用外周生理信号代替脑电图（EEG）用于驾驶行为识别：一种基于生理信息的多模态方法

《Cognitive Neurodynamics》：Replacing EEG with peripheral physiological signals for driving behavior recognition: a physiology-informed multimodal approach

　　

摘要

脑电图（EEG）因其能够捕捉神经活动而被广泛用于驾驶行为识别；然而，EEG的采集通常需要昂贵的硬件和复杂的仪器设备，这限制了其在实际应用中的可行性。本研究探讨了低成本的外周生理信号是否可以作为EEG的有效替代方案用于驾驶行为识别。研究分析了一个在模拟器环境中收集的公开多模态驾驶数据集，其中包含35名参与者执行五种驾驶行为（包括平稳驾驶、加速、减速、变道和转弯）时的生理记录。通过一个基于生理信息的多模态学习框架，整合了三种外周生理信号——心电图（ECG）、肌电图（EMG）和皮肤电反应（GSR），该框架旨在捕捉不同信号间的互补生理反应和时间动态。实验结果表明，在五折交叉验证下，所提出的外周多模态配置（ECG+EMG+GSR）的平均准确率为0.795，宏观F1分数为0.805，MCC和Cohen’s kappa值分别为0.731和0.730。与六种代表性的基线方法进行对照比较后，发现所提出的框架在各种生理信号组合下均表现优于其他方法。值得注意的是，ECG+EMG+GSR配置在避免了EEG采集及其相关多电极设置的情况下，仍取得了更高的识别性能，从而显著降低了感知负担和部署复杂性。这些发现强调了多模态外周生理传感作为智能交通系统中驾驶行为识别的实用且成本效益高的替代方案的潜力。