Новый прорыв в интеллектуальном вождении — обзор применения определения статуса и поведения водителя на основе ЭЭГ в интеллектуальных автомобильных системах
Новый прорыв в интеллектуальном вождении — обзор применения определения статуса и поведения водителя на основе ЭЭГ в интеллектуальных автомобильных системах

С быстрым развитием технологий интеллектуальное вождение, особенно беспилотное, постепенно стало реальностью. В целях дальнейшего повышения безопасности дорожного движения и снижения количества дорожно-транспортных происшествий технология определения статуса и поведения водителя на основе электроэнцефалографии (ЭЭГ) становится горячей точкой исследований в области передового интеллектуального вождения. Поскольку нынешняя система автономного вождения еще не полностью достигла уровня автономного вождения L5, определенного SAE International, участие водителя по-прежнему требуется в чрезвычайных ситуациях, поэтому соответствующая технология взаимодействия человека с компьютером по-прежнему необходима.

на базе транспортного Прямому анализу такой информации, как средства, окружающая среда и поведение водителя, уделялось полное внимание в предыдущих исследованиях статуса водителя и анализа поведения.,Но есть еще некоторые проблемы. Биологические сигналы являются наиболее прямыми и ранними измеримыми сигналами человеческого тела.,Он может эффективно компенсировать неуправляемость окружающей среды как источника сигнала и задержку, вызванную поведенческими сигналами.,Если технологию взаимодействия человека с компьютером можно использовать для обработки биологических сигналов для определения поведенческих намерений или статуса водителя, биологические сигналы можно использовать для непосредственного управления транспортным средством или для определения статуса водителя, помогая водителю выполнять эффективные действия или статус вождения в экстренных ситуациях. своевременные корректировки, тем самым снижая количество дорожно-транспортных происшествий.。в частности,Электроэнцефалография (ЭЭГ) как неинвазивный метод обнаружения нейрофизиологических сигналов с высоким временным разрешением.,Это открывает новые возможности для разработки интеллектуальной системы помощи при вождении (IADS).

Недавно,Шанхайский центр исследований мозга и исследований мозга и исследователи из Северо-Западного политехнического университета,О применении мониторинга состояния ЭЭГ водителя и анализа поведения при умном вождении в последние годы,Всемирно известные журналы в этой областиIEEE Transactions on Biometrics, Behavior, and Identity Scienceвыше“A Survey of EEG-Based Driver State and Behavior Detection for Intelligent Vehicles”Опубликовал большой обзор на эту тему.бумага。Шанхайский центр исследований мозга и исследований мозга Цзюй Доцент Цзявэй — первый автор этой статьи, Школа программного обеспечения Северо-Западного политехнического университета Ли Доцент Хунци является автором-корреспондентом данной статьи.

Как показано на рисунке 1, интеллектуальная система помощи при вождении для определения состояния и поведения водителя состоит из трех частей: сигнала обнаружения, цели обнаружения и интеллектуального транспортного средства. Сигналы обнаружения обычно включают в себя биологические сигналы (сигналы ЭЭГ, сигналы ЭМГ, сигналы ЭКГ и т. д.), информацию о водителе (положение головы водителя, положение рук, положение ног и т. д.), информацию о транспортном средстве (скорость автомобиля, угол рулевого колеса и т. д.). ) ), экологическая информация (информация о дорожном движении, информация о наличии препятствий и т. д.). Для обнаружения сигналов исследователи обычно используют сигналы ЭЭГ для создания соответствующих модулей интерфейса мозг-компьютер и объединяют сигналы ЭЭГ с другими сигналами для создания соответствующих гибридных модулей интерфейса мозг-компьютер. Цели обнаружения включают три категории: статус водителя, поведение водителя и сочетание статуса и поведения водителя. Среди них состояние водителя обычно включает усталость, отвлечение внимания, эмоции и т.д., а поведение водителя включает поведение при боковом вождении, поведение при продольном вождении и комбинацию поведения при боковом и вертикальном вождении.

Рисунок 1. Интеллектуальная система помощи при вождении.

