論文の概要: Understanding Mental States in Active and Autonomous Driving with EEG

• arxiv url: http://arxiv.org/abs/2512.09190v1
• Date: Tue, 09 Dec 2025 23:30:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.34456
• Title: Understanding Mental States in Active and Autonomous Driving with EEG
• Title（参考訳）: 脳波を用いたアクティブ・自律運転における精神状態の理解
• Authors: Prithila Angkan, Paul Hungler, Ali Etemad,
• Abstract要約: 本稿では,脳波による認知負荷,疲労,覚醒の比較を行った。 どちらのモードも同様の傾向を複雑度にわたって引き起こすが、精神状態の強さと基礎となる神経の活性化は著しく異なる。
• 参考スコア（独自算出の注目度）: 33.344042380346245
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Understanding how driver mental states differ between active and autonomous driving is critical for designing safe human-vehicle interfaces. This paper presents the first EEG-based comparison of cognitive load, fatigue, valence, and arousal across the two driving modes. Using data from 31 participants performing identical tasks in both scenarios of three different complexity levels, we analyze temporal patterns, task-complexity effects, and channel-wise activation differences. Our findings show that although both modes evoke similar trends across complexity levels, the intensity of mental states and the underlying neural activation differ substantially, indicating a clear distribution shift between active and autonomous driving. Transfer-learning experiments confirm that models trained on active driving data generalize poorly to autonomous driving and vice versa. We attribute this distribution shift primarily to differences in motor engagement and attentional demands between the two driving modes, which lead to distinct spatial and temporal EEG activation patterns. Although autonomous driving results in lower overall cortical activation, participants continue to exhibit measurable fluctuations in cognitive load, fatigue, valence, and arousal associated with readiness to intervene, task-evoked emotional responses, and monotony-related passive fatigue. These results emphasize the need for scenario-specific data and models when developing next-generation driver monitoring systems for autonomous vehicles.
• Abstract（参考訳）: ドライバーの精神状態がアクティブ運転と自律運転でどのように異なるかを理解することは、安全な人間と車両のインターフェースを設計するのに重要である。 本稿では,脳波による認知負荷,疲労,原子価,覚醒の2つのモード間での比較を行った。 3つの異なる複雑性レベルのシナリオで同一のタスクを行う31人の参加者のデータを用いて、時間的パターン、タスク複雑度効果、チャネルワイドのアクティベーション差を分析した。 以上の結果から,両モードが複雑度にまたがる同様の傾向を誘発するが,精神状態の強度と神経の活性化は著しく異なり,アクティブ運転と自律運転の間に明らかな分布変化があることが示唆された。 移動学習実験は、アクティブな運転データに基づいてトレーニングされたモデルが、自律運転にはあまり一般化せず、その逆も可能であることを確認した。 この分布変化は、主に2つの駆動モード間の運動エンゲージメントと注意的要求の相違が原因であり、空間的および時間的脳波活性化パターンの相違につながると考えられる。 自律運転は、全体の皮質活性化を低下させるが、参加者は、介入する準備、タスク誘発感情反応、および単調関連受動的疲労に関連する認知的負荷、疲労、原子価、覚醒の計測可能な変動を示し続けている。 これらの結果は、自動運転車の次世代運転監視システムを開発する際に、シナリオ固有のデータとモデルの必要性を強調している。

関連論文リスト

• DriveAgent-R1: Advancing VLM-based Autonomous Driving with Active Perception and Hybrid Thinking [33.98300989562812]
  本稿では,計画のためのアクティブな認識が可能な最初の自律運転エージェントであるDriveAgent-R1を紹介する。 複雑なシナリオでは、DriveAgent-R1は視覚的推論を行うためのツールを積極的に呼び出し、その決定を視覚的証拠にしっかりと基礎づける。 本稿では,人間ドライバーの認知パターンにインスパイアされたハイブリッド思考フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-28T14:33:15Z)
• Markov Regime-Switching Intelligent Driver Model for Interpretable Car-Following Behavior [19.229274803939983]
  我々は、運転動作を異なるIDMパラメータセットで制御できるレギュラースイッチングフレームワークを導入する。 IDM力学を用いたファクショナル隠れマルコフモデルを用いてフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2025-06-17T17:55:42Z)
• A Driving Regime-Embedded Deep Learning Framework for Modeling Intra-Driver Heterogeneity in Multi-Scale Car-Following Dynamics [5.579243411257874]
  本稿では、離散駆動方式を車体運動予測に組み込む新しいデータ駆動型自動車追従フレームワークを提案する。 提案したハイブリッドディープラーニングアーキテクチャは、離散運転系統分類のためのGated Recurrent Unitsと、連続的キネマティック予測のためのLong Short-Term Memory Networkを組み合わせたものである。 このフレームワークはアクセラレーションの予測誤差を著しく減らし(最大MSE改善は58.47%に達した)、速度と距離を計測し、重要な交通現象を再現する。
  論文  参考訳（メタデータ） (2025-06-06T09:19:33Z)
• Predicting Multitasking in Manual and Automated Driving with Optimal Supervisory Control [2.0794380287086214]
  本稿では、運転中に人間のマルチタスクをシミュレートする計算認知モデルを提案する。 最適監督制御理論に基づいて、マルチタスクが運転要求、対話的タスク、自動化レベルの変化にどのように適応するかを予測する。
  論文  参考訳（メタデータ） (2025-03-23T08:56:53Z)
• DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
  DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。 タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。 シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-07T11:41:18Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• Persistent-Transient Duality: A Multi-mechanism Approach for Modeling Human-Object Interaction [58.67761673662716]
  人間は高度に適応可能で、異なるタスク、状況、状況を扱うために異なるモードを素早く切り替える。 人間と物体の相互作用(HOI)において、これらのモードは、(1)活動全体に対する大規模な一貫した計画、(2)タイムラインに沿って開始・終了する小規模の子どもの対話的行動の2つのメカニズムに起因していると考えられる。 本研究は、人間の動作を協調的に制御する2つの同時メカニズムをモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-07-24T12:21:33Z)
• What's on your mind? A Mental and Perceptual Load Estimation Framework towards Adaptive In-vehicle Interaction while Driving [55.41644538483948]
  精神的な作業量と知覚的負荷が心理生理学的次元に及ぼす影響を分析する。 これらの測定値の融合により、心的および知覚的負荷レベルを分類する。 我々は、最大89%のメンタルワークロード分類精度を報告し、リアルタイムに最小限のソリューションを提供する。
  論文  参考訳（メタデータ） (2022-08-10T21:19:49Z)

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。