《基于自适应模拟的军事决策训练：利用物联网衍生的认知与情绪反馈》

军事人员常需在高压环境下快速做出高风险的决策，此时认知超载与情绪失调可能损害执行功能并增加任务失败风险。传统的模拟训练教育（SBE）系统难以实时适应受训者的心理状态，降低了其为动态作战环境培养个体能力的有效性。为弥补这一不足，本研究提出一种神经自适应闭环模拟框架，通过整合实时生理监测来增强军事训练。该系统利用可穿戴物联网设备（包括脑电图、心率监测仪和皮肤电反应传感器）持续评估认知负荷与情绪压力。一个分层逻辑引擎解析这些输入数据，并动态调整场景复杂度、节奏及环境刺激（如时间压力、通信噪音），以匹配每位受训者当前的认知与情绪状态。该模拟还包含一个恢复模块，利用心率变异性（RMSSD）追踪训练前后的情绪调节能力。框架在自适应与静态两种模式下进行了110次交互测试，采用决策准确度、任务完成时间、生理恢复及学习保留度等指标。虽然两种条件下决策准确度和效率保持一致，但自适应模式在生理恢复和知识保留结果上表现出更大提升。此外，系统有效捕捉了多样化的压力与认知负荷特征，增强了训练的真实性。这些发现表明，实时神经自适应模拟能够培养韧性、支持认知恢复并提升技能保留度，从而在关键任务军事场景中提高作战准备水平。

军事人员在高风险环境中执行任务，需要快速决策以保障任务成功与生存（Smith & Jones, 2023）。此类情境常引发认知超载与情绪失调，损害工作记忆与注意力，进而增加关键任务错误（Lee et al., 2024; Nguyen & Tran, 2022）。模拟训练教育（SBE）是军事训练的基石，为作战任务演练提供受控环境（Brown et al., 2023）。然而，多数SBE平台呈现静态场景，无法适应受训者心理状态，限制了其在压力下培养专业能力的有效性（Gupta & Sharma, 2024）。传统训练系统缺乏实时生理自适应能力，是提升军事人员应对不可预测需求能力的关键短板。研究强调需要能动态响应压力与认知状态的个性化训练系统，以显著增强压力下的技能获取与韧性（Kim & Park, 2023; Zhang et al., 2025）。物联网（IoT）技术进步（如可穿戴生理监测设备与移动脑电图）使得实时生物信号反馈可集成至训练中（Al-Sayed & Hassan, 2022）。这些传感器持续提供认知负荷与压力数据，促进响应每位受训者心理状态的神经自适应学习环境（Rodriguez & Gomez, 2024）。为弥补这一差距，本研究引入一种闭环自适应模拟，利用脑电图与生物传感器数据实时监测认知与情绪状态。系统根据认知负荷和压力标志物（如心率变异性）等生理信号调整场景复杂度与听觉干扰。分层逻辑引擎将生物信号分类为可操作状态（例如“高认知负荷”），并相应修改训练条件。此外，恢复模块利用连续差值的均方根（RMSSD）评估干预前后的情绪调节能力。基于任务准确度、决策时间与生理恢复指标，在自适应与静态模式下评估性能，并生成基于韧性指标的个体分析报告。结果表明，自适应框架提升知识保留度、加速决策并改善认知压力恢复能力，有助于提高作战准备水平（Miller & Davis, 2023）。本文通过提出一个支持物联网的自适应模拟引擎，使训练与军事人员面临的动态认知及情绪现实相契合，为国防训练中的智能模拟研究作出贡献。以下章节将阐述方法论框架、模拟结果及对高风险环境中自适应学习的更广泛意义。