基于大脑网络的电生理学分析,增强了分心驾驶状态的识别
Geqi Qi1,2, Rui Liu1, Wei Guan1,3
1Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport, Ministry of Transport, Beijing Jiaotong University, Beijing, China.
Cyborg and bionic systems (Washington, D.C.)
|July 5, 2024
概括
这项研究引入了一种电生理学大脑网络方法,以检测驾驶员的分心. 该方法使用脑电图 (EEG) 数据和机器学习准确识别认知和视觉干扰.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 运输安全运输安全
背景情况:
- 司机的分心是交通事故的主要原因之一.
- 分心会改变大脑活动,可以通过电脑电图 (EEG) 检测到.
- 目前用于检测分心的方法缺乏精度.
研究的目的:
- 开发一种电生理学大脑网络方法,用于更好地识别驾驶干扰.
- 使用EEG区分认知和视觉分心.
- 通过精确的分心检测来改进驾驶员辅助系统.
主要方法:
- 模拟驾驶实验与4个分心驾驶子任务.
- 使用三个连接指数 (线性和非线性同步措施) 构建大脑网络.
- 分析网络连接的优势和拓特征,然后进行机器学习分类 (XGBoost).
主要成果:
- 大脑网络的配置在正常和分心的驾驶状态之间显著不同.
- XGBoost分类器在识别分心状态方面取得了卓越的性能.
- 最优的特征集达到了95.1%的准确性对二进制和88.3%的三进制分类的分心类型.
结论:
- 提出的电生理学大脑网络方法有效地识别了分心的驾驶状态.
- 这种技术可以增强驾驶员辅助系统,并为自动驾驶的脑电脑界面研究提供信息.
- 基于同步概率 (SL) 的网络特征在区分分心的类型方面表现出很高的准确性.
