Les opérateurs de systèmes d’armes modernes, notamment dans les domaines de l’avion de combat, des véhicules sans pilotes (« drones ») ou des postes de commandements, sont confrontés à une charge de travail mental (mental workload) de plus en plus élevée. Les différents sous-systèmes induisent des afflux concomitants d’informations numériques, des stimuli visuels et auditifs, des tâches de planification et des prises de décision, imposant la réalisation de tâches multiples et complexes. Les progrès rapides et convergents dans des domaines tels que la robotique, les technologies de l’information et l’Intelligence artificielle (IA) continueront d’avoir un impact sur le champ de bataille de demain. Les humains dans les environnements opérationnels travailleront avec des systèmes plus complexes, où la performance multitâche devient une question importante. Les effets de ces technologies seront surtout ressentis par les combattants au niveau tactique, avec des exigences cognitives croissantes associées à l’emploi et à l’utilisation de nouvelles capacités ^[1].

Dans les situations opérationnelles à haute intensité et contraintes temporelles, le traitement de tâches multiples et les prises de décision rapides peuvent favoriser l’apparition de périodes de surcharge mentale, caractérisées par une diminution des performances cognitives malgré l’augmentation de la contrainte. Ces périodes sont associées à des réductions des performances opérationnelles et une augmentation des risques d’accident ^[2].

La détection de ces périodes est un enjeu pour la sécurité, la formation, la détection et la mise au point de stratégies protectrices. La surveillance en temps réel de la charge de travail mental est une étape cruciale dans la construction des systèmes d’armes et le développement de systèmes d’assistance adaptatifs pour les systèmes homme-machine. De nombreuses études ont été menées afin de mettre au point des algorithmes de détection à partir de signaux électrophysiologiques ^[3]. En effet, l’évaluation des performances cognitives peut être réalisée à partir de l’analyse de signaux reflétant l’activité du système nerveux central tels que l’électroencéphalogramme (EEG) et l’électrooculogramme (EOG), ainsi que des mesures de l’activité du système nerveux autonome ou de paramètres physiologiques tels que la fréquence cardiaque, la variabilité de la fréquence cardiaque (HRV), l’activité électrodermale, la variabilité des réponses respiratoires ou l’électromyographie ^[4].

L’enregistrement « monitoring » de ces paramètres électrophysiologiques en laboratoire, permet aujourd’hui de détecter ces périodes de surcharges cognitives, avec un haut niveau de performance. De nombreux travaux, faisant appel à des outils mathématiques, d’IA ou d’apprentissage automatique (machine learning), ont permis la mise au point d’outils performants de détection et de prédiction des périodes de surcharge cognitive.

Cependant, la plupart des travaux de modélisation de la charge de travail mental se sont principalement appuyés sur des données recueillies lorsque les participants sont au repos, dans des conditions « non stressantes » dites « standard ». Or, dans les conditions opérationnelles ou d’entraînement, les militaires sont souvent confrontés à la réalisation des tâches cognitives complexes et multiples, dans des conditions de contraintes physiologiques, telles que l’hypoxie, le manque de sommeil, les accélérations pour les pilotes, l’exercice physique, la chaleur, etc. ^[5, 6].

Plusieurs études menées avec des simulateurs de vols ou avec des tâches cognitives associées, sous différentes contraintes physiologiques ^[7-9], ont mis en évidence une majoration de la charge cognitive, induisant une augmentation globale de la charge de travail et une modification des réponses électrophysiologiques ^[10]. Ces contraintes physiologiques induisent également, par elles-mêmes, des effets sur les réponses électrophysiologiques, parfois même supérieurs aux effets de l’augmentation de la charge de travail mental, ce qui diminue la performance des algorithmes. L’évaluation de la charge de travail mental et cognitive, dans des environnements physiologiques de laboratoire ou de terrain, est donc nécessaire pour évaluer les capacités des opérateurs et éviter les périodes de surcharges lorsqu’ils seront en situation opérationnelle. Les réponses physiologiques et électrophysiologiques induites par les contraintes physiologiques doivent également être prises en compte lors de la conception d’un modèle prédictif de la surcharge mentale (Figure 1).

