CN112784397A - 利用错误监控生成驾驶员熟练用的驾驶模型的装置和方法 - Google Patents
利用错误监控生成驾驶员熟练用的驾驶模型的装置和方法 Download PDFInfo
- Publication number
- CN112784397A CN112784397A CN202011138862.2A CN202011138862A CN112784397A CN 112784397 A CN112784397 A CN 112784397A CN 202011138862 A CN202011138862 A CN 202011138862A CN 112784397 A CN112784397 A CN 112784397A
- Authority
- CN
- China
- Prior art keywords
- driver
- driving
- moving tool
- model generation
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 210000004556 brain Anatomy 0.000 claims abstract description 124
- 238000004458 analytical method Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 13
- 238000005094 computer simulation Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 description 40
- 230000008569 process Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 21
- 238000005259 measurement Methods 0.000 description 16
- 239000000470 constituent Substances 0.000 description 15
- 230000000638 stimulation Effects 0.000 description 11
- 208000019901 Anxiety disease Diseases 0.000 description 10
- 230000036506 anxiety Effects 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 210000003128 head Anatomy 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 210000005153 frontal cortex Anatomy 0.000 description 7
- 230000007177 brain activity Effects 0.000 description 6
- 210000003710 cerebral cortex Anatomy 0.000 description 6
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000003920 cognitive function Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000000537 electroencephalography Methods 0.000 description 5
- 230000000763 evoking effect Effects 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 210000001652 frontal lobe Anatomy 0.000 description 4
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 4
- 230000001936 parietal effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007958 sleep Effects 0.000 description 4
- 229960003638 dopamine Drugs 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000002269 spontaneous effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003291 dopaminomimetic effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000004326 gyrus cinguli Anatomy 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000006996 mental state Effects 0.000 description 2
- 210000000869 occipital lobe Anatomy 0.000 description 2
- 210000002442 prefrontal cortex Anatomy 0.000 description 2
- 230000008433 psychological processes and functions Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000003323 beak Anatomy 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005281 excited state Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000035987 intoxication Effects 0.000 description 1
- 231100000566 intoxication Toxicity 0.000 description 1
- 230000008449 language Effects 0.000 description 1
- 238000002582 magnetoencephalography Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000037023 motor activity Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000004526 pharmaceutical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000000977 primary visual cortex Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000392 somatic effect Effects 0.000 description 1
- 210000004092 somatosensory cortex Anatomy 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012030 stroop test Methods 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/38—Acoustic or auditory stimuli
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W2040/0818—Inactivity or incapacity of driver
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W2040/0818—Inactivity or incapacity of driver
- B60W2040/0863—Inactivity or incapacity of driver due to erroneous selection or response of the driver
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W2040/0872—Driver physiology
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
- B60W2540/22—Psychological state; Stress level or workload
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
- B60W2540/221—Physiology, e.g. weight, heartbeat, health or special needs
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2400/00—Special features of vehicle units
