司机的转向意图识别模型基于大脑激活和上下文信息.
Alexander Trende1, Anirudh Unni2, Mischa Jablonski2
1German Aerospace Center, Institute of Systems Engineering for Future Mobility, Oldenburg, Germany.
Frontiers in neuroergonomics
|January 18, 2024
概括
识别驾驶员转的意图可以防止事故. 使用fNIRS将上下文数据与大脑激活测量相结合,显著改善了转向意图识别模型.
科学领域:
- 神经科学是一个神经科学.
- 汽车安全 汽车安全
- 人与计算机的交互
背景情况:
- 交叉路口的交通事故往往是由人为错误造成的.
- 目前的驱动器转向意图识别模型主要使用上下文数据,可能会限制准确性.
- 预测转向意图对于开发先进的驾驶辅助系统 (ADAS) 至关重要.
研究的目的:
- 调查将上下文信息与大脑激活测量相结合是否可以提高驾驶员转向意图的识别.
- 开发和评估一个包含两种数据类型的神经网络模型.
- 为了确定大脑激活数据对模型性能的影响.
主要方法:
- 进行了一项驾驶模拟器研究.
- 使用高密度功能近红外光谱 (fNIRS) 来测量大脑激活.
- 使用fNIRS和上下文数据训练了一个神经网络模型.
- 用SHAP (SHapley添加式扩展) 来进行特征重要性分析.
主要成果:
- 与仅使用上下文数据相比,组合模型显著改善了转向意图识别.
- fNIRS数据显示,在转向决策过程中,运动和前额区域的大脑活化增加.
- SHAP分析证实了大脑激活数据对模型预测能力的积极贡献.
结论:
- 将大脑激活测量与上下文数据相结合,可以提高驾驶员转向意图识别模型的准确性.
- 运动和前额叶皮层中的大脑激活模式表明转向决策.
- 这种方法有望开发更有效的ADAS以提高道路安全.
更多相关视频
10:14Author Spotlight: Enhancing Neurorehabilitation Through EEG, Motor Imagery, and Virtual Reality
Published on: May 10, 2024
1.0K
11:12Driving Simulation in the Clinic: Testing Visual Exploratory Behavior in Daily Life Activities in Patients with Visual Field Defects
Published on: September 18, 2012
17.4K
