这是“神经工程管理”第24篇推送
内容来源：马林晓
本期编辑：董博
校 对：王璐瑶
审 核：廖彬超（本文通讯作者）
仅用于学术交流，原文版权归原作者和原发刊所有
Hazard differentiation embedded in the brain: A near-infrared
spectroscopy-based study
2021年发表于Automation in Construction
作者：Xiaoshan Zhou, Yinan Hu, Pin-Chao Liao*, Dan Zhang
摘要：了解危险识别的神经生理机制是图像分析和自动危险检测的关键。尽管之前的研究使用脑—机接口（BCIs）来揭示危险识别（HR）期间的大脑活动模式，但很少有人考虑到施工风险。在这项研究中，我们确定了前额叶皮层（PFC）显著的区域，这些区域表示不同的危险识别。我们在实验室环境下进行了一个包含多个危险识别（HR）任务的实验，并使用近红外光谱（NIRS）记录血流动力学响应。采用Fisher评分和线性判别分析对危险情况进行分类。结果显示，左侧PFC更多参与危险识别：具体来说，背外侧PFC参与电和冲击相关的危险识别，腹外侧PFC参与刺伤相关的危险识别。从理论上讲，已经被证实可以进行危险识别的区域可作为认知的神经心理学基础。实际上，这些结果证明了基于近红外的BCIs在危害检查方面的潜力。
关键词：危险区分、脑机接口、近红外光谱、施工安全管理
1.研究背景
超过70%的建筑伤害可归因于工人的不安全行为，这主要是由于无法充分识别危险所致。危险识别（Hazard recognition，HR）是一种高水平的认知过程，是工人从环境中发现感官线索，选择性地参与并将其与潜在危害匹配，在确认后产生适当反应的过程。提高危险识别能力是伤害预防的第一步，有助于有效的安全管理。
目前建筑行业严重依赖人工进行安全检查，然而，该方法存在主观评价、认知能力有限等缺陷。尽管各种干预和辅助技术，如问卷、视频和清单改善了危险识别，但这些方法并没有带来质的改变，40%-60%的建筑危险仍未被识别，因此一些新技术，例如可穿戴的人机交互设备和计算机视觉的自动图像分析通过协助或取代工人，为促进建筑安全提供了替代策略。
脑—机接口（BCI）作为神经工程最著名的应用，提供了人类大脑和外部设施之间的直接通信途径。广泛应用于认知任务过程中的实时心理状态监测。因此，本文假设BCI可以用于评估建筑行业的危险识别，但是还没有直接的证据能够证明危险识别任务是否可以通过超出概率水平的分类准确率进行区分。BCI研究侧重于选择最佳的心理任务组合和性能参数（如信号特征、分类器、记录地点、时间窗口长度），以确保认知内容能够自动、可靠地解码，确保实际的BCI应用不会由于不必要的冗长机器学习、数据过度拟合和昂贵的开发成本而受阻。此外BCI还关注人工智能和大脑研究之间的相关性。识别脑显著激活区域有助于深入了解个体在危险识别过程中的内在认知过程，并鼓励未来的研究聚焦于这些关键区域，以便更深入地理解其功能机制。
本研究中试图评估将BCI应用于危险识别以改进危险检查的潜在可行性，首先考察了危险识别任务是否可以区分；此外，研究了特定的危险对和相应的记录地点是否更有利于提高基于近红外光谱（NIRS）的BCI的二元分类性能。然后，我们考虑了前额叶皮层关键区域的潜在作用，这些区域包含相应危险的最佳通道组合，以确定人脑如何区分危险情况。本研究设计了一个基于NIRS的实验来比较各种危险识别任务组合的分类准确率。在模拟建筑环境中执行八项危险识别任务时，收集了48名参与者的血液动力学反应（即氧合血红蛋白、脱氧血红蛋白和总血红蛋白浓度的变化）。使用具有10×10倍交叉验证的线性判别分析（LDA），来估计根据Fisher标准选择的每个通道组合(C52=10)的所有可能的危险对(C82=28)的分类精度。最后，我们开发了一个基于认知神经科学的危险识别的可行的神经物理机制。
