陣與原始數(shù)據(jù)的乘積計算每個樣本在不同因子上的得分。腦電波平均因子成分系數(shù)與因子得分見表3。

由表3可知，從因子分析結(jié)果來看，因子1主要與大腦的放松狀態(tài)、低警覺性和認知評估相關，尤其是α/β和 （θ+α）/β指標對該因子貢獻較大；而因子2則與警覺性、注意力集中和認知負荷相關，β 波和 θ 波在此因子中占主導地位。

1.5.4"數(shù)據(jù)集

經(jīng)由前文所述的數(shù)據(jù)處理及特征提取，針對所有被保留的被試及其所對應可用試次，在每一個通道下都獲得了兩個因子特征值，即因子分析輸出結(jié)果中的第一主成分和第二主成分。為了評估模型的性能，需要將數(shù)據(jù)集進一步進行處理和劃分。

1.5.4.1"數(shù)據(jù)集處理

隨機種子：設置為123，以確保結(jié)果的可重復性。

去除離群值：啟用離群值檢測和去除，減少異常值對模型的影響。

數(shù)據(jù)洗牌：在數(shù)據(jù)劃分和交叉驗證時啟用數(shù)據(jù)洗牌，確保數(shù)據(jù)的隨機分布，減少數(shù)據(jù)順序帶來的偏差。

數(shù)據(jù)標準化：使用穩(wěn)健標準化方法對數(shù)據(jù)進行標準化處理，降低異常值的影響，使特征具有可比性。

1.5.4.2"數(shù)據(jù)集劃分

隨機抽取數(shù)據(jù)集中90%的數(shù)據(jù)作為訓練集，用于模型的訓練。剩余的10%數(shù)據(jù)作為測試集，用于對模型的結(jié)果進行驗證，測試集在訓練過程中未參與模型構(gòu)建。

經(jīng)過上述數(shù)據(jù)預處理和劃分后，能夠得到模型訓練所需的自變量和因變量。自變量為每個被試在特定觀測通道下每個試次的PCA第一主成分和第二主成分兩個特征值；因變量則是轉(zhuǎn)換后的二個分類變量，包括風險源識別能力和未來風險預測能力。調(diào)整后的數(shù)據(jù)結(jié)構(gòu)對于每一個被試，都確定了一個觀測通道，在該通道下，每個試次都有對應的PCA特征值和隱患感知因變量。

1.6"分類模型構(gòu)建

1.6.1"模型優(yōu)化

本研究采用PyCaret庫進行機器學習模型的自動化構(gòu)建與優(yōu)化。通過多種函數(shù)高效地選擇最適合的模型，進行超參數(shù)調(diào)優(yōu)，集成多個模型，最終優(yōu)化得到最佳模型。本研究采用三種函數(shù)對模型進行優(yōu)化，提取出調(diào)優(yōu)后的3個模型，具體步驟如下。

1.6.1.1"模型比較

基于輸入數(shù)據(jù)集，對多種預定義的模型（如邏輯回歸、決策樹、隨機森林、支持向量機等）進行訓練與評估，并通過10折交叉驗證按照性能指標選擇出表現(xiàn)最佳的3個模型。模型性能指標簡介見表4。

1.6.1.2"超參數(shù)優(yōu)化

選出模型以后，需要對模型進行進一步優(yōu)化，研究通過調(diào)整超參數(shù)，基于網(wǎng)格搜索或隨機搜索的方式來尋找最優(yōu)的超參數(shù)組合，最后結(jié)合交叉驗證評估每一組超參數(shù)組合的效果，使得模型能夠在驗證集上表現(xiàn)得更加優(yōu)越。

1.6.1.3"集成模型

完成模型優(yōu)化后，通過集成學習方法進一步提高模型的性能。集成方法將優(yōu)化后，通過將三個模型進行綜合來降低模型的方差或偏差，從而提升整體模型的表現(xiàn)。在集成過程中，每個基礎模型可能會做出不同的預測，而通過將這些預測結(jié)合起來（例如投票機制或加權(quán)平均），可以得到一個更加精準且穩(wěn)健可靠的最終預測結(jié)果。

1.6.2"模型建立

根據(jù)調(diào)優(yōu)后的三個模型，選擇4種方式建立模型，具體如下：

（1）模型集成（Bagging）。模型集成是一種集成學習方法，它通過對訓練數(shù)據(jù)集進行自助采樣（bootstrap sampling）來生成多個訓練子集，每個子集用于訓練一個基本學習器。最終，對調(diào)優(yōu)后的三個模型進行集成優(yōu)化，三個模型的預測結(jié)果通過投票（分類問題）或平均（回歸問題）來得到最終預測結(jié)果。Bagging主要通過減少方差，增強模型的穩(wěn)定性。

