DOI: https://doi.org/10.1038/s41597-024-03222-2
PMID: https://pubmed.ncbi.nlm.nih.gov/38609440
تاريخ النشر: 2024-04-12
المؤلف: Xiaoming Tao وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تستكشف هذه الدراسة العلاقة بين الإشارات الفسيولوجية وسلوك القيادة من خلال تحليل بيانات متعددة الأنماط من 35 مشاركًا. تشمل البيانات الفسيولوجية التي تم جمعها 59 قناة EEG، وقناة واحدة ECG، و4 قنوات EMG، وقناة واحدة GSR، ومقاييس حركة العين، جميعها تم جمعها باستخدام جهاز محاكاة قيادة ذو ست درجات من الحرية. تم تصنيف سلوكيات القيادة إلى خمس فئات: القيادة السلسة، التسارع، التباطؤ، تغيير المسار، والانحناء. أكدت الأبحاث أن كل من البيانات الفسيولوجية وبيانات المركبة استوفت المعايير اللازمة للتحليل.
لاستكشاف العلاقة بين الإشارات الفسيولوجية وسلوكيات القيادة، استخدمت الدراسة نماذج تصنيف متنوعة، بما في ذلك تحليل التمييز الخطي (LDA)، MMPNet، وEEGNet. نتيجة مهمة من هذا البحث هي تقديم مجموعة البيانات الفسيولوجية متعددة الأنماط لتحليل سلوك القيادة (MPDB)، والتي توفر موردًا شاملاً ودقيقًا للبحوث المستقبلية في القيادة الذاتية وعلم نفس المرور. تقدم مجموعة البيانات هذه نطاقًا وتعددًا في الأنماط يفتح آفاقًا جديدة لتعزيز الفهم في هذه المجالات.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور المهم لسلوك السائق في حوادث المرور، حيث تشير دراسة أسباب حوادث المركبات الوطنية إلى أن 94% من الحوادث تنجم عن تصرفات غير مناسبة من السائقين. تساهم الفروق الفردية في أنماط القيادة، المتأثرة بعوامل مثل العمر والجنس، في اختلاف التصورات حول المخاطر والمواقف الخطرة. يؤكد المؤلفون على ضرورة استكشاف الجوانب المعرفية لسلوك القيادة، داعين إلى دمج الإشارات الفسيولوجية لفهم أفضل لعمليات اتخاذ القرار أثناء القيادة. يجادلون بأن مجموعات البيانات الحالية تركز بشكل أساسي على ديناميات المركبة، مما لا يلتقط بشكل كافٍ تعقيدات سلوك السائق، خاصة في التمييز بين الأخطاء التشغيلية ومشاكل أداء المركبة.
تقترح الورقة تطوير مجموعة بيانات للإشارات الفسيولوجية متعددة الأنماط التي تربط الاستجابات الفسيولوجية، مثل EEG وECG وEMG، بسلوك القيادة. تهدف هذه المجموعة إلى تقديم رؤى حول الحالات الداخلية العابرة مثل التشتت والإحباط، والتي غالبًا ما تكون صعبة القياس. يحدد المؤلفون تصميمهم التجريبي، الذي يستخدم نموذج التزامن/عدم التزامن المرتبط بالحدث (ERD/ERS) لتحليل استجابات السائقين في بيئة قيادة محاكية تشبه الظروف الواقعية. من خلال استخدام تقنيات ومنهجيات متقدمة، تسعى الدراسة إلى تعزيز فهم الإدراك السائق وتحسين واجهات التفاعل بين الإنسان والمركبة، مما يساهم في النهاية في ممارسات قيادة أكثر أمانًا.
طرق
يصف قسم الطرق إعداد التجربة وتصميمها المستخدمين للتحقيق في سلوكيات القيادة من خلال جهاز محاكاة القيادة. يتميز جهاز المحاكاة بمنصة حركة ذات ست درجات من الحرية قادرة على محاكاة ظروف القيادة الواقعية، مع مواصفات تشمل أقصى مدى للترجمة يبلغ 400 مم وسعة دوران تبلغ ±23°. يتم تعزيز بيئة القيادة بواسطة ستارة دائرية تعرض مقطع طريق محاكى بطول 11 كم من بكين، مع تضمين أنواع وظروف طرق متنوعة. يشارك المشاركون في مهام القيادة بينما يتم تسجيل استجاباتهم الفسيولوجية باستخدام مستشعرات متعددة، مما يضمن التزامن مع أحداث القيادة.