2.文献综述
2.1记录大脑活动
（1）脑—机接口
BCIs最初是为了促进严重神经肌肉障碍（如闭锁综合症[LIS]患者的身体控制和沟通能力的恢复而开发的）。BCI技术解码大脑活动的意图，并将其直接转换为对外部设备的命令，用户可以不再依赖他们的肌肉系统。为这种神经康复而开发的主动脑机接口系统，通常是通过提取自发的大脑信号的特征来专注于精神意象任务。最近，BCIs已经扩展到身体健全的个体的各种应用。反应性脑机接口系统的建立是为了分析由外部感官刺激引起的神经活动的变化。这一系列研究的重点是触发用户的注意力，辅助视觉检查任务，提高检查性能。而基于非侵入性的脑成像技术如功能性磁共振成像（fMRI）、近红外成像（NIRS）、脑电图（EEG）和脑磁图（MEG）的BCI，更适合职业工作场所。
（2）近红外光谱
选择最合适的方式来记录大脑信号，需要考虑的几个因素包括：时间分辨率、空间分辨率、商业可用性和便携性。fMRI和MEG的成本较高且便携性较差，因此受限于临床应用。脑电图在脑机接口实验中应用最为广泛，特别是在高时间分辨率方面，但它容易受到来自环境和心理来源的电干扰，在建筑工地是不现实的。相反，NIRS不受外部电气设备、眼部和肌肉伪影的干扰。并且，近红外不需要导电凝胶，更容易操作，适用范围更为广泛。此外，近红外成像的高空间分辨率能够识别关键的脑区。
先前的研究表明，基于NIRS的脑-机接口可以用于监测认知任务期间的人脑活动（R. Sitaram et al.,2007）。通过测量大脑皮层含氧和脱氧的血红蛋白浓度的变化，基于近红外的BCI可以在实验中获得关于大脑功能激活的信息。研究中出现的几种心理意象任务，如运动想象、心理算术和心理歌唱，现实环境中的一些娱乐活动和户外行为，特别是驾驶的研究，证实了基于近红外的BCIs在建筑工作场所的潜在适用性。例如，孙和廖使用近红外（NIRS）设计了一种包含血流动力学特性的复合指标来重新评估建筑工人的能力。
2.2危险区别的分类
（1）利用脑机接口进行危险识别的研究空白
近年来，BCIs在建筑领域的应用取得了一些进展，包括用于监测建筑工人的注意力水平、情绪与动机、精神工作量。然而，BCI应用于建筑工作场所危险检查的可行性尚未得到充分的探索。
（2）可靠分类的注意事项
确定最优的危险识别任务对和相应的渠道组合：
① 要开发一种用于解码危险识别过程的新型脑机接口系统，首先要解决的问题是区分不同危险引起的血流动力学反应。
② 之前的脑机接口实验表明，大约15%-30%的参与者在完成任务时表现出较差的能力，以致无法产生清晰且一致的大脑活动模式。解决这个问题的有效途径是采用个性化的智力任务对来代替一系列的智力任务。
③ 在机器学习方面，为了提高分类性能，二分类优于多分类，以选择最佳的心智任务组合，达到最佳分类精度。
④ 选择提供最佳性能的记录站点。用单一通道来区分两个心理任务，但是，这种方法不能保证稳定的性能。然而多通道分析需要复杂的算法来处理高维特征集，这不可避免地导致过拟合和过多的学习时间。以往的研究表明，双通道分析可以显著提高分类器的性能
（3）在前额叶皮层的物体识别
① 前额叶皮层（PFC）在大多数高级认知任务中起着核心作用。对于视觉搜索任务，大脑皮层的视觉相关区域可以分为两条功能通路：分别是物体和空间视觉的腹侧和背侧路径。腹外侧前额叶皮层（VLPFC）与规则学习和长期记忆提取有关；同时，背外侧额叶皮层（DLPFC）与基于规则的反应选择更密切相关。