Figure 1 : Représentation des contraintes physiologiques auxquelles sont exposés les pilotes.

Réalisation de tâches cognitives multiples sous contraintes physiologiques

L’environnement hypoxique

L’oxygène (O₂), est nécessaire au bon fonctionnement des processus physiologiques et cognitifs ^[11, 12]. L’exposition à des environnements de haute altitude induit une diminution de la pression partielle de l’O₂ (PO₂) dans l’air atmosphérique, ce qui est potentiellement délétère pour la cognition ^{[5, 13, 14]}. Dans le milieu aéronautique, au-delà de 14 000 pieds (4 260 m), l’administration d’oxygène est une mesure protectrice obligatoire. En effet, l’exposition brutale, sans acclimatation ou apport d’oxygène à des altitudes supérieures, expose à des altérations majeures des fonctions cognitives et à la perte de conscience.

Les avions de transport civils et militaires sont pressurisés afin que soient conservés en cabine des conditions d’altitude en deçà de 2 500 m. Cependant, pour les avions de chasse, lors de vols en très haute altitude, l’altitude cabine peut dépasser 10 000 pieds (3 048 m). D’autres aéronefs militaires, tels que les hélicoptères ou certains avions légers, ne sont pas pressurisés. Ainsi, dans des conditions d’hypoxie modérée (entre 10 000 pieds = 3 048 m et 13 000 pieds = 3 962 m), une diminution des performances et une augmentation de la charge de travail mental sont observées lors de la réalisation de tâches cognitives multiples ^[15-17]. De plus, la dette de sommeil majore la dégradation des performances cognitives et l’augmentation de la charge de travail mental induites par l’hypoxie ^[16,18]. Ces travaux récents ont mis en évidence un effet additif des contraintes combinées (hypoxie et privation de sommeil), fréquemment rencontrées par les pilotes, sur la charge de travail mental.

Les accélérations

Les opérateurs d’avion de chasse sont amenés à exercer leurs missions de façon isolée et pendant des temps à poste très longs, dans des situations complexes et contraignantes pour l’organisme, comme la répétition de périodes d’accélérations intenses et de courte durée (> 4 +Gz ⁽¹⁾), ou prolongées mais d’intensité modérée (+2 à 3 +Gz), par exemple lors de longs dégagements après des passes d’observation ou de tir… Lorsque ces accélérations sont réalisées dans l’axe du corps (+Gz), elles induisent une redistribution du débit sanguin dans les membres inférieurs associée à une diminution du débit sanguin cérébral. Cette diminution est partiellement compensée par l’activation du système nerveux sympathique (baroréflexe) entraînant une augmentation de la fréquence cardiaque et de la pression artérielle.

Des études ont montré un impact des accélérations sur les performances cognitives dès +3 Gz ^[19]. Les performances cognitives les plus affectées étaient liées à la perception (visuelle et auditive) et la réalisation de tâches cognitives complexes qui requièrent un haut niveau d’activité cérébrale ^[19-21]. Ces tâches sont particulièrement fréquentes dans les avions de nouvelle génération ^[22]. La diminution des performances mentales des pilotes impacte leurs capacités opérationnelles (performance tactique…) et la sécurité des vols (erreurs, tunnelisation, mauvaise détection des alarmes…), favorisant ainsi les accidents aériens.

Dans des travaux récents réalisés à l’IRBA, nous avons mis en évidence une majoration de la charge de travail physique et mental, associée à une diminution de la performance, lors de la réalisation de tâches cognitives complexes pendant des accélérations modérées et de longues durées (+2 à 3 Gz, pendant 10 min) ^[23]. Comme pour l’hypoxie, nous observons des effets combinés des contraintes physiologiques avec une diminution plus importante des performances mentales lors de tâches cognitives multiples réalisées pendant des accélérations modérées après une courte nuit, de trois heures de sommeil ^[23].

