Time‑varying EEG survival modeling predicts aviation crash risk in simulated flight

Résumé technique : Modélisation de la survie par EEG à variation temporelle pour la prédiction du risque de crash aérien

Énoncé du problème
L'erreur humaine dans l'aviation découle souvent de fluctuations latentes de l'attention et de la charge de travail que les mesures de performance conventionnelles (par exemple, les commandes de vol, les vérifications épisodiques) ne parviennent pas à capturer en temps réel. Les systèmes actuels d'évitement de collision automatisés ne s'activent souvent qu'une fois que le pilote est entré dans un état cognitif significativement dégradé, laissant un temps insuffisant pour la mitigation. Bien que la neuroergonomie offre une voie pour surveiller les états cognitifs via l'électroencéphalographie (EEG), les applications actuelles reposent lourdement sur des contrastes transversaux ou des modèles d'apprentissage automatique de type « boîte noire » entraînés sur des étiquettes discrètes. Ces approches ne permettent pas de modéliser l'évolution continue du risque au fil du temps ou de prédire quand un crash pourrait survenir. De plus, la comparaison entre les vols avec et sans crash est biaisée par des différences de géométrie de trajectoire, d'altitude et de terrain, ce qui peut occulter les signatures cognitives sous-jacentes de l'état de l'opérateur.

Méthodologie
L'étude présente un pipeline de preuve de concept intégrant l'alignement de trajectoires sensible au contexte, l'analyse de survie à variation temporelle pénalisée et la modélisation d'espace d'états.

1. Collecte de données : Douze pilotes expérimentés de l'armée américaine ont effectué une route exigeante dans un simulateur d'hélicoptère Black Hawk haute fidélité. Cinq vols ont abouti à des collisions avec le terrain (crash), tandis que sept ont été complétés avec succès. Les données EEG ont été enregistrées à l'aide d'un système sans fil à 20 canaux (B-Alert X24) à 256 Hz, synchronisées avec les données du simulateur (sous-échantillonnées à 1 Hz).
2. Alignement sensible au contexte : Pour contrôler les variables de confusion (route, terrain, durée), une procédure d'alignement sensible au contexte a été employée. En utilisant l'algorithme hongrois, les trajectoires sans crash ont été segmentées et appariées à une trajectoire de crash de référence dans un espace de caractéristiques multidimensionnel (latitude, longitude, distance cumulée et temps écoulé). Cela a permis de garantir que les échantillons EEG des vols avec et sans crash étaient comparés sous des conditions opérationnelles similaires.
3. Extraction de caractéristiques EEG : Trois « indices d'engagement » globaux ont été calculés à partir de la densité spectrale de puissance (DSP) relative dans les bandes delta, theta, alpha et bêta :
   • EI-1 : $\beta / (\theta + \alpha)$
   • EI-2 : $\beta / \alpha$
   • EI-3 : $1 / \alpha$ (Indice normalisé par l'alpha)
4. Modélisation de la survie à variation temporelle : Un modèle de risques proportionnels de Cox à variation temporelle pénalisé a été ajusté sur l'ensemble de données alignées. Le modèle traitait le crash comme l'événement d'intérêt et utilisait les trois indices EEG et l'élévation du terrain comme covariables variant dans le temps pour estimer le risque instantané de crash. Une régularisation Ridge a été appliquée pour éviter le surapprentissage dans le petit échantillon ($N=12$).
5. Lissage par espace d'états : Pour transformer les estimations de risque instantané bruitées en trajectoires latentes stables et interprétables, un modèle d'espace d'états de niveau local parcimonieux (filtre de Kalman avec lissage de Rauch–Tung–Striebel) a été appliqué aux estimations de risque au niveau du groupe. Cela a permis d'identifier un « temps de divergence » — le point auquel les trajectoires de risque latentes pour les vols avec et sans crash se séparent de manière fiable.

Résultats clés

• Performance du modèle : Le modèle de Cox à variation temporelle pénalisé intégrant les indices EEG et l'élévation du terrain a montré une amélioration significative de l'ajustement par rapport à un modèle nul ($\chi^2(4) = 11,69, p = 0,019$). L'ensemble de données alignées a produit un indice de concordance interne (C-index) élevé de 0,90. En revanche, les modèles ajustés à des trajectoires non alignées n'ont pas performé de manière significativement supérieure au modèle nul, validant la nécessité d'un alignement sensible au contexte.
• Marqueurs prédictifs : Parmi les prédicteurs, seul l'indice normalisé par l'alpha (EI-3, $1/\alpha$) a montré une association négative significative avec le risque de crash (coefficient moyen = -8,82). Cela indique qu'un pouvoir alpha plus faible (EI-3 plus élevé) est associé à un risque de crash réduit, ce qui est cohérent avec un engagement externe soutenu. Les autres indices (EI-1, EI-2) ainsi que l'élévation du terrain n'ont pas montré d'effets prédictifs robustes et uniques dans ce contexte.
• Temps de divergence : Les trajectoires de risque latent lissées par le filtre de Kalman ont révélé que les vols menant au crash et les vols sans crash ont commencé à diverger environ 56 secondes avant l'impact. Avant cette fenêtre, les différences étaient transitoires et non statistiquement stables.
• Généralisation : La validation par exclusion d'un sujet (Leave-one-subject-out, LOSO) a produit un C-index de 0,567 avec un intervalle de confiance large, indiquant que la généralisation hors sujet ne peut pas être estimée de manière fiable avec l'échantillon actuel. Les auteurs interprètent ces résultats comme des indicateurs internes de preuve de concept plutôt que comme une validation prête pour le déploiement.
• Topographie : Les cartes de scalp de la fenêtre pré-crash (les 56 dernières secondes) ont montré que les vols menant au crash présentaient un pouvoir alpha pariéto-occipital relativement plus élevé que les vols sans crash, soutenant qualitativement le résultat global selon lequel la suppression de l'alpha (EI-3 plus élevé) est corrélée à la sécurité.

Signification et revendications
L'article affirme fournir la première application de modèles de survie à variation temporelle aux indices d'engagement dérivés de l'EEG pour prédire le risque de crash aérien. Sa contribution principale est méthodologique, démontrant un pipeline qui :

1. Aligne les trajectoires de vol dans un espace contextuel partagé pour isoler les signatures cognitives des variables opérationnelles.
2. Intègre des métriques EEG de faible dimension dans un cadre de survie pour générer des signaux de risque continus et interprétables plutôt que des classifications discrètes.
3. Utilise un lissage d'espace d'états pour identifier une fenêtre temporelle spécifique (environ 1 minute avant l'impact) où les signaux de risque neurophysiologiques divergent entre les issues de vol sûres et les crashs.

Les auteurs soulignent que bien que la taille de l'échantillon soit modeste et que la généralisation soit actuellement limitée, les résultats illustrent la faisabilité de l'utilisation de métriques EEG globales au sein de cadres de survie et d'espaces d'états pour générer des signaux de risque résolus dans le temps. Ces signaux pourraient théoriquement soutenir de futures applications de cockpit neuroadaptatives, telles que des alertes automatisées ou des systèmes d'intervention, en détectant la détérioration cognitive suffisamment tôt pour qu'un pilote puisse y répondre (dans la fenêtre de réponse estimée de 8 à 11 secondes). L'étude conclut que cette approche offre un moyen rigoureux de suivre l'évolution du risque de défaillance de performance, allant au-delà des évaluations statiques de la charge de travail pour une surveillance dynamique des dangers.