Сосредоточение внимания на вышеупомянутой интеллектуальной системе помощи при вождении на основе системы обнаружения статуса и поведения водителя.,Анализируя электрическую активность мозга водителя,Возможность отслеживать свою усталость, отвлеченность или эмоциональное состояние в режиме реального времени.,Предусмотрите потенциальные риски вождения. Благодаря передовым методам обработки сигналов,Включая сбор сигналов, предварительную обработку, улучшение характеристик, вычисление характеристик, выбор характеристик, классификацию и этапы процесса постобработки.,Технология ЭЭГ может точно фиксировать изменения в сигналах мозга водителя,Обеспечить научную и надежную гарантию безопасности для интеллектуальных транспортных средств. также,В системе интеллектуальной помощи при вождении,Применение технологии ЭЭГ не ограничивается мониторингом состояния.,Он также может определить намерения водителя,Такие действия, как смена полосы движения, рулевое управление, ускорение или торможение. Это обеспечивает мощную техническую поддержку для реализации активного контроля безопасности транспортных средств и улучшения впечатлений от вождения. поэтому,Этот обзор предназначен дляМетод обработки сигналов для интеллектуальной системы помощи при вождении на основе сигналов ЭЭГИнтеллектуальная система помощи при вождении, основанная на статусе водителяИнтеллектуальная система помощи при вождении, основанная на поведении водителяИнтеллектуальная система помощи при вождении, основанная на сочетании статуса и поведения водителя.провел комплексный анализ、Обсуждение и резюме。

Как показано на рисунке 2, методы обработки поведения и статуса водителя на основе сигналов ЭЭГ включают методы сбора данных, предварительную обработку, усиление сигнала, вычисление признаков, выбор признаков, классификацию и методы постобработки. Пожалуйста, смотрите ТАБЛИЦУ Ⅰ для получения подробной информации о наиболее часто используемых в настоящее время методах обработки.

Рис. 2. Схема обработки сигналов системы определения статуса и поведения водителя на основе сигналов ЭЭГ.

Что касается интеллектуальной системы помощи при вождении, основанной на состоянии водителя, в ТАБЛИЦЕ II представлено применение интерфейса «мозг-компьютер» для определения состояния водителя, включая обнаружение усталости, отвлечения внимания и эмоций соответственно. В документе подробно обобщаются системы мозга, на которых сосредоточено внимание. существующие классические исследования частотных диапазонов электрических сигналов и используемые модели классификации. Мало того, что, несмотря на проблемы практического применения, такие как интерференция сигналов, индивидуальные различия, адаптация к окружающей среде и т. д., исследователи работают над разработкой более эффективных и стабильных алгоритмов обработки сигналов ЭЭГ, а также изучают гибридные интерфейсы мозг-компьютер. (BCI) повышает надежность и точность системы за счет объединения нескольких биологических сигналов. Стратегия объединения включает в себя объединение на уровне данных, объединение на уровне функций, объединение на уровне классификатора и объединение на уровне решений (см. В ТАБЛИЦЕ 3 показано применение гибридного интерфейса «мозг-компьютер» для определения статуса водителя).

существоватьИнтеллектуальная система помощи при вождении, основанная на поведении водителячасть,TABLE IV представляет применение интерфейса «мозг-компьютер» для обнаружения поведения водителя, включая горизонтальное вождение (смена полосы движения, поворот налево, поворот направо), вертикальное вождение (торможение, ускорение, замедление, ровная скорость), обнаружение комбинации горизонтального и вертикального вождения. В обзоре анализируются диапазоны частот сигналов ЭЭГ, на которых сосредоточены существующие классические исследования, и используемые модели классификации.

наконец,существоватьИнтеллектуальная система помощи при вождении, основанная на сочетании поведения водителя и статуса.часть,TABLE Ⅴ представляет применение гибридного интерфейса «мозг-компьютер» для комбинированного определения состояния и поведения водителя, а также суммирует диапазоны частот сигналов ЭЭГ, смешанные сигналы, стратегии объединения и модели классификации, используемые в существующих классических исследованиях.

существовать这ГлавабумагаизОбсуждение и резюмечасть,Авторы представляют проблемы, с которыми сталкивается применение технологии определения статуса и поведения водителя на основе ЭЭГ в системе интеллектуальных транспортных средств.,Предлагаются возможные решения и направления будущих исследований. Конкретно,Текущие исследования интеллектуального вождения на основе ЭЭГ,Существуют следующие проблемы: 1) Сбор данных: существующее беспроводное оборудование для сбора ЭЭГ имеет трудности с синхронным сбором сигналов ЭЭГ и других сигналов (таких как ЭМГ, ЭОГ).,Это ограничение для разработки смешанной системы BCI. 2) Обработка артефактов: хотя в исследовании использовалось несколько методов;,Однако артефакты (такие как движения глаз и электромиографические артефакты) в сигналах ЭЭГ по-прежнему трудно полностью устранить. 3) Выбор характеристик и конструкция классификатора: линейные и нелинейные классификаторы, использованные в текущем исследовании, не соответствовали ожидаемым требованиям;,Отсутствие функций, которые объединяют информацию во временной, частотной и пространственной областях.,И классификаторы, которые могут обрабатывать линейные и нелинейные ситуации. 4) производительность и надежность: BCI имеет недостатки в производительности и устойчивости при определении состояния или поведения драйвера;,В частности, нестабильность качества сигнала ЭЭГ влияет на точность идентификации состояний. 5) Межиндивидуальное обнаружение: точность перекрестного индивидуального обнаружения низкая;,Для повышения стабильности и универсальности обнаружения BCI необходимо изучить более стабильную и общую информацию. 6) Применение гибридного BCI: использование одного датчика для сбора двух или более сигналов по своей сути является сложной задачей;,И увеличивает вычислительные затраты. 7) Применение в режиме реального времени: существующие исследования не в состоянии полностью учитывать разнообразие реальных ситуаций;,如不同驾驶行为из细微差别、виртуальный и реальностьсредаиз差异等。

