論文の概要: EEG-Driven Decoding Framework for Passenger Hazard Perception in Highly Automated Vehicles

• arxiv url: http://arxiv.org/abs/2609.07128v1
• Date: Mon, 07 Sep 2026 07:22:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.377246
• Title: EEG-Driven Decoding Framework for Passenger Hazard Perception in Highly Automated Vehicles
• Title（参考訳）: 高自動走行車における乗客ハザード認識のための脳波駆動型復号化フレームワーク
• Abstract要約: 危険予測(RP)と危険識別(DI)の両方に対して、乗客の神経応答を復号する脳波(EEG)ベースの脳-コンピュータインタフェース(BCI)を導入する。 利用者認知モデル(PCM)、リスク対応シークエンシャルラベリング(RSL)、および乗客脳波復号戦略(PEDS)を提案する。 実験の結果、3D-CRNN は RP で 95.3% pm 2.7% の平衡精度 (BA) を達成し、シングルオブジェクト DI を 80.9% pm 3.9% から 8,5.0% に改善した。
• 参考スコア（独自算出の注目度）: 32.95664371081981
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable risk assessment remains a central challenge for Autonomous Vehicles (AVs). Despite advances in automation, passenger cognition provides a non-intrusive auxiliary signal that improves both objective and perceived safety without requiring active human intervention. We introduce an Electroencephalogram (EEG)-based Brain-Computer Interface (BCI) that decodes passenger neural responses for both Risk Prediction (RP) and Danger Identification (DI), explicitly modeling humans as passengers to match real-world AV use. To achieve this, we propose the Passenger Cognitive Model (PCM), Risk-aware Sequential Labeling (RSL), and the Passenger EEG Decoding Strategy (PEDS), which integrates a 3D Convolutional Recurrent Neural Network (3D-CRNN) model for joint EEG decoding. Experimental results show that 3D-CRNN achieves a Balanced Accuracy (BA) of $95.3\% \pm 2.7\%$ in RP and improves single-subject DI from $80.9\% \pm 3.9\%$ to $85.0\% \pm 3.2\%$ with RSL. Event-wise analyses further show that 3D-CRNN consistently outperforms other models across different event types in RP and DI. In generalization experiments, 3D-CRNN achieves $77.0\% \pm 5.3\%$ BA in cross-session DI and $77.4\% \pm 1.1\%$ BA on seen subjects in cross-subject evaluation, while maintaining a $64.9\% \pm 8.5\%$ BA on unseen subjects, demonstrating promising generalizability and transferability across both intra-subject and inter-subject variability. These findings establish an Electroencephalogram (EEG) decoding framework for AV passenger hazard perception and suggest that passenger cognitive signals can provide auxiliary supervision for future AV decision-making and Safety of the Intended Functionality (SOTIF) support.
• Abstract（参考訳）: 信頼性の高いリスクアセスメントは、自律走行車(AV)にとって依然として中心的な課題である。 自動化の進歩にもかかわらず、乗客の認知は、アクティブな人間の介入を必要とせず、客観的かつ知覚的な安全性を改善する非侵入的な補助信号を提供する。 危険予測 (RP) と危険識別 (DI) の両方に対して、乗客の神経応答をデコードする脳波図 (EEG) ベースの脳-コンピュータインタフェース (BCI) を導入し、現実世界のAV使用に合わせるために、明確に人間を乗客としてモデル化する。 そこで我々は,共同脳波復号のための3次元畳み込みリカレントニューラルネットワーク(3D-CRNN)モデルを統合した,PCM(Passenger Cognitive Model),RSL(Aware Sequential Labeling),PEDS(Passenger EEG Decoding Strategy)を提案する。 実験の結果、3D-CRNN は RP において 95.3 % \pm 2.7 %$ のバランス精度(BA)を達成し、単一オブジェクト DI を 80.9 % \pm 3.9 % から 85.0 % \pm 3.2 % に改善した。 イベントワイズ分析はさらに、3D-CRNNがRPとDIの異なるイベントタイプで、他のモデルよりも一貫して優れていることを示している。 一般化実験では、3D-CRNNは、クロスセッションDIにおける77.0\% \pm 5.3\%$ BAと、クロスオブジェクト評価における観察対象者に対する77.4\% \pm 1.1\%$ BAを達成し、未確認対象者に対する74.9\% \pm 8.5\%$ BAを維持し、オブジェクト内およびオブジェクト間変動性の両方において有望な一般化性と伝達性を示す。 これらの知見は, 心電図(EEG)デコーディングの枠組みを確立し, 将来の心電図決定のための補助的監視と, SOTIF(Intended Functionality)サポートの提供を示唆している。

