所有传感器的位置。EEG帽、EMG电极、GSR电极、ECG电极和眼动仪放置在如图所示的位置
研究者将驾驶行为分成五类，设计了分类模型来证明生理数据和驾驶行为之间的相关性，他们展示了用于分析驾驶行为的多模态生理数据集（MPDB），为交通心理和行为的研究人员提供了机会。
研究背景
根据全国机动车碰撞因果关系调查，94% 的交通事故与驾驶员的不当行为有关。以往的研究主要集中在驾驶状态对事故的影响上，探索疲劳和分心等领域，然而，在理解驾驶行为中人的反应和决策的直接影响方面仍存在空白。
驾驶员行为研究对自车辆传感器、摄像头和智能手机的数据可靠性有很高的要求，这些数据在体现微小动作时可能存在不准确性、噪声和局限性。而生理数据，如EEG和ECG，已被用于研究驾驶员的状态，但缺乏将这些信号直接映射到实时场景中的驾驶员行为的数据集。本文通过引入一个新的数据集来解决这些差距，该数据集直接将多模态生理信号映射到复杂驾驶任务中的驾驶员行为。
该数据集包括在六自由度驾驶模拟器上执行驾驶任务期间收集的EEG、ECG、EMG和眼球跟踪的高分辨率数据。通过将生理信号与外显驾驶行为相结合，本研究提供了对驾驶员认知功能的见解，并提供了对人类驾驶决策过程的更全面的理解。该数据集为交通心理学、驾驶行为研究的进步铺平了道路，并为提高道路安全开发了更有效的模型。
事件相关驾驶任务的
多模态生理数据采集方法
研究者通过对35名志愿者进行的与事件相关的综合驾驶实验，专注于了解人类的驾驶行为。所有参与者均为清华大学学生或教职员工，年龄介于20至60岁，平均年龄为25岁，至少有一年驾驶经验。
在实验之前，所有参与者都必须有足够的休息，避免药物的摄入，并完成预测试，以确保他们理解任务并对实验设置熟悉。实验环境包括一个六自由度运动驾驶模拟器和一个圆形幕布，模拟器能够平移和旋转，让参与者真实地体验各种驾驶场景，模拟器配备了真实的汽车方向盘、伺服电机和运动控制系统，以获得更真实的驾驶体验。
道路场景从北京顺柏路附近的实际道路复制了一条 11 公里的路线，具有急转弯、城市道路和多车道等多种元素。对五个驾驶事件进行了建模：平稳驾驶（控制）、加速、减速、变道和转弯。每种驾驶行为都是由特定事件触发的，例如超车、突然变道、人行横道和静态障碍物。参与者被要求在保持正常驾驶条件的同时对这些事件做出反应。所有事件都进行了标记，以便进行精确的数据分析。
在驾驶任务中，使用Neuracle和Tobii的数据采集系统同步收集各种生理信号，包括脑电图、心电图、肌电图、GSR和眼动追踪数据。使用 64 个电极帽收集脑电图数据，而使用参与者胸部的电极记录心电图信号。肌电图数据是从参与驾驶的特定肌肉中获取的，并使用手指上的电极测量GSR信号。
眼动追踪数据为驾驶过程中的凝视模式和瞳孔扩张提供了宝贵的见解。这些不同的生理信号与参与者对驾驶事件的反应相结合，可以全面了解人类驾驶员的行为，为未来的交通心理学和行为建模研究提供强大的数据集。
驾驶行为评价中的数据存储与分析
MPDB数据集提供了数据存储和组织详细信息，包括原始和预处理数据以及Figshare上可用的眼动追踪数据。原始数据集包含来自35名受试者的生理数据，每人驾驶两小时，并按文件夹组织，进一步分为不同的驾驶行为，如减速、加速、转弯和变道。用户可以根据自己的需要对原始数据进行框架和预处理。
在预处理后的数据集中，每个受试者的生理数据样本被合并到一个单一的文件中，包括五种类型的行为。将采集到的原始数据按受试者编号进行组织，将采集到的EEG和ECG数据分开，通过同一无线传输装置进行传输。技术验证包括评估生理数据的质量、车辆参数以及生理数据和驾驶行为之间的相关性。验证过程包括生理变量和车辆参数的质量检查，以及两者之间的相关分析。
生理结构分析涉及检查驾驶行为的EEG时频域特征，包括使用短时傅立叶变换。统计特性验证包括分析EEG数据的统计特性，如功率谱密度。数据集还包括EMG，ECG和GSR信号，这是预处理与带通滤波和噪声去除。每个信号类型的波形提出了不同的主题和渠道，表现出正常的周期性峰值在ECG和皮肤电导率的变化在GSR。
生理活动和驾驶行为之间的相关性分析，说明与热图显示的5个驾驶行为与生理信号的相关性。眼动跟踪变量验证检查受试者在驾驶过程中的凝视模式，散点图显示引起事件的主要对象上的浓度。该数据集的驾驶环境旨在模拟实际车辆状况，配备可调节座椅、方向盘和其他车辆组件。
质量控制 措施包括使用通用串行总线（ USB ）端口将事件标签与生理数据同步。记录车辆参数，如速度，加速度和齿轮位置，每个受试者遵循相同的路线和事件触发器，确保数据的一致性。使用生理数据和车辆参数的分类任务，旨在确定相似的样本之间的相关性和不同的样本之间的差异。
结论
MPDB的全面验证和分析证明了其通过生理数据评估驾驶行为的可靠性和有效性。从脑电图到肌电图和心电图，每一种方式都经过严格的验证，确保高质量的记录，生物信号和驾驶行为之间的相关性分析证实了它们之间的关系，进一步细化了分类模型，利用多模态数据提高分类精度，强调数据集的鲁棒性。
来源：本文来源于“AZO-AI”，仅用于学术资讯分享，如有侵权请联系管理员删除。
原文链接：wwwazoaicom/news/20240422/The-MPDB-Dataset-Exploring-Driving-Behavior-with-Multimodal-Physiological-Data.aspx
