通过对驾驶员认知的定量评估增强对驾驶属性的理解
信号处理
2023-12-21 v1 机器学习
神经元与认知
摘要
本文提出了一种分析模拟驾驶测试中驾驶员脑电（EEG）数据的新方法。我们重点关注 Hurst 指数、Shannon 熵和分形维数，将其作为大脑非线性动力学的标记。结果显示出显著的趋势：Shannon 熵和分形维数在驾驶状态转换期间表现出变化，而 Hurst 指数反映了记忆保持，描绘了学习模式。这些发现表明，非线性动力学理论的工具可作为认知状态和驾驶记忆变化的指标，用于评估驾驶员表现并推进对驾驶及更广泛背景下人类认知非线性动力学的理解。我们的研究揭示了 NLD 工具在阐明大脑状态和系统方差方面的潜力，使其能够集成到当前的深度学习和机器学习模型中。这种集成可以超越驾驶应用，被用于认知学习，从而提高整体的生产力和准确率水平。
引用
@article{arxiv.2312.12443,
title = {Enhancing Understanding of Driving Attributes through Quantitative Assessment of Driver Cognition},
author = {Pallabjyoti Kakoti and Mukesh Kumar Kamti and Rauf Iqbal and Eeshankur Saikia},
journal= {arXiv preprint arXiv:2312.12443},
year = {2023}
}