南方卫理公会大学之间的联合项目（SMU）和模拟器制造商CAE探索了飞行训练期间生物特征测量的使用，以调查个性化培训制度的任何好处Ainonline报告。
新颖的方法将生物识别技术与机器学习技术相结合，以衡量各种情况下飞行员的情境意识和飞行员的认知负荷。
生物识别测量包括视觉凝视模式，学生的大小和心率，以确定飞行员的参与度，工作量，情境意识，压力或疲劳水平。
例如，根据飞行的阶段，“贫穷”的凝视模式可能表明工作量很高，而“正确”的凝视模式将显示出更高的关注和表现。
同样，更少的眼睛眨眼或较短持续时间的眨眼可能与需要更多关注的任务相关联，并且可以将心率变异性用于跟踪工作。
使用带有积分眼线器和腕上磨损设备的虚拟现实耳机收集生物识别数据，然后通过计算机分析相关。
该项目现在正在进入第四年，根据研究人员的说法，一些早期自动化生物识别测试结果很大程度上反映了经验丰富的人类评估者的评估。
“我们的理论是，模拟期间的生物识别技术将导致比在模拟后询问几个问题以衡量其体验的几个问题的客观和准确的测量。” SMU虚拟化中心主任Suku Nair解释说。
反过来，这将使飞行训练可能更具个性化，有效和高效。
然而，根据该研究的主要研究者埃里克·拉尔森（Eric Larson）的说法，用生物识别传感加速学习是一个难以证实的假设。
“这项研究试图了解如何使用传感来理解一项艰巨的任务中学习者的精通水平，例如飞行飞机。我们希望通过成为第一个展示个性化的，自动化的学习是否可以在实际学习场景中表现出功效来推进研究领域。”
在上下文中，该研究最初是为了支持2019年国防部项目，旨在加快对复杂技能的培训和支持多域名战争的培训。
同年，SMU和CAE（当时的L3Harris Technologies）首先证明了基于生物识别数据的机器学习可以带来实时准确的性能结果。 L3Harris的飞行训练技术业务成为CAE莱多斯2020年收购了其生物识别和安全业务。
据报道，该项目的一部分是基于重复测量实验，使用40个具有不同背景和经验水平的测试受试者，在受控环境中飞行混合现实（MR）飞行模拟器。
SMU和CAE通过飞行员在爱德华兹空军基地进行的33架实际飞行操作证明了生理传感器系统的可行性和实用性。
最近也已经是目光的技术由Microsoft使用作为飞行模拟器游戏的一部分。
