論文の概要: Masked EEG Modeling for Driving Intention Prediction

• arxiv url: http://arxiv.org/abs/2408.07083v1
• Date: Thu, 8 Aug 2024 03:49:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-15 15:18:29.476277
• Title: Masked EEG Modeling for Driving Intention Prediction
• Title（参考訳）: 運転意図予測のための仮面脳波モデリング
• Authors: Jinzhao Zhou, Justin Sia, Yiqun Duan, Yu-Cheng Chang, Yu-Kai Wang, Chin-Teng Lin,
• Abstract要約: 本稿では,BCI支援運転における新たな研究方向を開拓し,運転意図に関連する神経パターンについて検討する。 本研究では,左旋回,右旋回,ストレート進行といった人間の運転意図を予測する新しい脳波モデリングフレームワークを提案する。 本モデルでは, 運転意図予測時に85.19%の精度を達成し, 交通事故の軽減に期待できる可能性を示した。
• 参考スコア（独自算出の注目度）: 27.606175591082756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Driving under drowsy conditions significantly escalates the risk of vehicular accidents. Although recent efforts have focused on using electroencephalography to detect drowsiness, helping prevent accidents caused by driving in such states, seamless human-machine interaction in driving scenarios requires a more versatile EEG-based system. This system should be capable of understanding a driver's intention while demonstrating resilience to artifacts induced by sudden movements. This paper pioneers a novel research direction in BCI-assisted driving, studying the neural patterns related to driving intentions and presenting a novel method for driving intention prediction. In particular, our preliminary analysis of the EEG signal using independent component analysis suggests a close relation between the intention of driving maneuvers and the neural activities in central-frontal and parietal areas. Power spectral density analysis at a group level also reveals a notable distinction among various driving intentions in the frequency domain. To exploit these brain dynamics, we propose a novel Masked EEG Modeling framework for predicting human driving intentions, including the intention for left turning, right turning, and straight proceeding. Extensive experiments, encompassing comprehensive quantitative and qualitative assessments on public dataset, demonstrate the proposed method is proficient in predicting driving intentions across various vigilance states. Specifically, our model attains an accuracy of 85.19% when predicting driving intentions for drowsy subjects, which shows its promising potential for mitigating traffic accidents related to drowsy driving. Notably, our method maintains over 75% accuracy when more than half of the channels are missing or corrupted, underscoring its adaptability in real-life driving.
• Abstract（参考訳）: 眠気条件下での運転は、車両事故のリスクを著しく増大させる。 最近の研究は、脳波を使って眠気を検知し、運転による事故を防ぐことに重点を置いているが、運転シナリオにおけるシームレスな人間と機械の相互作用には、より汎用的な脳波ベースのシステムが必要である。 このシステムは、急激な動きによって引き起こされたアーティファクトにレジリエンスを示すとともに、運転者の意図を理解することができるべきである。 本稿では、BCI支援運転における新しい研究方向の開拓、運転意図に関連する神経パターンの研究、運転意図予測のための新しい方法を提案する。 特に, 独立成分分析を用いた脳波信号の予備解析では, 運転意図と中枢前頭葉と頭頂部における神経活動との密接な関係が示唆された。 群レベルでのパワースペクトル密度解析は、周波数領域における様々な駆動意図の顕著な区別も示している。 これらの脳のダイナミクスを活用するために,左旋回,右旋回,ストレート進行といった人間の運転意図を予測する新しい脳波モデリングフレームワークを提案する。 公共データセットの総合的量的および質的評価を含む広範囲な実験により、提案手法は様々な警戒状態における運転意図を予測するのに十分であることを示す。 具体的には,ドロージー運転に関する交通事故の軽減に期待できる可能性を示す,ドロージー運転者の運転意図の予測において,85.19%の精度が得られた。 特に,提案手法は,半数以上のチャネルが失われたり破損した場合の75%以上の精度を維持し,実生活運転における適応性を裏付けるものである。

関連論文リスト

• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• CPSOR-GCN: A Vehicle Trajectory Prediction Method Powered by Emotion and Cognitive Theory [0.07499722271664144]
  本稿では,新しい軌道予測モデルCPSOR-GCNを提案する。 物理的レベルでは、車両間の相互作用特徴は、物理GCNモジュールによって抽出される。 認知レベルでは、SOR認知理論は、動的ベイズネットワーク(DBN)構造を構築するための事前知識として用いられる。
  論文  参考訳（メタデータ） (2023-11-14T11:13:00Z)
• Towards Safe Autonomy in Hybrid Traffic: Detecting Unpredictable Abnormal Behaviors of Human Drivers via Information Sharing [21.979007506007733]
  提案アルゴリズムは高速道路と都市交通の両方において優れた検出性能を有することを示す。 最高の性能は97.3%、平均検出遅延1.2、誤警報0である。
  論文  参考訳（メタデータ） (2023-08-23T18:24:28Z)
• FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
  非客観的運転経験はモデル化が難しい。 本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。 インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
  論文  参考訳（メタデータ） (2022-12-05T08:25:09Z)
• A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
  アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。 本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。 本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
  論文  参考訳（メタデータ） (2022-11-16T20:00:38Z)
• Driving Anomaly Detection Using Conditional Generative Adversarial Network [26.45460503638333]
  本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。 この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。 結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
  論文  参考訳（メタデータ） (2022-03-15T22:10:01Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• DRIVE: Deep Reinforced Accident Anticipation with Visual Explanation [36.350348194248014]
  交通事故予測は、ダッシュカムビデオから将来の事故の発生を正確にかつ迅速に予測することを目的としている。 既存のアプローチは通常、将来の事故が起こる前に、空間的および時間的文脈の手がかりを捉えることに重点を置いている。 本稿では, DRIVE という視覚表現を用いた深部強化型事故予測手法を提案する。
  論文  参考訳（メタデータ） (2021-07-21T16:33:21Z)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)
• Driver Intention Anticipation Based on In-Cabin and Driving Scene Monitoring [52.557003792696484]
  本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。 本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
  論文  参考訳（メタデータ） (2020-06-20T11:56:32Z)
• Deep Learning with Attention Mechanism for Predicting Driver Intention at Intersection [2.1699196439348265]
  提案手法は、高度運転支援システム(ADAS)および自動運転車のアクティブ安全システムの一部として適用されることを約束している。 提案手法の性能評価を行い,本手法が他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-10T16:12:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。