② 在半球专门化方面，Warrington和Taylor建立的两类对象感知模型表明，右半球将感知输入与存储的视觉对象进行匹配，进行感知分类；左半球建立起长期记忆输入的名称与功能之间的相关性，为后续的语义分类提供依据。半球编码/提取不对称性（HERA）模型假设语义记忆提取和情景记忆编码过程中的前额叶激活通常是左偏化的，而情景记忆提取过程中的前额叶激活大多是右偏化的。
③ 关于物体识别，分离的腹侧和背侧通路与半球特化之间的关系仍有争议。由于建筑工作场所的高度动态性和复杂性，增加的视觉混乱会对工人的危险认知产生负面影响。这可能会对危险认知任务产生不同的结果，包括现实世界的施工危险和以前研究中使用的简单图标。因此，在探索人力资源流程进行构建时，应考虑上述对象识别模型和工作场所的背景。
3.研究方法
3.1实验对象
48名经过施工和操作安全培训，并通过相应测试的土木工程专业的学生参与了这项实验（35名男性和13名女性，平均年龄22.17岁）。
3.2实验准备：
通过专家的调查并完成了风险清单，选择了8个不同的危险识别任务作为实验目标（由于心理疲劳带来的潜在偏差，Curran和Stokes指出，单个实验不应测试8个以上的心理任务）。该实验在清华大学土木工程实验室进行。实验室为单层，采光良好，总面积1741平方米（长48米，高22.2米，跨度30米）。在实验室中放置各种施工机械和材料，模拟实际的施工现场。参与者被要求在指定的道路上行走，而不直接暴露在所部署的危险中，以确保安全。
表1 8个危险识别任务
3.3实验过程
实验包括四个阶段：初始阶段，参与者被告知实验程序，并完成一份自我报告的问卷（10分钟）。第二阶段佩戴眼动仪和近红外(NIRS)设备，在收集数据之前，被试有1分钟的准备时间（5分钟）。第三阶段，每个参与者走进实验室，要求在指定路线上，观察周围的环境，以识别尽可能多的危险，一旦参与者发现了危险，他们被要求用激光笔圈出被认为有危险的部件。参与者在5分钟内按照自己的节奏完成危险识别任务。第四阶段，参与者离开实验室，观看一段他们实验过程的录像，在录像中，他们被要求描述他们圈出来的危险，并对其进行分类（5分钟）。一般来说，每个参与者完成四个实验阶段的时间为25分钟。每个试验的数据都进行了测试，以确保在连续模式下正确记录。
3.4数据记录
采用20通道近红外NIRS（NirSmart，辉创公司，中国）来记录数据。每个参与者头皮上的10个光源、6个探测器和20个光源—探测器组合（通道）。探头彼此间隔3cm，用于监测12Hz采样率下的血流动力学响应。
血红蛋白在600-900nm处具有良好的近红外光散射性能。在这个光谱窗口中，760nm和850nm波长对含氧和脱氧血红蛋白有不同程度的敏感性。因此，选择生成波长为760 nm和850 nm的近红外光进行数据记录。
在光源和探测器安装在参与者头上后，头发被小心地展开，以确保探头牢固地安装在头皮皮肤上。通道被一个一个地调整，以轻微的力量接触皮肤。在实验之前对设置进行了测试，以确保原始数据的可测量性和质量。
图1 实验流程
图2 光源和探测器的排布
4.数据分析
4.1预处理
血红蛋白在不同的氧化态下对红外光有不同的吸收光谱。利用修正的Beer-Lambert定律将光密度转化为含氧血红蛋白、脱氧血红蛋白和总血红蛋白浓度的变化。除了光信号外，还记录了一些与危险识别任务间接相关的生理信号。通过应用截止频率为0.1赫兹的零相位低通滤波器（即四阶巴特沃兹滤波器）来消除心率和呼吸响应，从而解决了固有的干扰问题。此外，使用MATLAB 2017a中的移动标准偏差和样条插值程序被用来去除移动噪声和运动噪声。在基于NIRs的脑机接口实验中，保留的频带数据被广泛用于消除生理信号的影响。
4.2信号特征提取
