Avanzar en la detección de carga cognitiva en escenarios de conducción simulados a través del aprendizaje profundo y...

Área de la Ciencia:

• La neurociencia
• Interacción hombre-computadora
• Ingeniería automotriz

Sus antecedentes:

• La transición a los sistemas de conducción automatizados presenta nuevos desafíos de seguridad, incluido el aumento de los riesgos de choque por factores humanos como la sobrecarga cognitiva.
• Los simuladores de conducción ofrecen un entorno controlado para estudiar estos complejos factores humanos.
• Los sistemas avanzados de asistencia a la conducción (ADAS, por sus siglas en inglés) son clave para esta transición.

Objetivo del estudio:

• Evaluar dinámicamente la carga cognitiva en un simulador de conducción realista utilizando la espectroscopia funcional del infrarrojo cercano (fNIRS).
• Evaluar la eficacia de los modelos de aprendizaje profundo en el análisis de los datos de fNIRS para el monitoreo de la carga cognitiva.
• Investigar el impacto de las estrategias de segmentación temporal en el rendimiento de la clasificación.

Principales métodos:

• Utilizó un simulador de conducción realista con un escenario de lluvia nocturna desafiante.
• Se utiliza la espectroscopia funcional del infrarrojo cercano (fNIRS) para medir la actividad cerebral.
• Los participantes participaron en una tarea auditiva n-back para simular las demandas de multitarea.
• Aplicó un enfoque de ventana deslizante a los datos fNIRS de series temporales y los analizó utilizando el modelo de aprendizaje profundo EEGNet.
• Comparación de las estrategias de segmentación temporal superpuestas y no superpuestas.

Principales resultados:

• El rendimiento de la clasificación fue influenciado significativamente por la tasa de aprendizaje y el método de ventana.
• Una tasa de aprendizaje de 0,001 logró la mayor precisión: 100% con ventanas superpuestas y 97% con ventanas no superpuestas.
• El estudio demostró la viabilidad del monitoreo de la carga cognitiva en tiempo real.

Conclusiones:

• La combinación de fNIRS y el aprendizaje profundo muestra un potencial significativo para el monitoreo de la carga cognitiva en tiempo real en la conducción simulada.
• La optimización del modelado temporal, incluidos los métodos de ventana y las tasas de aprendizaje, es crucial para el análisis preciso de la señal fisiológica.
• Este enfoque puede informar el diseño de sistemas de conducción automatizados más seguros al abordar los factores humanos.