Mind2Drive：基于脑电图预测真实道路驾驶中的驾驶员意图
Mind2Drive: Predicting Driver Intentions from EEG in Real-world On-Road Driving
作者:
Ghadah Alosaimi, Hanadi Alhamdan, Wenke E 等6人
分类:
cs.CV, cs.HC, cs.LG, cs.RO
📝 论文摘要
基于神经生理信号预测驾驶员意图为提升高级驾驶辅助系统的主动安全性提供了可行路径，但由于脑电信号的非平稳性及认知运动准备的复杂性，在实际驾驶场景中仍面临挑战。本研究提出并评估了一种基于脑电信号的驾驶员意图预测框架，该框架采用集成于真实电动汽车的同步多传感器平台。通过32次实际道路驾驶实验采集数据集，并在统一实验条件下评估了12种深度学习架构。其中TSCeption架构取得最高平均准确率（0.907）和宏观F1分数（0.901）。该框架展现出优异的时间稳定性，在驾驶操作执行前1000毫秒内仍能保持稳健的解码性能且衰减极小。进一步分析表明：最小化脑电预处理优于伪迹处理流程，预测性能在400-600毫秒区间达到峰值，该时段对应驾驶操作前关键的神经准备阶段。总体而言，这些发现证实了在实际道路条件下实现早期稳定脑电解码驾驶员意图的可行性。代码地址：https://github.com/galosaimi/Mind2Drive。
📊 核心分析
该论文旨在解决从脑电图(EEG)信号预测驾驶员意图的挑战，以增强高级驾驶辅助系统(ADAS)的主动安全性。研究背景是：在真实世界驾驶中，由于EEG信号的非平稳性(non-stationarity)和认知-运动准备(cognitive-motor preparation)的复杂性，实现准确预测仍很困难。
论文提出并评估了一个基于EEG的驾驶员意图预测框架，具体方法包括：
- 使用集成到真实电动汽车中的同步多传感器平台(synchronised multi-sensor platform)
- 在真实道路条件下收集了32个驾驶会话的数据集
- 在一致的实验条件下评估了12种深度学习架构(deep learning architectures)，包括TSCeption等模型
论文的核心创新点在于：
- 首次在真实道路驾驶条件下系统评估多种深度学习架构对EEG意图解码的性能，发现TSCeption模型表现最佳（平均准确率0.907，Macro-F1分数0.901）
- 证明了框架具有强时间稳定性(temporal stability)，能在动作执行前1000毫秒保持稳健的解码性能，性能下降最小
- 揭示了最小化EEG预处理优于传统的伪迹处理流程(artefact-handling pipelines)
- 发现预测性能在400-600毫秒区间达到峰值，这对应于驾驶动作前关键的神经准备阶段(neural preparatory phase)
论文对该领域的整体贡献包括：
- 通过系统性的真实世界实验，证明了基于EEG的驾驶员意图早期稳定解码的可行性
- 提供了公开的真实道路驾驶EEG数据集和代码，促进了该领域的研究可重复性
- 为开发更有效的脑机接口(BCI)驱动的高级驾驶辅助系统提供了实证基础和实用框架