在BCI实验中，许多信号特征被用于根据不同的大脑激活状态对血流动力学响应进行分类，如斜率、方差、偏度、振幅、峰度、小波系数和侧倾性。在这项研究中：（1）使用平均血红蛋白浓度作为试验特征，因为它在基于近红外的BCI研究中应用最广泛。（2）根据被试进入和退出兴趣区域（area of interest，AOI）时的固着程度来定义相应的危险识别任务的认知过程。（3）参与者和危险识别任务的不同选择不同的信号分析窗口的长度。（3）为[oxy-Hb]、[deoxy-Hb]、[total-Hb]以及[oxy-Hb]和[deoxy-Hb][48]组合构建了四个特征集，[oxy-Hb]和[deoxy-Hb]的组合是通过将[oxy-Hb]和[deoxy-Hb]特征放在二维数组中形成一个新的特征集来构建的。
4.3信号特征选择
后续分类中使用双通道分析，计算总共190（C220）个可能的通道组合（包括一些不相关或冗余的组合），将导致模式分类器的学习时间过长和训练数据的过度拟合。
Fisher准则已经在以前基于近红外的BCI研究中用于降低特征向量的维数。因此，我们将构建的特征向量中每个元素的费希尔得分估计为:
其中x和y代表两个不同的危险识别任务，k是被选中的通道。高Fisher分数意味着类内特征之间的距离小，类间的距离大。根据所选特征的Fisher分数对信道进行排序。选择前5个通道，形成10个（C52）渠道组合，进行后续分析；先前基于近红外的脑机接口实验表明，使用Fisher准则选择超过6个特征时，分类准确率停止上升。所以依据特征集选择5个通道。表1代表了特征选择的结果。
4.4分类精度
基于近红外的脑机接口研究广泛使用LDA和支持向量机分类器来估计分类精度。以往的研究表明，LDA在分类性能和计算速度两方面都具有优势。为此，我们构建了一个10×10倍交叉验证的LDA分类器，每次试验提取80个候选特征（1个特征×4个信号×20个位点）。对于每个危险识别任务，构造了4个特征集。进一步将其随机分为10个大小相同的子集。对于10个子集中的每一个来说，9个子集被用来训练LDA分类器，而剩余子集被用于验证和估计分类精度。重复这个过程，直到测试到每个子集。用重组后的子集运行上述10倍交叉验证10次，从而获得100个测试结果。在4个特征集内，分别采用Fisher准则选择5个性能最好的通道特征，并且每个通道组合被分别测试用于每个危险识别资源任务对。图3说明了上述分类过程的一个例子，其中使用了最佳通道组合来分类两个不同的危险识别任务（带有尖锐角度的大负荷设备（MLD）vs.无保护和未封闭的电气隔间（UEC））。
图3 交叉验证步骤的一个例子（通道2的血红蛋白浓度）
4.5结果
在实际应用中，二进制BCI系统的分类准确率应达到70%以上；因此，分类准确率超过70%的危险识别任务对被认为是有意义的。图4总结了4个特征集的28个任务对的通过结果。有意义的危险识别任务对因特征集而异，但无保护和未封闭的电气隔间（UEC）和无保护和警告的危险预应力组件对（PPC）显示，无论特征集如何，分类准确率都超过70%。
图4 危险识别(HR)任务分类的结果的四个特征集
图5给出了用Fisher标准为4个特征集选择的所有10个通道组合的平均分类精度。所有28个危险识别任务对的平均分类准确率高于随机概率水平（=50%）。关于特征集，图5所示的所有任务对都达到了最高的分类精度[total-Hb]。不管特征集如何，UEC-PPC（无保护和未封闭的电气隔间-无保护和警告的危险预应力组件）和MLD-UEC（带有尖锐角度的大负荷设备-无保护和未封闭的电气隔间）对在所有28个任务组合中显示出最高的两个分类准确度。在ASP-UEC（威胁火灾的丙酮的错误储存-无保护和未封闭的电气隔间）的平均分类准确度中观察到了显著差异的差异，其[oxy-Hb]和[deoxy-Hb]特征集分别为48.2%和66.3%。
