通过深度学习研究高度自动驾驶中NDRT引起的心理工作负载

科学领域:

• 神经科学是一个神经科学.
• 人与计算机的交互
• 汽车工程 汽车工程

背景情况:

• 高度自动驾驶系统 (ADS) 允许司机从事与驾驶无关的任务 (NDRT).
• 在NDRT期间评估驾驶员的心理工作量对于ADS中的安全至关重要.
• 电脑电图 (EEG) 为客观的心理工作量测量提供了一个潜在的方法.

研究的目的:

• 研究各种NDRT在模拟高度自动化的驾驶场景中对驾驶员心理工作负载的影响.
• 开发和评估深度学习模型,用于在NDRT期间使用EEG信号对心理工作负载进行分类.
• 确定与心理工作负载水平相关的关键EEG特征.

主要方法:

• 28名参与者在参与四项NDRT时执行模拟驾驶任务:阅读,听广播新闻,观看视频和发短信.
• 采集了EEG数据,并使用NASA任务负载指数 (NASA-TLX) 成绩将其分类为低,中和高的心理工作负载水平.
• 长期短期记忆 (LSTM) 和双向长期短期记忆 (BLSTM) 深度学习模型被用于EEG信号分类.

主要成果:

• 相关性分析表明,特定的EEG频道/频段与心理工作负载之间存在线性关系.
• 使用显著相关频段的EEG数据的分类模型比使用原始EEG数据的分类模型更准确.
• 该研究确定了在NDRT期间与不同心理工作负载水平相关的独特EEG模式.

结论:

• 这些发现为评估自动驾驶环境中与NDRT相关的心理工作负载提供了有价值的参考.
• 深度学习模型,特别是那些使用特定频段EEG数据的深度学习模型,对精确的心理工作负载评估充满希望.
• 进一步的研究可以完善这些模型,以便在自动驾驶过程中监测驾驶员状态时在现实世界中应用.