科格曼巴:多任务驱动器认知负载和生理非接触估计与多模式面部特征

科学领域:

• 人与计算机的交互
• 汽车安全 汽车安全
• 生物医学工程 生物医学工程

背景情况:

• 驾驶员的认知负载对于先进的驾驶辅助系统 (ADAS) 和自动驾驶安全至关重要.
• 目前用于检测驾驶员认知负载的方法通常是侵入性的或有限的,阻碍了实际应用.
• 非驾驶相关任务 (NDRT) 可以增加认知负载,需要快速的驾驶员重新参与.

研究的目的:

• 开发一种非接触式的多任务模型,用于估计驾驶员的认知负载和生理状态.
• 解决现有的侵入性或基于眼睛跟踪的认知负载检测方法的局限性.
• 提高ADAS和自动驾驶系统的安全性和实用性.

主要方法:

• 提出了一种名为CogMamba的新型非接触认知负载和生理状态估计模型.
• 利用从RGB面部视频中提取的多式联络功能.
• 引入了Mamba架构以捕捉时间依赖性,以共同估计认知负载,心率 (HR) 和呼吸率 (RR).

主要成果:

• 在两个公共数据集上,CogMamba表现出了卓越的性能.
• 该模型在交叉数据集泛化测试中显示出极好的稳定性.
• 通过使用非接触式视频数据成功实现了认知负载,HR和RR的联合估计.

结论:

• 对于非接触式驾驶员状态监控,CogMamba提供了一种高效实用的解决方案.
• 这些发现为自动驾驶的现实应用提供了宝贵的见解.
• 这种非接触式方法可以提高驾驶员的安全性和未来车辆中的系统可用性.