- B60Y2400/30—Sensors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychology (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Mathematical Physics (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Fuzzy Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Acoustics & Sound (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及利用错误监控生成驾驶员熟练用的驾驶模型的装置和方法。本文公开了一种用于生成驾驶模型的装置和方法。驾驶模型生成方法包括:感测从而在预定时间内收集移动工具驾驶员的脑电波信号;通过分析在预定时间内收集的脑电波信号来确定驾驶员状态;基于确定的驾驶员状态来检测移动工具的操作信息和驾驶信息中的至少一个,并且存储检测到的信息。在此,脑电波信号包括事件相关电位(ERP),并且确定驾驶员状态包括通过分析ERP来确定驾驶员是否处于不稳定状态。
Description
相关申请的交叉引用
本申请要求于2019年10月22日提交的韩国专利申请No.10-2019-0131118的优先权和权益,其全部内容通过引用并入本文以用于所有目的。
技术领域
本发明涉及一种移动工具控制方法和装置。更具体地,本发明涉及基于错误监控的移动工具控制方法和装置。
背景技术
本部分中的陈述仅提供与本发明有关的背景信息,并且不会构成现有技术。
作为一种运输工具,车辆(或移动工具)是现代世界中用于生活的工具。此外,对于某些人来说,车辆本身可以被认为是具有特殊意义的物品。
随着技术的进步,车辆提供的功能也逐渐发展。例如,近年来,车辆不仅将乘客运送到目的地,还满足了乘客更快、更安全地到达目的地的需求。此外,为了满足乘客的审美品味和舒适度,向车辆系统中添加了新设备。另外,还开发了诸如方向盘、变速器和加速/减速设备的现有设备,以便可以为用户提供更多功能。
同时,大脑-计算机接口或大脑-机器接口是通过利用脑电波信号来根据人的意向控制计算机或机器的领域。事件相关电位(Event-Related Potential,ERP)与认知功能密切相关。
发明内容
本发明的目的是提供一种用于生成驾驶员熟练用的驾驶模型的装置和方法。
本发明的另一个目的是提供一种基于驾驶员状态对移动工具的操作或驾驶状况进行建模的装置和方法。
本发明的又一个目的是提供一种通过利用错误监控来确定驾驶员状态的装置和方法。
本发明的又一个目的是提供一种基于驾驶员状态来检测移动工具的操作或驾驶状况的装置和方法。
本发明的技术目的不限于上述技术目的,并且本领域技术人员通过以下描述将清楚地理解未提及的其他技术目的。
本发明可以提供一种驾驶模型生成装置,所述装置包括传感器、分析器和存储器,所述传感器在预定时间内收集移动工具驾驶员的脑电波信号,所述分析器通过分析在预定时间内收集的脑电波信号来确定驾驶员状态,并且基于确定的驾驶员状态来检测移动工具的操作信息和驾驶信息中的至少一个,所述存储器存储检测到的信息。脑电波信号包括事件相关电位(ERP),并且分析器通过分析ERP来确定驾驶员是否处于不稳定状态。
根据一个实施方案,事件相关电位(ERP)可以包括错误相关负波(ERN)和错误正波(Pe)中的至少一个。
根据一个实施方案,事件相关电位(ERP)可以进一步包括正确相关负波(CRN)和正确正波(Pc)中的至少一个。
根据一个实施方案,分析可以将在预定时间内收集的事件相关电位的幅度与第一阈值进行比较。
根据一个实施方案,第一阈值可以根据ERP的类型和获得ERP的驾驶员中的至少一个确定为不同。
根据一个实施方案,分析器可以根据每个频带对在预定时间内收集的脑电波信号进行划分,并且通过将划分的每个频带的脑电波信号的幅度与第二阈值进行比较来进一步确定驾驶员是否处于不稳定状态。
根据一个实施方案,划分的每个频带的脑电波信号可以包括θ波、α波和β波中的至少一个。
根据一个实施方案,第二阈值可以根据每个频带的脑电波信号的类型确定为不同。
根据一个实施方案,当ERP的分析结果和每个频带的脑电波信号的分析结果表明驾驶员处于不稳定状态时,分析器可以最终确定出驾驶员处于不稳定状态。
根据一个实施方案,传感器还可以包括移动工具中包括的速度测量单元、影像获取单元、声音获取单元、车轮监控单元和操纵装置单元中的至少一个。
根据一个实施方案,当驾驶员状态确定为不稳定状态时,分析器可以通过利用移动工具中包括的速度测量单元、影像获取单元、声音获取单元、车轮监控单元和操纵装置单元中的至少一个来检测移动工具的操作信息和驾驶信息中的至少一个。
根据一个实施方案,存储器可以包括检测到的移动工具的操作信息和驾驶信息中的至少一个,移动工具的操作信息可以包括移动工具的操作以及与所述操作相对应的位置、日期、时间、速度和影像中的至少一个,并且移动工具的驾驶信息可以包括移动工具的行驶路径和移动工具正在进行的至少一个事件。
根据一个实施方案,还可以包括对行驶路径进行建模的模拟单元,并且所述模拟单元可以基于驾驶员状态是否确定为不稳定状态来对移动工具的驾驶状况和操作中的至少一个进行建模。
根据一个实施方案,对于当驾驶员状态确定为不稳定状态时移动工具的预定操作,模拟单元可以对与所述预定操作相关的虚拟驾驶状况进行建模。
另外,本发明可以提供一种驾驶模型生成方法,所述方法包括:感测步骤,其在预定时间内收集移动工具驾驶员的脑电波信号;确定步骤,其通过分析在预定时间内收集的脑电波信号来确定驾驶员状态;检测步骤,基于确定的驾驶员状态来检测移动工具的操作信息和驾驶信息中的至少一个;存储步骤,其存储检测到的信息。脑电波信号包括事件相关电位(ERP),并且确定步骤包括通过分析ERP来确定驾驶员是否处于不稳定状态。
根据一个实施方案,事件相关电位(ERP)可以包括错误相关负波(ERN)和错误正波(Pe)中的至少一个。
根据一个实施方案,事件相关电位(ERP)可以进一步包括正确相关负波(CRN)和正确正波(Pc)中的至少一个。
根据一个实施方案,分析可以将在预定时间内收集的事件相关电位的幅度与第一阈值进行比较。
根据一个实施方案,第一阈值可以根据ERP的类型和获得ERP的驾驶员中的至少一个确定为不同。
根据一个实施方案,确定步骤可以进一步包括:根据频带对在预定时间内收集的脑电波信号进行划分,并且通过将划分的每个频带的脑电波信号的幅度与第二阈值进行比较来确定驾驶员是否处于不稳定状态。
根据一个实施方案,划分的每个频带的脑电波信号可以包括θ波、α波和β波中的至少一个。
根据一个实施方案,第二阈值可以根据每个频带的脑电波信号的类型确定为不同。
根据一个实施方案,确定步骤可以进一步包括:当ERP的分析结果和每个频带的脑电波信号的分析结果表明驾驶员处于不稳定状态时,最终确定出驾驶员处于不稳定状态。
根据一个实施方案,感测步骤可以进一步包括移动工具中包括的速度测量单元、影像获取单元、声音获取单元、车轮监控单元和操纵装置单元中的至少一个。
根据一个实施方案,检测步骤可以包括通过利用移动工具中包括的速度测量单元、影像获取单元、声音获取单元、车轮监控单元和操纵装置单元中的至少一个来检测移动工具的操作信息和驾驶信息中的至少一个。
根据一个实施方案,存储步骤可以包括存储检测到的移动工具的操作信息和驾驶信息中的至少一个,移动工具的操作信息可以包括移动工具的操作以及与所述操作相对应的位置、日期、时间、速度和影像中的至少一个,并且移动工具的驾驶信息可以包括移动工具的行驶路径和移动工具正在进行的至少一个事件。
根据一个实施方案,可以进一步包括对行驶路径进行建模的模拟步骤,所述模拟步骤可以包括基于驾驶员状态是否确定为不稳定状态来对移动工具的驾驶状况和操作中的至少一个进行建模。
根据一个实施方案,对于当驾驶员状态确定为不稳定状态时移动工具的预定操作,模拟步骤可以包括对与所述预定操作相关的虚拟驾驶状况进行建模。
上面关于本发明简要概述的特征仅仅是本发明下文详细描述的示例性方面,并且不限制本发明的范围。
附图说明
为了可以更好地理解本发明,现在将参考附图借助于示例来描述本发明的各个实施方案,在附图中:
图1是示出本发明的一个实施方案的ERN的通常波形的图;
图2是示出根据本发明的一个实施方案的ERN和Pe的通常波形的图;
图3是示出根据本发明的另一个实施方案的Pe的偏转特性的图;
图4A和图4B是分别示出本发明的一个实施方案的ERP和Pe的测量区域的图;
图5是示出根据本发明的一个实施方案的ERN和CRN的通常波形的图;
图6是示出根据本发明的一个实施方案的与大脑皮层区域相对应的EEG测量通道的图;
图7是示出根据本发明的一个实施方案的利用错误监控的驾驶模型生成装置的配置的框图。
图8是示出根据本发明的一个实施方案当目标ERP为ERN和Pe时的测量时间范围的图。
图9是示出根据本发明的一个实施方案当目标ERP分别为ERN和Pe时将目标ERP与预定阈值进行比较过程的图。
图10A和图10B是示出根据本发明的一个实施方案将每个频带的脑电波信号与预定阈值进行比较的过程的图。
图11是示出根据本发明的另一个实施方案的利用错误监控的驾驶模型生成装置的配置的框图。
图12是示出根据本发明的一个实施方案的利用错误监控的驾驶模型生成方法的流程图。
具体实施方式
以下描述在本质上仅仅是示例性的,并非旨在限制本发明、应用或用途。应当理解,在整个附图中,相应的附图标记表示相同或相应的部件和特征。
将详细描述本发明的示例性实施方案,以使得本领域的普通技术人员结合附图容易地理解和实现由本发明提供的装置和方法。然而,本发明可以采用各种实施方案来实施,并且本发明的范围不应被解释为限于示例性实施方案。
在描述本发明的实施方案时,当公知的功能或构造可能使本发明的精神模糊时,将不对其进行详细描述。
