基于个人化生理信号的人类中心非侵入性驾驶员状态建模
人机交互
2026-04-14 v1 机器学习
机器人学
摘要
在半自动或条件自动驾驶（SAE 2-3 级）车辆中，驾驶员需监督系统并响应接管请求。因此，可靠的驾驶员监控对安全的人机协作至关重要。然而，大多数现有驾驶员监控系统依赖忽略个体生理差异的通用模型。在本研究中，我们探讨使用非侵入式生理传感在真实自动驾驶场景下进行个人化驾驶员状态建模的可行性。我们在 SAE 2 级车辆中进行实验，使用 Empatica E4 可穿戴传感器捕获多模态生理信号，包括皮肤电导活性、心率、体温和运动数据。为利用图像专用深度学习架构，我们将生理信号转化为二维表示，并基于预训练 ResNet50 特征提取器处理。四名驾驶员的实验显示，生理模式在驾驶员意识相关性方面存在显著个体差异。个人化模型平均准确率达 92.68%，而基于多用户训练的通用模型准确率下降至 54%，揭示了跨用户泛化的显著局限。这些结果凸显了面向未来自动驾驶车辆的自适应、个人化驾驶员监控系统的必要性，暗示自动系统应适配每个驾驶员独特的生理特征轮廓。
引用
@article{arxiv.2604.11549,
title = {Human Centered Non Intrusive Driver State Modeling Using Personalized Physiological Signals in Real World Automated Driving},
author = {David Puertas-Ramirez and Raul Fernandez-Matellan and David Martin Gomez and Jesus G. Boticario},
journal= {arXiv preprint arXiv:2604.11549},
year = {2026}
}
备注
17 pages (including references), 4 Figures, 4 Tables