驾驶模拟实验室：如何在驾驶场景下利用BCI对情绪进行检测

▶︎前言：

使用 BCI 检测情绪，特别是通过使用 EEG 检测情绪，处于非常先进的阶段，但很少有研究将这种方法应用于驾驶场景。适用于用例的大多数工作都将他们的工作重点放在检测情绪外部的其他方面，例如检测分心的认知状态或用户驾驶车辆时的意图。由于相对研究工作的稀缺，一些未知数仍有待解决，例如研究驾驶所需的注意力如何影响 EEG 情绪识别或在执行次要任务时可以检测到的maximum情绪数量。

►场景搭建：

这项工作研究和分析了 BCI 和脑电图在驾驶环境中检测情绪的用途。创建了一个包含以下元素的真实场景：

(i) 一个驾驶模拟器，让用户沉浸其中，为此使用城市汽车驾驶模拟器；

(ii) 声音刺激发生器，在本例中使用了立体声扬声器；

(iii) 声音刺激发生器模块，能够呈现与旨在激起的情绪直接相关的不同类型的声音，其中，强烈的交通声音或刺激性声音会引起愤怒，环境声音会产生中立或安宁，或音乐会引起愤怒引发愉快的心情；

(iv) BCI 耳机被用来捕捉受试者的脑电图。

一旦正确部署了先前的场景，就可以创建一个框架来识别驾驶环境中的情绪。该框架由与BCI周期相关的不同步骤组成。

首先，通过脑电仪获取脑电信号，再对其进行处理以消除潜在的噪声，进行特征提取过程，并应用不同的分类算法来研究其有效性。

一方面，测试的算法是有监督的ML算法，例如RF、KNN和XGBoost。另一方面，一组基于具有LSTM和CNN节点的网络的DL算法。

first个阶段侧重于与构成场景的外部代理进行通信。

第二个阶段负责数据收集和处理，其中应用各种技术将原始EEG数据转换为相关信息。

第三阶段用于使用特征提取技术提取相关信息。

第四阶段是通过特征选择来降低数据的维度。

last，DL和ML算法被用来预测第五阶段被试的情绪状态。

（实验遵循的协议结构）此外，实验是在使用模拟器和不使用模拟器的情况下进行的。通过这种方式，可以研究当驾驶模拟器的使用成为较前沿时，评价听觉刺激如何影响它们的，何时是主要任务以及何时它们是次要任务。

►实验结果

在这项工作中获得的结果显示了 ML 算法，尤其是 RF，如何获得准确度指标的较佳结果。可以看出，预测的类数越多，准确率越低。

在没有模拟器的情况下，二元模型的分类结果为 95-92%，三元模型为 77-63%，四元模型为 62-56%。同样，使用驾驶模拟器可提高所有情况下的模型精度，二元模型达到 99-98%，三元模型达到 97-92%，四元模型达到 92-83%。

在未来的工作中，建议增加受试者的数量以获得更较广的结果。通过这种方式，可以更确定地检查不同性别之间是否存在同质反应。此外，它旨在创建一个更加身临其境的场景，其中模拟器使用方向盘和踏板进行控制。另一方面，可以提高分类时的准确率，尤其是四种情绪的准确率。将使用更较广的算法集测试不同的技术。可以考虑与声波相关的特征以获得关于它们的更准确的信息。通过这种方式，分类算法将能够在声音特征和它们引起的状态之间建立关系。

►如果您想了解更多关于用于实验室建设配备的脑电信号采集设备，请留言联系我们免费咨询更多有关资讯哦。

►先进的脑机接口(BCI)应用程序。实时采集数据或者离线数据导入分析。

►通过Pure•EEG软件EPOC+能提供密集的记录数组,较佳品质、原始脑电图数据。