在本发明中,将理解的是,当一个元件被称为“连接至”、“联接至”或“组合至”另一元件时,其可以直接连接至或联接至或组合至另一元件,或者在它们之间可以存在中间元件。将进一步理解的是,当在本发明中使用时,术语“包含”、“包括”、“具有”等表示存在所述特征、数值、步骤、操作、元件、组件和/或其组合,但不排除存在或添加一个或多个其他特征、数值、步骤、操作、元件、组件和/或其组合。
将理解的是,尽管本文可以利用术语“第一”、“第二”等描述各个元件,但是这些元件不受这些术语的限制。这些术语仅用于区分一个元件与另一个元件,而不用于显示元件之间的顺序或优先级。例如,下面讨论的第一元件可以被称为第二元件,而不偏离本发明的教导。类似地,第二元件也可以被称为第一元件。
在本发明中,称呼不同的元件是为了清楚描述各种元件的特征,并不意味着这些元件在物理上彼此分开。即,可以将多个不同的元件组合成单个硬件单元或单个软件单元,相反,一个元件可以通过多个硬件单元或软件单元实现。因此,尽管没有具体说明,但是各种元件的集成形式或一个元件的分离形式可以落入本发明的范围内。而且,诸如“单元”或“模块”之类的术语应被理解为处理至少一个功能或操作并且可以实施为硬件方式(例如,处理器)、软件方式或硬件方式与软件方式的组合的单元。
在本发明中,以各种形式描述的所有组成元件不应被解释为必要元件,一些组成元件可能是任选元件。因此,由组成元件的各个子集以某种形式配置的实施方案也可以落入本发明的范围内。另外,通过将一个或多个元件添加到各种元件而配置的实施方案也落入本发明的范围内。
作为构成大脑的神经元的脑电活动,脑电波信号(或脑信号、脑电波)表示直接和间接反映人的有意识状态或无意识状态的生物信号。可以在人体头皮的每个区域中测量脑电波信号,其波长的频率主要为30Hz或更低,并且电位差为几微伏。根据大脑活动和状态,可能会出现各种波形。利用根据人的意向的脑电波信号进行接口控制的研究正在进行之中。可以通过利用脑电图(Electro Encephalo Graphy,EEG)、磁脑图(Magneto EncephaloGraphy,MEG)、功能性磁共振成像(functional Magnetic Resonance Imaging,fMRI)或近红外光谱(functional Near-Infrared Spectroscopy,fNIRS)来获得脑电波信号,所述EEG利用由大脑活动引起的电信号,所述MEG利用与电信号一起发生的磁信号,所述fMRI或fNIRS利用血液中氧饱和度的变化。尽管fMRI和fNIRS是测量大脑活动的有用技术,但通常fMRI的时间分辨率较低,而fNIRS的空间分辨率较低。由于这些限制,EEG信号由于其可移植性和时间分辨率而被广泛使用。
脑电波信号会根据大脑活动而在空间上随时间变化。由于脑电波信号通常难以分析并且其波形不易于视觉分析,因此提出了各种处理方法。
例如,根据振荡的次数(频率),可以基于频带对脑电波信号进行划分(功率谱划分)。该划分将测量出的脑电波信号视为每个特定频率下简单信号的线性总和,将该信号分解为每个频率分量并指示相应的幅度。通过利用通常用于噪声消除的预处理、傅立叶变换至频域以及带通滤波器(BPF),可以获得每个频率的脑电波信号。
更具体地,根据频带,脑电波可以分成δ波、θ波、α波、β波和γ波。δ波是频率为3.5Hz或以下、幅度为20μV~200μV的脑电波,其主要出现在正常深度睡眠或新生儿中。此外,随着我们对物理世界的了解减少,δ波可能会增加。通常,θ波是频率为3.5Hz~7Hz的脑电波,其主要出现在情绪稳定状态或睡眠中。
另外,θ波主要在顶叶皮层和枕叶皮层中产生,并且可能在回忆或冥想的平静专注时出现。另外,在出现压力时,θ波的幅度可能会增加。通常,α波是频率为7Hz~12Hz的脑电波,其主要出现在放松和舒适的状态下。另外,α波通常在休息时在枕叶皮层中产生,并且在睡眠中可能减少。通常,β波是频率为12Hz~30Hz的脑电波,主要出现在可以忍受的紧张状态下,或者在一定程度的关注时出现。此外,β波主要在额叶皮层中产生,与觉醒状态或大脑活动集中、病理现象和药物作用相关。β波可能会出现在整个大脑的广阔区域中。另外,具体地,可以将β波分为频率为12Hz~15Hz的SMR波、频率为15Hz~18Hz的中β波和频率为20Hz以上的高β波。由于β波在焦虑和紧张等压力下似乎更强,因此被称为压力波。γ波是通常具有30Hz~50Hz频率的脑电波,主要出现在强烈兴奋的状态或高级认知信息处理过程中。此外,γ波可能会在意识觉醒的状态下和REM睡眠过程中出现,并且可能与β波重叠。
取决于频带的每个脑电波信号都与特定的认知功能相关。例如,δ波与睡眠相关,θ波与工作记忆相关,而α波与关注或压抑相关。因此,每个频带的脑电波信号的性质选择性地显示特定的认知功能。另外,在头部表面上的每个测量部位中,每个频带的脑电波信号可能会显示出一些不同的外观。大脑皮层可分为额叶皮层、顶叶皮层、颞叶皮层和枕叶皮层。这些部位可能具有一些不同的作用。例如,对应于头后部的枕叶皮层具有初级视觉皮层,因此可以主要处理视觉信息。位于头顶部附近的顶叶皮层具有体感皮层,因此可以处理运动/感官信息。另外,额叶皮层可以处理与记忆和思维相关的信息,颞叶皮层可以处理与听觉和嗅觉相关的信息。
同时,对于另一个示例,可以通过利用事件相关电位(Event-Related Potential,ERP)来分析脑电波信号。ERP是与外界刺激或内部心理过程相关的脑电变化。ERP是指在出现刺激后的一定时间内由刺激引起的包括大脑的脑电活动的信号,所述刺激包括特定信息(例如,影像、语音、声音、执行命令等)。
为了分析ERP,需要一种将信号与噪声分离的过程。可以主要使用均值法。特别地,通过对基于刺激开始时间测量的脑电波取均值,可以去除与刺激无关的脑电波,并且仅挑选出相关电位,即通常与刺激处理相关的大脑活动。
由于ERP具有较高的时间分辨率,因此其与认知功能的研究密切相关。ERP是由外部刺激诱发或与内部状态相关的电现象。根据刺激的类型,ERP可以分为听觉相关电位、视觉相关电位、躯体感觉相关电位和嗅觉相关电位。根据刺激的性质,ERP可以分为外源性ERP和内源性ERP。外源性ERP的波形由外部刺激决定,与自动处理相关,主要出现在受到刺激的初始阶段。例如,外源性ERP是脑干电位。另一方面,内源性ERP由内部认知过程或心理过程或状态决定,与刺激无关,并且与“受控过程”相关。例如,内源性ERP是P300、N400、P600、关联性负变(Contingent Negative Variation,CNV)等。
ERP峰的名称通常包括极性和潜伏期,每个信号的峰都有各自的定义和含义。例如,正电位为P,负电位为N,P300表示刺激开始后约300ms测得的正峰值。另外,根据出现顺序应用1、2、3或a、b、c等。例如,P3表示刺激开始后波形中的第三正电位。
在下文中,将描述各种ERP。
例如,N100与对不可预测的刺激的响应相关。
失匹配负波(Mismatch Negativity,MMN)不仅可以由聚焦刺激产生,而且可以由非聚焦刺激产生。MMN可以用作在初始关注之前感官记忆(回声记忆)是否运行的指示符。下文将描述的P300出现在关注和做出判断的过程中,作为关注之前大脑中发生的过程,对MMN进行分析。
对于另一个示例,N200(或N2)主要是根据视觉刺激和听觉刺激而产生的,并且与以下描述的P300一起与短期记忆或长期记忆相关,短期记忆或长期记忆是关注之后的记忆类型。
对于另一个示例,P300(或P3)主要反映对刺激的关注、刺激认知、记忆搜索和不确定感的减轻,并且与区分外界刺激的感性决定相关。由于P300的产生与认知功能相关,因此无论出现的刺激类型如何,都会产生P300。例如,P300可以在听觉刺激、视觉刺激和躯体刺激中产生。P300被广泛应用于大脑-计算机接口的研究。
对于另一个示例,N400与语言处理相关,是在出现带有语义错误的句子或听觉刺激时引起的。另外,N400与记忆过程相关,并且可以反映从长期记忆中检索或搜索信息的过程。
对于另一个示例,作为表示重建过程或恢复过程的指示符,P600与基于长期记忆中存储的信息更准确地处理刺激的过程相关。
对于另一个示例,CNV指的是在后续阶段的200ms~300ms甚至数秒钟内出现的电位。它也被称为慢电位(slow potential,SP),与预期、准备、心理启动、联想、关注和运动活动相关。
对于另一个示例,ERN(错误相关负波)或Ne(错误负波)是由失误或错误产生的事件相关电位(ERP)。当受试者在感觉运动任务或类似任务中犯错时,其可能会出现。更具体地,当受试者识别出失误或错误时,产生ERN,并且其负峰主要在额叶区域和中央区域出现约50ms~150ms。特别地,其可能出现在可能发生与运动响应相关的失误的情况下,也可以用于指示消极自我判断。
在下文中,将更详细地描述ERN的主要特征。
图1是示出根据本发明的一个实施方案的ERN的通常波形的图。
参考图1,在横轴上方描绘了负电位值,并且在横轴下方描绘了正电位值。另外,可以确认的是,在针对任意运动的响应开始之后的预定时间范围内产生了具有负峰值的ERP。在此,响应可以表示发生失误或错误的情况(错误响应)。另外,预定时间范围可以为约50ms~150ms。替代性地,预定时间范围可以为约0~100ms。此外,在正确响应的情况下,产生的ERP具有比ERN相对更小的负峰。
作为初始负波的ERP,ERN被锁时,直到出现响应错误为止。此外,已知ERN反映与行为监控相关的多巴胺能系统的强化活动。ERN包括额叶纹状体环,其中包括喙状扣带区域。同时,多巴胺与通常形成特定行为并激励人的大脑奖励系统相关,从而提供愉悦和充实的感觉。当重复获得适当奖励的行为时,其被学习成一种习惯。另外,更多的多巴胺通过情感学习而释放,并且由于多巴胺的释放而尝试了新的行为。因此,奖励驱动的学习称为强化学习。
