★ 煤矿安全 ★
智能化煤矿监控与巡视作业行为模式与认知机理研究综述
1 智能化煤矿监控与巡视作业研究背景
2019年全国规模以上煤炭企业产量总计37.5亿t，有近300万矿工在井下恶劣、危险环境下从事煤炭开采作业。2019年岁末，全国接连发生6起较大事故，4起重大或涉险事故，58名矿工失去生命。“少人则安、无人则安”，智能化设备代替矿工从事危险繁重的开采作业，是实现煤矿本质安全的有力保障。 近10年来，我国设立了“十二五”国家863计划重大项目、“973计划”“科技强安专项行动”《能源技术革命创新行动计划(2016-2030年)》《新一代人工智能发展规划》《中国制造2025-能源装备实施方案》《产业结构调整指导目录(2019本)》等一系列规划，都将煤矿智能化作为重点研发鼓励项目。在国家科技计划的支持下，在煤炭行业产学研部门的不懈努力下，目前已成功在煤矿工作面实现了“无人操作、有人巡视”的智能化开采模式，工作面所有设备均由设在巷道和地面的调度中心进行远程操控。截至2019年底，全国已建成200余个智能化采煤工作面[1]。2020年11月25日，国家能源局、原国家煤矿安全监察局确定71处煤矿为国家首批智能化示范建设煤矿。但目前我国煤矿智能化尚处于初级阶段[2]，在技术、工艺、管理上还存在许多未解的难题，煤矿智能化的发展既需要装备技术的研发，也需要适用于智能化变革的企业管理等软实力的提升[3]。
目前，我国智能化开采以工作面综采自动化结合远程可视化干预这种技术模式为主，对智能自适应开采技术模式的探索尚停留在理论层面[4]。在现有的技术条件下，智能化开采必须在工作面巡视员和巷道监控员的协同作业下才能正常运作。由于地质条件不稳定，无法预测煤层赋存状态，智能化开采还不能完全离开人的智慧，需要发挥机器和人各自的特长，规避人机各自的短处[5]。由于智能化开采系统研究的最终目的是代替矿工来控制开采过程的推进，因此对一个具有自适应开采功能的智能化系统来说，它的控制特性应该与熟练并具有专业操作技术的矿工的认知和操作行为基本一致。这就为智能化开采的理论研究提供了一条新的研究思路——从矿工认知和行为特性的角度出发来研究智能化。并且为减少“自动化惊奇”，复杂智能设备必须能够用用户容易理解的术语解释自己的行为，最好通过尝试将用户的决策过程模型合并到程序模式中来实现[6]。近年来的研究表明，基于智能化开采技术的研发亟待解决的问题，对智能化工作面巡视员和巷道监控室监控人员的行为心理分析研究，不但可以解释、模拟和预测矿工的行为, 为智能化工作面人员管理模式优化提供行为心理数据支撑，而且可以为智能开采设备自主决策控制系统和工作面巡检机器人的研发提供行为和认知模型参考。
在传统煤矿安全管理问题研究中，矿工的行为研究一直以来是一个重要领域，矿工的不安全行为是煤矿安全事故的最主要原因[7]。对于处于智能化初期的矿井而言，智能化设备可以使矿工从繁重、重复的机械作业中解放出来，现在从事远程干预、参数调整、巡视监控等方面的工作，体力负荷大幅下降，但需要更高的认知水平，而且心理负荷明显上升并且会诱发新型的被动疲劳[8]，降低监控人员对生产情境的感知，增加紧急应对操作的反应时间和错误率，导致重大安全隐患。这是因为智能化技术使矿工从手动控制者变为被动监控者，这种角色转化带来的隐性风险是心理负荷和刺激不足，尤其是长时间的单调监控作业后更为常见，所以更容易影响监控员与巡视员的工作绩效并带来安全性的下降[9]。在已应用智能化开采技术的山西某煤矿，仅2019年3月智能化工作面人为原因造成的生产事故就达86起，损失工作时间5 877 min，造成直接经济损失约为2 000万元，这些影响煤矿正常生产的事故每天都在各个工作面重复出现，却因无人员伤亡而被忽视。因此，有必要对监控人员和巡视人员进行基于心理行为的作业分析，这有助于了解智能化设备协同作业对人员的行为要求和认知能力需求，达到“人-岗”能力需求动态匹配，对建立智能化工作面自主决策和自适应模型，保障煤矿企业安全生产，都具有重要的指导意义。
2 国内外研究现状及发展动态
2.1 煤矿智能开采及其他智能系统自决策研究现状
