東華大學圖書館 |

Driver Mental States Detection During Highly Automated Driving by Decoding Brain Signals = = Erkennung der mentalen Zustande von Fahrer beim hochautomatisierten Fahren durch Analyse der Hirnsignale.

紀錄類型:	書目-電子資源 : Monograph/item
正題名/作者:	Driver Mental States Detection During Highly Automated Driving by Decoding Brain Signals =/
其他題名:	Erkennung der mentalen Zustande von Fahrer beim hochautomatisierten Fahren durch Analyse der Hirnsignale.
作者:	Zhang, Xixie.
出版者:	Ann Arbor : ProQuest Dissertations & Theses, : 2021,
面頁冊數:	181 p.
附註:	Source: Dissertations Abstracts International, Volume: 83-02, Section: B.
Contained By:	Dissertations Abstracts International83-02B.
標題:	Physiology. -
電子資源:	https://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=28642041
ISBN:	9798522951863

Driver Mental States Detection During Highly Automated Driving by Decoding Brain Signals = = Erkennung der mentalen Zustande von Fahrer beim hochautomatisierten Fahren durch Analyse der Hirnsignale.
Zhang, Xixie.

Driver Mental States Detection During Highly Automated Driving by Decoding Brain Signals =Erkennung der mentalen Zustande von Fahrer beim hochautomatisierten Fahren durch Analyse der Hirnsignale. - Ann Arbor : ProQuest Dissertations & Theses, 2021 - 181 p.

Source: Dissertations Abstracts International, Volume: 83-02, Section: B.

Thesis (Ph.D.)--Technische Universitaet Berlin (Germany), 2021.

In contrast to manual driving, highly automated driving may relieve the driver from active driving and observing activities. However, undertaking different non-driving tasks while highly automated driving could lead to variations in driver's mental workload and vigilance levels. This has great influence on driver's ability and performance to take over control of the vehicle when requested. Therefore, the overall goal of the work is to investigate methods to measure driver's mental workload and vigilance passively (by decoding brain signals) as that potentially improves driver's ability for take-over request in urgent situations. To achieve this, three separate studies were carried out.The first study was aimed at validating a task-independent workload classifier with EEG in well-controlled laboratory. In this study, a new methodology was investigated and verified to predict workload levels in different tasks. More specifically, an individual classifier was trained on a standardized workload-inducing task in the calibration phase, and then applied to data from five other cognitive tasks each inducing two workload levels. Results showed that a direct transfer across tasks was not optimal to separate high and low workload levels with acceptable accuracy, however, significant differences were found in the classifier outputs between two conditions of five tasks after applying this task-independent classifier. It was implied to look at the classifier output on a continuous scale as an indication of the actual workload level, rather than just take the binary classification accuracy into consideration. Moreover, it was possible to calibrate a single classifier on a standardized workload-inducing task and apply this classifier to other tasks to obtain meaningful results on workload levels. This greatly simplifies the calibration process of different tasks and enables an easy implementation of real-time and continuous workload detection with EEG for future real-world applications.Based on the results from the first study, the task-independent workload classifier was then applied in the second study to classify workload levels of different non-driving tasks during highly automated driving. In this study, detection of vigilance with EEG and the impact of different workload levels on vigilance were also investigated with an auditory oddball task. It was proven that the simplified task-independent workload classifier was able to indicate mental workload of non-driving tasks with classifier outputs, which can significantly differentiate between classes. This task-independent workload classifier was demonstrated as an applicable tool in more realistic and practical scenarios. Moreover, oddball task results indicated the feasibility of detecting signal perception with EEG, thus inferring driver's vigilance level based on this. Besides, higher mental workload induced by non-driving tasks resulted in deteriorated vigilance to detect target stimuli, and this variation in target stimuli detection confirmed the influence of workload on driver's vigilance level.Finally, on the basis of the feasibility of task-independent workload classifier, an online study of workload detection is conducted in the third study, which investigated the effect of real-time warning based on workload measurement on the reaction in take-over request. This study examined the impact of feedback appearance on driver's take-over performance in a simulated highly automated driving scenario. Results indicated that it was possible to identify driver's workload level in real time with the task-independent workload classifier. Furthermore, online feedback to overload condition was proven to be useful in improving driver's take-over performance. In addition, subjective ratings on feedback appearance also confirmed its positive effect.From these three studies we could conclude that, it is possible to measure driver's mental workload and vigilance levels during highly automated driving by decoding brain signals, and this supports the improvement of driver's take-over performance. The outcomes of these studies could contribute to the design of driver-vehicle-interaction in highly autonomous driving by identifying driver's mental states during mode transition, and thus enhance the safety and user experience of drivers.