此外,ERN可能在通过额叶皮层读取执行干扰任务(例如,Go-noGo任务、Stroop任务、Flanker任务和Simon任务)期间引起的错误响应开始后的0~100ms内产生。
另外,与以下描述的CRN一起,已知ERN反映了可以区分正确行为和不正确行为的通常行为监控系统。
另外,已知ERN在额叶皮层电极处达到最大幅度这一事实反映出脑内生成器位于喙状扣带区域或背前扣带皮层(dorsal anterior cingulate cortex,dACC)区域。
另外,ERN可能会根据负面情绪状态而显示出幅度变化。
另外,即使在基于外部评价反馈处理(不同于内部运动表达)进行行为监控的情况下也可以报告ERN,并且可以将其划分为以下描述的FRN。
另外,ERN不仅可以在认识到失误或错误时产生,还可以在认识到失误或错误之前产生。
另外,ERN不仅可以作为对他/她自身的失误或错误的响应而产生,还可以作为对他人的失误或错误的响应而产生。
另外,ERN不仅可以作为对失误或错误的响应而产生,还可以作为对预定执行任务或受试者的焦虑或压力的响应而产生。
另外,当获得较大的ERN峰值时,可以认为它反映了更严重的失误或错误。
同时,对于另一个示例,作为在ERN之后产生的事件相关电位(ERP),Pe(错误正波)是具有正值的ERP,其主要在额叶皮层电极处在失误或错误之后约150ms~300ms内产生。已知Pe是意识到失误或错误并进行更多关注的反应。换句话说,Pe与错误检测之后有意识的错误信息处理过程的指示符相关。ERN和Pe被称为与错误监控相关的ERP。
在下文中,将更详细地描述Pe的主要特征。
图2是示出根据本发明的另一个实施方案的ERN和Pe的通常波形的图。
参考图2,负电位值显示在正电位值上方。另外,可以确认的是,在针对任意运动的响应开始之后的第一预定时间范围内产生了具有负峰值的ERP(即ERN)。在此,响应可以表示发生失误或错误的情况(错误响应)。另外,第一预定时间范围可以为约50~150ms。替代性地,第一预定时间范围可以为约0~200ms。
另外,可以确认的是,在ERN开始之后的第二预定时间范围内产生了具有正峰值的ERP(即Pe)。另外,第二预定时间范围可以是错误开始之后的约150ms~300ms。替代性地,第二预定时间范围可以表示约200ms~400ms。
图3是示出本发明的一个实施方案的Pe的偏转特性的图。
参考图3,如同P3,Pe也具有宽偏转特性,并且神经丛生成器不仅包括后扣带回皮层区域和岛叶皮层区域,而且还包括更多的前扣带回皮层区域。
此外,Pe可以反映出对错误的情感评价以及如同P300的对刺激的关注。另外,ERN表示正确响应与错误响应之间的冲突,Pe被认为是意识到失误并进行更多关注的响应。换句话说,在检测刺激的过程中会产生ERN,并且在处理刺激的过程中根据关注会产生Pe。当ERN和/或Pe分别具有相对较大的值时,已知这些值与旨在失误之后更缓慢且更准确地进行响应的适应性行为相关。
图4A和图4B是示出根据本发明的一个实施方案的ERP和Pe的测量区域的图。
ERN和Pe被称为与错误监控相关的ERP。关于ERN和Pe的测量区域,通常可以在中央区域中测量最大负值和最大正值。但是,根据测量条件可能会有一些差异。例如,图4A是测量ERN的主要区域,通常可以在中线额叶或中央区域(即FCZ)中测量ERN的最大负值。另外,图4B是测量Pe的主要区域,与ERN相比,通常可以在后中线区域中测量Pe的较大正值。
同时,对于又一示例,FRN(反馈相关负波)是事件相关电位(ERP),其与基于外部评价反馈获得的错误检测相关。ERN和/或Pe基于内部监控过程来检测错误。但是,在FRN的情况下,当基于外部评价反馈获得FRN时,其可以与ERN过程相似地运行。
此外,FRN和ERN可能共享许多电生理性质。例如,FRN在负反馈开始后约250ms~300ms内在额叶皮层电极处具有负峰值,并且可以如同ERN在背前扣带皮层(dACC)区域产生。
此外,如同ERN,FRN可以反映多巴胺能系统的强化学习活动。另外,FRN通常具有比正反馈更大的负值,并且对于不可预见的情况可以具有比可预测结果更大的值。
对于另一个示例,CRN(正确相关负波)是由正确试验产生的ERP,并且是小于ERN的负值。如同ERN,CRN可以在初始潜伏期(例如,0~100ms)中产生。图5是示出本发明的一个实施方案的ERN和CRN的通常波形的图。
对于另一个示例,Pc(正确正波)是在CRN之后产生的事件相关电位。其是在正确响应开始后约150ms~300ms内产生的事件相关电位。CRN和Pc之间的关系可以类似于ERN和Pe之间的关系。
此外,ERP可以分为刺激锁定的ERP和响应锁定的ERP。刺激锁定的ERP和响应锁定的ERP可以根据诸如诱发ERP的原因和响应时间的标准进行划分。例如,从将词语或图片从外部呈现给用户的时刻起诱发的ERP可以被称为刺激锁定的ERP。另外,例如,从用户讲话或按下按钮的时刻起诱发的ERP可以被称为响应锁定的ERP。因此,基于上述标准,通常地,刺激锁定的ERP为N100、N200、P2、P3等,响应锁定的ERP为ERN、Pe、CRN、Pc、FRN等。
此外,脑电波可以根据表现的动机进行划分。脑电波可以分为由用户意愿表现的自发性脑电波(自发性电位)以及根据外部刺激自然表现的、而与用户意愿无关的诱发性脑电波(诱发性电位)。当用户他/她自身移动或想象移动时,会表现出自发性脑电波,而诱发性脑电波会通过例如视觉、听觉、嗅觉和触觉刺激而表现。
此外,可以根据国际10-20系统测量脑电波信号。国际10-20系统根据电极位置与大脑皮层区域之间的关系来确定脑电波信号的测量点。
图6是示出根据本发明的一个实施方案的与大脑皮层区域相对应的EEG测量通道的图。
参考图6,大脑区域(前额叶皮层FP1、FP2;额叶皮层F3、F4、F7、F8、FZ、FC3、FC4、FT7、FT8、FCZ;顶叶皮层C3、C4、CZ、CP3、CP4、CPZ、P3、P4、PZ;颞叶皮层T7、T8、TP7、TP8、P7、P8;枕叶皮层O1、O2、OZ)对应于32个脑电波测量通道。对于每个通道,可以获得数据并且可以通过利用数据对每个大脑皮层区域进行分析。
图7是示出根据本发明的一个实施方案的利用错误监控的驾驶模型生成装置的配置的框图。
交通事故通常是由人为因素、车辆因素和道路环境因素引起的。大多数交通事故是由人为因素引起的。特别地,人为因素包括驾驶员失误、粗心、不良驾驶、困倦、醉酒和不遵守交通规则,而车辆因素则包括功能故障和疏于维护。另外,道路环境因素包括道路设计、疏于维护、施工、天气、能见度和照明。
同时,诸如驾驶员失误、粗心和不良驾驶的人为因素可能是由于驾驶经验不足引起的,例如,当驾驶员刚刚获得他/她的驾照时。
对于另一个示例,当驾驶员在一道路上第一次行驶时,可能会产生诸如不良驾驶的人为因素。
对于另一个示例,当驾驶员进行特定动作以向左转弯或改变车道时,可能会产生诸如不良驾驶的人为因素。
对于另一个示例,当在接近家的熟悉道路上驾驶时,可能会产生驾驶员的粗心。
因此,当驾驶员执行其没有信心或感觉不安的操作或驾驶状况时,因此可以消除诸如不良驾驶、失误和粗心的人为因素,从而可以帮助减少交通事故的可能性。
当察觉到失误或错误时,发生响应锁定的ERP。另外,响应锁定的ERP不仅可以作为对他/她自己的失误或错误的响应而产生,而且可以作为对他人的失误或错误的响应而产生。另外,响应锁定的ERP可以作为对预定执行任务或受试者的焦虑或压力的响应而产生。在此,响应锁定的ERP可以包括ERN、Pe、CRN、Pc和FRN。
同时,当驾驶员驾驶移动工具时,可能会在预定时间范围内观察到驾驶员脑电波信号的剧烈变化。换句话说,由于脑电波信号是直接和间接反映人的有意识状态或无意识状态的生物信号,因此驾驶员在驾驶移动工具时的焦虑、压力或驾驶失误或错误的感觉可能会导致驾驶员脑电波信号的剧烈变化。尽管存在多种原因,但是主要是当驾驶移动工具的驾驶员在移动、操作、驾驶环境和道路方面感到不适或困难时才会产生焦虑、压力或驾驶失误或错误的感觉。在此,移动、操作、驾驶环境和道路可能会因驾驶员而异。
例如,当改变车道时,驾驶员可能会感到焦虑。
对于另一个示例,当进行允许的左转弯时,驾驶员可能会感到相应的操作很困难。
对于另一个示例,当在立交桥上行驶时,驾驶员可能会感到压力。
对于另一个示例,当急转弯行驶时,驾驶员可能会感到相应的操作很困难。
对于另一个示例,当车头先入停车时,驾驶员可能会感到相应的操作很困难。
此外,根据频带划分的脑电波信号可以反映驾驶员的诸如舒适、焦虑和压力的感觉。
例如,α波通常是频率为8Hz~12Hz的脑电波,主要出现在放松和舒适的状态下。另外,α波主要发生在额叶或枕叶,并在压力下趋于减少。
对于另一个示例,β波通常是频率为13Hz~30Hz的脑电波,主要出现在可以忍受的紧张状态下,或者在一定程度的关注时出现。另外,β波主要发生在额叶,并且在诸如焦虑和紧张的压力下出现似乎更强,因此被称为压力波。
对于另一个示例,θ波通常是频率为3.5Hz~7Hz的脑电波,主要发生在顶叶和枕叶。另外,θ波在压力下趋于增加。
如上所述,当没有压力发生时,可以测量α波为主要信号。另一方面,当压力发生时,α波会减少,可以测量β波和/或θ波为主要信号。
因此,当分析在预定时间内从驾驶员收集的脑电波信号时,可以确定驾驶员的精神状态。换句话说,当获得作为对焦虑、压力、失误或错误的响应而产生的响应锁定的ERP,或者在每个频率下检测到诸如α波、β波和θ波的脑电波信号的幅度时,可以确定驾驶员处于稳定状态还是不稳定状态。
此外,移动工具可以包括车辆、移动/运输装置等。
另外,基于由此确定的驾驶员状态,可以检测移动工具的操作信息和/或驾驶信息。在此,可以通过利用移动工具中包括的各种感测装置来检测移动工具的操作信息和/或驾驶信息。