يستخدم النموذج التجريبي نهج استجابة سلوكية مرتبطة بالحدث، مصنفًا سلوكيات القيادة إلى خمسة أنواع: القيادة السلسة (التحكم)، التسارع، التباطؤ، تغيير المسار، والانحناء. يتم تفعيل كل سلوك بواسطة أحداث محددة، مثل التجاوز أو العقبات المفاجئة، بهدف التقاط بيانات فسيولوجية متعددة الأنماط خلال هذه الأفعال. يكمل المشاركون ثمانية مجموعات تجريبية، مع فترة زمنية منظمة تتراوح بين 5-15 ثانية بين الأحداث لتجنب التعب. تستمر المهمة الكاملة للقيادة حوالي 90 دقيقة، يتم خلالها تسجيل البيانات الفسيولوجية وعمليات القيادة بدقة للتحليل اللاحق.
مناقشة
شملت الدراسة، التي وافقت عليها لجنة الأخلاقيات الطبية بجامعة تسينغوا، 35 مشاركًا (متوسط العمر 25.06 سنة) أكملوا سلسلة من مهام القيادة المرتبطة بالحدث. كان مطلوبًا من المشاركين أن يكون لديهم رخصة قيادة سارية، وسنة واحدة على الأقل من خبرة القيادة، والالتزام بشروط معينة قبل التجربة لضمان سلامة إشارات EEG. شمل التصميم التجريبي خمسة أنواع من سلوكيات القيادة: القيادة السلسة، التسارع (التجاوز وتخفيف الازدحام)، التباطؤ (الكبح الطارئ، الاقتحامات الجانبية، وعبور المشاة)، تغيير المسارات، والانحناء (يسارًا ويمينًا). تم ربط كل سلوك بعلامات أحداث محددة، وتم تسجيل البيانات الفسيولوجية بشكل متزامن باستخدام أنظمة متنوعة، بما في ذلك EEG وECG وEMG وGSR وتقنيات تتبع العين.
تم تحقيق تزامن البيانات من خلال صندوق تحفيز متخصص، مما يضمن توافق الإشارات الفسيولوجية مع سلوكيات القيادة. تم جمع إشارات EEG باستخدام قبعة تحتوي على 64 قطبًا، بينما تم تسجيل EMG وGSR وECG من مجموعات العضلات ذات الصلة وأقطاب الجلد. تتضمن مجموعة البيانات، المتاحة للجمهور، بيانات فسيولوجية خام ومعالجة مسبقًا، مع عمليات تحقق تؤكد موثوقية طرق جمع البيانات والعلاقة بين الإشارات الفسيولوجية وسلوكيات القيادة. أظهرت التحليلات الإحصائية علاقات مهمة بين كثافات الطاقة الطيفية لـ EEG وسلوكيات القيادة، مما يشير إلى أن الاستجابات الفسيولوجية تختلف عبر سيناريوهات القيادة المختلفة. بشكل عام، تؤكد النتائج على إمكانيات مجموعة البيانات لمزيد من البحث في الجوانب الفسيولوجية لسلوك القيادة.
DOI: https://doi.org/10.1038/s41597-024-03222-2
PMID: https://pubmed.ncbi.nlm.nih.gov/38609440
Publication Date: 2024-04-12
Author(s): Xiaoming Tao et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This study investigates the relationship between physiological signals and driving behavior by analyzing multimodal data from 35 participants. The physiological data collected included 59-channel EEG, single-channel ECG, 4-channel EMG, single-channel GSR, and eye movement metrics, all gathered using a six-degree-of-freedom driving simulator. Driving behaviors were classified into five categories: smooth driving, acceleration, deceleration, lane changing, and turning. The research confirmed that both physiological and vehicle data met the necessary criteria for analysis.
