Mind2Drive: 基于 EEG 的真实道路驾驶意图预测
计算机视觉与模式识别
2026-04-22 v1 人机交互
机器学习
机器人学
摘要
从神经生理信号预测驾驶意图为提高高级驾驶辅助系统主动安全性提供了有前景的途径，但在真实道路驾驶环境中仍面临 EEG 信号非平稳性和认知-运动准备复杂性等挑战。本研究提出并评估了一个集成到真实电动车中的同步多传感器平台的 EEG 基于驾驶意图预测框架。收集了跨 32 个驾驶场景的真实道路数据集，并在一致的实验条件下评估了 12 种深度学习架构。其中，TSCeption 在评估的架构中实现了最高的平均准确率（0.907）和宏平均 F1 分数（0.901）。该框架演示出强大的时序稳定性，在机械执行前保持稳健的解码性能， degradation 最小。此外，额外的分析揭示了最小的 EEG 预处理优于信噪声处理管道，且预测性能在 400-600 ms 区间达到高峰，这对应于驾驶动作前的关键神经准备阶段。总体而言，这些发现支持了在真实道路条件下实现早期且稳定的 EEG 基于驾驶意图解码的可行性。代码: https://github.com/galosaimi/Mind2Drive。
引用
@article{arxiv.2604.19368,
title = {Mind2Drive: Predicting Driver Intentions from EEG in Real-world On-Road Driving},
author = {Ghadah Alosaimi and Hanadi Alhamdan and Wenke E and Stamos Katsigiannis and Amir Atapour-Abarghouei and Toby P. Breckon},
journal= {arXiv preprint arXiv:2604.19368},
year = {2026}
}
备注
8 pages, 4 figures, 6 tables, conference