此外,可以通过提取在预定时间内在频域中收集的脑电波的幅度并且利用诸如支持向量机(SVM)的划分模型,将每个频率的脑电波信号划分为每个频率区间。划分模型不限于以上描述,并且可以包括对脑电波信号进行划分的通用方法。
参考图7,驾驶模型生成装置700可以包括传感器710、分析器720和/或存储器730。然而应当注意,仅示出了解释本实施方案所必需的一些组件,并且驾驶模型生成装置700中包括的组件不限于上述示例。例如,两个或更多个组成单元可以实现为一个组成单元,并且在一个组成单元中进行的操作可以进行划分并且在两个或更多个组成单元中执行。另外,可以省略一些组成单元,或者可以添加附加的组成单元。
本发明的驾驶模型生成方法和/或装置可以通过分析在预定时间内针对移动工具驾驶员收集的脑电波信号来确定驾驶员状态。另外,驾驶模型生成方法和/或装置可以基于确定的驾驶员状态来检测移动工具的操作信息和/或驾驶信息。另外,驾驶模型生成方法和/或装置可以基于检测到的移动工具的操作信息和/或驾驶信息来生成反映驾驶员驾驶特性的驾驶模型。
特别地,本发明的驾驶模型生成装置700可以在预定时间内收集移动工具的驾驶员的脑电波信号。另外,传感器710可以进行操作。
在此,脑电波信号可以表示每个频率的ERP和/或脑电波信号。
在此,ERP可以表示响应锁定的ERP。另外,响应锁定的ERP可以包括ERN、Pe、CRN、Pc和FRN。此外,除了ERN、Pe、CRN、Pc和FRN外,还可以包括发生响应(即响应开始)之后获得的其他ERP。另外,响应锁定的ERP可以包括多个ERP。
另外,在此,在预定时间内收集脑电波信号可以包括以下过程:测量移动工具中的驾驶员的脑电波信号,并从测量的脑电波信号中检测ERP。
在图1至图6中,如上所述,作为对诸如错误或失误的不正确行为的响应或对正确行为的响应,可以产生ERN、Pe、CRN、Pc和/或FRN。因此,通过利用ERP,可以在驾驶移动工具时确定驾驶员的精神状态,例如焦虑、压力和其他失误或错误的感觉。另外,基于该确定,可以生成驾驶员适应性驾驶模型。
例如,当驾驶员将要改变车道时,可能产生ERN和/或Pe。
对于另一个示例,当驾驶员将要通过立交桥时,可能产生ERN和/或Pe。
对于另一个示例,当驾驶员在途中、在一道路上第一次行驶或在道路上经受紧张和压力状况时,可能产生ERN和/或Pe。
对于另一个示例,当驾驶员对移动工具将要进行车头先入停车时,可能产生ERN和/或Pe。
另外,预定时间可以表示特定响应开始后约0~400ms。另外,预定时间可以包括可以获得上述响应锁定的ERP的时间范围。另外,预定时间可以根据响应锁定的ERP的类型而变化,并且可以具有多个时间范围。例如,可以给出第一时间范围以获得第一ERP,并且可以给出第二时间范围以获得第二ERP。
例如,当第一ERP为ERN而第二ERP为Pe时,第一时间范围可以为约0~150ms(其为ERN的主要测量区间),第二时间范围可以为约150ms~400ms(其为Pe的主要测量区间)。图8是示出根据本发明的一个实施方案当目标ERP为ERN和Pe时的测量时间范围的图。参考图8,ERN可以在第一时间范围810中获得,并且Pe可以在第二时间范围820中获得。
对于另一个示例,当第一ERP是ERN而第二ERP是CRN时,第一时间范围可以为约0~200ms(其为ERN的主要测量区间),而第二时间范围可以为约0~200ms(其为CRN的主要测量区间)。
另外,驾驶员的脑电波信号可以连续或周期性地测量和存储。
本发明的驾驶模型生成装置700可以通过分析在预定时间内收集的脑电波信号来确定驾驶员状态。另外,分析器720可以进行操作。
在此,分析可以包括将在预定时间内收集的ERP的幅度与预定阈值进行比较的过程。
在此,阈值可以是预设值或用户输入的值。另外,对于收集ERP的每个驾驶员,阈值可能具有不同的幅度。例如,它可以是反映每个驾驶员的脑电波信号特性的值。为了反映脑电波信号特性的分析结果,对于驾驶员脑电波信号中显示的响应锁定的ERP特性,可以预先进行预定学习过程。另外,阈值可以根据ERP的类型变化并且可以具有多个值。图9是示出根据本发明的一个实施方案当目标ERP分别为ERN和Pe时将目标ERP与预定阈值进行比较的过程的图。参考图9,在ERN的情况下,可以将其幅度与第一阈值910进行比较。在Pe的情况下,可以将其幅度与第二阈值920进行比较。在此,幅度可以表示绝对值。
另外,分析可以包括确定在预定时间间隔内ERP的幅度是否等于或大于预定阈值(即,超过预定阈值范围)的过程。参考图9,在ERN的情况下,可以将ERN的幅度与第一阈值910进行比较,以查看在第三时间范围912内ERN的幅度是否等于或大于第一阈值910。在Pe的情况下,可以将Pe的幅度与第二阈值920进行比较,以查看在第四时间范围922内Pe的幅度是否等于或大于第二阈值920。
此外,可以在分析之前进行通过利用脑电波信号的特性出现的时间和/或利用脑电波信号的模式来识别ERP开始的过程。另外,分析可以包括提取ERP的过程。
另外,同时,用于分析的ERP可以是在预定时间内收集的ERP的统计值。例如,统计值可以表示平均值、加权平均值、最大值或最小值。
另外,分析可以从ERP的幅度或脑电波信号的幅度等于或大于预定阈值的点确定驾驶员状态。
在此,驾驶员状态可以包括稳定状态、不稳定状态等。
由于通常获得的ERP的峰值更大,所以响应锁定的ERP可以被认为是对更严重失误或错误的响应。
因此,如图9所示,例如,在ERN的情况下,当在第三时间范围912内将ERN的幅度与第一阈值910进行比较并且发现等于或大于第一阈值910时,驾驶员状态可以确定为不稳定状态。
对于另一个示例,当ERN的幅度小于第一阈值910时,驾驶员状态可以确定为稳定状态。
对于另一个示例,在Pe的情况下,当在第四时间范围922内Pe的幅度等于或大于第二阈值920时,驾驶员状态可以确定为不稳定状态。
对于另一个示例,当Pe的幅度小于第二阈值920时,驾驶员状态可以确定为稳定状态。
对于另一个示例,当包括ERN和/或Pe的ERP的峰值等于或大于第一阈值910和第二阈值920中的至少一个时,驾驶员状态可以确定为不稳定状态。
另外,可以通过利用针对每个驾驶员的脑电波信号模板来进行分析。在此,脑电波信号模板可以表示时域中的脑电波信号,其在针对任意移动的响应开始后的预定时间范围内预先获得。该响应可以包括错误、失误、正确响应等。预制的脑电波信号模板可以在分析过程中缩放。换句话说,脑电波信号图的幅度可以以预定比率增大或减小。例如,可以通过将在预定时间内获得的单个ERP和/或多个ERP的幅度-时间图波形与预先确定的脑电波信号模板进行比较来进行分析。可以通过虚拟模拟过程或通过预定学习过程来获得脑电波信号模板。
另外,分析可以包括将在预定时间内收集的每个频率的脑电波信号的幅度与预定阈值进行比较的过程。
在此,阈值可以是预设值或用户输入的值。另外,阈值可以根据每个频率的脑电波信号而变化。另外,阈值可以是在频域或时域中出现的脑电波信号的预定值。
图10A和图10B是示出根据本发明的一个实施方案将每个频带的脑电波信号与预定阈值进行比较的过程的图。
例如,参考图10A,当θ波的幅度等于或大于预定阈值时,驾驶员状态可以确定为不稳定状态。
对于另一个示例,当α波的幅度小于预定阈值时,驾驶员状态可以确定为不稳定状态。
对于另一个示例,当β波的幅度等于或大于预定阈值时,驾驶员状态可以确定为不稳定状态。参考图10B,在β波的幅度等于或大于预定阈值1010的时间间隔中,驾驶员状态可以确定为不稳定状态。
此外,可以通过组合每个频率的脑电波信号来确定驾驶员状态。
例如,当β波与α波的幅度之比等于或大于预定阈值时,驾驶员状态可以确定为不稳定状态。
对于另一个示例,当θ波与α波的幅度之比等于或大于预定阈值时,驾驶员状态可以确定为不稳定状态。
对于另一个示例,当θ波和β波的线性组合与α波的幅度之比等于或大于预定阈值时,驾驶员状态可以确定为不稳定状态。
在此,每个频率的脑电波信号的幅度可以表示预定范围内的频带的功率。换句话说,每个频率的脑电波信号的幅度可以表示例如通过傅立叶变换将测量信号转换成频域中的频带而获得的功率。
此外,可以通过利用在预定时间内收集的ERP的分析结果(以下为“第一结果”)、或在预定时间内收集的每个频率的脑电波信号的分析结果(以下为“第二结果”)、或上述两个分析结果来最终确定驾驶员处于稳定状态还是不稳定状态。
例如,当第一结果和第二结果均为不稳定状态时,驾驶员状态可以最终确定为不稳定状态。
对于另一个示例,当第一结果和第二结果中的至少一个是不稳定状态时,驾驶员状态可以确定为不稳定状态。
此外,第一结果的预定时间和第二结果的预定时间可以彼此不同。
本发明的驾驶模型生成装置700可以基于驾驶员状态来检测移动工具的操作和/或驾驶信息。另外,分析器720可以进行操作。
检测可以从ERP的幅度或脑电波信号的幅度等于或大于预定阈值的点进行。
例如,驾驶模型生成装置700可以通过利用移动工具中包括的至少一个感测装置来检测移动工具的操作信息和/或驾驶信息。此外,传感器710可以包括感测装置。
特别地,当驾驶员状态确定为不稳定状态时,驾驶模型生成装置700可以通过利用移动工具中包括的各种感测装置来检测移动工具的操作信息和/或驾驶信息。
在此,感测装置可以包括速度测量装置、影像获取装置、车轮监控装置和操纵装置。操纵装置可以监控转向装置/加速踏板/制动踏板的操作。影像获取装置可以包括黑匣子和摄像机模块。
在此,移动工具的操作信息可以包括移动工具的操作,例如左转、右转、变道、掉头、加速和减速以及发生每个操作的时间和位置。
另外,移动工具的驾驶信息可以包括移动工具正在行驶的弯道或立交桥、停车状况或移动工具正在进行的事件。
例如,当驾驶员状态确定为不稳定状态时,驾驶模型生成装置700可以基于转向装置的移动检测出移动工具的操作是诸如右转或左转的转弯操作。
对于另一个示例,当驾驶员状态确定为不稳定状态时,驾驶模型生成装置700可以基于加速踏板和/或制动踏板的移动检测出移动工具正在加速或正在减速。
