ディープラーニングとfNIRSデータによるシミュレート運転シナリオにおける認知負荷検出の進歩

科学分野:

• 神経科学
• 人とコンピュータの相互作用
• 自動車工学

背景:

• 自動運転システムへの移行は,認知的な過負荷などの人間の要因による衝突リスクの増加を含む新しい安全課題を提示します.
• 運転シミュレータは 複雑な人間要因を研究するための 制御された環境を提供します
• 先進的な運転支援システム (ADAS) はこの移行の鍵です.

研究 の 目的:

• 機能的近赤外線スペクトロスコピー (fNIRS) を使用して現実的な運転シミュレータで認知負荷を動的に評価する.
• 認知負荷モニタリングのためのfNIRSデータの分析におけるディープラーニングモデルの有効性を評価する.
• タイムセグメンテーション戦略が分類パフォーマンスに与える影響を調査する.

主な方法:

• 現実的な運転シミュレータを使って 夜の雨のシナリオに挑戦した.
• 機能的近赤外線スペクトル検査 (fNIRS) を用いて脳活動を測定する.
• マルチタスクの要求をシミュレートするために 聴覚的なn-backタスクに従事した参加者
• タイムシリーズ fNIRS データにスライディングウィンドウのアプローチを適用し,EEGNetのディープラーニングモデルを使用して分析しました.
• オーバーラピングと非オーバーラピングの時間的なセグメンテーション戦略を比較した.

主要な成果:

• 学習率とウィンドウの方法によって,分類のパフォーマンスは著しく影響を受けた.
• 学習率は0.001で,重複するウィンドウでは100%で,重複しないウィンドウでは97%でした.
• この研究では,リアルタイムの認知負荷モニタリングの実現可能性が示されました.

結論:

• fNIRSとディープラーニングを組み合わせると,シミュレートされた運転でリアルタイムで認知負荷を監視する大きな可能性が見られます.
• ウィンドウ方法や学習率を含むタイムモデルを最適化することは,正確な生理信号分析に不可欠です.
• このアプローチは人間の要因を考慮して より安全な自動運転システムの設計に役立つでしょう