图5 Fisher标准选择的所有10个通道组合的平均分类精度
值得注意的是，没有一个危险识别任务对的平均分类准确率超过70%（ALL），这表明将前5个渠道中的任何两个结合起来不一定能提供令人满意的分类准确率。为了克服单个通道的不稳定性和随机性或大脑信号采集量小的问题，建议进一步评价不同通道组合的性能，而不是直接使用Fisher准则选择的前5个通道。为了进一步探索最有利于提高基于近红外的脑机接口分类性能的危险识别任务，我们统计了每个危险识别任务可以形成的有意义的任务对的数量，如图4所示。从图6可以看出，UEC和MLD是任务对中最常被包含的任务，分类准确率超过70%，而PPC的表现也高于平均水平。这一结果与之前的研究结果一致，即MLD-UEC和UEC-PPC任务对可以获得更高的分类准确率。因此，UEC、MLD和PPC可能比其他危险识别任务提供更好的分类性能。
图6 分类准确率超过70%的每个危险识别任务包含在危险识别任务对中的次数
MLD-UEC和UEC-PPC对在特征选择和分类精度方面的判别性能最好。记录血红蛋白浓度的变化，以揭示PFC的活性模式。时间线的起点代表了第一次注视进入AOI的时刻。每个参与者成功完成一项HR任务的时间不同（从固定进入和退出AOI）；MLD、UEC、PPC识别时间最长为10.83s。因此，我们将所有参与者的数据线性插值到130帧，以显示当识别到特定危险时的连续血流动力学反应。从数据集中随机抽取10个试验，每个危险识别任务的特征信号在所有试验中取平均值。然后，数据被标准化，因为每个值除以所有数据的平均值来计算相对（百分比）变化。重复提取20次，计算提取样品的标准误差，间接证明了实验结果的可靠性。如图7所示，两种不同危险识别任务诱导的血流动力学反应可以被区分开来，尽管差异很大。这一数据以及多个危险识别任务对的分类准确率超过70%的事实证实了我们的假设，即基于近红外的脑机接口系统可以用于区分两个危险识别任务。虽然分类的准确性结果是有希望的，但它们显示了参与者之间相当大的可变性。各种BCI研究报告了参与者间的差异，部分原因是个体天生对不同的认知任务有不同的偏好和有效性。在NIRS研究中，头皮与额窦皮层之间距离的个体差异也可能导致血流动力学反应的参与者间差异。
图7 在识别(a) MLD和UEC以及(b) UEC和PPC时，梯度平均血红蛋白浓度随时间而变化
图8显示了区分MLD-UEC和UEC-PPC对具有最高分类精度的通道组合的位置。区分UEC和UEC的最佳通道组合位于BA46和BA47（分别位于背外侧前额叶皮层和前额叶下回）。
图8 最佳通道组合区分MLD-UEC对和UEC-PPC对
图9、10和11显示了在MLD、UEC和PPC识别任务期间，记录位点（请参考图3）处oxy-Hb，deoxy-Hb和total-Hb浓度随时间的参与者平均变化。脑血红蛋白浓度的变化随危险识别任务和观察通道的选择而变化。具体来说，识别UEC的显著激活脑区是中背外侧前额叶（DLPFC）。活动的增加首先在PFC的左侧被发现，然后在右侧。对于MLD识别，左背外侧前额叶的活动增加，而右和左腹外侧前额叶（VLPFC）的活动较少。相反，在PPC的整个识别期间，血红蛋白浓度是稳定的；然而，在这项任务的早期阶段，仍然可以观察到左侧PFC活动的增加。
由于本研究的实验数量相对较少，我们需要验证一些危险识别任务对的高分类准确率是否是通过假设而不是偶然获得的。因此，我们在不同的数据集之间随机重组子集，并且在八个新生成的数据集上重复相同的交叉验证分类过程三次。分类准确率超过70%的危险识别任务对数量从45个显著减少到2个、2个和3个。这些结果表明，有意义的危险识别任务对被随机提供的概率为5.9%（[2 + 2 + 3]/[45×3]）。因此，我们的结果的可靠性没有受到影响。
