从多模式人类信号的角度研究自动驾驶运动疾病
Su Young Kim1, Yoon Sang Kim1,2
1BioComputing Lab, Department of Computer Engineering, Korea University of Technology and Education (KOREATECH), Cheonan 31253, Republic of Korea.
Sensors (Basel, Switzerland)
|March 14, 2026
概括
在自动驾驶车辆中对运动性疾病 (MS) 的客观量化具有挑战性. 这项研究将EEG和头部运动等生理信号与MS水平联系起来,改善客观评估以获得更安全的自动驾驶体验.
科学领域:
- 人与计算机的互动.
- 汽车工程 汽车工程
- 神经科学是一个神经科学.
背景情况:
- 自动驾驶汽车的运动病 (MS) 是采用这一技术的一个重要障碍.
- 目前的MS评估严重依赖于主观问卷,缺乏客观量化.
- 多模式人体信号为客观的MS水平 (MSL) 测量提供了潜力.
研究的目的:
- 调查自动驾驶中多式联运人类信号和MSL之间的关联.
- 确定与MSL相关的关键生理和行为特征.
- 量化不同传感器领域对MSL预测的贡献.
主要方法:
- 策划了一套数据集 (HS-Set) 来自十年多的MS研究.
- 在模拟器中收集主观的MSL (快速MS量表,SSQ) 和人类信号 (EEG,PPG,EDA,皮肤温度,头部/眼部运动).
- 使用相关性分析和可解释的增强机器 (EBM) 来进行特征和域贡献分析.
主要成果:
- 头部动力学 (振幅/能量) 与SSQ分数相关.
- 眼动与恶心和眼动症状正相关.
- 电皮活动 (EDA) 与恶心负相关.
- 脑电图连接和头部动力学是MSL的主要预测因素.
- 一个组合的头部,PPG和EDA模型保留了超过80%的完整模型的可解释性.
结论:
- 多模式的生理和行为信号可以客观地量化MSL在自动驾驶.
- 脑电图和头部动力学对于MSL评估至关重要.
- 结合头部,PPG和EDA信号,为MSL监测提供了一个有希望的,可解释的方法.
更多相关视频
09:46MPI CyberMotion Simulator: Implementation of a Novel Motion Simulator to Investigate Multisensory Path Integration in Three Dimensions
Published on: May 10, 2012
13.2K
08:50How to Study Placebo Responses in Motion Sickness with a Rotation Chair Paradigm in Healthy Participants
Published on: December 14, 2014
9.7K
