Der „göttliche Beistand' des Fahrers auf der Straße! BIT entwickelt ein hybrides Fahrassistenzsystem mit Gehirn-Computer-Schnittstelle zur Verbesserung der Fahrsicherheit

​Mit der Verbesserung des Lebensstandards der Menschen haben Autos Einzug in Tausende von Haushalten gehalten. Doch während Fahrzeuge den Reisekomfort erhöhen, sind Verkehrsunfälle auch zu einer großen Bedrohung für die Lebenssicherheit von Fahrern und Fußgängern geworden.

Laut unvollständigen Statistiken der Weltgesundheitsorganisation aus dem Jahr 2018 sind Verkehrsunfälle einer der wichtigsten Faktoren für Todesopfer und wirtschaftliche Verluste. Verkehrsunfälle verursachen jedes Jahr fast 1,35 Millionen Todesopfer und 20 bis 50 Millionen Verletzte. Fast 3 % des BIP werden jedes Jahr durch Verkehrsunfälle verschlungen.

Dabei ist Übermüdung beim Fahren nach Geschwindigkeitsüberschreitung ein wichtiger Faktor für Verkehrsunfälle. Daher ist Fahrsicherheit keine Kleinigkeit, auch wenn Sie ein „alter Autofahrer“ sind.

Basierend auf Fragen der Fahrsicherheit haben Assistenzprofessor Luo Longxi und Doktorand Ju Jiawei vom Team für intelligente Mensch-Maschine-Systeme von Professor Bi Luzheng von der School of Mechanical and Vehicle Engineering des Beijing Institute of Technology kürzlich ein intelligentes Fahren vorgeschlagen Assistenzsysteme (kurz IDAS), also synchronisierte sequentielle Hybrid-Brain-Computer-Interfaces (hBCIs), kombinieren Elektroenzephalographie- (EEG) und Elektromyographie-Signale (EMG), um die Brems- und normalen Fahrabsichten des Fahrers zu klassifizieren.

Um es einfach und grob auszudrücken: Dieses intelligente Assistenzsystem kann indirekt die Fahrzeugkontrolle beeinflussen, indem es Notfälle erkennt, auf die der Fahrer stoßen könnte. Es kann das Fahrzeug auch direkt steuern, nachdem ein Notfall erkannt wurde, und so die Fahrsicherheit effektiv verbessern.

Diese Forschung wurde in Form eines Artikels in der englischen Wissenschafts- und Technologiezeitschrift Cyborg and Bionic Systems veröffentlicht.

Hybride Gehirn-Computer-Schnittstelle – hBCI​

Derzeit umfassen die Eingabeinformationen von IDAS hauptsächlich Informationen zu Fahrzeugen und Umgebung, Verhalten und biologischen Signalen. Fahrzeug- und Umgebungsinformationen stammen hauptsächlich aus Fahrzeugparametern und Verkehrsinformationen. Einige IDAS müssen den Müdigkeitszustand des Fahrers erkennen, während andere Systeme auf der Erkennung des Fahrverhaltens und der Vorhersage der Fahrabsicht basieren.

Woher bekommt man also die relevanten Informationen über den Fahrer? Die Antwort erhält man durch die Überwachung der Aktivität der Füße, Gliedmaßen und Nerven des Fahrers.

Zu den Quellen biologischer Informationen gehören Elektroenzephalographie (EEG)-Signale und Elektromyographie (EMG)-Signale. Aufgrund des frühen Aufkommens von EEG-Signalen wurden auf EEG-Signalen basierende Gehirn-Computer-Schnittstellen (BCIs) in der Fahrverhaltensforschung eingesetzt. Obwohl diese EEG-Schnittstellen große Fortschritte bei der Erkennung von Bremsabsichten gemacht haben, ist ihre Erkennungsleistung aufgrund der Eigenschaften des EEG-Signals selbst nicht stabil. Als wirksame Lösung kann die hybride Gehirn-Computer-Schnittstelle (hBCI) die Mängel EEG-basierter BCIs wie geringe Stabilität, schlechte Leistung und unzureichende Zuverlässigkeit beheben.

