掩码EEG建模用于驾驶意图预测

在疲劳驾驶条件下驾驶会显著增加交通事故的风险。尽管近期研究已聚焦于使用脑电图检测疲劳，以帮助预防因疲劳驾驶导致的事故，但驾驶场景中的无缝人机交互需要一个更通用的基于EEG的系统。该系统应能够在展示对突然运动引起的伪影的鲁棒性的同时，理解驾驶员的意图。本文开创了BCI辅助驾驶的一个新颖研究方向，研究与驾驶意图相关的神经模式，并提出了一种驾驶意图预测的新方法。特别是，我们对EEG信号的初步独立成分分析表明，驾驶操作的意图与中央额叶和顶叶区域的神经活动之间存在密切关系。群体层面的功率谱密度分析也揭示了频域中各种驾驶意图之间的显著区别。为了利用这些大脑动力学，我们提出了一种新颖的掩码EEG建模框架，用于预测人类的驾驶意图，包括左转、右转和直行的意图。广泛的实验，包括在公共数据集上的全面定量和定性评估，证明所提出的方法在各种警觉状态下熟练地预测驾驶意图。具体而言，我们的模型在预测疲劳受试者的驾驶意图时达到了85.19%的准确率，展示了其在减轻疲劳驾驶相关交通事故方面的巨大潜力。值得注意的是，当超过一半的通道缺失或损坏时，我们的方法仍保持超过75%的准确率，强调了其在真实驾驶中的适应性。