Los avances en los sistemas de aeronaves no tripuladas (UAS) han allanado el camino para niveles progresivamente más altos de inteligencia y autonomía, apoyando nuevos modos de operación, como el concepto de uno a muchos (OTM), donde un único operador humano es responsable de monitorear y coordinar las tareas de múltiples vehículos aéreos no tripulados (UAV). Este documento presenta el desarrollo y la evaluación de interfaces y interacciones cognitivas humano-máquina (CHMI) que apoyan la automatización adaptativa en aplicaciones OTM. Un sistema CHMI comprende una red de sensores neurofisiológicos y modelos basados en aprendizaje automático para inferir los estados cognitivos del usuario, así como el motor de adaptación que contiene un conjunto de lógicas de transición para funciones de control/visualización y niveles de autonomía discreta. Los modelos de los estados cognitivos del usuario se entrenan con datos de rendimiento pasados y datos neurofisiológicos durante una fase de calibración fuera de línea, y posteriormente se utilizan en la fase de adaptación en línea para la inferencia en tiempo real de estos estados cognitivos. Para investigar la automatización adaptativa en aplicaciones OTM, se desarrolló un escenario que involucra la detección de incendios forestales donde un único operador humano es responsable de asignar múltiples plataformas UAV para buscar y localizar incendios forestales en una amplia área. Presentamos la arquitectura y el diseño del entorno de simulación UAS que se desarrolló, junto con varios formatos y funciones de interfaz humano-máquina (HMI), para evaluar la viabilidad del sistema CHMI a través de experimentos con humanos en el circuito (HITL). El módulo CHMI se integró posteriormente en el entorno de simulación, proporcionando las capacidades de detección, inferencia y adaptación necesarias para realizar la automatización adaptativa. Se realizaron experimentos HITL para verificar las funcionalidades del módulo CHMI en las fases de calibración fuera de línea y adaptación en línea. En particular, los resultados de la fase de adaptación en línea mostraron que el sistema pudo apoyar la inferencia en tiempo real y la adaptación de la interfaz y la interacción humano-máquina (HMI). Sin embargo, la precisión de la carga de trabajo inferida fue variable entre los diferentes participantes (con un error cuadrático medio (RMSE) que oscilaba entre 0.2 y 0.6), en parte debido al número reducido de características neurofisiológicas disponibles como entradas en tiempo real y también debido a las limitadas etapas de entrenamiento en la fase de calibración fuera de línea. Para mejorar el rendimiento del sistema, el trabajo futuro investigará el uso de técnicas alternativas de aprendizaje automático, características de entrada neurofisiológicas adicionales y una etapa de entrenamiento más extensa.