Forskare från Beijing Institute of Technology föreslog hBCIs som innehåller EEG- och EMG-signaler. Kredit:Jiawei Ju et al.
En teknisk artikel från forskare vid Beijing Institute of Technology introducerade simultana och sekventiella hybridhjärn-datorgränssnitt (hBCI) som innehåller EEG- och EMG-signaler för att klassificera förares hårda bromsningar, mjuka bromsningar och normala köravsikter för att bättre hjälpa körningen.
"Arbetet är värdefullt för att utveckla mänskligt centrerade intelligenta assistentkörsystem för att förbättra körsäkerheten och körkomforten, och främja tillämpningen av BCIs," förklarade studieförfattarna Longxi Luo, en biträdande professor, och Jiawei Ju, en forskningsassistent, från institutet för mänskliga maskinsystem (IHMS) under ledning av Luzheng Bi, professor vid Beijing Institute of Technology.
Vägtrafikolyckor (RTA) har blivit en av de viktigaste faktorerna som orsakar olyckor och ekonomiska förluster. Trafikolyckor orsakar nästan 1,35 miljoner dödsfall och 20-50 miljoner skadade varje år. Nästan 3 % av Kinas BNP förbrukas till följd av trafikolyckor varje år för medicinska utgifter och förlust av personalens produktivitet. Dessutom, med den snabba takten inom vetenskap, teknik och ekonomisk utveckling, ökar fordonen på vägarna år för år, och RTA förutspås vara den femte faktorn som leder till döden 2030.
Ett intelligent förarassistanssystem (IDAS) kan indirekt påverka fordonskontrollen genom att meddela förare om möjliga nödsituationer eller direkt kontrollera fordon efter att ha upptäckt nödsituationer, vilket effektivt förbättrar förarnas körsäkerhet.
Vissa IDAS behöver detektera förares dåsiga tillstånd och distraktionstillstånd Andra IDAS är beroende av detektering av körbeteende och förutsägelse av köravsikter. Om en IDAS kan upptäcka förares hårda bromsavsikter i förväg, kan den direkt styra fordonen att ta hårda bromsningar.
I denna studie är bromsning ett specifikt beteende som saktar ner eller stoppar fordonet. Bromsningen kan delas in i hård bromsning och mjuk bromsning. Hård bromsning hänvisar till beteendet där föraren trycker på pedalen hårt för att snabbt minska fordonshastigheten inför en nödsituation under körning. Däremot hänvisar mjuk inbromsning till beteendet där förare trycker på pedalen mjukt för att långsamt minska fordonshastigheten.
Inmatningsinformationen för IDAS består huvudsakligen av fordons- och omgivningsrelaterad, beteenderelaterad och biologisk signalrelaterad information. Informationen om fordon och omgivande miljö kommer huvudsakligen från fordonsparametrar och trafikinformation. Förarbeteenderelaterad information kan erhållas huvudsakligen genom att övervaka förarens fötter, lemmar och huvuden. Biologisk information inkluderar elektroencefalografi (EEG) signaler och elektromyografi (EMG) signaler. Även om BCI:er baserade på EEM-signaler har gjort stora framsteg i detektering av bromsavsikter, är detekteringsprestandan inte stabil på grund av egenskaperna hos EEG-signaler.
Ett hybridhjärna-datorgränssnitt (hBCI) är ett effektivt schema som kan åtgärda bristerna hos EEG-baserade BCI:er, såsom låg stabilitet, dålig prestanda och otillräcklig tillförlitlighet.
Beroende på hur signalerna kombineras faller hBCI:erna i två lägen:en som kombinerar två eller flera typer av EEG-signaler, såsom ERD, ERS och P300, en annan kombinerar EEG och andra signaler, såsom EMG-signaler och EKG-signaler.
Befintliga metoder för detektering av bromsavsikter baserade på hBCI:er är dock utvecklade för att känna igen avsikten med hårda bromsningar från normal körning eller mjuka bromsavsikter. För att göra dessa detekteringsmetoder för hård inbromsning mer tillämpliga i realistiska körsituationer, föreslogs redan i vår tidigare studie en EEG-baserad detekteringsmetod för att särskilja hård bromsning, mjuk bromsning och normala körintentioner. Experimentella resultat antydde genomförbarheten av denna detektionsmetod. Prestandan för denna detekteringsmetod var dock inte bra. Den genomsnittliga noggrannheten för offlinetestning för de tre klasserna av körintentioner baserade på spektrala egenskaper var 70,93 %.
För att ta itu med detta problem, i detta dokument, siktar vi på att utveckla samtidiga och sekventiella hBCI:er baserade på EEG- och EMG-signaler för att känna igen hårda bromsningar, mjuka bromsningar och normala köravsikter. Bidraget från detta dokument är att det är det första arbetet som använder fusionen av EEG- och EMG-signaler för att känna igen hårda bromsningar, mjuka bromsningar och normala köravsikter.
"Noggrannheten hos vårt nya system när det gäller att känna igen hård skällande, mjuk inbromsning och normala köravsikter nådde 96,37 %", säger studieförfattare.
Forskningen publicerades i Cyborg and Bionic Systems . + Utforska vidare