对于另一个示例,当驾驶员状态确定为不稳定状态时,驾驶模型生成装置700可以基于转向装置的移动或转向信号检测出移动工具正在改变车道。
对于另一个示例,当驾驶员状态确定为不稳定状态时,驾驶模型生成装置700可以基于从影像获取装置获得的影像检测出移动工具正在车头先入停车。
本发明的驾驶模型生成装置700可以存储检测到的移动工具的操作信息和/或驾驶信息。另外,存储器730可以进行操作。
存储可以从ERP的幅度或脑电波信号的幅度等于或大于预定阈值的点进行。
例如,检测到的移动工具的操作信息和/或驾驶信息可以如表1所示以列表形式存储。
表1
在表1中,操作项可以表示检测到的移动工具的操作。驾驶信息项可以表示检测到的移动工具的行驶路径或检测到的移动工具进行的事件。位置项、日期项、时间项、速度项和影像项可以分别表示进行检测到的移动工具的操作和/或检测到的移动工具的事件的位置、日期、时间、速度和影像。同时,表1中列出的每项仅是一个实施方案,但不限于此,并且项目中可以包括表明移动工具进行的操作或事件的必要信息。
对于另一个示例,检测到的移动工具的操作信息和/或驾驶信息可以基于操作信息或驾驶信息的条数以升序/降序排列和存储。
图11是示出根据本发明的另一个实施方案的利用错误监控的驾驶模型生成装置的配置的框图。
参考图11,驾驶模型生成装置1100可以包括传感器1110、分析器1120、存储器1130和/或模拟单元1140。然而应当注意,仅示出了解释本实施方案所必需的一些组件,并且驾驶模型生成装置1100中包括的部件不限于上述示例。例如,两个或更多个组成单元可以实现为一个组成单元,并且在一个组成单元中进行的操作可以进行划分并且在两个或更多个组成单元中执行。另外,可以省略一些组成单元,或者可以添加附加的组成单元。
图11的驾驶模型生成装置1100、传感器1110、分析器1120和存储器1130可以是图7的驾驶模型生成装置700、传感器710、分析器720和存储器730的各个实施方案。
本发明的驾驶模型生成装置1100可以通过图7中所述的移动工具的操作信息和/或驾驶信息来生成驾驶模型。另外,模拟单元1140可以进行操作。
例如,驾驶模型生成装置1100可以对驾驶员已经行驶的整个路径进行建模。
对于另一个示例,驾驶模型生成装置1100可以对驾驶员状态确定为不稳定状态时移动工具的操作状况和/或驾驶状况进行建模。
对于另一个示例,驾驶模型生成装置1100可以对驾驶员行驶的整个路径进行建模,并且向用户提供在建模的整个路径内驾驶员状态确定为不稳定状态时移动工具的操作状况和/或驾驶状况。例如,可以向用户提供驾驶员状态确定为不稳定状态时的关键词,例如左转、掉头、变道、车头先入停车和立交桥。替代性地,可以在建模的整个路径上指示驾驶员状态确定为不稳定状态的点。
对于另一个示例,当驾驶员状态确定为不稳定状态的移动工具的操作为左转状况时,驾驶模型生成装置1100可以对至少一种虚拟左转状况进行建模并且向用户提供建模状况。可以通过利用检测到的信息或通过虚拟模拟过程或预定学习过程来获得虚拟左转状况。
对于另一个示例,当驾驶员状态确定为不稳定状态的移动工具的操作为车头先入停车状况时,驾驶模型生成装置1100可以对至少一种虚拟车头先入停车状况进行建模并且向用户提供建模状况。可以通过利用检测到的信息或通过虚拟模拟过程或预定学习过程来获得虚拟车头先入停车状况。
因此,当向用户提供对驾驶员状态确定为不稳定状态的操作状况和/或驾驶状况进行建模的模拟程序时,用户可以反复地练习该模拟程序以改善驾驶习惯,并进一步防止交通事故。
图12是示出根据本发明的一个实施方案的利用错误监控的驾驶模型生成方法的流程图。
在步骤S1201,可以在预定时间内收集移动工具驾驶员的脑电波信号。
在此,脑电波信号可以包括ERP。
此外,ERP可以包括错误相关负波(ERN)和错误正波(Pe)中的至少一个。另外,ERP可以进一步包括正确相关负波(CRN)和正确正波(Pc)中的至少一个。
在步骤S1202,可以通过分析在预定时间内收集的脑电波信号来确定驾驶员状态。
在此,分析可以包括将在预定时间内收集的ERP的幅度与第一阈值进行比较。
在此,可以根据ERP的类型和获得ERP的驾驶员中的至少一个以不同方式确定第一阈值。
在此,确定驾驶员状态可以包括分析ERP以确定驾驶员处于不稳定状态还是处于稳定状态。
另外,确定驾驶员状态可以包括:根据频带对在预定时间内收集的脑电波信号进行划分,并且通过将划分的每个频带的脑电波信号的幅度与第二阈值进行比较来确定驾驶员处于不稳定状态还是稳定状态。
此外,划分的每个频带的脑电波信号可以包括θ波、α波和β波中的至少一个。
此外,第二阈值可以根据每个频带的脑电波信号的类型确定为不同。
另外,确定驾驶员状态可以包括:当ERP的分析结果和每个频带的脑电波信号的分析结果表明驾驶员处于不稳定状态时,最终确定出驾驶员处于不稳定状态。
在步骤S1203,基于确定的驾驶员状态,可以检测移动工具的操作信息和驾驶信息中的至少一个。
此外,当驾驶员状态确定为不稳定状态时,检测可以包括通过利用移动工具中包括的速度测量单元、影像获取单元、声音获取单元、车轮监控单元和操纵装置单元中的至少一个来检测移动工具的操作信息和驾驶信息中的至少一个。
在步骤S1204,可以存储检测到的信息。
此外,存储可以包括存储检测到的移动工具的操作信息和检测到的移动工具的驾驶信息中的至少一个。
在此,移动工具的操作信息可以包括移动工具的操作以及与该操作相对应的位置、日期、时间、速度和影像中的至少一个。
在此,移动工具的驾驶信息可以包括移动工具的行驶路径和移动工具正在进行的至少一个事件。
此外,所述方法可以执行对行驶路径进行建模的模拟,并且所述模拟可以包括对驾驶员状态确定为不稳定状态的移动工具的操作和驾驶状况中的至少一个进行建模。
此外,对于基于驾驶员状态确定为不稳定状态的移动工具的预定操作,模拟可以包括对与预定操作相关的虚拟驾驶状况进行建模。
根据本发明,可以提供一种用于生成驾驶员熟练用的驾驶模型的装置和方法。
另外,根据本发明,可以提供一种基于驾驶员状态对移动工具的操作或驾驶状况进行建模的装置和方法。
另外,根据本发明,可以提供一种通过利用错误监控来确定驾驶员状态的装置和方法。
另外,根据本发明,可以提供一种基于驾驶员状态来检测移动工具的操作或驾驶状况的装置和方法。
本发明中获得的效果不限于上述效果,并且根据以下描述,本领域技术人员可以清楚地理解上文未提及的其他效果。
尽管为了描述清楚起见,本发明的示例性方法被描述为一系列操作步骤,但是本发明不限于上述操作步骤的顺序或次序。操作步骤可以同时进行,或者可以以不同次序依序进行。为了实施本发明的方法,可以添加附加的操作步骤和/或可以消除或替代现有的操作步骤。
本发明的各种实施方案不是呈现为描述所有可用的组合,而是呈现为仅描述代表性组合。各种实施方案中的步骤或元件可以单独利用或可以组合利用。
另外,本发明的各种实施方案可以实施为硬件、固件、软件或其组合的形式。当本发明实施为硬件组件时,它可以是例如专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器等。
本发明的范围包括使得各种形式的方法能够在装置或计算机上执行的软件或机器可执行指令(例如,操作系统(OS)、应用程序、固件、程序),以及存储这些软件或机器可执行指令使得软件或指令可以在装置或计算机上执行的非易失性计算机可读介质。
本发明的描述本质上仅是示例性的,因此,不脱离本发明实质的变型旨在落入本发明的范围内。这样的变型不应被视为偏离本发明的精神和范围。
Claims (20)
1.一种驾驶模型生成装置,所述装置包括:
传感器,其配置为在预定时间内收集移动工具驾驶员的脑电波信号;
分析器,其配置为通过分析在预定时间内收集的脑电波信号来确定驾驶员状态,并且基于确定的驾驶员状态来检测移动工具的操作信息和驾驶信息中的至少一个;以及
存储器,其配置为存储检测到的信息;
其中,所述脑电波信号包括事件相关电位ERP;
其中,所述分析器通过分析事件相关电位ERP来确定驾驶员是否处于不稳定状态。
2.根据权利要求1所述的驾驶模型生成装置,其中:
所述事件相关电位ERP包括错误相关负波(ERN)、错误正波(Pe)、正确相关负波(CRN)和正确正波(Pc)中的至少一个。
3.根据权利要求1所述的驾驶模型生成装置,其中:
分析包括将在预定时间内收集的事件相关电位ERP的幅度与第一阈值进行比较。
4.根据权利要求3所述的驾驶模型生成装置,其中:
所述第一阈值是根据事件相关电位ERP的类型和驾驶员的信息中的至少一个来确定的。
5.根据权利要求1所述的驾驶模型生成装置,其中:
所述分析器将在预定时间内收集的脑电波信号划分为每个频带的脑电波信号,并且通过将划分的每个频带的脑电波信号的幅度与第二阈值进行比较来进一步确定驾驶员是否处于不稳定状态。
6.根据权利要求1所述的驾驶模型生成装置,其中:
所述传感器还包括移动工具中包括的速度测量单元、影像获取单元、声音获取单元、车轮监控单元和操纵装置单元中的至少一个。
7.根据权利要求6所述的驾驶模型生成装置,其中:
当驾驶员状态确定为不稳定状态时,所述分析器通过利用移动工具中包括的速度测量单元、影像获取单元、声音获取单元、车轮监控单元和操纵装置单元中的至少一个来检测移动工具的操作信息和驾驶信息中的至少一个。
8.根据权利要求1所述的驾驶模型生成装置,其中:
所述存储器包括检测到的移动工具的操作信息和驾驶信息中的至少一个;
所述移动工具的操作信息包括移动工具的操作以及与所述操作相对应的位置、日期、时间、速度和影像中的至少一个;
所述移动工具的驾驶信息包括移动工具的行驶路径和移动工具正在进行的至少一个事件。
9.根据权利要求1所述的驾驶模型生成装置,还包括:
模拟单元,其配置为对行驶路径进行建模;