2020年3月，国家发改委、科技部、教育部等八部门印发了《关于加快煤矿智能化的指导意见》，指出煤矿智能化是煤炭工业高质量发展的核心技术支撑，是将人工智能、工业物联网、云计算、大数据、机器人、智能装备等与现代煤炭开发利用深度融合，形成全面感知、实时互联、分析决策、自主学习、动态预测、协同控制的智能系统[10]。智能化是煤炭产业发展的必然之路，智能化开采是精准开采的重要支撑[11]，也是建设智慧矿山的核心[12]。智能感知、智能决策和自动控制是智能化开采的三要素[13]。但目前，我国综采装备尚不能智能感知工作面地质条件变化，并通过智能分析决策系统进行装备及工艺的自适应调整，还需依赖于监控员和巡视员的监视与操作。因此，王国法[14]，范京道[15]，唐恩贤[16]等指出：我国智能化开采整体技术尚处于初级阶段。需要不断开展技术创新来解决自主决策和自适应控制采煤的问题。谭章禄等[17]在全局性地提出了智慧矿山建设的指导理论以及须突破的关键技术后，认为通过智能模型的构建使得系统具有人类大脑的功能，从而实现设备自适应联动、自动学习和自动模拟决策。
同时，由于全国各地煤矿煤层赋存条件的复杂多样性，各企业生产技术和管理水平的不平衡，要真正实现智能化无人综采技术常态化应用，不仅需突破一系列关键技术和装备，更需提高煤矿智能化开采的管理水平，提倡专业化的生产作业、设备维修、技术指导，提升每一个生产环节的效率和质量[18]。
2.2 智能系统自主决策研究现状及研究动态
20世纪中叶以来，随着计算机技术、控制论、人工智能技术的兴起和发展，很多具有人类智能的机器被研发并投入使用[19]，为了使机器更多地代替人的工作，这就需要系统实现更多的认知模拟功能[20]，这与认知科学的研究范畴相一致。认知科学目的是识别行为产生的心理过程，用ANDERSON [21]的解释就是找出输入映射到输出的函数。知觉、记忆、行为选择和其他认知过程通常会与高层认知功能相互作用，这种高层认知功能其中之一就是决策过程[22]。通过对认知过程进行分析建模，对智能系统设计有重要价值：综合各种已有方法来模拟人类的高层认知能力，提高在系统复杂环境中的问题求解能力，以此来解决实际中遇到的复杂问题[23]。
驾驶员认知建模为汽车智能控制设计提供了重要参考：郭孔辉等[24]通过大量的实际驾驶人员的试验数据，辨识出各种水平的驾驶员最优预瞄曲率控制模型，为改进智能车控制系统的设计提供了依据；张文明等[25]通过进行驾驶员模拟巷道行驶，对驾驶员行驶信息进行统计处理得到驾驶员操作规律，建立了基于驾驶员行为的神经网络驾驶控制系统，在此基础上较好完成了巷道环境下的无人驾驶试验；SALVUCCI等[26]在多车道高速公路环境中，基于ACT-R(Adaptive Control of Thought-Rational)认知架构开发的集成驾驶员模型，该模型关注于控制、监控和决策的组成过程。
在机器人研发过程中，如果一个系统设计时使用类似于人的思维过程和表达，那么它会比不使用的系统更自然地与人交互[27]，KENNEDY等[28]人提出一种基于ACT-R认知架构和心理仿真的社交机器人设计方法，并证实其合理可行性；王雪，库涛等[29]基于SOAR(State Operator And Result)认知架构设计了一种预见性自适应行为模型，并在移动机器人的行为规划中应用了该模型。
认知科学在电力系统很多工程实践中得到应用，已展现出广阔的应用前景[23]，张力等[30]在操纵员访谈及现场观察基础上，基于改进IDA(Information Decision and Action)模型建立了操作任务持续快速变化背景下的操纵员认知行为模型，识别了操纵员在执行调峰任务时的认知过程。
自主决策技术是提升无人作战飞机在现代战争中作战能力的重要手段，唐长林，黄长强等[31]提出一种基于飞行员空战经验的智能战术决策方法，用基于情境构建的经验型隐性知识表示方法将飞行员空战决策经验知识显化表示，为自主空战过程中无人作战飞机自主决策提供解决方案；符德江，沈模卫[32]以EPIC (Executive-Process/Interactive-Control)认知架构为基础，建立了一个虚拟飞行员飞行过程的计算模型，并对人在复杂任务下的作业绩效进行了仿真并证明了模型具有良好的预测能力。