La dette de sommeil

La dette de sommeil est également une condition souvent rencontrée par les pilotes dans des situations réelles. Il est largement reconnu qu’elle entraîne une détérioration des performances mentales et une augmentation du risque d’accident ^[24]. L’une des fonctions les plus couramment affectées par la privation de sommeil est l’attention soutenue, avec la dégradation du temps de réaction lors de tâches d’évaluation de la vigilance ^[25]. L’impact de la dette de sommeil sera d’autant plus important que la tâche est monotone. Après 25 heures d’éveil prolongé, une dégradation des performances lors de la réalisation de tâches simultanées est également observée, notamment lorsque la fréquence des stimuli est faible ^[26].

Cependant, la dette de sommeil peut également avoir un impact sur les réponses physiologiques et cognitives à l’hypoxie ^[14]. Lors de la réalisation de tâches simples ^[18, 27] ou multiples ^[16] dans un environnement hypoxique (équivalent à 3 500 m), la dette de sommeil (au maximum 3 heures passées au lit) altère les performances et majore la charge de travail mental. Des effets additifs similaires ont été observés lors de la réalisation d’une tâche complexe sous accélération ^[23]. La dette de sommeil semble donc majorer les effets cognitifs des contraintes physiologiques. Autrement dit, le niveau de charge cognitive est d’autant plus élevé que les contraintes physiologiques s’accumulent. Il ne faut pas sous-estimer l’impact d’une contrainte physiologique qui peut devenir importante dans une situation de fatigue, en particulier liée à la dette de sommeil.

Autres contraintes

D’autres environnements sont associés à une majoration de la charge de travail mental. Citons par exemple l’exposition à la chaleur (température ambiante à environ -28°C), associée à une réduction des performances lors de la réalisation de tâches cognitives multiples dans un simulateur simplifié ^[15].

Dans le domaine de la plongée, les effets potentiels sur la charge mentale et la cognition doivent également être pris en compte ^[28]. Il est évident que les fonctions cognitives telles que la vigilance, la perception, le temps de réaction, la mémoire, l’apprentissage, la réflexion et la prise de décision sont cruciales pour la sécurité de la plongée. En outre, l’effet aigu de la plongée le plus fréquemment observé est la narcose gazeuse, qui résulte de l’interaction complexe des gaz, des activités et des conditions environnementales. Des travaux réalisés en immersion par l’US Navy ^[29] dans 20 conditions différentes de pressions partielles en CO₂, N₂, et O₂ ont mis en évidence une altération des capacités de mémoire, d’attention soutenue et de planification lorsque les pressions partielles en azote (N₂) étaient élevées (supérieures à 442 kilo-Pascal), avec des effets persistants malgré l’apport secondaire d’oxygène (O₂). Ces travaux sont nécessaires pour comprendre la contribution relative des facteurs associés à la narcose et à la toxicité des gaz respirés lors des plongées et prédire les effets des mélanges gazeux et de l’exercice physique sur les performances cognitives des plongeurs ^[29].

D’une façon plus générale, les effets combinés des contraintes physiologiques et psychologiques sur la charge cognitive des militaires et le fonctionnement des systèmes d’arme sont à évaluer. De nombreux travaux restent à mener dans le domaine de l’activité physique ou du stress.

Impact sur le monitoring

L’efficacité des interfaces homme-machine devra être optimisée pour prendre en compte et s’adapter à l’état cognitif du pilote afin d’améliorer la sécurité et la performance opérationnelle. D’importants efforts de recherche et de développement se concentrent sur la surveillance et le maintien de la charge optimale de travail mental des opérateurs humains lors des tâches complexes et critiques, par la mesure en temps réel de variables neuro-physiologiques.

