https://spbu.ru/news-events/novosti/peterburgskie-uchenye-nauchili-neyroset-raspoznavat-ustalost-po-dvizheniyam

Технология может применяться для мониторинга сотрудников, управляющих транспортом, тяжелой техникой или критически важными объектами.

Безопасность современных транспортных и промышленных объектов во многом зависит от внимательности сотрудников, управляющих их работой. Даже небольшая ошибка, вызванная переутомлением, способна привести к серьезным авариям. Сегодня для контроля работоспособности часто используются системы учета рабочего времени, но они не учитывают индивидуальные особенности человека, его исходное состояние и скорость наступления усталости.

Результаты исследования опубликованы в научном журнале Sensors.

Ученые предложили новый подход к мониторингу функционального состояния: он позволяет точно оценивать, насколько сотрудник готов к выполнению задач, и вовремя предотвращать потенциально опасные ситуации.

«Мы обучили нейросетевую модель определять, находится ли оператор в состоянии бодрости или утомления, используя данные айтрекера», — рассказал старший научный сотрудник Лаборатории интегрированных систем автоматизации СПб ФИЦ РАН Алексей Кашевник.

В рамках исследования была собрана обширная база данных о движениях глаз людей, выполнявших различные задания в течение рабочего дня. Специальное устройство фиксировало направление взгляда, что позволило выделить ключевые паттерны, связанные с усталостью.

«Обучение нейросети основывалось на стратегиях, характерных для разных уровней утомления. Мы учитывали несколько типов задач: чтение, поиск информации и слежение за объектами», — пояснила профессор СПбГУ Ирина Шошина.

Разработанная библиотека с открытым исходным кодом системы доступна для всех пользователей по ссылке. Исследование поддержано грантом Фонда содействия инновациям.

Разработка ученых СПбГУ и СПб ФИЦ РАН может послужить основой для создания высокоточных систем оценки работоспособности в авиации, на транспорте и промышленных предприятиях.

Ранее данная научная группа создала базу данных, включающую стратегии глазных движений в различных состояниях (утомлен/бодр) операторов, осуществляющих мониторинг объектов на экране персонального компьютера.