认知架构是一个适用于许多不同行为的定量模型，当今世界上约有50种认知架构，典型的有ACT-R、EPIC和SOAR，其中又以ACT-R最为成熟且应用最广[33]，其开发者依据心理学信息加工的相关基本理论，结合注意、视觉、记忆、运动等行为与心理学相关研究成果，在假设的基础上提出ACT-R的认知架构[34]。
2.3 矿工认知状态-行为-安全绩效关联效应研究现状及研究动态
REASON[35]指出由于人的失误而导致的事故占事故总数的80%。在我国，煤矿事故中人为原因所占比率达到90%以上[36]，在以往对人失误的研究中，分析范畴和分类是多样性的、相辅相成的[37]：通过一些方法(如观察法[38]、问卷调查法[39-41]、试验法[42-43]、模型仿真法[44]等)来识别和分析人失误的影响因素，如领导[45-46]、轮班制[47-48]、工作环境[49]、压力[39,41]、注意力[50]、性格[51]、认知[52-53]、疲劳[54]、情绪[43,55]、心理健康[56-57]、能力[58]等，关注人的因素的研究基本都包含了这些研究范畴[59]。田水承等[60]在实验室环境下测量疲劳前后状态下矿工操作行为的生理指标(心率、呼吸、肌电)、双臂协调能力(错误次数、操作用时)及注视点持续时间进行数据采集与记录，研究发现疲劳前后个体生理指标、矿工双臂协调能力及注意力分配情况存在显著差异。管理者的领导风格对矿工安全行为也有影响[61]，曹庆仁等[62]运用结构方程模型对691份矿工的调查问卷进行分析，研究管理者的设计行为和管理行为对矿工不安全行为的影响作用；李广利等[55]基于243份调查量表数据，采用Bootstrap法分析了矿工情绪智力对安全绩效的直接作用及组织公民行为的中介作用；李敏，李开伟等[63]研究被试执行追踪作业时噪声引起的皮电、心率变化及其对注意力的影响水平。
随着智能化设备的应用，矿工的作用和地位发生明显转变，需要承担更多信息加工成分的监控作业，即认知性监控作业，人失误的分析也应随之调整。目前有关矿工监控作业失误的研究鲜见报道，但在其他复杂系统相关研究已经展开。冯海芹，廖斌等[64]设计模拟认知性视觉显示终端持续监控作业的试验，试验结果证实眼动指标(视时间、瞳孔直径、眨眼频率)对脑力负荷评估有显著影响；KIM[65]通过模拟试验证实监控任务的复杂程度可以通过瞳孔变化率来表征；汪磊，孙瑞山[66]提出一套基于面部特征识别的空中交通管制员疲劳实时监测方法，确定PERCLOS(Percentage of Eyelid Closure Over the Pupil Over Time)值、平均闭眼时长、哈欠频率3个疲劳判定指标。
通过对相关研究的梳理，可以看出在影响矿工行为的动力机制中，个人因素和组织因素密切相关，相互交织，内容主要集中在识别影响矿工行为的因素上，对于这些因素对矿工不安全行为的影响程度、影响路径还没有统一的观点。对于矿工的生理及心理指标的试验研究才初步展开，眼动指标及其他生理指标对认知性监控作业认知状态有显著相关性，相较于其他复杂系统如航空、航天、核电、汽车驾驶等领域，煤矿的相关研究相对滞后。
3 智能化煤矿监控与巡视作业研究亟待解决的问题
智能化是我国煤炭行业的必然选择，自主决策和自适应开采是当前煤矿智能化发展道路上的关键技术，自主决策和自适应系统的研发需要有现场操作人员(监控员、巡视员)的认知模型支撑，目前这个领域亟需展开针对智能化工作面关键人员认知模式的研究。
对于非智能化矿井人因研究，研究对象都是“矿工”，而在煤矿生产过程中，不同矿工之间从事的工作内容有很大差异，之前学者们的研究大多将矿工从工作环境、工作内容中剥离出来，鲜有结合作业特性分析具体工种矿工的不安全行为；研究方法主要采用问卷调查法，对于矿工的生理及心理指标的试验研究才刚刚展开，并且由于之前实验仪器使用环境的限制，生理心理指标数据大多源于实验室，致使工作环境、作业特点等因素被忽视，使研究结果产生一些偏差；现有研究内容大多集中在静态指标分析，对于智能化矿井人因研究则未见报道。基于作业行为分析，结合工作场所一般场景以及虚拟仿真应急场景下的实时采集生理心理数据，通过指标数据分析构建监控员/巡视员认知表征测量体系，建立监控/巡视认知模型和认知-行为-安全绩效综合评估模型，探索智能化系统中交互行为的前景状态和最优协作模式，对智能化矿井建设具有极为重要的研究理论和实践价值。
