La charge de travail cognitive d'un pilote d'aviation, qui englobe sa capacité mentale à effectuer les manœuvres d'un avion, varie selon l’étape de pilotage et le nombre de tâches convergeant simultanément sur le pilote. Cette charge de travail peut entraîner des erreurs de pilotage aux conséquences graves. La plupart des erreurs se produisent pendant la procédure de décollage ou d'atterrissage. Cette étude vise à mesurer et prédire la charge de travail cognitive d'un pilote lors d'une procédure de décollage afin de mieux comprendre et potentiellement prévenir ces erreurs humaines. Pour y parvenir, nous avons créé une solution logicielle pour mesurer et surveiller en temps réel la fréquence cardiaque, la dilatation pupillaire et la charge de travail cognitive d'un pilote. Le logiciel est également capable de déclencher des événements de défaillance pour déclencher une modification de la charge de travail cognitive à la demande. À l'aide d'un casque électroencéphalogramme (EEG) permettant de mesurer l’activité électrique du cerveau, d'un moniteur de fréquence cardiaque, d'un eye tracker et d'un simulateur, nous avons créé une configuration d'environnement où les pilotes devaient faire décoller un avion A320 avec et sans pannes sans le savoir au préalable. Cette étude a rassemblé 136 décollages sur 13 pilotes pour plus de 9 heures de données de séries chronologiques, soit 2 millions de lignes combinées. De plus, nous avons étudié la relation entre la fréquence cardiaque, la dilatation de la pupille et la charge de travail cognitive lors d'une tâche critique. Cette étude a révélé, à l'aide d'une analyse statistique, qu'un moment critique, comme une panne de moteur, augmente la fréquence cardiaque, la dilatation de la pupille et la charge de travail cognitive d'un pilote. Ensuite, cette recherche a utilisé différents modèles d'apprentissage automatique et d'apprentissage en profondeur pour prédire la charge de travail cognitive d'un pilote pendant le décollage. Nous avons constaté qu'en utilisant un modèle d'apprentissage en profondeur long short-term memory empilé, nous étions en mesure de prédire la charge de travail cognitive 5 secondes dans le futur. Le modèle long short-term memory empilé a donné une erreur quadratique moyenne (MSE) de 44,09, une erreur racine quadratique moyenne (RMSE) de 6,64 et une erreur absolue moyenne de 5,28, prouvant qu'il est possible de prédire la charge de travail cognitive. / The cognitive workload for an aviation pilot, which englobes a pilot's mental capacity to perform
aircraft's maneuvers, varies according to the piloting stage and the number of tasks converging
simultaneously on the pilot. This workload can lead to piloting errors with severe consequences,
where most errors occur during the takeoff or landing procedure. This study aims to predict the
cognitive workload of a pilot during a takeoff procedure in order to better understand and
potentially prevent these human errors. To achieve this, we created a software solution to
measure and monitor in real-time the heart rate, pupil dilation, and cognitive workload of a pilot.
The software is also capable of triggering failure events to trigger a change in cognitive workload
on demand. Using an electroencephalogram (EEG) headset which measures the electrical brain
activity, a heart rate monitor, an eye tracker, and a simulator, we created an environment setup
where pilots had to take off an A320 airplane with and without failures without priorly knowing
it. This study gathered 136 takeoffs across 13 pilots for more than 9 hours of time-series data, or
2 million rows combined. Moreover, we investigated the relation between heart rate, pupil
dilation, and cognitive workload during a critical task. This study found, using statistical F-test
analysis, that a critical moment, such as an engine failure, augments the heart rate, pupil dilation,
and cognitive workload of a pilot. Next, this research utilized different machine learning and deep
learning models to predict the cognitive workload of a pilot during takeoff. We found that, when
using a stacked long short-term memory deep learning model, we were able to predict future
cognitive workload 5 seconds into the future. The stacked long short-term memory model
resulted in a mean square error of 44.09, a root mean square error of 6.64, and an mean absolute
error of 5.28, demonstrating that it is possible to predict future cognitive workload.
| Identifer | oai:union.ndltd.org:umontreal.ca/oai:papyrus.bib.umontreal.ca:1866/27932 |
| Date | 08 1900 |
| Creators | Antoine, Maxime |
| Contributors | Frasson, Claude |
| Source Sets | Université de Montréal |
| Language | English |
| Detected Language | French |
| Type | thesis, thèse |
| Format | application/pdf |
Page generated in 0.0023 seconds