?隨著人們生活水平的提高，汽車已經(jīng)進(jìn)入千家萬(wàn)戶。但車輛在提供出行便利的同時(shí)，交通事故也成了駕駛員和行人生命安全的重要威脅。

據(jù)2018年世界衛(wèi)生組織不完全統(tǒng)計(jì)，道路交通事故是造成人員傷亡和經(jīng)濟(jì)損失的重要因素之一。交通事故造成每年近135萬(wàn)人死亡，2000 - 5000萬(wàn)人受傷。每年近3%的國(guó)內(nèi)生產(chǎn)總值被交通事故消耗。

其中，疲勞駕駛是引發(fā)交通事故的一個(gè)重要因素，僅次于超速。所以，行車安全無(wú)小事，哪怕你是“老司機(jī)”。

基于駕駛安全問(wèn)題，近日，來(lái)自北京理工大學(xué)機(jī)械與車輛學(xué)院畢路拯教授智能人機(jī)系統(tǒng)團(tuán)隊(duì)的羅龍溪助理教授和琚佳偉博士生提出了一種智能駕駛輔助系統(tǒng)(簡(jiǎn)稱IDAS)，即同步順序混合腦機(jī)接口(hBCIs)，結(jié)合腦電圖(EEG)和肌電圖(EMG)信號(hào)，對(duì)駕駛員的剎車制動(dòng)和正常駕駛意圖進(jìn)行分類。

簡(jiǎn)單粗暴地講，這款智能輔助系統(tǒng)，可以通過(guò)識(shí)別駕駛員可能遭遇的緊急情況來(lái)間接影響車輛控制，也可以在發(fā)現(xiàn)緊急情況后直接控制車輛，有效提高駕駛安全性。

該項(xiàng)研究以論文形式發(fā)表于英文科技期刊Cyborg and Bionic Systems  (類生命系統(tǒng))上。

混合腦機(jī)接口—— hBCI?

目前，IDAS的輸入信息主要包括車輛和環(huán)境、行為、生物信號(hào)相關(guān)的信息。車輛及周邊環(huán)境信息主要來(lái)源于車輛參數(shù)和交通信息。有的IDAS需要檢測(cè)駕駛員的困倦狀態(tài)，其他系統(tǒng)則依賴于駕駛行為檢測(cè)和駕駛意圖預(yù)測(cè)。

那么駕駛員的相關(guān)信息是從哪獲得呢？答案是通過(guò)監(jiān)測(cè)駕駛員腳、四肢和神經(jīng)的活動(dòng)來(lái)獲得。

生物信息的來(lái)源包括腦電圖(EEG)信號(hào)和肌電圖(EMG)信號(hào)。由于腦電信號(hào)的出現(xiàn)較早，基于腦電信號(hào)的腦機(jī)接口(簡(jiǎn)稱BCIs)已被應(yīng)用于駕駛行為研究。雖然這些腦電接口在制動(dòng)意圖檢測(cè)方面取得了很大的進(jìn)展，但由于腦電信號(hào)本身的特性，其檢測(cè)性能并不穩(wěn)定。而混合腦機(jī)接口(hybrid brain-computer interface, hBCI)作為一種有效的方案，可以解決基于腦電圖的腦機(jī)接口穩(wěn)定性低、性能差、可靠性不足等缺點(diǎn)。

根據(jù)信號(hào)的組合方式，hbci可分為兩種模式，采用特征級(jí)融合策略(hBCI-FL)和分類器級(jí)融合策略(hbci - cl)。第一種模式結(jié)合了兩種或兩種以上的腦電圖信號(hào)，另一種模式是將EEG和其他信號(hào)(如EMG信號(hào)和ECG信號(hào))結(jié)合起來(lái)。

研發(fā)人員們邀請(qǐng)13名年齡在24 - 30歲之間的受試者參與了實(shí)驗(yàn)。通過(guò)采集模擬駕駛過(guò)程中的腦電信號(hào)、肌電信號(hào)和車輛信息，研究了在虛擬駕駛場(chǎng)景中駕駛員硬制動(dòng)意圖的檢測(cè)。然后，他們利用結(jié)合腦電圖信號(hào)、肌電圖信號(hào)、車輛信息的hBCI模型，檢測(cè)出即將到來(lái)的緊急剎車意圖。

三種驅(qū)動(dòng)意圖分類

在實(shí)驗(yàn)中，研發(fā)團(tuán)隊(duì)比較分析了幾種同時(shí)性和時(shí)序性hBCI模型，分別采用光譜特征和時(shí)間特征，以及one VS rest或決策樹分類策略對(duì)三種驅(qū)動(dòng)意圖進(jìn)行多重分類。

“one VS rest”分類策略將三類分類分解為三個(gè)并行的二元分類，包括正常駕駛VS其它、軟制動(dòng)VS其它、硬制動(dòng)VS其它。對(duì)于one VS rest分類策略，根據(jù)所有二分類器的最大值得到最終結(jié)果。

實(shí)驗(yàn)結(jié)果表明，研發(fā)團(tuán)隊(duì)的hBCI系統(tǒng)識(shí)別硬制動(dòng)意圖的速度比基于踏板偏轉(zhuǎn)的模型快130 m/s。基于光譜特征的hBCI-SE1分類算法和單對(duì)單分類策略的分類精度最高，系統(tǒng)平均準(zhǔn)確率為96.37%。最后，團(tuán)隊(duì)選用最優(yōu)序次hBCI、最優(yōu)序次hBCI和基于單腦電信號(hào)或肌電信號(hào)的模型進(jìn)行了比較。

結(jié)果表明，最優(yōu)同時(shí)性和順序性的hbci均明顯優(yōu)于基于單腦電或肌電信號(hào)的方法。在測(cè)試中，得到的結(jié)果與離線測(cè)試結(jié)果吻合較好。

這項(xiàng)研究對(duì)于以人為中心的智能輔助駕駛系統(tǒng)，提高駕駛安全性和駕駛舒適性具有一定的參考價(jià)值。不過(guò)目前該項(xiàng)目還存在一定的局限性。比如，誘導(dǎo)硬制動(dòng)和軟制動(dòng)的刺激因素多種多樣，受試者差異的影響，采集裝置的不便等，接下來(lái)，團(tuán)隊(duì)將解決上述限制，探索更有效的特征和策略融合，從而提高性能。

本研究得到國(guó)家自然科學(xué)基金(51975052)和北京市自然科學(xué)基金(3222021 )的部分資助。

論文地址：

https://downloads.spj.sciencemag.org/cbsystems/aip/9847652.pdf?