其中,所述模拟单元基于驾驶员状态是否确定为不稳定状态来对移动工具的操作和驾驶状况中的至少一个进行建模。
10.根据权利要求9所述的驾驶模型生成装置,其中:
对于当驾驶员状态确定为不稳定状态时移动工具的预定操作,所述模拟单元对与所述预定操作相关的虚拟驾驶状况进行建模。
11.一种驾驶模型生成方法,所述方法包括:
由传感器在预定时间内收集移动工具驾驶员的脑电波信号;
通过分析在预定时间内收集的脑电波信号来确定驾驶员状态;
基于确定的驾驶员状态来检测移动工具的操作信息和驾驶信息中的至少一个;
存储检测到的信息;
其中,所述脑电波信号包括事件相关电位ERP;
其中,确定驾驶员状态包括通过分析事件相关电位ERP来确定驾驶员是否处于不稳定状态。
12.根据权利要求11所述的驾驶模型生成方法,其中:
所述事件相关电位ERP包括错误相关负波(ERN)、错误正波(Pe)、正确相关负波(CRN)和正确正波(Pc)中的至少一个。
13.根据权利要求11所述的驾驶模型生成方法,其中:
分析包括将在预定时间内收集的事件相关电位ERP的幅度与第一阈值进行比较。
14.根据权利要求13所述的驾驶模型生成方法,其中:
所述第一阈值是根据事件相关电位ERP的类型和驾驶员的信息中的至少一个来确定的。
15.根据权利要求11所述的驾驶模型生成方法,其中:
确定驾驶员状态还包括:
将在预定时间内收集的脑电波信号划分为每个频带的脑电波信号;
通过将划分的每个频带的脑电波信号的幅度与第二阈值进行比较来确定驾驶员是否处于不稳定状态。
16.根据权利要求11所述的驾驶模型生成方法,其中:
所述传感器还包括移动工具中包括的速度测量单元、影像获取单元、声音获取单元、车轮监控单元和操纵装置单元中的至少一个。
17.根据权利要求16所述的驾驶模型生成方法,其中:
当驾驶员状态确定为不稳定状态时,检测移动工具的操作信息和驾驶信息中的至少一个包括:通过利用移动工具中包括的速度测量单元、影像获取单元、声音获取单元、车轮监控单元和操纵装置单元中的至少一个来检测移动工具的操作信息和驾驶信息中的至少一个。
18.根据权利要求11所述的驾驶模型生成方法,其中:
存储检测到的信息包括存储检测到的移动工具的操作信息和驾驶信息中的至少一个;
所述移动工具的操作信息包括移动工具的操作以及与所述操作相对应的位置、日期、时间、速度和影像中的至少一个;
移动工具的驾驶信息包括移动工具的行驶路径和移动工具正在进行的至少一个事件。
19.根据权利要求11所述的驾驶模型生成方法,还包括:
对行驶路径进行建模的模拟;
其中,对行驶路径进行建模的模拟包括基于驾驶员状态是否确定为不稳定状态来对移动工具的操作和驾驶状况中的至少一个进行建模。
20.根据权利要求19所述的驾驶模型生成方法,其中:
对于当驾驶员状态确定为不稳定状态时移动工具的预定操作,对行驶路径进行建模的模拟包括对与所述预定操作相关的虚拟驾驶状况进行建模。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190131118A KR20210047477A (ko) | 2019-10-22 | 2019-10-22 | 오류 모니터링을 이용한 운전자 숙련용 주행 모델 생성 장치 및 방법 |
KR10-2019-0131118 | 2019-10-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112784397A true CN112784397A (zh) | 2021-05-11 |
Family
ID=75268783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011138862.2A Pending CN112784397A (zh) | 2019-10-22 | 2020-10-22 | 利用错误监控生成驾驶员熟练用的驾驶模型的装置和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210114599A1 (zh) |
KR (1) | KR20210047477A (zh) |
CN (1) | CN112784397A (zh) |
DE (1) | DE102020127613A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114312819A (zh) * | 2022-03-09 | 2022-04-12 | 武汉理工大学 | 基于胶囊神经网络的脑启发式自动驾驶辅助系统及方法 |
CN116098632A (zh) * | 2022-08-30 | 2023-05-12 | 北京机械设备研究所 | 一种基于大五人格的脑电特征信息分析方法以及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210051054A (ko) * | 2019-10-29 | 2021-05-10 | 현대자동차주식회사 | 뇌파 신호를 이용한 모빌리티 탑승자의 승차감 판단 장치 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8140241B2 (en) * | 2005-12-28 | 2012-03-20 | National University Corporation Nagoya University | Driving action estimating device, driving support device, vehicle evaluating system, driver model creating device, and driving action determining device |
US8112139B2 (en) * | 2007-02-02 | 2012-02-07 | University of Pittsburgh—of the Commonwealth System of Higher Education | Skin screw electrode |
JP4733242B2 (ja) * | 2009-10-15 | 2011-07-27 | パナソニック株式会社 | 運転注意量判別装置、方法、および、コンピュータプログラム |
US8805489B1 (en) * | 2010-02-08 | 2014-08-12 | Einat OFEK | Personal meaning extraction |
DE102012111733A1 (de) * | 2012-12-03 | 2014-06-05 | Klaus Glaunsinger | Verfahren und Vorrichtung zur Überprüfung der Validität von Reaktionszeiten einer Person |
JP2017146730A (ja) * | 2016-02-16 | 2017-08-24 | トヨタ自動車株式会社 | 経路決定装置 |
WO2017177128A1 (en) * | 2016-04-08 | 2017-10-12 | The Trustees Of Columbia University In The City Of New York | Systems and methods for deep reinforcement learning using a brain-artificial intelligence interface |
US10521677B2 (en) * | 2016-07-14 | 2019-12-31 | Ford Global Technologies, Llc | Virtual sensor-data-generation system and method supporting development of vision-based rain-detection algorithms |
JP2018102617A (ja) * | 2016-12-27 | 2018-07-05 | オムロン株式会社 | 感情推定装置、方法およびプログラム |
US10564720B2 (en) * | 2016-12-31 | 2020-02-18 | Daqri, Llc | User input validation and verification for augmented and mixed reality experiences |
US10816978B1 (en) * | 2018-02-22 | 2020-10-27 | Msc.Software Corporation | Automated vehicle artificial intelligence training based on simulations |
US11436484B2 (en) * | 2018-03-27 | 2022-09-06 | Nvidia Corporation | Training, testing, and verifying autonomous machines using simulated environments |
US20210221404A1 (en) * | 2018-05-14 | 2021-07-22 | BrainVu Ltd. | Driver predictive mental response profile and application to automated vehicle brain interface control |