（2）模型融合（Blending）。對據(jù)調(diào)優(yōu)后的三個模型進行加權(quán)融合，權(quán)重通常是根據(jù)模型的表現(xiàn)（如準確率或F1分數(shù)）來分配的，性能較好的模型將占據(jù)更大的權(quán)重。模型融合通過對多個模型的預測結(jié)果進行加權(quán)平均，能有效提高最終模型的預測能力，特別是在數(shù)據(jù)集存在噪聲或復雜模式時，融合方法能進一步增強模型的魯棒性。

（3）模型堆疊（Stacking）。根據(jù)調(diào)優(yōu)后的三個模型，采用堆疊學習（Stacking）方法，將三模型的輸出作為輸入特征，訓練一個次級模型（通常是邏輯回歸、線性回歸或其他分類器）來做出最終的預測。該方法通過不同模型的組合，能夠更好地處理復雜的模式和非線性關系，從而提升預測精度。

（4）自動化機器學習（Auto ML）。使用自動化機器學習，根據(jù)指定的性能指標（如Recall）自動選擇最佳的模型，進行超參數(shù)調(diào)優(yōu)和集成等操作，從而獲得最優(yōu)化的模型。

2"結(jié)果

2.1"模型性能比較分析

為全面評估不同建模方法的預測效能，本研究采用測試集數(shù)據(jù)對Bagged線性判別分析、Blender投票分類器、Stacking集成模型及AutoML自動機器學習模型4類模型進行對比驗證。4種建模方法性能指標對比見表5。根據(jù)測試集模型性能評估結(jié)果，Stacking集成模型在各項性能指標中均展現(xiàn)出最優(yōu)性能，其召回率（0.858 4）與F1分數(shù)（0.788 3）顯著優(yōu)于其他模型（plt;0.01），說明其對正類樣本（風險事件）的漏檢率較低，適合高風險場景下的安全預警需求。值得注意的是，盡管Bagged模型在特定任務中表現(xiàn)出較高的召回率（0.785 4），但其AUC值（0.655 5）與F1分數(shù)（0.747 8）的顯著衰減（plt;0.05）揭示了該模型在泛化能力方面的局限性。綜合4種模型ROC曲線對比（圖2）與分類報告對比（圖3），Stacking模型通過多基學習器的預測結(jié)果融合機制，在動態(tài)風險認知評估中實現(xiàn)了0.66的micro-average AUC值，相較于傳統(tǒng)單一模型取得了顯著提升，驗證了集成學習方法在復雜腦電特征建模中的優(yōu)勢。

總體來看，Stacking模型優(yōu)于其他模型，提供了最佳的綜合性能，尤其適合于提高模型的整體準確性和魯棒性，因此推薦優(yōu)先使用堆疊模型。

2.2"關鍵腦電特征識別

為全面評估腦電特征對風險源識別能力和未來風險預測能力的影響，本研究基于SHAP的可解釋性分析，揭示了不同場景下腦電特征對風險認知的差異化貢獻機制。復雜隧道場景下腦電SHAP特征貢獻度如圖4所示，（θ+α）/β相對功率值表現(xiàn)出顯著的特征貢獻度（SHAP值=0.42±0.15），其空間分布呈現(xiàn)額-中央?yún)^(qū)優(yōu)勢（FC6、F7、AF3通道貢獻度gt;0.35），這與高認知負荷下前額葉皮層對風險信息的整合功能相吻合^[15]。簡易隧道場景下腦電SHAP特征貢獻度如圖5所示。圖5中的貢獻模式發(fā)生顯著轉(zhuǎn)變，F(xiàn)3通道α波功率成為主導因子（SHAP值=0.38±0.12），印證了α振蕩在低負荷情境中的注意力調(diào)控作用。

2.3"空間-頻譜特征耦合機制

為了更深入地理解施工人員在不同風險評估任務中的神經(jīng)活動模式，本研究對兩類風險評估任務進行了比較分析。

對比兩類風險評估任務發(fā)現(xiàn)：風險源識別任務主要依賴額葉-頂葉網(wǎng)絡的β-α頻段協(xié)同（F4α/β、FC6α貢獻度gt;4），表現(xiàn)為F3及F4通道的（θ+α）/β特征SHAP值顯著正向（圖4和圖5）。該現(xiàn)象可能反映α波對β波的抑制性調(diào)控機制——通過抑制β振蕩引發(fā)的過度緊張狀態(tài)（α/β功率比提升），維持認知資源在目標識別中的動態(tài)平衡。

而未來風險預測任務則呈現(xiàn)中央?yún)^(qū)β波活動負向調(diào)控特征，模型特征重要性如圖6所示。其中，C3通道的（θ+α）/β特征在較高特征值區(qū)間呈現(xiàn)顯著相關影響（SHAP=-0.21±0.08）。這種頻譜-空間解耦現(xiàn)象暗示，預測過程需同時激活θ波介導的工作記憶系統(tǒng)（θ成分）與抑制β振蕩的干擾效應（低β功率），從而保障跨時間維度的情境推演能力。