En effet, de nombreux paramètres physiologiques sont modifiés avec l’augmentation de la charge de travail mental. Citons par exemple la fréquence cardiaque, l’étude de sa variabilité ^[30] ou les modifications de la fréquence respiratoire ^[11]. Les épisodes mentalement exigeants sont également associés à une respiration plus rapide, tandis que l’amplitude respiratoire semble rester plutôt stable ^[11]. D’autres paramètres issus de l’enregistrement du diamètre pupillaire et de l’ampleur de la réponse de la pupille à un stimulus auditif (un son) sont des marqueurs d’une charge cognitive intense ^[31]. Enfin, l’analyse de l’activité électrique cérébrale, permet d’identifier des indicateurs très spécifiques de l’augmentation de la charge cognitive ou de la dégradation de performances ^[32, 33]. Cependant, un seul paramètre ne semble pas être suffisant pour les analyses et une évaluation multidimensionnelle de la charge de travail en utilisant la combinaison de plusieurs paramètres physiologiques offre de meilleurs scores de prédiction ^[33, 34].

Très peu d’études ont évalué le niveau de charge de travail mental du pilote ou de militaires en prenant en considération les contraintes physiologiques auxquelles ils sont soumis au cours de leurs missions. La plupart des travaux de modélisation de la charge de travail mental se sont appuyés sur des données neurologiques ou physiologiques recueillies lorsque les participants sont au calme et qu’ils ne pas exposés à des contraintes physiologiques. Si ces modèles peuvent être utiles pour des scénarios impliquant des opérateurs statiques, ils peuvent ne pas s’appliquer, ni être extrapolés, aux situations réelles où les opérateurs effectuent des tâches sous contraintes physiologiques.

Dans les études sur la charge cognitive réalisées dans les contextes d’exercice physique, les niveaux de performance des algorithmes de détection des niveaux de charge de travail mental à l’aide de signaux électriques cérébraux (EEG) sont inférieurs à ceux rapportés pour les utilisateurs stationnaires, au repos. Des améliorations ont été développées pour supprimer les artefacts musculaires ou induits par les clignements des yeux, afin d’améliorer la prédiction ^[35]. De même l’ajout de modalités physiologiques telles que la fréquence cardiaque, la fréquence respiratoire, la température de la peau ou la conductance électrodermale ont considérablement amélioré la performance des algorithmes ^[36].

Ces travaux démontrent l’importance de l’évaluation de la performance des algorithmes de détection des périodes de charge de travail mental intense, et leur nécessaire adaptation, pour qu’ils deviennent robustes et performants, dans des conditions variées d’environnements et de contraintes physiologiques. Par exemple, pour obtenir des systèmes fiables de mesure de la charge de travail mental en vol, il est donc indispensable de prendre en compte l’ensemble des facteurs influençant les capacités cognitives et les réponses physiologiques des pilotes. Dans une étude récente réalisée avec un air appauvri en oxygène (équivalent à une altitude de 3 700 m), les performances lors de la réalisation de tâches cognitives complexes étaient stables, alors qu’une augmentation importante de la fréquence cardiaque et de l’activité du système nerveux autonome a été observée ^[10]. En effet, l’exposition à cette hypoxie dite modérée, induit une réponse physiologique qui permet de compenser partiellement le manque d’oxygène, au prix d’une augmentation de la fréquence ventilatoire et sa variabilité. De même, les effets vasculaires (la diminution de la pression artérielle) observés lors de l’exposition à des accélérations seront partiellement compensés par l’activation du système nerveux sympathique (baroréflexe) entraînant une augmentation de la fréquence cardiaque. Les variations de la fréquence cardiaque induites par l’exposition à ces contraintes seront beaucoup plus importantes que celles induites par l’augmentation de la charge de travail mental et cognitif. Nous avons par exemple observé dans notre laboratoire que la fréquence cardiaque augmente lorsque les tâches cognitives devenaient plus complexes dans des conditions standards de laboratoire. Cette augmentation n’est plus observée lorsque les tâches sont réalisées dans une situation d’hypoxie modérée ou de dette de sommeil ^[16].

