基于功能近红外光谱(fNIRS)和眼动追踪的驾驶模拟器中认知负荷分类研究——深度学习方法
人机交互
2024-08-14 v1
摘要
运动模拟器允许研究人员安全地探讨驾驶员与车辆的交互。然而,许多利用驾驶模拟器数据预测认知负荷的研究仅采用两级工作负荷,在利用深度学习方法分析认知负荷方面存在研究空白,尤其是在恶劣的低光条件下。常规研究要么忽视这些情境,要么仅关注明亮日间的场景。为弥补这一空白并理解绩效与认知负荷之间的关联,本研究在低可见度条件下的模拟驾驶任务中,采用功能近红外光谱(fNIRS)和眼动追踪数据(包括注视时长和凝视方向),以诱发不同心理工作负荷。第一阶段采用方差分析(ANOVA)对fNIRS和眼动数据进行统计特征估计,以识别fNIRS信号中的显著通道。随后,将fNIRS、眼动和车辆动力学中的最优特征组合为输入,训练CNN和LSTM模型以预测工作负荷变化。 proposed CNN-LSTM模型在神经数据上达到99%的准确率,在车辆动力学数据上达到89%的准确率,表明其在实时评估驾驶员心理状态方面具有潜力,并可指导设计师开发安全的自适应系统。
引用
@article{arxiv.2408.06349,
title = {Functional near-infrared spectroscopy (fNIRS) and Eye tracking for Cognitive Load classification in a Driving Simulator Using Deep Learning},
author = {Mehshan Ahmed Khan and Houshyar Asadi and Mohammad Reza Chalak Qazani and Chee Peng Lim and Saied Nahavandi},
journal= {arXiv preprint arXiv:2408.06349},
year = {2024}
}
备注
10 pages