基于对比学习EEG变换器框架的VR施工安全培训中情境意识变化的神经网络预测
《AUTOMATION IN CONSTRUCTION》:Neural prediction of situation awareness changes in VR-based construction safety training using a contrastive learning EEG-transformer framework
【字体:
大
中
小
】
时间:2026年07月14日
来源:AUTOMATION IN CONSTRUCTION 12.6
编辑推荐:
熊兆阳|丁志坤|廖龙辉•ConSAT能够以较高性能准确预测VR安全培训的效果(R2=0.685)。•对比预训练方法可从有限的生理数据中有效提取与主体无关的特征。•神经可解释性研究显示,危险识别依赖于“危险情境神经表征”(HSNR)。•客观生物标志物有助于识别“反应较弱者”,从而为
熊兆阳|丁志坤|廖龙辉•ConSAT能够以较高性能准确预测VR安全培训的效果(R2=0.685)。•对比预训练方法可从有限的生理数据中有效提取与主体无关的特征。•神经可解释性研究显示,危险识别依赖于“危险情境神经表征”(HSNR)。•客观生物标志物有助于识别“反应较弱者”,从而为个性化安全干预提供依据。
引言
建筑行业仍是全球风险最高的行业之一,其死亡率往往高于制造业、农业及其他高风险行业[1][2]。因此,该行业长期因事故率过高而受到批评[3][4]。研究表明,超过80%的建筑事故是由人为因素(如不安全行为、疏忽、违反操作规程、缺乏安全意识以及认知错误等)导致的,而非设备故障或环境因素[5]。安全培训是应对此类风险的主要手段,旨在纠正导致大多数建筑事故的不安全行为和认知错误[6][7]。然而,建筑行业面临一个根本性挑战:即“知识-行为差距”,安全知识难以转化为实际行动。这一差距的存在源于多种障碍。首先,大部分安全知识仍以隐性经验形式存在[8],很难通过正规教学有效传递[9][10]。其次,传统培训虽能提升人们对安全规则的认识,但往往无法改变其情感态度或内在动机,从而限制行为的持续改变[11]。第三,建筑工地的高压力环境常导致认知超载,使工人难以在关键时刻回忆并运用相关知识[12]。实证研究表明,被动式的讲座式或二维媒体培训无法有效帮助人们识别危险[13][14],经过此类培训后,工人仅能识别出关键类别中约47%的危险[15]。因此,仅依靠传统方法获取语义记忆,不足以在高压环境下实现快速、直观的危险识别。
至关重要的是,这种局限性源于危险识别实际上涉及对这些信号的主动整合与解读,以理解和预测不断变化的风险[16]。它并非简单的知识检索,而是一种被称为“情境意识”(SA)的动态认知过程。Endsley将情境意识定义为“对环境中各要素的感知、对其含义的理解以及对它们状态的前瞻”[17]。具体而言,有效的危险识别需要一个连续的认知过程:识别信号(第一级:感知)、理解风险(第二级:理解)以及预测后果(第三级:前瞻)[18]。只有在前几级达到足够的情境意识水平,才能在第三级采取有效行动实现目标[17]。然而,传统的静态培训方法(如讲座)本质上无法涵盖这一完整的动态认知过程,从而留下了“知识-行为差距”。
为弥补这一差距并支持情境意识的动态形成,虚拟现实技术作为一种变革性的教学工具应运而生[19]。与传统培训方法不同,虚拟现实能够通过模拟现实中无法重现的高风险场景来培养情境意识[20][21]。它为工人提供了一个可控且风险较低的环境,使他们不仅能观察,还能亲身体验不安全行为所带来的后果。大量实证证据表明,虚拟现实在提升安全表现方面优于传统方法[22][23]。目前的评估体系主要依赖主观自我报告指标[19][24]。尽管这些指标已被标准化并验证为结果指标,但若作为唯一评估工具则存在局限:它们属于事后评估,易受社会期望偏差影响,且无法捕捉产生报告结果的实时认知动态。仅依赖这类终点指标,会使得背后的认知过程变得模糊不清,难以判断工人所报告的进步究竟源于真正内化的安全意识,还是仅仅是对语义规则的回忆。这些局限性并非否定自我报告指标作为结果替代物的作用,而是强调了需要结合神经生理学测量方法,以揭示报告结果背后的认知-时间动态。为此,脑电图技术被用于分析基于虚拟现实的安全培训中的认知状态,为自我报告指标提供神经生理学层面的补充。脑电图具有高时间分辨率,能够捕捉与危险识别相关的毫秒级神经动态。它已被用于从可穿戴设备记录中分类与危险相关的认知状态[25],以及分析沉浸式环境中危险识别过程中的视觉搜索与脑电图模式[26]。
尽管近期的一些开创性研究已经确定了情境意识的神经相关性[18][20],但仍然存在一个关键的方法论缺口:即从“描述性解释”向“个体化预测”的过渡。以往的研究大多仅进行某种形式的统计分析(例如两个变量之间的相关性分析),或在不同群体间验证研究结果。目前仍缺乏能够准确预测个体培训效果的端到端预测模型。由于神经信号的非平稳特性、长时序依赖性以及生理数据本身存在的较大个体差异,开发基于脑电图的预测模型在技术上具有很大挑战性[27]。传统的机器学习分类器(如SVM)以及常见的深度学习模型(如CNN或LSTM)往往难以应对这一问题,因为它们通常只关注局部信号特征,而忽视了实现高级情境意识所需的全局功能连接性[28]。此外,大多数相关研究涉及的参与者数量有限,样本量较小[29],因此这些模型容易过拟合,无法在不同工人之间有效推广。
为解决这些问题,本文提出了ConSAT(基于对比学习的情境意识Transformer模型)。该模型基于Transformer架构,旨在研究是否可以通过基于虚拟现实的建筑安全培训过程中记录的脑电图模式,预测经过验证的主观情境意识指标——情境意识评分技术(SART)得分的变化,从而为传统自我报告评估提供神经生理学依据。与传统架构不同,ConSAT具备自注意力层,能够捕捉全局感受野,从而提取对复杂决策至关重要的不同脑区之间的长距离功能连接模式。为应对个体差异和样本量有限的挑战,本文采用两阶段训练策略,结合无监督对比预训练与有监督微调,使ConSAT能够从脑电图数据中学习出具有结构化且针对个体特征的认知表征,从而更有效地预测基于虚拟现实的安全培训效果。
此外,本文还利用SHapley加性解释法[30]和ElasticNet[31]分析,识别出这一预测关系背后的频谱-空间神经特征,提出了“危险情境神经表征”(HSNR)概念,认为有效的基于虚拟现实的安全培训可能依赖于分层的情感标记与具身模拟机制,而不仅仅是语义记忆。本文的主要贡献包括:(1)提出ConSAT模型,以克服基于脑电图预测情境意识培训效果时面临的“样本少、噪声大”问题;(2)提供神经生理学证据,证明脑电图模式可以预测主观情境意识培训效果,并识别出这一预测关系背后的频谱-空间特征;(3)为基于虚拟现实的安全培训效果的传统自我报告评估提供神经生理学依据,推动安全干预向数据驱动、个性化方向发展。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号