图9 在识别MLD、UEC和PPC时，20个通道中梯度平均[oxy-Hb]浓度随时间的变化
图10 在识别MLD、UEC和PPC时，20个通道中梯度平均[deoxy-Hb]浓度随时间的变化
图11 在识别MLD、UEC和PPC时，20个通道中梯度平均[total-Hb]浓度随时间的变化
5.结论
对于BCI在危险检查方面的实际应用，危险区分应至少达到70%的分类精度；然而，对于机器学习算法来说，从众多的通道组合中区分一组危险是过于苛刻的为了解决脑—机接口的盲区问题和提高分类的可靠性，我们采用双通道分析进行二元分类。在初步分析的基础上，选择了最佳危险对和相应的记录地点。这为提高BCI系统的性能提供了有益的参考。
5.1特征集
区域脑激活伴随着区域脑血流（rCBF）和区域脑氧代谢率的增加。因此，在近红外（NIRS）测量中，激活区域应显示出总血红蛋白和含氧血红蛋白增加，脱氧血红蛋白减少。同时，含氧血红蛋白被普遍认为是rCBF变化最敏感的指标。我们还表明[oxy-Hb]优于[deoxy-Hb]。唯一的反例是ASP-UEC对，[oxy-Hb]的分类准确率明显低于平均值，如图5所示。尽管如此，我们建议使用[oxy-Hb]来判断基于近红外的BCI应用的最佳危险对。[total-Hb]和[oxy-Hb]与[deoxy-Hb]结合的特征信号也可以作为有用的参考。
5.2前额叶皮层的显著激活区域
血流动力学响应分析表明，不同危险刺激和前额叶记录区域的血流动力学响应结果不同，对于每个危险对，只能通过特定的通道组合来区分其血流动力学响应。此外，图9所示的血红蛋白浓度变化可用于识别前额叶的显著激活区域，以识别各种危险。例如，PPC相对平稳的变化意味着前额叶与此类危险识别的相关性较低。
先前的研究表明，正确的前额叶区域更能参与决策任务；然而，我们的结果显示，左侧前额叶在执行危险识别任务时比右侧前额叶起着更重要的作用。这可以解释为:当固定物进入AOI后，我们监测血红蛋白浓度的变化，这一认知过程更多地与判断物体是什么而不是物体在哪里有关。在注意力操作过程中，负责物体视觉的腹侧通路专注于准备和应用目标导向（自上而下）的选择来处理刺激和反应，并倾向于左半球。
左右前额叶的连续激活可能与注意调节有关。第一次注视进入AOI后，被试开始被高视觉杂波干扰；因此，在分散注意条件下，左前额叶的活动增加。几分钟后，参与者转向持续注意力状态，从而观察到右侧前额叶的激活。根据HERA模型，危险识别是由语义记忆检索和情景记忆编码启动的，伴随的是左侧前额叶活动增加。随后是情景记忆的提取，伴随着右侧前额叶前部活动的增加。
文章发现背外侧前额叶在执行危险识别任务时更专注。这一模式与彼得里德斯的模型一致，彼得里德斯认为，背侧前额叶中部参与高级执行操作，而腹侧前额叶参与简单的短期操作。执行危险识别任务需要执行处理，特别是在响应选择阶段；因此，它产生更多的背侧额叶激活。执行者的要求也导致前额叶右侧化的增加。
5.3风险分化
鉴别MLD-UEC对的最佳通道位于背外侧前额叶中部（BA46）附近。这一发现与背外侧前额叶中部是监测刺激序列顺序的神经回路的关键组成部分的观点一致。同样，D’esposito等人指出，与只需要不中断维护的任务相比，在需要操作工作记忆内容的任务中，BA46的激活往往更为普遍，这意味着工作记忆操作涉及危险识别；此外，工作记忆通常被认为是知觉、短期记忆和注意等多个过程的界面。根据科瓦尔斯基-特拉科夫勒和巴雷特建立的心率模型，认知过程从感觉线索的检测到反应选择。一项基于规则的研究发现背外侧前额叶与反应选择相关；因此，推测鉴别MLD和UEC的关键阶段是思考如何避免它们可能的碰撞和电击损伤。不同的反应策略导致血流动力学反应有显著差异。
