Een technisch artikel van wetenschappers van het Beijing Institute of Technology introduceerde gelijktijdige en sequentiële hybride hersencomputerinterfaces (hBCI's) die EEG- en EMG-signalen bevatten voor het classificeren van hard remmen, zacht remmen en normale rij-intenties om beter te helpen rijden.

"Het werk is waardevol voor het ontwikkelen van mensgerichte intelligente assistent-rijsystemen om de rijveiligheid en het rijcomfort te verbeteren en de toepassing van BCI's te bevorderen", legden de auteurs van het onderzoek Longxi Luo, een assistent-professor, en Jiawei Ju, een onderzoeksassistent, van de Institute of Human Machine Systems (IHMS) geleid door Luzheng Bi, een professor aan het Beijing Institute of Technology.

Verkeersongevallen (RTA) zijn een van de belangrijkste oorzaken van slachtoffers en economische verliezen geworden. Verkeersongevallen veroorzaken elk jaar bijna 1,35 miljoen doden en 20-50 miljoen gewonden. Jaarlijks wordt bijna 3% van het BBP van China geconsumeerd als gevolg van verkeersongevallen voor medische kosten en verlies van productiviteit van het personeel. Bovendien nemen, met het snelle tempo van wetenschap, technologie en economische ontwikkeling, het aantal voertuigen op de weg jaar na jaar toe, en er wordt voorspeld dat RTA de vijfde factor zal zijn die tot de dood leidt in 2030.

Een intelligent rijhulpsysteem (IDAS) kan de voertuigcontrole indirect beïnvloeden door bestuurders op de hoogte te stellen van mogelijke noodsituaties of voertuigen direct te controleren na het detecteren van noodsituaties, waardoor de rijveiligheid van bestuurders effectief wordt verbeterd.

Sommige IDAS's moeten de slaperigheid en afleiding van bestuurders detecteren. Andere IDAS's zijn afhankelijk van de detectie van rijgedrag en de voorspelling van rijintenties. Als een IDAS van tevoren de intentie van de bestuurder om hard te remmen kan detecteren, kan het voertuigen direct besturen om hard te remmen.

In dit onderzoek is remmen een specifiek gedrag dat het voertuig vertraagt ​​of stopt. Het remmen kan worden ingedeeld in hard remmen en zacht remmen. Hard remmen verwijst naar het gedrag waarbij de bestuurder tijdens het rijden hard op het pedaal drukt om de voertuigsnelheid snel te verlagen in het geval van een noodgeval. Zacht remmen daarentegen verwijst naar het gedrag waarbij bestuurders het pedaal zacht indrukken om de voertuigsnelheid langzaam te verlagen.

De invoerinformatie van IDAS's bestaat voornamelijk uit voertuig- en omgevingsgerelateerde, gedragsgerelateerde en biologische signaalgerelateerde informatie. De voertuig- en omgevingsinformatie is voornamelijk afkomstig van voertuigparameters en verkeersinformatie. Informatie over het rijgedrag van de bestuurder kan voornamelijk worden verkregen door de activiteiten van de voeten, ledematen en hoofden van de bestuurder te controleren. Biologische informatie omvat elektro-encefalografie (EEG) signalen en elektromyografie (EMG) signalen. Hoewel BCI's op basis van EEM-signalen grote vooruitgang hebben geboekt bij het detecteren van remintenties, zijn de detectieprestaties niet stabiel vanwege de eigenschappen van EEG-signalen.

Een hybride brain-computer interface (hBCI) is een effectief schema dat de tekortkomingen van op EEG gebaseerde BCI's kan aanpakken, zoals lage stabiliteit, slechte prestaties en onvoldoende betrouwbaarheid.

Afhankelijk van hoe de signalen worden gecombineerd, vallen de hBCI's in twee modi:een die twee of meer soorten EEG-signalen combineert, zoals ERD, ERS en P300, een andere combineert EEG en andere signalen, zoals EMG-signalen en ECG-signalen.

Bestaande methoden voor het detecteren van remintenties op basis van hBCI's zijn echter ontwikkeld om de intentie van hard remmen te herkennen van normaal rijden of zacht remmen. Om deze detectiemethoden van hard remmen beter toepasbaar te maken in realistische rijsituaties, werd in onze vorige studie al een EEG-gebaseerde detectiemethode voorgesteld om onderscheid te maken tussen hard remmen, zacht remmen en normale rijintenties. Experimentele resultaten suggereerden de haalbaarheid van deze detectiemethode. De prestatie van deze detectiemethode was echter niet goed. De gemiddelde nauwkeurigheid van de offline testen van de drie klassen van rij-intenties op basis van spectrale kenmerken was 70,93%.

Om dit probleem aan te pakken, willen we in dit artikel gelijktijdige en sequentiële hBCI's ontwikkelen op basis van EEG- en EMG-signalen om hard remmen, zacht remmen en normale rij-intenties te herkennen. De bijdrage van dit artikel is dat het het eerste werk is dat de fusie van EEG- en EMG-signalen gebruikt om hard remmen, zacht remmen en normale rij-intenties te herkennen.

"De nauwkeurigheid van ons nieuwe systeem bij het herkennen van hard geblaf, zacht remmen en normale rij-intenties bereikte 96,37%", aldus de auteurs van het onderzoek.

Het onderzoek is gepubliceerd in Cyborg and Bionic Systems . + Verder verkennen

Autonoom rijden – handen aan het stuur of helemaal geen stuur