压力水平升高会损害防御行动，影响决策制定和作战效能。当前的模拟通常缺乏情绪适应性，限制其为高压力场景下的人机团队做好充分准备的能力。本研究提出了一个模拟框架，用于在人机防御团队中建模、监测和缓解情绪过载，利用实时生理和行为输入为自适应AI决策提供支持。尽管AI在防御领域的应用正在扩大，但大多数系统仍然是逻辑驱动的，忽略了人类的情绪和认知状态。我们引入了情感知觉的AI智能体，能够根据操作员的压力水平动态调整任务负荷，从而提高任务成果和应变能力。所开发的基于马尔可夫状态转移的离散事件模拟模型，利用心率变异性（HRV）和皮肤电反应（GSR）等生理指标来驱动情绪状态的转移。一项包含100个智能体的30,000步模拟比较了“情感知觉AI”和“情绪不感知AI”。状态转移概率源自情感计算研究，并通过多模态数据模型进行整合。情感知觉AI条件下，操作员保持在“平静”状态的时间占40.6%（标准差 = 7.7），而情绪不感知条件下为33.1%（标准差 = 6.8）。高风险的“过载”状态发生率从33.3%降至26.2%，减少了21.4%。统计分析证实了显著差异，t (99) = 25.84, p < .001, Cohen’s d = 1.04，突显了情绪自适应系统在增强应变能力方面的功效。未来的工作将探索将该框架集成到虚拟现实训练模拟和AI辅助任务规划中，以便在防御场景中提供自适应支持。

在现代防御行动中，人机编队对于在压力下管理复杂任务至关重要，AI在确保人员监督的同时，辅助进行监视、目标识别和策略调整（Chen等人，2025年）。本研究将“量化自我”运动的原则——即利用持续的生物特征监测进行个性化优化——扩展到军事背景。它展示了实时生理数据如何为AI系统提供信息，以提升作战人员表现，同时防止过度压力。认知负荷，即处理信息所需的脑力消耗，影响操作员的表现，引发压力，从而阻碍决策制定和反应时间（Kallinen & Ojanen, 2023年）。研究表明，军事行动会诱发显著的生理应激反应，这种反应在长时间的培训和作战期间可能持续存在（Corrigan等人，2023年）。当前的防御AI系统常常在信任校准、决策自主性和适应性方面存在困难，经常忽视人类操作员的情绪和认知状态（Chen等人，2025年；Khare等人，2024年）。基于可穿戴传感器技术和情感计算的进步，情感知觉AI系统能够根据压力指标调整任务负荷，为缓解这些影响提供了一种有前景的方法（Vistorte等人，2024年；Haque等人，2024年）。研究表明，心率变异性（HRV）、皮肤电反应（GSR）和脑电图（EEG）等信号反映了情绪状态和认知负荷（Haque等人，2024年；Nechyporenko等人，2024年；McDuff等人，2014年）。HRV、GSR和EEG的多模态传感器融合提高了压力预测的准确性，支持向量机（SVM）分类器在受控环境中达到了85-95%的性能（Raza等人，2024年；Gohumpu等人，2023年）。本研究提出了一个模拟框架，用于评估情感知觉AI在高压力防御场景下管理认知负荷的有效性。与传统模拟不同，该模型使用来自“汽车驾驶员压力识别数据集”（Healey & Picard, 2005年）的真实生理数据（HRV和GSR）来精确模拟人的压力状态。该模拟采用基于马尔可夫的离散事件模型来捕捉“平静”、“压力”和“过载”状态之间的转移，并利用了100个具有不同原型的虚拟智能体。主要目标是比较能根据压力检测调整任务负荷的“情感知觉AI”与不能自适应的“情绪不感知AI”。结果表明，情感知觉AI更可能使操作员保持在“平静”状态，从而提升如反应时间、视觉准确性和推理得分等性能指标。