US11279344B2 (en) * | 2018-11-30 | 2022-03-22 | International Business Machines Corporation | Preemptive mitigation of collision risk |
US20200241525A1 (en) * | 2019-01-27 | 2020-07-30 | Human Autonomous Solutions LLC | Computer-based apparatus system for assessing, predicting, correcting, recovering, and reducing risk arising from an operator?s deficient situation awareness |
US10807527B1 (en) * | 2019-05-01 | 2020-10-20 | Smartdrive Systems, Inc. | Systems and methods for verifying whether vehicle operators are paying attention |
US20210048815A1 (en) * | 2019-08-16 | 2021-02-18 | GM Global Technology Operations LLC | Method and apparatus for method for predicting automated driving system disengagement |
US11237562B2 (en) * | 2019-09-19 | 2022-02-01 | Caterpillar Inc. | System and method for avoiding contact between autonomous and manned vehicles caused by loss of traction |
US20210097311A1 (en) * | 2019-09-27 | 2021-04-01 | Dish Network L.L.C. | Wireless vehicular systems and methods for detecting roadway conditions |
-
2019
- 2019-10-22 KR KR1020190131118A patent/KR20210047477A/ko not_active Application Discontinuation
-
2020
- 2020-09-30 US US17/038,573 patent/US20210114599A1/en active Pending
- 2020-10-20 DE DE102020127613.3A patent/DE102020127613A1/de active Pending
- 2020-10-22 CN CN202011138862.2A patent/CN112784397A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114312819A (zh) * | 2022-03-09 | 2022-04-12 | 武汉理工大学 | 基于胶囊神经网络的脑启发式自动驾驶辅助系统及方法 |
CN114312819B (zh) * | 2022-03-09 | 2022-06-28 | 武汉理工大学 | 基于胶囊神经网络的脑启发式自动驾驶辅助系统及方法 |
CN116098632A (zh) * | 2022-08-30 | 2023-05-12 | 北京机械设备研究所 | 一种基于大五人格的脑电特征信息分析方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
KR20210047477A (ko) | 2021-04-30 |
US20210114599A1 (en) | 2021-04-22 |
DE102020127613A1 (de) | 2021-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Halim et al. | On identification of driving-induced stress using electroencephalogram signals: A framework based on wearable safety-critical scheme and machine learning | |
Němcová et al. | Multimodal features for detection of driver stress and fatigue | |
CN112784397A (zh) | 利用错误监控生成驾驶员熟练用的驾驶模型的装置和方法 | |
US11806157B2 (en) | Apparatus and method for monitoring a driver with epilepsy using brain waves | |
Hassib et al. | Detecting and influencing driver emotions using psycho-physiological sensors and ambient light | |
US20210157886A1 (en) | Mobility User Authentication Apparatus and Method Using Brain Wave | |
CN113002556A (zh) | 使用脑波信号提供定制的移动体驾驶路径的设备和方法 | |
Cao et al. | A hybrid vigilance monitoring study for mental fatigue and its neural activities | |
CN112141116B (zh) | 利用错误监测的移动体控制方法和装置 | |
Meteier et al. | Relevant physiological indicators for assessing workload in conditionally automated driving, through three-class classification and regression | |
US11453406B2 (en) | Apparatus and method for determining ride comfort of mobility | |
CN112447043B (zh) | 错误监视装置和方法、交通控制服务器及事故分析系统 | |
CN112744220A (zh) | 利用脑波生成图像的装置和方法 | |
Deng et al. | An analysis of physiological responses as indicators of driver takeover readiness in conditionally automated driving | |
Andruccioli et al. | Arousal effects on fitness-to-drive assessment: algorithms and experiments | |
CN112216098A (zh) | 错误监测设备及方法、交通控制服务器、交通监控系统 | |
Schneider et al. | Electrodermal responses to driving maneuvers in a motion sickness inducing real-world driving scenario | |
KR20210074601A (ko) | 뇌파 신호를 이용한 긴급 주행 상황 제어 장치 및 방법 | |
Peruzzini et al. | Toward the Definition of a Technological Set-up for Drivers' Health Status Monitoring | |
Kamaruzzaman et al. | EEG Features for Driver’s Mental Fatigue Detection: A Preliminary Work | |
Kumar et al. | A Comparative Study on Different Measures to Identify Driver States | |
Fu et al. | Decoding Passenger's EEG Signals From Encountering Emergency Road Events | |
Klosterkamp | Finding Frustration: a Dive into the EEG of Drivers | |
Guo et al. | Understanding Drivers’ Emotion Variations During NDRTs in Conditional Automated Driving Using EEG Data | |
Kozhokar | Formulating Predictions of Future Errors Using Classification Analysis of EEG in a Multi-Component Environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |