摘要：隧道項目施工環(huán)境具有高動態(tài)風(fēng)險特征，復(fù)雜的危險因素使傳統(tǒng)安全培訓(xùn)難以量化評估人員的實時風(fēng)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(fēng)險識別行為，并利用Stacking集成模型預(yù)測其風(fēng)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(fù)雜場景下，（θ+α）/β相對功率值對風(fēng)險識別貢獻最大，簡單場景下，F(xiàn)3通道α波功率占主導(dǎo)地位；額葉和頂葉區(qū)域的腦電特征對風(fēng)險識別具有顯著預(yù)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(fēng)險認知評估及動態(tài)安全預(yù)警系統(tǒng)開發(fā)提供技術(shù)支撐。

關(guān)鍵詞：風(fēng)險源識別；未來風(fēng)險預(yù)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(fēng)險作業(yè)場景，其安全隱患主要來源于地質(zhì)條件突變、設(shè)備運行異常及人員操作失誤等多重動態(tài)風(fēng)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(dǎo)致的安全事件占比高達51.1%^[1]，凸顯了施工人員風(fēng)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(xùn)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(fēng)險情境下的實時認知反應(yīng)，還忽略了應(yīng)急狀態(tài)下心理壓力與情緒波動對風(fēng)險判斷的干擾^[2]。例如，信息繁雜的施工現(xiàn)場可能導(dǎo)致施工人員腦電θ波功率異常升高（4Hz～8Hz），預(yù)示認知負荷超載與判斷失誤風(fēng)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(dǎo)致風(fēng)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(fēng)險認知神經(jīng)機制的重要工具，被廣泛應(yīng)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(fù)雜情境時的認知狀態(tài)及反應(yīng)模式，為提升其風(fēng)險識別能力提供科學(xué)依據(jù)^[3]。這一方法為深入理解隧道項目施工人員的風(fēng)險感知機制提供了新視角^[4]。

目前，國內(nèi)外學(xué)者基于腦電信號的隧道項目施工人員風(fēng)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(fēng)險情境中的認知過程之間的關(guān)聯(lián)。例如，張茹等^[5]利用深度學(xué)習(xí)模型和腦電信號，在隧道項目施工階段進行風(fēng)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(fēng)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(luò)（BN）的施工火災(zāi)風(fēng)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(fēng)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(yīng)至關(guān)重要；Li等^[8]應(yīng)用EEG技術(shù)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(xué)習(xí)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(yù)警系統(tǒng)的有力工具；Zhang等^[9]指出，EEG在建設(shè)安全研究中的應(yīng)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(fēng)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(guān)注靜態(tài)場景，對于復(fù)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(fēng)險識別行為的動態(tài)關(guān)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(fēng)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(fēng)險識別行為，結(jié)合因子分析法降維提取關(guān)鍵腦電特征，并利用Stacking集成模型（準確率69.49%）實現(xiàn)風(fēng)險識別能力的動態(tài)預(yù)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(fēng)險認知的神經(jīng)機制，以及驗證基于 EEG 的機器學(xué)習(xí)模型能否實現(xiàn)施工人員風(fēng)險識別能力的實時評估與預(yù)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(yīng)急反應(yīng)能力提供科學(xué)依據(jù)，還可為隧道施工現(xiàn)場的風(fēng)險管理和安全預(yù)警系統(tǒng)建設(shè)提供新的技術(shù)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(fēng)險認知的影響，本研究設(shè)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(fù)雜場景。簡單場景的設(shè)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(fù)雜場景則通過光線昏暗、環(huán)境雜亂等特征來增加復(fù)雜性，同時加入干擾項，如背景噪聲（包括設(shè)備聲或人聲）、煙霧等視覺干擾。場景均以相同個數(shù)的風(fēng)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(xùn)中學(xué)習(xí)了隧道安全風(fēng)險的應(yīng)對措施，具備足夠知識判斷和預(yù)測風(fēng)險。在實驗過程中，每名被試在其環(huán)境中完成任務(wù)。所有被試在實驗開始前簽署了知情同意書，并接受了實驗?zāi)康?、要求及任?wù)規(guī)則的說明。

1.3"實驗設(shè)備

（1）VR設(shè)備。本研究采用的VR設(shè)備為HTC Vive，設(shè)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(fēng)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(shè)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(guān)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(wù)，確保其簽署知情同意書。隨后，被試接受實驗指導(dǎo)，適應(yīng)VR環(huán)境，并佩戴無線腦電系統(tǒng)和VR設(shè)備。實驗人員調(diào)整設(shè)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(yīng)階段

被試熟悉任務(wù)界面和操作流程，進行約5min的VR練習(xí)，以排除因?qū)θ蝿?wù)陌生導(dǎo)致的誤差。練習(xí)結(jié)束后，被試閱讀實驗指導(dǎo)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(xí)慣完成實驗任務(wù)。

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(fù)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(fēng)險源。被試需盡可能快地判斷場景中是否存在潛在風(fēng)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(fēng)險源進行未來風(fēng)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(fēng)險源的反應(yīng)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(yīng)的風(fēng)險源。

1.5"數(shù)據(jù)采集與處理

1.5.1"風(fēng)險識別數(shù)據(jù)