3"結(jié)語

本研究通過將虛擬現(xiàn)實（VR）場景與多通道腦電信號（EEG）結(jié)合，構(gòu)建了一個隧道施工人員風險認知的多模態(tài)評估框架，成功揭示了不同施工環(huán)境下風險識別的神經(jīng)機制，并提出了基于腦電波特征的動態(tài)預測方法。主要結(jié)論如下：

（1）集成學習模型在風險識別任務中表現(xiàn)優(yōu)越。通過對比多個模型，Stacking集成模型在風險識別任務中展現(xiàn)了優(yōu)異的性能，其準確率為69.49%，AUC值為0.713 8，F(xiàn)1分數(shù)為0.788 3，顯著高于其他模型，證明了集成學習方法在處理復雜腦電特征與行為數(shù)據(jù)中的優(yōu)勢。

（2）腦電特征在不同場景下的差異化調(diào)控機制。在復雜情境下，（θ+α）/β相對功率值對風險源識別的貢獻最為顯著，主要分布在額-中央?yún)^(qū)（如 FC6、F7、AF3），反映了前額葉皮層在高認知負荷下對風險信息的整合功能。在簡單場景下，F(xiàn)3 α波功率在低認知負荷情境中起到了主導作用，突出體現(xiàn)了α波對注意力調(diào)控的作用。這表明施工人員的風險認知能力不僅受到任務復雜性的影響，還與環(huán)境的認知負荷相關。

（3）腦區(qū)協(xié)同與頻譜特征的關鍵作用。大腦額葉（F3、F4）和頂葉（C3）區(qū)域在風險識別任務中的預測作用尤為顯著，特別是在β-α頻段的協(xié)同作用上。而在未來風險預測任務中，θ波和β波的互動發(fā)揮了關鍵作用，凸顯了頻譜-空間特征的耦合在跨時間維度情境推演中的重要性。

參考文獻

[1]刁宗波， 李宣， 索亮， 等.隧道施工事故發(fā)生規(guī)律與特征分析[J].中國公路， 2024（17）： 67-69.

[2]余同山.淺析如何做好施工人員的安全培訓教育[J].價值工程， 2017， 36（25）： 56-57.

[3]HUANG H， HU H， XU F， et al.Feasibility analysis of hybrid kinematic-electroencephalogram signal to assess the safety interventions on the construction site[C]//2023 IEEE International Conference on Industrial Engineering and Engineering Management（IEEM）， 2023.

[4]JIANG T， FANG Y， ZHENG N， et al.Understanding construction workers^，"cognitive processes under risky scenarios through electroencephalography[J].Automation in Construction， 2024（166）： 105674.

[5]張茹， 呂游， 張澤天， 等.深地工程多維信息感知與智能建造的發(fā)展與展望[J].煤炭學報， 2024， 49（3）： 1259-1290.

[6]鄧軍， 李鑫， 王凱， 等.礦井火災智能監(jiān)測預警技術近20年研究進展及展望[J].煤炭科學技術， 2024， 52（1）： 154-177.

[7]ZHANG Z， DING Z， CHEN W.A study of construction workers^，"hazard recognition process based on EEG experiment[C]//Proceedings of the 26th International Symposium on Advancement of Construction Management and Real Estate， 2022.

[8]LI J， OUYANG Y， LUO X.Towards an EEG-based approach for detecting falls from height hazards using construction workers^，"physiological signals[J].Construction Research， 2024（3）： 647-656.

[9]ZHANG Y， ZHANG M， FANG Q.Scoping review of EEG studies in construction safety[J].International Journal of Environmental Research and Public Health， 2019， 16（21）： 4146.

[10]韓磊.基于駕駛員視覺特性的草原公路交通標志信息量研究[D].呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學， 2021.

[11]MAYCOCK G.Sleepiness and driving： the experience of UK car drivers[J].Journal of Sleep Research， 1996， 5（4）： 229-231.

[12]O^，HANLON J F， KELLEY G R.Comparison of performance and physiological changes between drivers who perform well and poorly during prolonged vehicular operation[M].Boston： Springer， 1977.

[13]BROOKHUIS K A， DE WAARD D.The use of psychophysiology to assess driver status[J].Ergonomics， 1993， 36（9）： 1099-1110.

[14]BRIGGS S R， CHEEK J M.The role of factor analysis in the development and evaluation of personality scales[J].Journal of Personality， 1986， 54（1）： 106-148.

[15]LUO W， ZHOU R.Can working memory task-related eeg biomarkers measure fluid intelligence and predict academic achievement in healthy children？[J].Frontiers in Behavioral Neuroscience， 2020（14）： 2.