In high-reliability systems such as Nuclear Power Plants and the civilian aircraft industry, Fitness-For-Duty (FFD) is often the cause of human-error related accidents/incidents. Although the U.S. Nuclear Regulatory Commission (NRC) highlighted the importance of NPP worker’s FFD to ensure personnel reliability, current FFD programs only address drug and alcohol testing and fatigue management. However, today’s healthcare bio-signals technology makes it possible to monitor the physical and mental state of humans. Thus, the objective of this thesis is to develop an FFD evaluation method using Electroencephalogram (EEG), Electrocardiogram (ECG) and Galvanic Skin Response (GSR) signal indicators to identify potentially-at-risk workers, especially those with unstable psychological distress, drug abuse and a sleep-deprived worker. Bio-signal data was collected from 6 different categories: Normal healthy group, Alcohol-use group, Sleep-deprived group, Stress/heavy workload group, moderate depression and anxiety group. Three tests were conducted, on a total of 124 subjects (not all participating in each test). The EEG, ECG and GSR signals were recorded during eyes closed and eyes open resting status. These subjects performed experimental tasks that included multitasking, working memory, attention, speed, problem-solving and cognitive flexibility. The cognition tasks were directly related to an NPP operators’ duties. The first experiment identified significant bio-signal indicators to classify worker’s psycho-/physiological/alcohol--use status. A Support Vector Machine (SVM) classification model, specific to this research, was developed using data from first experiment. The database from the second verification test was used to evaluate the SVM classification model’s prediction performance. After determining the fitness classification, a Bayesian Network Model (BNM) was developed to assess each subjects FFD for each job duty by calculating work efficiency. In addition, another BNM was developed to reveal the relationships between job stressors and fitness status. This can be used to find the cause of Psycho-/physiological impairment. As a result, the bio-signal indicators showed a statistically significant difference between at-risk workers and healthy workers. The performance of the newly developed SVM and BNM models were also reliable when identifying worker’s fitness status and evaluating their work efficiency. These results can be applied directly to FFD monitoring systems of nuclear power plants as well as other high reliability fields, such as aerospace, military and transportation.
원자력 발전소 (NPPs)와 민간 항공기 산업과 같은 고 신뢰성 시스템의 작업자의 직무 적합성 평가 (Fitness-For-Duty, FFD)는 인적 오류 관련 사고 및 내부자 위협의 원인을 규명 할 때 주요 지표로 널리 인식되어왔다. 미국 원자력 규제 위원회 (NRC)가 원자력의 안정성을 보장하는 근로자의 근무 적합성(FFD) 프로그램의 중요성을 강조했지만, 현재의 FFD 프로그램은 혈액, 소변 검사를 통한 약물 및 알코올 테스트 및 주관적 설문조사 형태의 피로 관리만을 고려하고 있다. 다행히, 오늘날의 생체 신호 기술은 인간의 육체적, 정신적 상태를 모니터 할 수 있게 도움을 준다. 따라서, 이 논문의 목적은 잠재적으로 위험한 근로자, 특히 술을 마셨거나, 졸리거나, 불안정한 정신적 고통을 가진 근로자를 식별하기 위해 뇌파 (EEG), 심전도 (ECG) 및 스킨전도도 (GSR) 지표를 사용한 직무적합성 측정 방법을 개발하는 것이다. 모델을 개발하기 위해, 정상 그룹 (N=36), 알코올 사용 그룹 (N=21), 수면 부족 그룹 (N=11), 시험으로 인한 스트레스가 많은 상태 그룹 (N=26), 중등도 우울증 (N=10) 및 불안 그룹 (N=10) 6개의 카테고리의 생체신호를 수집했다. 휴식 상태(Resting status) 의 (눈을 감고 눈을 뜬 상태) EEG, ECG, GSR 신호는 총 114 명의 피험자에게 기록되었다. 첫 번째로, 이 수집된 생체신호를 통해 정상 그룹과 정신적 문제를 겪고 있거나 혹은 알코올 복용을 한 그룹 (주관적 자기 평가 및 음주측정기를 통한 자료 수집)를 분류할 수 있는지 통계적 분석을 통해 확인하였다. 두 번째로, 실질적 적용을 위해, 이 114명의 데이터베이스를 사용하여 서포트 벡터 머신 (SVM) 분류 알고리즘을 개발하였다. 개발된 SVM 분류 모델 검증 및 예측율 평가를 위해, 추가적인 실험을 실시하여 10명의 생체데이터를 (FFD 상태는 알려지지 않음) 수집하여, 예측값을 측정하였다. 결과적으로, EEG, ECG, GSR을 통해 직무에 적합하지 않은 건강상태의 근무자를 98.9%의 정확도로 구분할 수 있었다. 마지막으로, 개발된 직무 적합성 평가 모델의 효율적 관리를 위해, 각각의 직무가 요구되는 인지능력에 따라, 업무 효율을 계산할 수 있는 베이시안 네트워크 모델 (Bayesian Network Mode, BNM)을 개발하였다. 이 모델 개발을 위해, 124명이 (원자력 발전소) 운전자의 작업에 필요한 인지기능인 멀티 태스킹, 작업 기억, 주의력, 속도, 문제 해결 및 인지 유연성을 평가한 실험을 수행하였고, 그들의 performance 데이터 값을 사용하였다. 이를 통해, 건강상태에 따른 업무효율을 평가하는데 BNM모델이 유용함이 밝혀졌다. 이 FFD 평가 모델의 결과는 원자력 발전소의 뿐만 아니라 항공 우주, 군사 및 운송과 같은 높은 신뢰성을 요구하는 분야에도 적용될 수 있음을 시사한다.