Cependant, les niveaux de charge de travail mental pourraient être prédits par l’association de plusieurs paramètres physiologiques identifiés lors de l’étude des effets d’une charge cognitive importante dans des contraintes physiologiques. Des signaux électriques particuliers, tels l’augmentation de la part relative des ondes delta, seraient des marqueurs prédictifs de l’altération de la conscience induite par les accélérations ou un bas débit cérébral ^[37]. Des algorithmes basés sur des paramètres physiologiques multiples (EEG, ECG [Électrocardiogramme], EOG) permettaient d’augmenter la fiabilité de la prédiction lors de contraintes combinées ^[16]. Ces analyses, qui soulignent l’intérêt des approches multiparamétriques, n’ont pu être réalisées qu’après des recueils de données dans des conditions contraignantes, recréant des contraintes physiologiques plausibles pour les militaires (Figure 2), et avec l’aide d’outils mathématiques et de logiciels permettant la synchronisation et la gestion de flux de données importants. Ces résultats sont essentiels pour la conception de modèles prédictifs robustes de la charge de travail mental adaptés aux conditions opérationnelles.

Figure 2 : Exemple de réalisation de tâches cognitives complexes dans des conditions de contraintes physiologiques (hypoxie et accélération) à l’IRBA.

Conclusion

L’exposition à des contraintes physiologiques modérées mais combinées majore la charge cognitive, expose au risque de surcharge cognitive et diminue l’efficacité des algorithmes de détection mis au point dans des conditions « standard ». L’estimation précise de la charge cognitive des opérateurs nécessite donc une approche globale prenant en compte les facteurs environnementaux, dans des situations de contraintes combinées, en laboratoire ou en situations réelles, proches des conditions opérationnelles ^[32, 38]. L’évaluation des effets des contraintes physiologiques et cognitives combinées est nécessaire pour la détermination de la charge cognitive maximale acceptable par un opérateur et pour développer des algorithmes robustes, conservant une performance élevée dans des situations opérationnelles variées.

Pour relever les défis de l’estimation de la charge cognitive et de la prédiction des périodes de surcharges, les seules études sur des tâches cognitives de laboratoires « standards » ne suffiront pas. Il faudra des équipes de recherche interdisciplinaires capables de travailler au-delà des frontières physiques, numériques et biologiques, tout en collaborant de manière transparente avec les utilisateurs finaux, les combattants humains ^[1]. De nouvelles méthodologies de recherche tirant pleinement parti des technologies de détection et de l’utilisation de moyens d’essais du ministère des Armées (caissons d’altitude, centrifugeuses, simulateurs…) seront nécessaires pour fournir des données rigoureuses, fondées sur des preuves, dans des environnements réels et quasi-réels. Le développement des outils connectés nous permet aujourd’hui de recueillir des données physiologiques de qualité dans des environnements contraignants ou opérationnels (Figure 3).

Figure 3 : Exemple de recueil de données électrophysiologiques dans la centrifugeuse de l’IRBA et en vol réel.
À gauche, sujet portant un dispositif de monitoring EEG avec des électrodes sèches (Conscious Lab), et des lunettes d’eye tracking (Tobii Eye tracker glasses) et à droite un pilote portant un gilet connecté Astroskin (Projet SPEEN, AID, Marine nationale).

Ces travaux devront également servir à la mise au point de stratégies protectrices, pouvant inclure l’entraînement régulier et sous contraintes dans des environnements réalistes et sûrs, l’optimisation des contre-mesures physiologiques (oxygène, contrôle de la température, optimisation du sommeil, etc.), l’augmentation des performances des équipes, l’amélioration des interfaces homme-machine, la réalisation automatisée de certaines tâches par le système d’arme et l’amélioration de la résilience cognitive et physiologique basée sur les découvertes de la neurobiologie de l’exercice ^[1].

Éléments de bibliographie

[1] Billing Daniel C., Fordy Graham R., Friedl Karl E. et Hasselstrøm Henriette, « The Implications of Emerging Technology on Military Human Performance Research Priorities », Journal of Science and Medicine in Sport, 24(10), octobre 2021, p. 947-953. https://doi.org/10.1016/j.jsams.2020.10.007.

[2] Hancock P., Williams G. et Manning C., « Influence of Task Demand Characteristics on Workload and Performance », The International Journal of Aviation Psychology, 5(1), 1995, p. 63-86. https://doi.org/10.1207/s15327108ijap0501_5.