4 煤矿智能化监控与巡视作业未来研究展望
针对智能化在煤矿应用实践过程中暴露出的人员行为安全和组织管理模式滞后现象，依据工作现场真实场景下及虚拟仿真应急场景中监控员、巡视员生理心理数据以及环境参数的采集，现场行为视频采集的作业过程特征分析，以及企业对工作面影响生产事件记录的统计结果，综合运用煤矿智能化生产技术科学、认知科学、行为科学、人因工程学、安全科学与系统科学等理论方法，在智能化人机协同作业背景下，探索监控、巡视作业行为模式与认知机理及其对人员安全绩效的交互影响。主要工作包括：基于工作现场实时生理、眼动数据建立认知状态表征体系；建立认知-行为仿真模型明确作业过程人员认知机理；探索认知-行为-安全绩效交互作用设计适应智能化变革的管理模式；基于自动化分类的人机协作模式设计适应智能化变革的管理制度等。
[1] 卢慧颖.奋力推进煤矿安全治理体系和治理能力现代化 为全面建成小康社会创造良好安全环境[N]. 中国应急管理报, 2020-01-09.
[2] 王国法，刘峰，孟祥军，等. 煤矿智能化(初级阶段)研究与实践[J]. 煤炭科学技术, 2019, 47(8): 1-36.
[3] 范京道. 煤矿智能化开采技术创新与发展[J]. 煤炭科学技术, 2017, 45(9): 65-71.
[4] 李首滨. 煤炭智能化无人开采的现状与展望[J]. 中国煤炭, 2019, 45(4): 5-12.
[5] 王金华，黄曾华. 我国煤矿智能化采煤技术的最新发展[J]. Engineering, 2017, 3(4): 24-35.
[6] HOLLNAGEL E, WOODS D D. Cognitive systems engineering: new wine in new bottles[J]. International Journal of Man-Machine Studies, 1999, 18(6): 583-600.
[7] 曹庆仁，许正权. 煤矿生产事故的行为致因路径及其防控对策[J]. 中国安全科学学报, 2010, 20(9): 127-131.
[8] Moritz Körber, CINGEL A, ZIMMERMANN Markus, et al. Vigilance Decrement and Passive Fatigue Caused by Monotony in Automated Driving[J]. Procedia Manufacturing, 2015, 3:2403-2409.
[9] SCHMIDT E, BULLINGER A C. Mitigating passive fatigue during monotonous drives with thermal stimuli: Insights into the effect of different stimulation durations[J]. Accident Analysis & Prevention, 2019, 126:115-121.
[10] 国家发改委. 关于印发《关于加快煤矿智能化发展的指导意见》的通知. 2020.
[11] 袁亮. 开展基于人工智能的煤炭精准开采研究,为深地开发提供科技支撑[J]. 科技导报, 2017, 35(14): 1.
[12] 王国法，赵国瑞，任怀伟. 智慧煤矿与智能化开采关键核心技术分析[J]. 煤炭学报, 2019, 44(1): 34-41.
[13] 王国法，杜毅博. 智慧煤矿与智能化开采技术的发展方向[J]. 煤炭科学技术, 2019, 47(1): 1-10.
[14] 王国法，刘峰，庞义辉，等. 煤矿智能化——煤炭工业高质量发展的核心技术支撑[J]. 煤炭学报, 2019, 44(2): 349-357.
[15] 范京道，徐建军，张玉良，等. 不同煤层地质条件下智能化无人综采技术[J]. 煤炭科学技术, 2019, 47(3): 43-52.
[16] 唐恩贤，张玉良，马骋. 煤矿智能化开采技术研究现状及展望[J]. 煤炭科学技术, 2019, 47(10): 111-115.
[17] 谭章禄，吴琦. 智慧矿山理论与关键技术探析[J]. 中国煤炭, 2019, 45(10): 30-40.
