[論文レビュー] Detecting driver distraction using stimuli-response EEG analysis

Garima Bajwa, Mohamed Fazeen+1 more|arXiv (Cornell University)|Apr 19, 2019

EEG and Brain-Computer Interfaces参考文献 43被引用数 6

ひとこと要約

本研究では、走行中の運転状況で刺激-反応脳波パターンを分析することにより、1つのドライ電極（FC5）を用いたリアルタイムでモバイル対応のEEGベースのシステムを提案し、運転中の注意散漫を検出する。自然走行走行条件下で収集した生EEG信号を機械学習で処理し、注意散漫イベントの検出で91.54%の正確さ、5種類の注意散漫タイプ（読書、テキスト入力、通話、スマートフォンカメラ使用）の区別で76.99%の正確さを達成した。

ABSTRACT

Detecting driver distraction is a significant concern for future intelligent transportation systems. We present a new approach for identifying distracted driving behavior by evaluating a stimulus and response interaction with the brain signals in two ways. First, measuring the driver response through EEG by creating various types of distraction stimuli such as reading, texting, calling and using phone camera (risk odds ratio of these activities determined by NHTSA study). Second, using a survey, comparing driver's order/perception of severity of distraction with the derived distraction index from EEG bands. A 14 electrodes headset was used to record the brain signals while driving in the pilot study with two subjects and a single dry electrode headset with 13 subjects in the main study. We used a naturalistic driving study as opposed to a virtual reality driving simulator to perform the distracted driving maneuvers, consisting of over 100 short duration trials (three to five seconds) for a subject. We overcame a big challenge in EEG analysis - reducing the number of electrodes by isolating one electrode (FC5) from 14 electrode locations to identify certain distractions. Our machine learning methods achieved a mean accuracy (averaged over the subjects and tasks) of 91.54 +/- 5.23% to detect a distracted driving event and 76.99 +/- 8.63% to distinguish between the five distraction cases in our study (read, text, call, and snapshot) using a single electrode. The quantification of distracted driving detailed in this paper is necessary to guide future policies in road safety. Our system addresses the safety concerns resulting from driver distraction and aims to bring about behavioral changes in drivers.

研究の動機と目的

• 模擬走行走行条件に依存しない自然走行走行環境において、リアルタイムでモバイル対応のEEGシステムを用いて運転中の注意散漫を検出すること。
• 1つのドライEEG電極（FC5）が、複数の注意散漫タスクにわたって注意散漫イベントを効果的に検出できるかどうかを特定すること。
• EEGに基づく注意散漫インデックスを用いて運転中の注意散漫を定量化し、アンケートによる自己報告の注意散漫深刻度順位と比較すること。
• スマートフォンと統合された実用的でリアルタイムのフィードバックを運転者に提供するシステムを構築すること。
• 将来的な政策立案および知的輸送システムの開発を支援するため、客観的で脳基盤の注意散漫指標を提供すること。

提案手法

• 13名の被験者を対象に、13チャネルのドライEEGヘッドセット（NeuroSky EPOC）を用いて、短時間の注意散漫タスクを伴う自然走行走行研究を実施した。
• EEGデータを512 Hzで収集し、Bluetooth経由でEEGバンドと通信するカスタムAndroidアプリケーションインターフェースを用いてリアルタイムで処理した。
• 特定のEEG周波数帯域（例：β、γ）におけるパワーが被験者固有のしきい値を超えた際にアラートを発動するピーク検出アルゴリズムを実装した。
• 高周波数帯域（例：β、γ）における瞬時のパワーに基づいて注意散漫インデックスを算出し、注意散漫の程度を定量化した。
• 生EEGとパワースペクトル密度からの特徴抽出を用いて、機械学習モデルを用いて注意散漫状態（例：読書、テキスト入力）を分類し、注意散漫イベントを検出した。
• システムの有効性を検証するため、リアルタイム記録モードとリプレイモードの2通りのモードで実験を実施し、キャリブレーションおよび誤アラートの低減を図った。

実験結果

リサーチクエスチョン

• RQ1 1つのドライEEG電極（FC5）は、現実の走行走行条件下で運転中の注意散漫を信頼性高く検出できるか？
• RQ2 EEGに基づく注意散漫インデックスは、運転手による自己報告の注意散漫深刻度とどの程度相関しているか？
• RQ3 1つのEEGチャネルのみを用いて、5種類の注意散漫タイプ（読書、テキスト入力、通話、カメラ使用）を区別する分類の正確さはどの程度か？
• RQ4 モバイルでリアルタイムに動作するEEGシステムは、注意散漫関連の運転リスクを低減するためのタイムリーなフィードバックを提供できるか？
• RQ5 ピーク検出アルゴリズムは、EEGパワー動態に基づいて注意散漫の発生をどの程度正確に特定できるか？

主な発見

• 1つのEEG電極（FC5）を用いた場合、注意散漫運転イベントの検出で平均91.54% ± 5.23%の分類正確さを達成した。
• 同じ1電極設定を用いて、5つの特定の注意散漫タスク（読書、テキスト入力、通話、カメラ使用）を区別する平均正確さは76.99% ± 8.63%であった。
• 高周波数帯域（βおよびγ）におけるEEGパワーから導出された注意散漫インデックスは、注意散漫の深刻度を効果的に定量化でき、運転手の自己報告と相関していた。
• Androidアプリケーションを介して実装されたリアルタイムのモバイルEEGシステムは、最小限の遅延でEEG信号を正常に捕捉・処理し、即時のフィードバックを可能にした。
• ピーク検出アルゴリズムは、高周波数EEGパワーの一時的な上昇を検出し、注意散漫の発生を正しく特定できた。音声プロンプトを用いて運転者にアラートを発した。
• 本研究では、前方頭頂部（FC5）に1つのドライ電極を設置するだけで、注意散漫を検出可能であることが示された。これにより、ハードウェアの複雑さが顕著に低減され、実世界への導入に向けた使いやすさが向上した。