案例分享丨对转向过程中的驾驶脑电进行多层级动态脑网络分析


 

日前,兰州交通大学常文文教授联合其他业内学者进行了一个关于转向过程中的驾驶脑电的分析实验。

在整个实验过程中,研究人员使用了由维拓启创公司代理、荷兰TMSi公司生产的SAGA 32+系统。在该系统中,采用国际10-20系统设置的32通道帽记录了整个实验过程中的脑电图。

 

图1:论文截图

 

实验目的

 

基于EEG的脑机接口已被证明是检测大脑状态和驾驶行为的有效工具,用以了解驾驶过程中的人为因素。通过提供与驾驶人行动意图一致的驾驶辅助操作,改善驾驶系统与驾驶人的交互过程。

 

驾驶是一个综合过程,需要不同脑区的协调配合。功能连接,尤其是通过这些脑区内神经振荡之间的统计相互依赖计算的动态连接,可以为驾驶行为提供一些特定的信息。

 

实验设置

 

研究人员开发了一种新型的用于转向动作的多层脑网络模型,以提高对驾驶过程中动态特性的理解。

 

首先,设计了一个模拟驾驶实验,被试人员需要沿着制定路线行驶,在到达交叉路口时完成左转、右转和直行动作,并使用32通道系统同步记录脑电信号。之后,研究人员设计了一个多层网络框架,结合基于振荡包络的功能连接度量来呈现驾驶的动态过程。

 

图2:模拟驾驶平台

 

图3:驾驶实验的交叉路口和驾驶地图。(a)黄色箭头表示汽车的转向方向。在每个十字路口都有一个指示牌(左箭头、右箭头和上箭头)用来表示驾驶方向(左转,右转和直行)。每个箭头与十字路口的距离均相同。(b)实验的行驶曲线,汽车在起始红点起步,在终止蓝点结束。

 

在实验开始前,每位被试者都需要操作模拟器进行30分钟的训练,以熟悉驾驶系统。同时,让被试者明确实验的细节和要求。让其戴上脑电帽,将凝胶注入脑电电极中。在测试开始前,实验人员进行了静息态数据记录,闭眼3分钟,睁眼3分钟。

 


图4:实验流程示意图

 

实验结果

 

结果表明,这三个驾驶方向下的多层网络结构存在显著差异,其中转向(左转或右转)和直行的差异更加明显。相应的参数分析也表明这三种驾驶条件下的多层模块性(Q值)和多重参与系数(MPC)存在显著差异。对单个网络进行进一步分析后发现,直线运动和转向运动的平均度、全局效率和聚类系数也存在显著差异。


实验结论

 

我们由此得出结论,多层网络模型可以更真实地呈现驾驶时的动态过程,并提供更准确的空间域信息。此外,MPC和Q值是两个新的网络标记,可以用于预期转向动作的识别,而对应的超矩阵的平均值也可以用于直行和转向动作的识别。

 

实验意义

 

研究结果证明了多层动态脑网络在驾驶行为识别中的可行性,为基于EEG的驾驶行为识别提供了新的思路。

 

图5:包含多层网络构建的连通性数据分析管道示意图

 

 

 

关键词:

EEG,常文文,驾驶脑电

搜索

全部
  • 全部
  • 产品管理
  • 新闻资讯
  • 介绍内容
  • 企业网点
  • 常见问题
  • 企业视频
  • 企业图册