Hodnocení fyziologických parametrů jako ukazatelů únavy pilota

Abstract

Lidský činitel se významně podílí na bezpečnosti v mnohých odvětvích lidské činnosti. Jedním z těchto odvětví je doprava, zvláště pak ta letecká. Za poslední roky statistiky uvádějí lidský faktor jako významný činitel v 80 % nehod v letectví a únavu ve 20 %. Proto bylo cílem práce najít parametry výstupu měření variability srdečního rytmu, které by spolehlivě indikovali stav únavy a vyčerpání. Byla provedena studie s osmi subjekty, zahrnující 8 letů podle přístrojů, v průběhu cca 24 h. Z analýzy naměřených výsledků nebyl nalezen žádný spolehlivý indikátor únavy. Na tomto výsledku se mohl podílet malému počet účastníků studie. Tři parametry spojené se zvýšenou psychofyziologickou zátěží (sdHR, aLF a SD1) vykázaly změnu blízkou změně statisticky významné. Zdá se tedy, že v případě použití kombinace více fyziologických parametrů a statistiky, nebo strojového učení může vzniknout použitelný systém upozorňující na únavu v reálném čase.

Human factor has a major influence on safety in many fields of human activity. Transportation, and especially air transport are among the influenced. According to recent research, human factor is mentioned in 80 \% of aviation accidents, either as the main cause or as a contributing factor. Therefore the main goal of this thesis was to investigate the parameters of heart rate variability to find such parametrs, which would indicate tiredness with sufficient reliability. The study was conducted with 8 participants, who have flown blocks of 8 IFR flights during 24 h time interval. No sufficienty reliable tiredness indicator has arised from the measurement analysis. This conclusion may be partly caused by small smaple size. However, three parameters related to increased psychophysiological load (sdHR, aLF and SD1) have been found to differ significantly between the flights, though the level of statistic significance was unsufficient. This suggests that a combination of various physiological parametres with statistics or machine learning, may lead to construction of usable tiredness alerting system.