区分UEC-PPC对的推荐通道位于背外侧前额叶中段（BA46）和前额叶下回（BA47）附近，这是腹外侧前额叶的一部分，与长期记忆的规则检索有关。因此，判断预应力构件的损伤与经验有关，而不是像面对电或热危险时做出本能的决定。识别预应力组件触发情节记忆检索和目标相关的项目信息选择，这需要腹外侧前额叶的参与。
6.讨论
本文研究了危险识别过程中大脑的显著激活区域。实验采用基于近红外的BCI，让48名参与者在模拟建筑环境中执行8个危险识别任务，同时记录他们的血流动力学反应。在特征选择后，利用Fisher评分和LDA来估计每个任务对在所有可能的通道组合下的分类精度。结果表明，在神经系统健康的个体中，不同的危险识别任务可以在前额叶皮层中诱发不同的血流动力学反应，分类准确率超过70%。
理论上，本文成功地识别了在危险识别期间前额叶皮层的显著激活区域。通过建立区域血流动力学反应与相应脑功能之间的联系，可以描述危险识别的认知过程。具体地说，背外侧前额叶中部活动的增加意味着执行危险识别任务是一种需要工作记忆检索的高级执行操作。相反，腹外侧前额叶参与辨别特定类型的危险意味着它们的识别过程与长期记忆检索有关。此外，左侧前额叶在危险识别过程中起重要作用。这些结果不同于以前的物体识别模型，以前的模型认为正确的前额叶皮层更多地参与决策任务；然而，我们的结果是在参与者在真实建筑工地执行模拟危险识别任务时获得的。这增加了它们的可靠性，并表明在建筑工地执行的任务与传统心理学实验中执行的任务之间可能存在差异。近红外方法的引入对揭示危险识别认知过程的这些见解至关重要。
在实践中，文章评估了对不同危险诱发的脑信号进行离线二进制分类的可行性。最佳危险对和相应记录地点的结果将通过提高分类性能和可靠性，缩短个性化脑机接口开发的测试过程，并由于所选光电器件数量的减少而降低设备成本，从而促进未来脑机接口应用。BCIs是一种很有前途的用于多种人机交互（HMI）应用场景的方法。例如，近红外光谱仪可以植入安全头盔，记录和解码用户大脑活动中的危险信息;这可以用来输出控制命令来驱动机器人的操作系统。这种HMI对于改善职业安全和健康是非常可取的，特别是在极其危险的工作环境中。为了提高安全培训的效率，BCI可以提供实时的人力资源绩效反馈，并帮助培训师设计更好的演示策略。除了神经工程学的进步，在危险识别过程中对关键大脑区域和功能的新理解，将为建筑工地的自动图像分析和危险检查设计算法提供参考。此外，某些危险类型（如PPC）与长期记忆提取具有显著的相关性。因此，在设计安全培训程序以帮助建筑工人识别这些危险时，应优先考虑这些危险。
局限性
（1）文章试图确定危险环境中前额叶的显著激活区域，然而，除了前额叶，层次功能流为物体识别的视觉通路服务。因此，脑区之间的相互作用有待进一步探索。
（2）每个危险识别任务的数据量和每个试验的分析时间窗口是不相等的。这种限制是实验设置固有的，因为参与者可以灵活地在开放空间中寻找危险，这与传统的心理学实验截然不同，然而，我们认为这些设置更符合建筑工作场所的实际人力资源情况。因此，这种局限性也可以是一种创新。
（3）参与者是土木工程的学生而不是建筑工人。此外，群体差异导致的一些未被考虑的因素可能影响了危险识别结果。
引用信息：
Zhou, X., Hu, Y., Liao, P.-C., Zhang, D., 2021. Hazard differentiation embedded in the brain: A near-infrared spectroscopy-based study. Automation in Construction 122, 103473. https://doi.org/10.1016/j.autcon.2020.103473
扫码关注我们
本篇文章来源于微信公众号：神经工程管理