识别和解释驾驶压力,使用沙普利的附加解释模型,通过融合EEG和行为信号来解释压力

科学领域:

• 神经科学是一个神经科学.
• 人与计算机的交互
• 运输安全运输安全

背景情况:

• 驾驶压力是造成道路交通事故的重要原因之一.
• 现有的驾驶压力识别模型往往缺乏解释性,阻碍了实际应用.
• 了解大脑活动和驾驶行为之间的相互作用对于安全至关重要.

研究的目的:

• 利用脑电图 (EEG) 和行为数据,开发一个可解释的框架来驱动压力识别.
• 通过融合多式联运数据来提高应力识别的准确性.
• 分析大脑活动,驾驶行为和压力水平之间的依赖效应.

主要方法:

• 从EEG和行为数据集中提取和选择特征.
• 应用七个机器学习算法来识别压力水平 (低,中,高).
• 使用夏普利添加式扩展 (SHAP) 进行模型解释性和决定树用于模糊规则提取.

主要成果:

• 脑电图和行为特征的融合显著提高了准确度8.56% (仅与脑电图相比) 和26.51% (仅与行为相比),达到84.93%的整体准确度.
• SHAP分析和决策树揭示了压力的关键生理和行为指标,包括降低速度,车道偏差,以及 θ 和 β 频段的改变EEG功率.
• 在压力下,在相同频段内的大脑区域活动中发现了更高的同步性.

结论:

• 拟议的可解释框架通过整合EEG和行为数据,有效量化驾驶压力.
• 与单一模式方法相比,多模式数据融合在驾驶压力识别方面提供了更高的准确性.
• 该研究提供了对驾驶压力的生理和行为表现的见解,有助于开发更安全的驾驶系统.