司机路上的“神助攻”！北理工研发混合脑机接口驾驶辅助系统，提高驾驶安全性
大数据文摘转载自机器人大讲堂
随着人们生活水平的提高，汽车已经进入千家万户。但车辆在提供出行便利的同时，交通事故也成了驾驶员和行人生命安全的重要威胁。
据2018年世界卫生组织不完全统计，道路交通事故是造成人员伤亡和经济损失的重要因素之一。交通事故造成每年近135万人死亡，2000 - 5000万人受伤。每年近3%的国内生产总值被交通事故消耗。
其中，疲劳驾驶是引发交通事故的一个重要因素，仅次于超速。所以，行车安全无小事，哪怕你是“老司机”。
基于驾驶安全问题，近日，来自北京理工大学机械与车辆学院毕路拯教授智能人机系统团队的罗龙溪助理教授和琚佳伟博士生提出了一种智能驾驶辅助系统(简称IDAS)，即同步顺序混合脑机接口(hBCIs)，结合脑电图(EEG)和肌电图(EMG)信号，对驾驶员的刹车制动和正常驾驶意图进行分类。
简单粗暴地讲，这款智能辅助系统，可以通过识别驾驶员可能遭遇的紧急情况来间接影响车辆控制，也可以在发现紧急情况后直接控制车辆，有效提高驾驶安全性。
该项研究以论文形式发表于英文科技期刊Cyborg and Bionic Systems (类生命系统)上。
混合脑机接口—— hBCI
目前，IDAS的输入信息主要包括车辆和环境、行为、生物信号相关的信息。车辆及周边环境信息主要来源于车辆参数和交通信息。有的IDAS需要检测驾驶员的困倦状态，其他系统则依赖于驾驶行为检测和驾驶意图预测。
那么驾驶员的相关信息是从哪获得呢？答案是通过监测驾驶员脚、四肢和神经的活动来获得。
生物信息的来源包括脑电图(EEG)信号和肌电图(EMG)信号。由于脑电信号的出现较早，基于脑电信号的脑机接口(简称BCIs)已被应用于驾驶行为研究。虽然这些脑电接口在制动意图检测方面取得了很大的进展，但由于脑电信号本身的特性，其检测性能并不稳定。而混合脑机接口(hybrid brain-computer interface, hBCI)作为一种有效的方案，可以解决基于脑电图的脑机接口稳定性低、性能差、可靠性不足等缺点。
根据信号的组合方式，hbci可分为两种模式，采用特征级融合策略(hBCI-FL)和分类器级融合策略(hbci - cl)。第一种模式结合了两种或两种以上的脑电图信号，另一种模式是将EEG和其他信号(如EMG信号和ECG信号)结合起来。
研发人员们邀请13名年龄在24 - 30岁之间的受试者参与了实验。通过采集模拟驾驶过程中的脑电信号、肌电信号和车辆信息，研究了在虚拟驾驶场景中驾驶员硬制动意图的检测。然后，他们利用结合脑电图信号、肌电图信号、车辆信息的hBCI模型，检测出即将到来的紧急刹车意图。
三种驱动意图分类
在实验中，研发团队比较分析了几种同时性和时序性hBCI模型，分别采用光谱特征和时间特征，以及one VS rest或决策树分类策略对三种驱动意图进行多重分类。
“one VS rest”分类策略将三类分类分解为三个并行的二元分类，包括正常驾驶VS其它、软制动VS其它、硬制动VS其它。对于one VS rest分类策略，根据所有二分类器的最大值得到最终结果。
实验结果表明，研发团队的hBCI系统识别硬制动意图的速度比基于踏板偏转的模型快130 m/s。基于光谱特征的hBCI-SE1分类算法和单对单分类策略的分类精度最高，系统平均准确率为96.37%。最后，团队选用最优序次hBCI、最优序次hBCI和基于单脑电信号或肌电信号的模型进行了比较。
结果表明，最优同时性和顺序性的hbci均明显优于基于单脑电或肌电信号的方法。在测试中，得到的结果与离线测试结果吻合较好。
这项研究对于以人为中心的智能辅助驾驶系统，提高驾驶安全性和驾驶舒适性具有一定的参考价值。不过目前该项目还存在一定的局限性。比如，诱导硬制动和软制动的刺激因素多种多样，受试者差异的影响，采集装置的不便等，接下来，团队将解决上述限制，探索更有效的特征和策略融合，从而提高性能。
本研究得到国家自然科学基金(51975052)和北京市自然科学基金(3222021 )的部分资助。
论文地址：