関連論文リスト

• SingGuard-NSFA: Extensible Guardrails for Agentic AI via Generative Reasoning and Real-Time Classification [0.0]
  nsfaguardは、エージェントAIシステムを運用上の脅威から保護するためのガードレールフレームワークである。 まず,185種のリスク変異をCIA-Triad-grounded 階層に分類するNSFA分類について紹介する。 凍結したバックボーン上の識別的分類ヘッドと解釈可能なオフライン監査のためのSFTに基づく生成推論を組み合わせたデュアルモードアプローチを開発した。
  論文  参考訳（メタデータ） (2026-07-13T07:28:45Z)
• ROAR: Robust Accident Recognition and Anticipation for Autonomous Driving [17.936492070548]
  既存の手法では、センサーの故障、環境障害、データ不完全性といった課題を克服し、理想的な条件を想定することが多い。 本研究は,事故検出と予測のための新しいアプローチであるROARを紹介する。 ROARは、自己適応型オブジェクト認識モジュールである離散ウェーブレット変換(DWT)と、これらの課題に取り組むための動的焦点損失を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-11-09T04:55:37Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Consensus-Aware AV Behavior: Trade-offs Between Safety, Interaction, and Performance in Mixed Urban Traffic [0.0]
  自動走行車(AV)の安全性、相互作用品質、交通性能のコンセンサスを定量化することを目的としている。 Time-to-Collision (TTC), Post-Encroachment Time (PET), deceleration pattern, Headway, string stabilityなど,主要な指標を評価した。 その結果,AV-VRUインタラクションフレームの1.63%が3つの条件をすべて満たしているという,安全性,インタラクション,パフォーマンスに関する完全なコンセンサスは稀であることがわかった。
  論文  参考訳（メタデータ） (2025-05-07T12:59:59Z)
• Predicting Driver's Perceived Risk: a Model Based on Semi-Supervised Learning Strategy [7.227510169013427]
  ドライバーの主観的リスク(DSPR)モデルは、異方性と減衰を動的に引き起こすメカニズムとして認識されるリスクについて提案される。 20人の参加者がドライバー・イン・ザ・ループ実験のために採用され、様々な自動走行シナリオを経験する際に、リアルタイムの主観的リスクレーティング(SRR)を報告します。 DSPRは3つの最先端リスクモデルと比較して、SRRの予測において87.91%の予測精度を達成している。
  論文  参考訳（メタデータ） (2025-04-17T05:50:33Z)
• Passenger hazard perception based on EEG signals for highly automated driving vehicles [23.322910031715583]
  本研究は,乗用車間相互作用の神経機構を解明し,乗用車認知モデル(PCM)と乗用車脳波復号戦略(PEDS)の開発に繋がるものである。 Central to PEDSは、空間的および時間的脳波データパターンをキャプチャする新しい畳み込みリカレントニューラルネットワーク(CRNN)である。 我々の研究は、事前観測された脳波データの予測能力、危険シナリオの検出の強化、より安全な自動運転車のためのネットワーク駆動型フレームワークの提供を強調した。
  論文  参考訳（メタデータ） (2024-08-29T07:32:30Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• Runtime Stealthy Perception Attacks against DNN-based Adaptive Cruise Control Systems [8.561553195784017]
  本稿では,実行時認識攻撃下での深層ニューラルネットワークを用いたACCシステムのセキュリティ評価を行う。 攻撃を誘発する最も重要な時間を選択するための文脈認識戦略を提案する。 提案攻撃の有効性を,実車,公用運転データセット,現実的なシミュレーションプラットフォームを用いて評価した。
  論文  参考訳（メタデータ） (2023-07-18T03:12:03Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)

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。