[3] Eggemeier F. Thomas, Wilson Glenn F., Kramer Arthur F. et Damos Diane L., « Workload Assessment in Multi-Task Environments », in Damos D.L. (dir.), Multiple Task Performance, CRC Press, 2020, p. 207-216.

[4] Charles Rebecca L. et Nixon Jim, « Measuring Mental Workload Using Physiological Measures: A Systematic Review », Applied Ergonomics, 74, janvier 2019, p. 221-232. https://doi.org/10.1016/j.apergo.2018.08.028.

[5] Shaw David M., Cabre Gus et Gant Nicholas, « Hypoxic Hypoxia and Brain Function in Military Aviation: Basic Physiology and Applied Perspectives », Frontiers in Physiology, 12, 2021, 665821. https://doi.org/10.3389/fphys.2021.665821.

[6] Bustamante-Sanchez A., Gil-Cabrera J., Tornero-Aguilera J.F., Fernandez-Lucas J., Ramos-Campo D.J. et Clemente-Suarez V.J., « others Effects of Hypoxia on Selected Psychophysiological Stress Responses of Military Aircrew », BioMed Research International 2021, 2021(6633851). https://doi.org/10.1155/2021/6633851.

[7] Griffith Candice D. et Mahadevan Sankaran, « Human Reliability under Sleep Deprivation: Derivation of Performance Shaping Factor Multipliers from Empirical Data », Reliability Engineering & System Safety, 144, décembre 2015, p. 23-34. https://doi.org/10.1016/j.ress.2015.05.004.

[8] Hartzler Beth M., « Fatigue on the Flight Deck: The Consequences of Sleep Loss and the Benefits of Napping », Accident Analysis & Prevention, 62, janvier 2014, p. 309-318. https://doi.org/10.1016/j.aap.2013.10.010.

[9] Jung Christopher M., Ronda Joseph M., Czeisler Charles A., Wright J^r Kenneth P., « Comparison of Sustained Attention Assessed by Auditory and Visual Psychomotor Vigilance Tasks Prior to and during Sleep Deprivation », Journal of Sleep Research, 20(2), 2011, p. 348-355. https://doi.org/10.1111/j.1365-2869.2010.00877.x.

[10] Temme Leonard A., Wittels Harrison L., Wishon Michael J., St. Onge Paul, McDonald Samantha M., Hecocks Dustin, Wittels S. Howard, « Continuous Physiological Monitoring of the Combined Exposure to Hypoxia and High Cognitive Load in Military Personnel », Biology, 12(11), novembre 2023, 1398. https://doi.org/10.3390/biology12111398.

[11] Grassmann Mariel, Vlemincx Elke, Leupoldt (von) Andreas, Mittelstädt Justin M. et Van den Bergh Omer, « Respiratory Changes in Response to Cognitive Load: A Systematic Review », Neural Plasticity, 2016. https://doi.org/10.1155/2016/8146809.

[12] Watts Michelle E., Pocock Roger et Claudianos Charles, « Brain Energy and Oxygen Metabolism: Emerging Role in Normal Function and Disease », Frontiers in Molecular Neuroscience, 11, 2018, 216. https://doi.org/10.3389/fnmol.2018.00216.

[13] McMorris Terry, Hale Beverly J., Barwood Martin, Costello Joseph et Corbett Jo, « Effect of Acute Hypoxia on Cognition: A Systematic Review and Meta-Regression Analysis », Neuroscience & Biobehavioral Reviews, 74(Part A), mars 2017, p. 225-232. https://doi.org/10.1016/j.neubiorev.2017.01.019.

[14] Fabries Pierre, Gomez-Merino Danielle, Sauvet Fabien, Malgoyre Alexandra, Koulmann Nathalie et Chennaoui Mounir, « Sleep Loss Effects on Physiological and Cognitive Responses to Systemic Environmental Hypoxia », Frontiers in Physiology, 13, 2022, 1046166. https://doi.org/10.3389/fphys.2022.1046166.