Basierend auf der Art und Weise, wie Signale kombiniert werden, kann hbci in zwei Modi unterteilt werden: Fusionsstrategie auf Merkmalsebene (hBCI-FL) und Fusionsstrategie auf Klassifikatorebene (hbci-cl). Der erste Modus kombiniert zwei oder mehr EEG-Signale und der andere Modus kombiniert EEG mit anderen Signalen wie EMG-Signalen und EKG-Signalen.

Die Entwickler luden 13 Probanden im Alter von 24 bis 30 Jahren ein, an dem Experiment teilzunehmen. Durch die Erfassung von EEG-Signalen, EMG-Signalen und Fahrzeuginformationen während des simulierten Fahrens wurde die Erkennung der Absicht des Fahrers, stark zu bremsen, in virtuellen Fahrszenarien untersucht. Anschließend verwendeten sie das hBCI-Modell, das EEG-Signale, EMG-Signale und Fahrzeuginformationen kombiniert, um die bevorstehende Notbremsungsabsicht zu erkennen.

Drei Fahrabsichtsklassifizierungen

In dem Experiment verglich und analysierte das Forschungs- und Entwicklungsteam mehrere gleichzeitige und sequentielle hBCI-Modelle unter Verwendung von Spektralmerkmalen bzw. Zeitmerkmalen und einer VS-Ruhe- oder Entscheidungsbaum-Klassifizierungsstrategie bietet mehrere Klassifizierungen der drei Fahrabsichten.

Die Klassifizierungsstrategie „ein vs. Rest“ zerlegt die drei Kategorien in drei parallele binäre Klassifizierungen, darunter normales Fahren vs. andere, sanftes Bremsen vs. andere und starkes Bremsen vs. andere. Für die Ein-VS-Rest-Klassifizierungsstrategie wird das Endergebnis basierend auf dem Maximalwert aller beiden Klassifikatoren erhalten.

Experimentelle Ergebnisse zeigen, dass das hBCI-System des Forschungs- und Entwicklungsteams starke Bremsabsichten 130 m/s schneller erkennen kann als das Modell, das auf der Pedalauslenkung basiert. Der hBCI-SE1-Klassifizierungsalgorithmus und die Eins-zu-Eins-Klassifizierungsstrategie basierend auf Spektralmerkmalen weisen die höchste Klassifizierungsgenauigkeit auf, und die durchschnittliche Systemgenauigkeit beträgt 96,37 %. Schließlich wählte das Team hBCI optimaler Ordnung, hBCI optimaler Ordnung und Modelle aus, die auf elektrischen Signalen einzelner Gehirne oder elektromyographischen Signalen zum Vergleich basieren.

Die Ergebnisse zeigen, dass sowohl optimale Gleichzeitigkeit als auch sequentielles HBCI offensichtlich besser sind als Methoden basierend auf einzelnen EEG- oder EMG-Signalen. Die im Test erzielten Ergebnisse stimmten gut mit den Offline-Testergebnissen überein.

Diese Forschung hat einen gewissen Referenzwert für menschzentrierte intelligente Fahrassistenzsysteme zur Verbesserung der Fahrsicherheit und des Fahrkomforts. Allerdings weist das Projekt derzeit gewisse Einschränkungen auf. Beispielsweise gibt es verschiedene Reizfaktoren, die zu starkem und weichem Bremsen führen, die Auswirkungen von Subjektunterschieden, die Unannehmlichkeiten des Sammelgeräts usw. Als Nächstes wird das Team die oben genannten Einschränkungen lösen und eine effektivere Funktions- und Strategiefusion zur Verbesserung erforschen Leistung.

Diese Forschung wurde teilweise von der National Natural Science Foundation of China (51975052) und der Beijing Natural Science Foundation of China (3222021) finanziert.

Papieradresse:

https://downloads.spj.sciencemag.org/cbsystems/aip/9847652.pdf​#🎜🎜 #

Das obige ist der detaillierte Inhalt vonDer „göttliche Beistand' des Fahrers auf der Straße! BIT entwickelt ein hybrides Fahrassistenzsystem mit Gehirn-Computer-Schnittstelle zur Verbesserung der Fahrsicherheit. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!