基于功能性大脑网络,识别草原道路上的特殊天气条件

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 自动驾驶技术 自动驾驶技术

背景情况:

• 内蒙古的草原道路为自动驾驶研究提供了理想的条件,因为交通量低,几何结构简单.
• 然而,像畜牧过境和恶劣天气 (沙风,雨,雪) 等挑战阻碍了自主系统的性能,需要驾驶员的干预.
• 司机接管过程涉及复杂的认知活动,使得理解大脑功能网络对于阐明机制至关重要.

研究的目的:

• 在各种天气条件下的驾驶员接管事件中分析大脑功能网络特征.
• 研究不同天气场景对认知处理和大脑网络动态的影响.
• 开发一种机器学习模型来识别天气条件,以增强自动驾驶决策支持.

主要方法:

• 在阳光明,沙暴和雨/雪条件下进行了一项驾驶模拟实验.
• 在模拟牲畜交叉过程中记录了脑电图 (EEG) 信号和接管响应时间.
• 使用相滞后指数构建相位同步网络,并在 θ,α 和 β 频带中分析拓特征. 一个K-最近邻居 (KNN) 算法被用于天气分类.

主要成果:

• 接管响应时间在沙暴中最长,表明视觉干扰和受阻的认知控制.
• 恶劣的天气削弱了区域间的大脑连接,特别是在β频段,影响了接管稳定性.
• 降雨和降雪条件显示了信息处理的增强的 θ 和 α 频段网络集成,而阳光条件保持了稳定的大脑连接和较低的认知负载,从而提高了接管性能.
• 该KNN模型在天气识别方面实现了96%的准确性,证明了良好的概括性.

结论:

• 大脑功能网络分析提供了对恶劣天气中驾驶员接管机制的见解.
• 这些发现支持通过提供神经生理学证据来优化自主驾驶策略,以在特殊天气条件下进行适应性决策.