[15] Bottenheft Charelle, Groen Eric L., Mol Douwe, Valk Pierre J.L., Houben Mark M., et al., « Effects of Heat Load and Hypobaric Hypoxia on Cognitive Performance: A Combined Stressor Approach », Ergonomics, 66(12), décembre 2023, p. 2148-2164. https://doi.org/10.1080/00140139.2023.2190062.

[16] Pontiggia Anaïs, Fabries Pierre, Beauchamps Vincent, Quiquempoix Michael, Nespoulous Olivier, Jacques Clémentine, Guillard Mathias, Van Beers Pascal, Ayounts Haïk, Koulmann Nathalie, et al., « Combined Effects of Moderate Hypoxia and Sleep Restriction on Mental Workload », Clocks & Sleep, 6 (3), 2024, p. 338-358. https://doi.org/10.3390/clockssleep6030024.

[17] Van Dorp Eveline, Los Michel, Dirven Perjan, Sarton Elise, Valk Pierre, Teppema Luc, Stienstra Rudolf et Dahan Albert, « Inspired Carbon Dioxide during Hypoxia: Effects on Task Performance and Cerebral Oxygen Saturation », Aviation, Space, and Environmental Medicine, 78(7), juillet 2007, p. 666-672.

[18] Fabries Pierre, Pontiggia Anaïs, Comte Ulysse, Beauchamps Vincent, Quiquempoix Michael, et al., « Cognitive Performance during Exposure to Moderate Normobaric Hypoxia after Sleep Restriction: Relationship to Physiological and Stress Biomarkers », Physiology & Behavior, 287, décembre 2024, 114666. https://doi.org/10.1016/j.physbeh.2024.114666.

[19] O’Donnell Robert D., Moise Samuel, Schmidt Regina et Smith Richard, Measurement and Modeling of Human Performance Under Differing G Conditions, Wright-Patterson AFB OH, Air Force Research Laboratory, 2003.

[20] Cochran Leroy B., Gard Perry W. et Norsworthy Marry E., Variations in Human G Tolerance to Positive Acceleration. G-level Tolerances of 1000 Relaxes Subjects not wearing Anti-G Suits at 1 G/s Onset Rate, Pensacola, 1954. https://doi.org/10.1037/e439862004-001

[21] Marotte Henri, Physiologie aéronautique, Éditions SEES, 2004, 230 pages.

[22] Marchand Charlotte, De Graaf Jozina B. et Jarrassé Nathanaël, « Measuring Mental Workload in Assistive Wearable Devices: A Review », Journal of NeuroEngineering and Rehabilitation, 18, 2021, 160.

[23] Pontiggia A., Beauchamps V., Nespoulous O., Guillard M., Vacher Anthony, Chennaoui Mounir, Sauvet F., « Sleep Loss Decreases Tolerance to Prolonged Moderate Acceleration », Presented at the International Conference on Cognitive Aicraft System (ICCAS), Toulouse, 2024.

[24] Alhola Paula et Polo-Kantola Pälvi, « Sleep Deprivation: Impact on Cognitive Performance », Neuropsychiatric Disease and Treatment, 3(5), 2007, p. 553-567.

[25] Basner Mathias et Dinges David F., « Maximizing Sensitivity of the Psychomotor Vigilance Test (PVT) to Sleep Loss », Sleep, 34(5), 2011, p. 581-591 https://doi.org/10.1093/sleep/34.5.581.

[26] Kong Youngsun, Posada-Quintero Hugo F., Gever David, Bonacci Lia, Chon Ki H. et Bolkhovsky Jeffrey, « Multi-Attribute Task Battery Configuration to Effectively Assess Pilot Performance Deterioration during Prolonged Wakefulness », Informatics in Medicine Unlocked, 28, 2022, 100822. https://doi.org/10.1016/j.imu.2021.100822.

[27] Mertens Henry W. et Collins William E., « The Effects of Age, Sleep Deprivation, and Altitude on Complex Performance », Human Factors, 28(5), octobre 1986, p. 541-551 https://doi.org/10.1177/001872088602800504.

