司機路上的「神助攻」！北理工研發混合腦機介面駕駛輔助系統，提升駕駛安全性

隨著人們生活水準的提高，汽車已經進入千家萬戶。但車輛在提供出行便利的同時，交通事故也成了駕駛者和行人生命安全的重要威脅。

根據2018年世界衛生組織不完全統計，道路交通事故是造成人員傷亡和經濟損失的重要因素之一。交通事故造成每年近135萬人死亡，2000 - 5000萬人受傷。每年近3%的國內生產毛額被交通事故消耗。

其中，疲勞駕駛是引發交通事故的重要因素，僅次於超速。所以，行車安全無小事，就算你是「老司機」。

基於駕駛安全問題，近日，來自北京理工大學機械與車輛學院畢路諱教授智慧人機系統團隊的羅龍溪助理教授和琚佳偉博士生提出了一種智慧駕駛輔助系統(簡稱IDAS)，即同步順序混合腦機介面(hBCIs)，結合腦電圖(EEG)和肌電圖(EMG)訊號，將駕駛者的煞車煞車和正常駕駛意圖分類。

簡單粗暴地講，這款智慧輔助系統，可以透過識別駕駛員可能遭遇的緊急情況來間接影響車輛控制，也可以在發現緊急情況後直接控制車輛，有效提高駕駛安全性。

此研究以論文形式發表於英文科技期刊Cyborg and Bionic Systems  (類生命系統)。

混合腦機介面－ hBCI

目前，IDAS的輸入資訊主要包含車輛和環境、行為、生物訊號相關的資訊。車輛及週邊環境資訊主要來自車輛參數及交通資訊。有的IDAS需要偵測駕駛員的困倦狀態，其他系統則依賴駕駛行為偵測和駕駛意圖預測。

那麼駕駛員的相關資訊是從哪裡取得呢？答案是透過監測駕駛員腳、四肢和神經的活動來獲得。

生物資訊的來源包括腦電圖(EEG)訊號和肌電圖(EMG)訊號。由於腦電訊號的出現較早，基於腦電訊號的腦機介面(簡稱BCIs)已被應用於駕駛行為研究。雖然這些腦電介面在煞車意圖偵測方面取得了很大的進展，但由於腦電訊號本身的特性，其偵測性能並不穩定。而混合腦機介面(hybrid brain-computer interface, hBCI)作為一種有效的方案，可以解決基於腦電圖的腦機介面穩定性低、效能差、可靠性不足等缺點。

根據訊號的組合方式，hbci可分為兩種模式，採用特徵級融合策略(hBCI-FL)和分類器級融合策略(hbci - cl)。第一種模式結合了兩種或兩種以上的腦電圖訊號，另一種模式是將EEG和其他訊號(如EMG訊號和ECG訊號)結合。

研發人員邀請13位年齡在24 - 30歲之間的受試者參與了實驗。透過擷取模擬駕駛過程中的腦電訊號、肌電訊號和車輛訊息，研究了在虛擬駕駛場景中駕駛硬煞車意圖的偵測。然後，他們利用結合腦電圖訊號、肌電圖訊號、車輛資訊的hBCI模型，偵測出即將到來的緊急煞車意圖。

三種驅動意圖分類

在實驗中，研發團隊比較分析了幾個同時性和時序性hBCI模型，分別採用光譜特徵和時間特徵，以及one VS rest或決策樹分類策略對三種驅動意圖進行多重分類。

#

「one VS rest」分類策略將三類分類分解為三個並行的二元分類，包括正常駕駛VS其它、軟制動VS其它、硬制動VS其它。對於one VS rest分類策略，根據所有二分類器的最大值得到最終結果。

實驗結果表明，研發團隊的hBCI系統識別硬煞車意圖的速度比基於踏板偏轉的模型快130 m/s。基於光譜特徵的hBCI-SE1分類演算法和單對單分類策略的分類精度最高，系統平均準確率為96.37%。最後，團隊選用最優序次hBCI、最優序次hBCI和基於單腦電訊號或肌電訊號的模型進行了比較。

結果表明，最優同時性和順序性的hbci均明顯優於基於單腦電或肌電信號的方法。在測試中，所得的結果與離線測試結果吻合度較好。

這項研究對於以人為中心的智慧輔助駕駛系統，提高駕駛安全性和駕駛舒適性具有一定的參考價值。不過目前該項目還存在一定的限制。例如，誘導硬煞車和軟煞車的刺激因素多種多樣，受試者差異的影響，採集裝置的不便等，接下來，團隊將解決上述限制，探索更有效的特徵和策略融合，從而提高性能。

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

論文網址：

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

以上是司機路上的「神助攻」！北理工研發混合腦機介面駕駛輔助系統，提升駕駛安全性的詳細內容。更多資訊請關注PHP中文網其他相關文章！