В ответ на вышеуказанные проблемы авторы предложили следующие возможные потенциальные решения: 1) Для улучшения соответствующих популярных методов IADS на основе ЭЭГ может потребоваться разработка портативных устройств, которые могут одновременно собирать сигналы ЭЭГ и другие сигналы; и изучить новые методы анализа его пространственно-временных характеристик. 2) Улучшения аппаратного и программного обеспечения: улучшить производительность оборудования для сбора данных и выбрать более полезную предварительную обработку; методы, а также сочетание линейных и нелинейных классификаторов для повышения производительности и надежности системы. 3) Учитывать индивидуальные различия: будущие исследования должны дополнительно изучить индивидуальные различия и адаптивность, а также влияние различных состояний вождения или уровней поведения на систему; 4) Экспериментальная среда: будущие исследования необходимо проводить в условиях, максимально приближенных к реальным условиям вождения, чтобы обеспечить практичность и достоверность результатов исследования. Кроме того, автор также предполагает, что будущие исследования должны начинаться с более реалистичного сценария и отраслевой точки зрения, принимая во внимание такие факторы, как различные условия эксплуатации транспортных средств, системы мониторинга вождения, интерфейсы взаимодействия человека с транспортным средством и анализ поведения вождения.

Ожидается, что в будущем, по мере развития и совершенствования технологий, интеллектуальные системы помощи при вождении на основе ЭЭГ будут широко использоваться в автомобильной промышленности, чтобы обеспечить водителям более безопасную и интеллектуальную среду вождения. Мы надеемся, что эта технология внесет больший вклад в сокращение дорожно-транспортных происшествий и улучшение качества жизни людей.

Статья поддержана Программой фундаментальных исследований естественных наук провинции Шэньси (2024JC-YBQN-0659), Объединенным фондом фундаментальных и прикладных фундаментальных исследований провинции Гуандун (2022A1515110252), Программой фундаментальных исследований Тайцан (TC2023JC16) и другими проектами. Контактная информация автора: lihongqi@nwpu.edu.cn.

Знакомство с автором статьи

Цзюй Цзявэй,доктор философии,Шанхайский центр исследований мозга и исследований мозга副研究员。2022年существовать北京理工大学获得机械工程доктор философии Бакалавр,Член Института электротехники и электроники. Сейчас сосредоточен на исследованиях мозгового компьютерного интерфейса, взаимодействия человека и компьютера, интеллектуальной системы человек-компьютер и нейробиологии.,实现了基В脑电与肌电信号из驾驶员刹车意图智能辅助системаиз构建。Опубликовано как первый автор за последние пять лет7ГлаваSCIВIEEE Transactions on Biometrics, Behavior, and Identity Science、International Agricultural Engineering Journal、Biomedical Signal Processing and Control、Cyborg and Bionic Systems、Brain-Xи другие журналы,Подать заявку на 2 патента на изобретения,взять на себя ответственностьIEEE Transactions on Intelligent Transportation Systems、JOURNAL OF THE FRANKLIN INSTITUTE-ENGINEERING AND APPLIED MATHEMATICSи другие журналы审稿人。

