Anerkendelse af chaufførers hårde og bløde bremsehensigter baseret på hybride hjerne-computer-grænseflader

Et teknisk papir fra forskere ved Beijing Institute of Technology introducerede simultane og sekventielle hybride hjerne-computer-grænseflader (hBCI'er), der inkorporerer EEG- og EMG-signaler til klassificering af chaufførers hårde bremsning, bløde bremsninger og normale køreintentioner for bedre at hjælpe kørsel.

"Arbejdet er værdifuldt for at udvikle menneskecentrerede intelligente assistentkøresystemer for at forbedre køresikkerheden og kørekomforten og fremme anvendelsen af ​​BCI'er," forklarede undersøgelsesforfatterne Longxi Luo, en assisterende professor, og Jiawei Ju, en forskningsassistent, fra Institute of Human Machine Systems (IHMS) ledet af Luzheng Bi, professor ved Beijing Institute of Technology.

Vejtrafikulykker (RTA) er blevet en af ​​de vigtigste faktorer, der forårsager tab og økonomiske tab. Trafikulykker forårsager næsten 1,35 millioner dødsfald og 20-50 millioner tilskadekomne hvert år. Næsten 3 % af Kinas BNP forbruges som følge af trafikulykker hvert år til medicinske udgifter og tab af personaleproduktivitet. Med det høje tempo i videnskab, teknologi og økonomisk udvikling stiger køretøjer på vejene år for år, og RTA forventes at være den femte faktor, der fører til døden i 2030.

Et intelligent førerassistentsystem (IDAS) kan indirekte påvirke køretøjskontrol ved at underrette chauffører om mulige nødsituationer eller direkte kontrollere køretøjer efter at have opdaget nødsituationer, hvilket effektivt forbedrer chaufførers køresikkerhed.

Nogle IDAS'er skal registrere chaufførers døsige tilstand og distraktionstilstand Andre IDAS'er afhænger af registrering af køreadfærd og forudsigelse af køreintentioner. Hvis en IDAS på forhånd kan registrere chaufførers hårde opbremsninger, kan den direkte styre køretøjer til at bremse hårdt.

I denne undersøgelse er bremsning en specifik adfærd, der bremser eller stopper køretøjet. Bremsningen kan klassificeres i hård bremsning og blød bremsning. Hård bremsning refererer til den adfærd, hvor føreren trykker hårdt på pedalen for hurtigt at reducere køretøjets hastighed i tilfælde af en nødsituation under kørslen. I modsætning hertil refererer blød bremsning til den adfærd, hvor førere trykker blødt på pedalen for langsomt at reducere køretøjets hastighed.

IDAS'ernes inputoplysninger består hovedsageligt af køretøjs- og omgivelsesrelateret, adfærdsrelateret og biologisk signalrelateret information. Informationen om køretøjet og det omkringliggende miljø kommer hovedsageligt fra køretøjsparametre og trafikinformation. Chaufføradfærdsrelateret information kan hovedsageligt opnås ved at overvåge aktiviteterne i førerens fødder, lemmer og hoveder. Biologisk information omfatter elektroencefalografi (EEG) signaler og elektromyografi (EMG) signaler. Selvom BCI'er baseret på EEM-signaler har gjort store fremskridt med hensyn til registrering af bremsehensigter, er detektionsydelsen ikke stabil på grund af egenskaberne ved EEG-signaler.

En hybrid hjerne-computer interface (hBCI) er en effektiv ordning, der kan afhjælpe manglerne ved EEG-baserede BCI'er, såsom lav stabilitet, dårlig ydeevne og utilstrækkelig pålidelighed.

Afhængigt af, hvordan signalerne kombineres, falder hBCI'erne i to tilstande:en, der kombinerer to eller flere slags EEG-signaler, såsom ERD, ERS og P300, en anden kombinerer EEG og andre signaler, såsom EMG-signaler og EKG-signaler.

Imidlertid er eksisterende metoder til registrering af bremsehensigter baseret på hBCI'er udviklet til at genkende den hårde opbremsning fra normal kørsel eller bløde bremsehensigter. For at gøre disse detekteringsmetoder for hård opbremsning mere anvendelige i realistiske køresituationer, blev en EEG-baseret detektionsmetode til at skelne hård bremsning, blød bremsning og normale køreintentioner allerede foreslået i vores tidligere undersøgelse. Eksperimentelle resultater antydede gennemførligheden af ​​denne påvisningsmetode. Imidlertid var ydeevnen af ​​denne detektionsmetode ikke god. Den gennemsnitlige nøjagtighed for offline test af de tre klasser af køreintentioner baseret på spektrale funktioner var 70,93 %.

For at løse dette problem, sigter vi i denne artikel på at udvikle simultane og sekventielle hBCI'er baseret på EEG- og EMG-signaler for at genkende hård bremsning, blød bremsning og normale køreintentioner. Bidraget fra dette papir er, at det er det første arbejde, der bruger fusionen af ​​EEG- og EMG-signaler til at genkende hård bremsning, blød bremsning og normale køreintentioner.

"Nøjagtigheden af ​​vores nye system til at genkende hård gøen, blød bremsning og normale køreintentioner nåede 96,37%," sagde undersøgelsesforfattere.

Forskningen blev offentliggjort i Cyborg and Bionic Systems . + Udforsk yderligere

Autonom kørsel – hænderne på rattet eller slet intet hjul