基于本研究的目標——風(fēng)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(fēng)險源識別能力與未來風(fēng)險預(yù)測能力），以簡化數(shù)據(jù)分析，并突出關(guān)鍵能力。具體轉(zhuǎn)換標準如下：

（1）風(fēng)險源識別能力。當被試在場景中正確識別出超過90%的風(fēng)險源時，認為其能夠有效識別風(fēng)險源，標記為1（能夠有效識別風(fēng)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(fēng)險源）。

（2）未來風(fēng)險預(yù)測能力。對于每個風(fēng)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(yù)測潛在風(fēng)險。如果被試能夠準確預(yù)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(yù)測未來風(fēng)險）；如果預(yù)測錯誤或未能有效預(yù)測，則標記為0（無法預(yù)測未來風(fēng)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(guān)，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(guān)，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(guān)，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(chǔ)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(yù)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(shè)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(yù)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(xué)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(fù)雜性，本研究基于對風(fēng)險識別與認知評估相關(guān)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(fēng)險感知、決策及情境評估密切相關(guān)的關(guān)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(guān)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(yù)處理。①數(shù)據(jù)標準化。為了消除量綱的影響，所有變量應(yīng)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(guān)性檢驗。由于因子分析依賴于變量之間的相關(guān)性，提前檢查相關(guān)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(guān)性時，才能使用因子分析法探究指標變量間的相互關(guān)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(guān)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(guān)，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(guān)，β 波和 θ 波在此因子中占主導(dǎo)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(yīng)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(shè)置為123，以確保結(jié)果的可重復(fù)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(xùn)練集，用于模型的訓(xùn)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(xùn)練過程中未參與模型構(gòu)建。

經(jīng)過上述數(shù)據(jù)預(yù)處理和劃分后，能夠得到模型訓(xùn)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(fēng)險源識別能力和未來風(fēng)險預(yù)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(yīng)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(xué)習(xí)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(yù)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(xùn)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(xué)習(xí)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(chǔ)模型可能會做出不同的預(yù)測，而通過將這些預(yù)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(yù)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(xué)習(xí)方法，它通過對訓(xùn)練數(shù)據(jù)集進行自助采樣（bootstrap sampling）來生成多個訓(xùn)練子集，每個子集用于訓(xùn)練一個基本學(xué)習(xí)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(yù)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(yù)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(yù)測結(jié)果進行加權(quán)平均，能有效提高最終模型的預(yù)測能力，特別是在數(shù)據(jù)集存在噪聲或復(fù)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(xué)習(xí)（Stacking）方法，將三模型的輸出作為輸入特征，訓(xùn)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(yù)測。該方法通過不同模型的組合，能夠更好地處理復(fù)雜的模式和非線性關(guān)系，從而提升預(yù)測精度。

（4）自動化機器學(xué)習(xí)（Auto ML）。使用自動化機器學(xué)習(xí)，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(yù)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(xué)習(xí)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(fēng)險事件）的漏檢率較低，適合高風(fēng)險場景下的安全預(yù)警需求。值得注意的是，盡管Bagged模型在特定任務(wù)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(xué)習(xí)器的預(yù)測結(jié)果融合機制，在動態(tài)風(fēng)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(xué)習(xí)方法在復(fù)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(guān)鍵腦電特征識別

為全面評估腦電特征對風(fēng)險源識別能力和未來風(fēng)險預(yù)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(fēng)險認知的差異化貢獻機制。復(fù)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(fēng)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(dǎo)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(fēng)險評估任務(wù)中的神經(jīng)活動模式，本研究對兩類風(fēng)險評估任務(wù)進行了比較分析。

對比兩類風(fēng)險評估任務(wù)發(fā)現(xiàn)：風(fēng)險源識別任務(wù)主要依賴額葉-頂葉網(wǎng)絡(luò)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(fēng)險預(yù)測任務(wù)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(guān)影響（SHAP=-0.21±0.08）。這種頻譜-空間解耦現(xiàn)象暗示，預(yù)測過程需同時激活θ波介導(dǎo)的工作記憶系統(tǒng)（θ成分）與抑制β振蕩的干擾效應(yīng)（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(fēng)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(fēng)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(yù)測方法。主要結(jié)論如下：

（1）集成學(xué)習(xí)模型在風(fēng)險識別任務(wù)中表現(xiàn)優(yōu)越。通過對比多個模型，Stacking集成模型在風(fēng)險識別任務(wù)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(xué)習(xí)方法在處理復(fù)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(fù)雜情境下，（θ+α）/β相對功率值對風(fēng)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(fēng)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(dǎo)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(fēng)險認知能力不僅受到任務(wù)復(fù)雜性的影響，還與環(huán)境的認知負荷相關(guān)。

（3）腦區(qū)協(xié)同與頻譜特征的關(guān)鍵作用。大腦額葉（F3、F4）和頂葉（C3）區(qū)域在風(fēng)險識別任務(wù)中的預(yù)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(fēng)險預(yù)測任務(wù)中，θ波和β波的互動發(fā)揮了關(guān)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(xùn)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(xué)報， 2024， 49（3）： 1259-1290.

[6]鄧軍， 李鑫， 王凱， 等.礦井火災(zāi)智能監(jiān)測預(yù)警技術(shù)近20年研究進展及展望[J].煤炭科學(xué)技術(shù)， 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(xué)， 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.