Ли Хунци,доктор философии,Доцент и главный преподаватель факультета программного обеспечения Северо-Западного политехнического университета,Его исследовательские интересы в основном связаны с разведывательным взаимодействием. человека и компьютера、Интеллект, управляемый мозгомсистема、неинвазивныймозговой компьютерный интерфейс、Сбор и обработка сигналов、глубокое обучение、система Моделирование и моделирование、Расширенная теория управления и т. д.。Первое место за последние пять лет/通讯作者существовать国际权威期刊IEEE Transactions on Cybernetics、IEEE Transactions on Intelligent Transportation Systems、IEEE Transactions on Instrumentation & Measurement、IEEE Transactions on Neural Systems and Rehabilitation Engineering、IEEE Transactions on Biometrics, Behavior, and Identity ScienceОжидание публикациибумага多Глава。В настоящее время отвечает за естественные науки провинции Шэньси.База Исследовательская программа Молодежный проект、Проект совместного фонда «База и прикладная база провинции Гуандун»、Общий проект исследовательского плана базы города Тайканг、Исследования и другие проекты по реформе школьного образования и преподавания,Принимал участие в крупном проекте Министерства науки и технологий «Инновации в области науки и технологий 2030» - «Искусственный интеллект нового поколения», Национальном фонде естественных наук Китая и многих других крупных проектах.,Выиграл награду за выдающиеся достижения на первом Национальном конкурсе интеллектуальных технологий ABB Cup.

—— End ——

boy illustration
Неразрушающее увеличение изображений одним щелчком мыши, чтобы сделать их более четкими артефактами искусственного интеллекта, включая руководства по установке и использованию.
boy illustration
Копикодер: этот инструмент отлично работает с Cursor, Bolt и V0! Предоставьте более качественные подсказки для разработки интерфейса (создание навигационного веб-сайта с использованием искусственного интеллекта).
boy illustration
Новый бесплатный RooCline превосходит Cline v3.1? ! Быстрее, умнее и лучше вилка Cline! (Независимое программирование AI, порог 0)
boy illustration
Разработав более 10 проектов с помощью Cursor, я собрал 10 примеров и 60 подсказок.
boy illustration
Я потратил 72 часа на изучение курсорных агентов, и вот неоспоримые факты, которыми я должен поделиться!
boy illustration
Идеальная интеграция Cursor и DeepSeek API
boy illustration
DeepSeek V3 снижает затраты на обучение больших моделей
boy illustration
Артефакт, увеличивающий количество очков: на основе улучшения характеристик препятствия малым целям Yolov8 (SEAM, MultiSEAM).
boy illustration
DeepSeek V3 раскручивался уже три дня. Сегодня я попробовал самопровозглашенную модель «ChatGPT».
boy illustration
Open Devin — инженер-программист искусственного интеллекта с открытым исходным кодом, который меньше программирует и больше создает.
boy illustration
Эксклюзивное оригинальное улучшение YOLOv8: собственная разработка SPPF | SPPF сочетается с воспринимаемой большой сверткой ядра UniRepLK, а свертка с большим ядром + без расширения улучшает восприимчивое поле
boy illustration
Популярное и подробное объяснение DeepSeek-V3: от его появления до преимуществ и сравнения с GPT-4o.
boy illustration
9 основных словесных инструкций по доработке академических работ с помощью ChatGPT, эффективных и практичных, которые стоит собрать
boy illustration
Вызовите deepseek в vscode для реализации программирования с помощью искусственного интеллекта.
boy illustration
Познакомьтесь с принципами сверточных нейронных сетей (CNN) в одной статье (суперподробно)
boy illustration
50,3 тыс. звезд! Immich: автономное решение для резервного копирования фотографий и видео, которое экономит деньги и избавляет от беспокойства.
boy illustration
Cloud Native|Практика: установка Dashbaord для K8s, графика неплохая
boy illustration
Краткий обзор статьи — использование синтетических данных при обучении больших моделей и оптимизации производительности
boy illustration
MiniPerplx: новая поисковая система искусственного интеллекта с открытым исходным кодом, спонсируемая xAI и Vercel.
boy illustration
Конструкция сервиса Synology Drive сочетает проникновение в интрасеть и синхронизацию папок заметок Obsidian в облаке.
boy illustration
Центр конфигурации————Накос
boy illustration
Начинаем с нуля при разработке в облаке Copilot: начать разработку с минимальным использованием кода стало проще
boy illustration
[Серия Docker] Docker создает мультиплатформенные образы: практика архитектуры Arm64
boy illustration
Обновление новых возможностей coze | Я использовал coze для создания апплета помощника по исправлению домашних заданий по математике
boy illustration
Советы по развертыванию Nginx: практическое создание статических веб-сайтов на облачных серверах
boy illustration
Feiniu fnos использует Docker для развертывания личного блокнота Notepad
boy illustration
Сверточная нейронная сеть VGG реализует классификацию изображений Cifar10 — практический опыт Pytorch
boy illustration
Начало работы с EdgeonePages — новым недорогим решением для хостинга веб-сайтов
boy illustration
[Зона легкого облачного игрового сервера] Управление игровыми архивами
boy illustration
Развертывание SpringCloud-проекта на базе Docker и Docker-Compose