[论文解读] 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 6

一句话总结

本研究提出一种基于单个干电极（FC5）的实时、移动式脑电信号（EEG）系统，通过分析驾驶过程中刺激-反应脑电波模式，检测驾驶员注意力分散。该系统在自然驾驶条件下，利用原始EEG信号进行机器学习分析，实现了91.54%的注意力分散事件检测准确率，以及76.99%的五类注意力分散类型（阅读、发短信、打电话、使用手机摄像头）区分准确率。

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.

研究动机与目标

• 开发一种实时、移动式的EEG系统，用于在自然驾驶环境中检测驾驶员注意力分散，避免依赖模拟驾驶环境。
• 验证单个干性EEG电极（FC5）是否能有效检测多种注意力分散任务中的分散事件。
• 基于EEG的注意力分散指数量化驾驶员注意力分散程度，并与问卷调查中自报的严重程度排序进行比较。
• 构建一种可实际应用的、与智能手机集成的系统，基于EEG模式为驾驶员提供实时反馈。
• 通过提供客观、基于脑电信号的注意力分散度量指标，支持未来政策制定与智能交通系统的发展。

提出的方法

• 在真实道路驾驶环境中，对13名受试者开展自然驾驶研究，使用13导联干电极EEG头戴设备（NeuroSky EPOC）记录脑电信号，采集短时注意力分散任务期间的数据。
• 以512 Hz的采样率采集EEG数据，并通过蓝牙与EEG头带通信的自定义Android应用程序界面实现实时处理。
• 实施一种峰值检测算法，当特定EEG频带（如β波、γ波）的能量超过个体特定阈值时触发警报。
• 基于高频带（如β波、γ波）的瞬时功率计算注意力分散指数，以量化注意力分散程度。
• 利用机器学习模型对注意力分散状态（如阅读、发短信）进行分类，并检测注意力分散事件，特征提取基于原始EEG信号与功率谱密度。
• 在两种模式下验证系统性能：实时记录模式与回放模式，用于校准及减少误报。

实验结果

研究问题

• RQ1 单个干性EEG电极（FC5）是否能在真实驾驶环境中可靠检测驾驶员注意力分散？
• RQ2 基于EEG的注意力分散指数与驾驶员自报的注意力分散严重程度感知之间是否存在相关性？
• RQ3 仅使用一个EEG导联，对五类注意力分散类型（阅读、发短信、打电话、使用手机摄像头）的分类准确率如何？
• RQ4 移动式实时EEG系统是否能及时提供反馈以降低注意力分散相关的驾驶风险？
• RQ5 峰值检测算法在基于EEG功率动态变化识别注意力分散起始时刻方面效果如何？

主要发现

• 仅使用单个EEG电极（FC5）时，系统在检测任何注意力分散驾驶事件方面的平均分类准确率达到91.54% ± 5.23%。
• 在相同单电极设置下，系统对五类具体注意力分散任务（阅读、发短信、打电话、使用手机摄像头）的区分平均准确率达到76.99% ± 8.63%。
• 基于高频带（β波、γ波）EEG功率推导出的注意力分散指数能有效量化注意力分散的严重程度，并与驾驶员自报感知结果显著相关。
• 通过Android应用程序实现的实时移动EEG系统，成功捕获并处理EEG信号，延迟极低，可实现即时反馈。
• 峰值检测算法通过检测高频EEG功率的瞬时上升，成功识别出注意力分散的起始时刻，并辅以语音提示向驾驶员发出警报。
• 本研究证明，仅使用额区单个干电极（FC5）即可有效检测注意力分散，显著降低硬件复杂度，提升真实场景部署的可用性。