To explore the correlation between physiological signals and driving behaviors, the study employed various classification models, including linear discriminant analysis (LDA), MMPNet, and EEGNet. A significant outcome of this research is the introduction of the Multimodal Physiological Dataset for Analyzing Driving Behavior (MPDB), which offers a comprehensive and accurate resource for future research in autonomous driving and traffic psychology. The dataset’s scale and multimodality present new opportunities for advancing understanding in these fields.
Introduction
The introduction of this research paper highlights the significant role of driver behavior in traffic accidents, with the National Motor Vehicle Crash Causation Survey indicating that 94% of crashes stem from inappropriate driver actions. Individual differences in driving styles, influenced by factors such as age and gender, contribute to varying perceptions of risk and hazardous situations. The authors emphasize the necessity for further exploration into the cognitive aspects of driving behavior, advocating for the integration of physiological signals to better understand decision-making processes during driving. They argue that existing datasets primarily focus on vehicle dynamics, which inadequately capture the complexities of driver behavior, particularly in distinguishing between operational errors and vehicle performance issues.
The paper proposes the development of a multimodal physiological signal dataset that maps physiological responses, such as EEG, ECG, and EMG, to driving behavior. This dataset aims to provide insights into transient internal states like distraction and frustration, which are often difficult to quantify. The authors outline their experimental design, which employs an Event-Related Desynchronization/Synchronization (ERD/ERS) paradigm to analyze driver responses in a simulated driving environment that closely mimics real-world conditions. By utilizing advanced technologies and methodologies, the research seeks to enhance understanding of driver cognition and improve vehicle-human interaction interfaces, ultimately contributing to safer driving practices.
Methods
The methods section describes the experimental setup and design used to investigate driving behaviors through a driving simulator. The simulator features a six-degree-of-freedom motion platform capable of simulating realistic driving conditions, with specifications including a maximum translation stroke of 400 mm and rotation amplitude of ±23°. The driving environment is enhanced by a circular curtain displaying a simulated 11 km road segment from Beijing, incorporating various road types and conditions. Participants engage in driving tasks while their physiological responses are recorded using multiple sensors, ensuring synchronization with driving events.
The experimental paradigm employs an event-related behavior response approach, categorizing driving behaviors into five types: smooth driving (control), acceleration, deceleration, lane-changing, and turning. Each behavior is triggered by specific events, such as overtaking or sudden obstacles, with the aim of capturing multimodal physiological data during these actions. Participants complete eight experimental groups, with a structured time interval of 5-15 seconds between events to prevent fatigue. The entire driving task lasts approximately 90 minutes, during which physiological data and driving operations are meticulously recorded for subsequent analysis.
Discussion
The study, approved by the Medical Ethics Committee of Tsinghua University, involved 35 participants (average age 25.06 years) who completed a series of event-related driving tasks. Participants were required to have a valid driving license, a minimum of one year of driving experience, and to adhere to specific pre-experimental conditions to ensure the integrity of EEG signals. The experimental design included five types of driving behaviors: smooth driving, acceleration (overtaking and congestion relief), deceleration (emergency braking, side cut-ins, and pedestrian crossings), lane changes, and turning (left and right). Each behavior was associated with specific event markers, and physiological data were recorded synchronously using various systems, including EEG, ECG, EMG, GSR, and eye-tracking technologies.
Data synchronization was achieved through a specialized trigger box, ensuring that physiological signals were aligned with driving behaviors. The EEG signals were collected using a 64-electrode cap, while EMG, GSR, and ECG were recorded from relevant muscle groups and skin electrodes. The dataset, publicly accessible, includes raw and preprocessed physiological data, with validation processes confirming the reliability of the data collection methods and the correlation between physiological signals and driving behaviors. Statistical analyses demonstrated significant relationships between EEG power spectral densities and driving behaviors, indicating that physiological responses varied across different driving scenarios. Overall, the findings underscore the dataset’s potential for further research into the physiological aspects of driving behavior.