[28] Sharma Rita I., Marcinkowska Anna B., Mankowska Natalia D., Waskow Monika, Kot Jacet et Winklewski Pawel J., « Cognitive Functions in Scuba, Technical and Saturation Diving », Biology, 12(2), 2023, 229 https://doi.org/10.3390/biology12020229.

[29] Freiberger John J., Derrick B., Natoli M.J., Akushevich I., Schinazi E.A., Parker C., Stolp B.W., Bennett P.B., Vann R.D., Dunworth S.A. et Moon R.E., « Assessment of the Interaction of Hyperbaric N₂, CO₂, and O₂ on Psychomotor Performance in Divers », Journal of Applied Physiology, 121(4), octobre 2016, p. 953-964 https://doi.org/10.1152/japplphysiol.00534.2016.

[30] Qu Hongquan, Gao Xueying et Pang Liping, « Classification of Mental Workload Based on Multiple Features of ECG Signals », Informatics in Medicine Unlocked, 24, 2021, 100575 https://doi.org/10.1016/j.imu.2021.100575.

[31] Klingner Jeff, Tversky Barbara et Hanrahan Pat, « Effects of Visual and Verbal Presentation on Cognitive Load in Vigilance, Memory, and Arithmetic Tasks », Psychophysiology, 48(3), mars 2011, p. 323-332 https://doi.org/10.1111/j.1469-8986.2010.01069.x.

[32] Pontiggia Anaïs, Gomez-Merino Danielle, Quiquempoix Michael, Beauchamps Vincent, Boffet Alexis, Fabries Pierre, Chennaoui Mounir et Sauvet Fabien, « MATB for Assessing Different Mental Workload Levels: A Systematic Review », Frontiers in Physiology, 15, 2024 https://doi.org/10.3389/fphys.2024.1408242.

[33] Wilson Glenn F., « An Analysis of Mental Workload in Pilots during Flight Using Multiple Psychophysiological Measures », The International Journal of Aviation Psychology, 12(1), 2002, p. 3-18 https://doi.org/10.1207/S15327108IJAP1201_2.

[34] Miyake Shinji, Yamada Shimpei, Shoji Takuro, Takae Yasuhiko, Kuge Nobuyuki et Yamamura Tomohiro, « Physiological Responses to Workload Change. A Test/Retest Examination », Applied Ergonomics, 40(6), novembre 2009, p. 987-996 https://doi.org/10.1016/j.apergo.2009.02.005.

[35] Rosanne Olivier, Albuquerque Isabela, Cassani Raymundo, Gagnon Jean-François, Tremblay Sébastien et Falk Tiago H., « Adaptive Filtering for Improved Eeg-Based Mental Workload Assessment of Ambulant Users », Frontiers in Neuroscience, 15, 2021, 611962 https://doi.org/10.3389/fnins.2021.611962.

[36] Albuquerque Isabela, Tiwari Abhishek, Parent Mark, Cassani Raymundo, Gagnon Jean-François, Lafond Daniel, Tremblay Sébastien et Falk Tiago H., « WAUC: A Multi-Modal Database for Mental Workload Assessment under Physical Activity », Frontiers in Neuroscience, 14, 2020, 549524 https://doi.org/10.3389/fnins.2020.549524.

[37] Van Dijk J. Gert et Wieling Wouter, « Pathophysiological Basis of Syncope and Neurological Conditions That Mimic Syncope », Progress in Cardiovascular Diseases, 55(4), Janvier-février 2013, p. 345-356 https://doi.org/10.1016/j.pcad.2012.10.016.

[38] Dehais Frédéric, Somon Bertille, Mullen Tim et Callan Daniel E., « A Neuroergonomics Approach to Measure Pilot’s Cognitive Incapacitation in the Real World with EEG », Advances in Neuroergonomics and Cognitive Engineering: Proceedings of the AHFE 2020 Virtual Conferences on Neuroergonomics and Cognitive Engineering, and Industrial Cognitive Ergonomics and Engineering Psychology (16-20 juillet 2020), Printemps 2021, p. 111-117.

(1) Les accélérations +Gz sont appliquées selon le grand axe du corps.