[18] 王国法，张德生. 煤炭智能化综采技术创新实践与发展展望[J]. 中国矿业大学学报, 2018, 47(3): 459-467.
[19] 陈鹰,杨灿军. 人机智能系统理论与方法[M]. 杭州: 浙江大学出版社, 2006: 183.
[20] ERIK H, WOODS D. Joint Cognitive Systems : foundations of cognitive systems engineering[M]. Boca Raton: CRC Press, 2005.
[21] ANDERSON J R. The Adaptive character of thought[M]. NJ: Hillsdale: Lawrence Erlbaum Associates, 1990: 246.
[22] DIMOV C, KHADER P H, MAREWSKI J N, et al. How to model the neurocognitive dynamics of decision making: A methodological primer with ACT-R[J]. Behavior research methods, 2019.
[23] 吴建中，余贻鑫. 认知学方法及其在电力系统中的应用[J]. 电力系统及其自动化学报, 2006 (3): 1-6.
[24] 郭孔辉，马凤军，孔繁森. 人-车-路闭环系统驾驶员模型参数辨识[J]. 汽车工程, 2002 (1): 20-24.
[25] 张文明，韩泓冰，杨珏，等. 基于驾驶员行为的神经网络无人驾驶控制[J]. 华南理工大学学报(自然科学版), 2016, 44(12): 74-80.
[26] SALVUCCI D D. Modeling Driver Behavior in a Cognitive Architecture[J]. Human Factors: The Journal of the Human Factors and Ergonomics Society, 2006, 48(2): 362-380.
[27] TRAFTON J G, CASSIMATIS N L, BUGAJSKA M D, et al. Enabling Effective Human-Robot Interaction Using Perspective-Taking in Robots[J]. IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, 2005, 35(4): 460-470.
[28] KENNEDY W G, BUGAJSKA M D, HARRISON A M, et al. "Like-Me" Simulation as an Effective and Cognitively Plausible Basis for Social Robotics[J]. International Journal of Social Robotics, 2009, 1(2): 181-194.
[29] 王雪，库涛，靳冠坤，等. 基于认知体系的自适应行为建模方法[J]. 科学技术与工程, 2016, 16(25): 111-115.
[30] 张力，刘雪阳，邹衍华，等. 核电厂操纵员在操作任务持续快速变化下的认知行为特征[J]. 原子能科学技术, 2019, 53(11): 2241-2246.
[31] 唐传林，黄长强，丁达理，等. 一种UCAV自主空战智能战术决策方法[J]. 指挥控制与仿真, 2015, 37(5): 5-11.
[32] 符德江，沈模卫. 航空模拟舱飞行行为的EPIC理论仿真[J]. 心理学报, 2001(3): 225-230.
[33] RITTER F E, TEHRANCHI F, OURY JD. ACT-R: A cognitive architecture for modeling cognition[J]. Wiley Interdiscip Rev Cogn Sci, 2019, 10(3): e1488.
[34] GLUCK K. Chapter 12-Cognitive Architectures for Human Factors in Aviation. San Diego: Academic Press, 2010: 375-399.
[35] REASON J. Human error: models and management[J]. BMJ, 2000, 320(7237): 768-770.
[36] 陈红. 中国煤矿重大事故中的不安全行为研究[M]. 北京：科学出版社, 2006.
[37] KOROLIJA N, LUNDBERG J. Speaking of human factors: Emergent meanings in interviews with professional accident investigators[J]. Safety Science, 2010, 48(2): 157-165.
[38] LEGAULT G, CLEMENT A, KENNYy G P, et al. Cognitive consequences of sleep deprivation, shiftwork, and heat exposure for underground miners[J]. Applied Ergonomics, 2017, 58:144-150.
[39] 禹敏，栗继祖. 基于心理健康中介作用的安全压力对矿工安全行为的影响[J]. 煤矿安全, 2019, 50(12): 253-256.
[40] 李乃文，牛莉霞. 矿工工作倦怠、不安全心理与不安全行为的结构模型[J]. 中国心理卫生杂志, 2010, 24(3): 236-240.
[41] 田水承，孔维静，况云，等. 矿工心理因素、工作压力反应和不安全行为关系研究[J]. 中国安全生产科学技术, 2018, 14(8): 106-111.
[42] 于露，金龙哲，徐明伟，等. 基于光电容积脉搏波的有限空间生理疲劳测量[J]. 工程科学学报, 2018, 40(10): 1215-1222.
