[논문 리뷰] Detecting driver distraction using stimuli-response EEG analysis

Garima Bajwa, Mohamed Fazeen외 1명|arXiv (Cornell University)|2019. 04. 19.

EEG and Brain-Computer Interfaces참고 문헌 43인용 수 6

한 줄 요약

이 연구는 실시간으로 이동 중인 운전 환경에서 자극-반응 뇌파 패턴을 분석함으로써 단일 건전극(FC5)을 사용한 모바일 EEG 기반 시스템을 제안한다. 이 시스템은 실제 주행 조건에서 운전자의 주의산산을 91.54%의 정확도로 감지하고, 독서, 문자 메시지 작성, 통화, 핸드폰 카메라 사용을 포함한 다섯 가지 주의산산 유형을 76.99%의 정확도로 구분한다. 이는 자연주의 주행 조건에서 수집된 원시 EEG 신호를 기반으로 한 기계학습 기반의 결과이다.

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.

연구 동기 및 목표

• 자연주의 주행 환경에서 실시간으로 모바일 EEG 시스템을 개발하여 시뮬레이션 주행 조건에 의존하지 않도록 하는 것.
• 단일 건전극(FC5)이 다양한 주의산산 작업 동안 주의산산 사건을 효과적으로 감지할 수 있는지 확인하는 것.
• EEG 기반의 주의산산 지수를 사용해 운전자의 주의산산 수준을 정량화하고, 설문 조사에서의 자가 보고된 심각도 순위와 비교하는 것.
• 스마트폰과 통합된 실용적인 시스템을 구축하여 EEG 패tern 기반으로 운전자에게 실시간 피드백을 제공하는 것.
• 향후 정책 및 지능형 교통 시스템 개발을 지원하기 위해 주의산산에 대한 객관적이고 뇌 기반의 지표를 제공하는 것.

제안 방법

• 13명의 참가자가 참여한 자연주의 주행 실험을 실시하였으며, 13채널 건전극 EEG 헤드셋(NeuroSky EPOC)을 사용해 짧은 지속시간의 주의산산 작업 동안 뇌파 신호를 기록하였다.
• EEG 데이터는 512 Hz로 수집되었고, 블루투스를 통해 EEG 벨트와 통신하는 커스터마이징된 안드로이드 애플리케이션 인터페이스를 통해 실시간으로 처리되었다.
• 특정 EEG 주파수 대역(예: 베타, 감마)의 전력 값이 개인별 임계값을 초과할 경우 경고를 트리거하는 피크 탐지 알고리즘을 구현하였다.
• 고주파 대역(예: 베타, 감마)의순간적 전력 기반으로 주의산산 지수를 계산하여 주의산산 정도를 정량화하였다.
• 기계학습 모델을 사용해 주의산산 상태(예: 독서, 문자 메시지 작성)를 분류하고 주의산산 사건을 감지하였으며, 원시 EEG 및 전력 스펙트럼 밀도에서 특징 추출을 수행하였다.
• 시스템을 두 가지 모드에서 검증하였다: 실시간 기록 모드와 재생 모드로, 校정 및 오류 경고 최소화를 위한 목적이다.

실험 결과

연구 질문

• RQ1 단일 건전극(FC5)이 실제 주행 환경에서 운전자의 주의산산을 신뢰성 있게 감지할 수 있는가?
• RQ2 EEG 기반의 주의산산 지수는 운전자들이 자가 보고한 주의산산 심각도와 얼마나 상관이 있는가?
• RQ3 단일 EEG 채널만을 사용하여 다섯 가지 주의산산 유형(독서, 문자 메시지 작성, 통화, 카메라 사용)을 구분하는 데 있어 분류 정확도는 얼마인가?
• RQ4 실시간 모바일 EEG 시스템이 주의산산 관련 운전 위험을 줄이기 위해 적시 피드백을 제공할 수 있는가?
• RQ5 피크 탐지 알고리즘이 EEG 전력 역학에 기반해 주의산산 발생 시점을 효과적으로 식별하는 데 얼마나 효과적인가?

주요 결과

• 단일 EEG 전극(FC5)을 사용하여도 주의산산 운전 사건을 감지하는 데 평균 분류 정확도가 91.54% ± 5.23%를 달성하였다.
• 동일한 단일 전극 설정을 사용하여 다섯 가지 특정 주의산산 작업(독서, 문자 메시지 작성, 통화, 카메라 사용)을 분류하는 데 평균 정확도가 76.99% ± 8.63%를 기록하였다.
• 고주파 대역(베타 및 감마)의 EEG 전력에서 유도된 주의산산 지수는 주의산산 심각도를 효과적으로 정량화하였으며, 운전자 자가 보고와 상관관계를 보였다.
• 안드로이드 애플리케이션을 통해 구현된 실시간 모바일 EEG 시스템은 최소한의 지연으로 EEG 신호를 성공적으로 캡처하고 처리하여 즉각적인 피드백을 가능하게 하였다.
• 피크 탐지 알고리즘은 고주파 EEG 전력의 일시적 증가를 감지하여 주의산산 발생 시점을 성공적으로 식별하였으며, 음성 프롬프트를 사용해 운전자를 경고하였다.
• 본 연구는 전두엽 영역의 단일 건전극(FC5)이 주의산산 감지를에 충분함을 입증하였으며, 하드웨어 복잡성을 크게 감소시키고 실제 현장 적용에 있어 사용성 향상에 기여하였다.