通过深度学习和fNIRS数据在模拟驾驶场景中推进认知负载检测

科学领域:

• 神经科学
• 人与计算机的交互
• 汽车工程

背景情况:

• 转向自动驾驶系统带来了新的安全挑战,包括因人为因素如认知过载而增加的撞车风险.
• 驾驶模拟器提供了一个可控的环境来研究这些复杂的人类因素.
• 先进的驾驶辅助系统 (ADAS) 是这一转型的关键.

研究的目的:

• 使用功能近红外光谱 (fNIRS) 在现实驾驶模拟器中动态评估认知负载.
• 评估深度学习模型对fNIRS数据进行认知负载监测的有效性.
• 调查时间细分策略对分类性能的影响.

主要方法:

• 使用一个现实的驾驶模拟器, 具有挑战性的夜间雨情景.
• 使用功能近红外光谱 (fNIRS) 来测量大脑活动.
• 参与者进行听觉反复任务以模拟多任务需求.
• 对时间序列的fNIRS数据应用了滑动窗口方法,并使用EEGNet深度学习模型进行了分析.
• 对比重叠和非重叠的时间细分策略.

主要成果:

• 分类性能受到学习速度和窗口方法的显著影响.
• 学习率为0.001,达到最高准确率:重叠窗口的100%和非重叠窗口的97%.
• 这项研究证明了实时认知负载监测的可行性.

结论:

• 结合fNIRS和深度学习,可以在模拟驾驶中实时监测认知负载.
• 优化时间建模,包括窗口方法和学习速率,对于准确的生理信号分析至关重要.
• 这种方法可以通过解决人类因素来设计更安全的自动驾驶系统.