[43] 田水承，郭方艺，杨鹏飞. 不良情绪对胶轮车驾驶员不安全行为的影响研究[J]. 矿业安全与环保, 2018, 45(5): 115-119.
[44] 李琰，杨森. 行为经济学视角下矿工不安全行为仿真分析[J]. 中国安全生产科学技术, 2018, 14(1): 18-23.
[45] KRAUSE D E. Influence-based leadership as a determinant of the inclination to innovate and of innovation-related behaviors: An empirical investigation[J]. The Leadership Quarterly, 2004, 15(1): 79-102.
[46] 禹敏，栗继祖. 组织政治知觉中安全变革型领导调节作用对矿工安全行为的影响[J]. 煤矿安全, 2019, 50(11): 239-243.
[47] WANG Hui, NIE Baisheng, ZHANG Jufeng, et al. Influence of Shift System on Coal Miners' Fatigue[J]. Procedia Engineering, 2011, 26:2246-2252.
[48] JONES O F, JAMES C L. Task rotation in an underground coal mine: A pilot study[J]. Work, 2018, 59(2): 285-294.
[49] 王建国，傅文，王延秋. 不同级别噪声对矿工生理指标及行为能力的影响研究[J]. 矿业安全与环保, 2019, 46(1): 99-103.
[50] 尹忠恺，施凤冉，李乃文，等. 安全注意力对矿工不安全行为影响的代际差异研究[J]. 中国安全生产科学技术, 2017, 13(5): 134-139.
[51] CLARKE S, ROBERTSON I. A meta-analytic review of the Big Five personality factors and accident involvement in occupational and non-occupational settings[J]. Journal of Occupational and Organizational Psychology, 2005, 78(3): 355-376.
[52] 刘玉姣，刘剑，朱宝岩. 认知心理学视角下矿工的信息加工模型研究[J]. 中国安全生产科学技术, 2015, 11(11): 161-166.
[53] 黄浪，吴超，王秉. 基于信息认知的个人行为安全机理及其影响因素[J]. 情报杂志, 2018, 37(8): 121-127.
[54] BUTLEWSKI M, DAHLKE G, DRZEWIECKA M, et al. Fatigue of Miners as a Key Factor in the Work Safety System[J]. Procedia Manufacturing, 2015, 34，732-4739.
[55] 李广利，董刚. 矿工情绪智力对安全绩效的影响研究[J]. 安全与环境学报, 2019, 19(6): 2009-2015.
[56] MCLEAN K N. Mental health and well-being in resident mine workers: Out of the fly-in fly-out box[J]. Australian Journal of Rural Health, 2012, 20(3): 126-130.
[57] CARLISLE K N, PARKER A W. Psychological Distress and Pain Reporting in Australian Coal Miners[J]. Safety and Health at Work, 2014, 5(4): 203-209.
[58] 栗继祖，康立勋，周至立，等. 煤矿安全从业人员心理测评研究[J]. 中国安全科学学报, 2004, (3): 11-14.
[59] 栗继祖. 安全行为学[M]. 北京: 机械工业出版社, 2009.
[60] 田水承，乌力吉，寇猛，等. 基于生理试验的矿工不安全行为与疲劳关系研究[J]. 西安科技大学学报, 2016, 36(3): 324-330.
[61] 杨安妮，栗继祖. 变革型领导行为对矿工安全行为的影响研究[J]. 煤矿安全, 2018, 49(8): 279-282.
[62] 曹庆仁，李凯，李静林. 管理者行为对矿工不安全行为的影响关系研究[J]. 管理科学, 2011, 24(6): 69-78.
[63] 李敏，贾惠侨，李开伟，等. 噪声水平对人不安全行为的影响研究[J]. 中国安全科学学报, 2017, 27(3): 19-24.
[64] 冯海芹，廖斌，罗俊浩，等. 认知性VDT持续监控作业人因可靠性动态预测方法[J]. 数学的实践与认识, 2019, 49(4): 99-105.
[65] KIM J H , YANG Xiaonan. Applying fractal analysis to pupil dilation for measuring complexity in a process monitoring task[J]. Applied Ergonomics, 2017, 65:61-69.
[66] 汪磊，孙瑞山. 基于面部特征识别的管制员疲劳监测方法研究[J]. 中国安全科学学报, 2012, 22(7): 66-71.
Overview on research of behavior pattern and cognitive mechanism of monitoring and inspection work in intelligent coal mine