ISBN: 9798522951863Subjects--Topical Terms:

518431
Physiology.

Driver Mental States Detection During Highly Automated Driving by Decoding Brain Signals = = Erkennung der mentalen Zustande von Fahrer beim hochautomatisierten Fahren durch Analyse der Hirnsignale.
LDR:10767nmm a2200361 4500 001 2399870
005 20240916070005.5
006 m o d
007 cr#unu||||||||
008 251215s2021 ||||||||||||||||| ||eng d
020 $a 9798522951863
035 $a (MiAaPQ)AAI28642041
035 $a (MiAaPQ)TechBerlin_1130312787
035 $a AAI28642041
040 $a MiAaPQ $c MiAaPQ
100 1 $a Zhang, Xixie. $3 3769844
245 1 0 $a Driver Mental States Detection During Highly Automated Driving by Decoding Brain Signals = $b Erkennung der mentalen Zustande von Fahrer beim hochautomatisierten Fahren durch Analyse der Hirnsignale.
260 1 $a Ann Arbor : $b ProQuest Dissertations & Theses, $c 2021
300 $a 181 p.
500 $a Source: Dissertations Abstracts International, Volume: 83-02, Section: B.
500 $a Advisor: Rotting, Matthias.
502 $a Thesis (Ph.D.)--Technische Universitaet Berlin (Germany), 2021.
520 $a In contrast to manual driving, highly automated driving may relieve the driver from active driving and observing activities. However, undertaking different non-driving tasks while highly automated driving could lead to variations in driver's mental workload and vigilance levels. This has great influence on driver's ability and performance to take over control of the vehicle when requested. Therefore, the overall goal of the work is to investigate methods to measure driver's mental workload and vigilance passively (by decoding brain signals) as that potentially improves driver's ability for take-over request in urgent situations. To achieve this, three separate studies were carried out.The first study was aimed at validating a task-independent workload classifier with EEG in well-controlled laboratory. In this study, a new methodology was investigated and verified to predict workload levels in different tasks. More specifically, an individual classifier was trained on a standardized workload-inducing task in the calibration phase, and then applied to data from five other cognitive tasks each inducing two workload levels. Results showed that a direct transfer across tasks was not optimal to separate high and low workload levels with acceptable accuracy, however, significant differences were found in the classifier outputs between two conditions of five tasks after applying this task-independent classifier. It was implied to look at the classifier output on a continuous scale as an indication of the actual workload level, rather than just take the binary classification accuracy into consideration. Moreover, it was possible to calibrate a single classifier on a standardized workload-inducing task and apply this classifier to other tasks to obtain meaningful results on workload levels. This greatly simplifies the calibration process of different tasks and enables an easy implementation of real-time and continuous workload detection with EEG for future real-world applications.Based on the results from the first study, the task-independent workload classifier was then applied in the second study to classify workload levels of different non-driving tasks during highly automated driving. In this study, detection of vigilance with EEG and the impact of different workload levels on vigilance were also investigated with an auditory oddball task. It was proven that the simplified task-independent workload classifier was able to indicate mental workload of non-driving tasks with classifier outputs, which can significantly differentiate between classes. This task-independent workload classifier was demonstrated as an applicable tool in more realistic and practical scenarios. Moreover, oddball task results indicated the feasibility of detecting signal perception with EEG, thus inferring driver's vigilance level based on this. Besides, higher mental workload induced by non-driving tasks resulted in deteriorated vigilance to detect target stimuli, and this variation in target stimuli detection confirmed the influence of workload on driver's vigilance level.Finally, on the basis of the feasibility of task-independent workload classifier, an online study of workload detection is conducted in the third study, which investigated the effect of real-time warning based on workload measurement on the reaction in take-over request. This study examined the impact of feedback appearance on driver's take-over performance in a simulated highly automated driving scenario. Results indicated that it was possible to identify driver's workload level in real time with the task-independent workload classifier. Furthermore, online feedback to overload condition was proven to be useful in improving driver's take-over performance. In addition, subjective ratings on feedback appearance also confirmed its positive effect.From these three studies we could conclude that, it is possible to measure driver's mental workload and vigilance levels during highly automated driving by decoding brain signals, and this supports the improvement of driver's take-over performance. The outcomes of these studies could contribute to the design of driver-vehicle-interaction in highly autonomous driving by identifying driver's mental states during mode transition, and thus enhance the safety and user experience of drivers.
520 $a Im Vergleich zum manuellen Fahren kann das hochautomatisiertes Fahren den Fahrer vom aktiven Fahren und Beobachten der Umgebung entlasten. Das Ausfuhren verschiedener Nebenaufgaben wahrend des hochautomatisierten Fahrens kann jedoch zur Variation der mentalen Beanspruchung und der Vigilanz des Fahrers fuhren. Dies hat grosen Einfluss auf die Fahigkeit und Leistung des Fahrers, auf Anfrage die Kontrolle uber das Fahrzeug zu ubernehmen. Daher besteht das Ziel dieser Arbeit vor allem darin, Methoden zur passiven Messung der mentalen Beanspruchung und Vigilanz des Fahrers (durch Analyse von Gehirnsignalen) zu untersuchen, da dies moglicherweise die Fahigkeit des Fahrers zur Ubernahme in dringenden Situationen verbessert. Um dies zu erreichen, wurden drei separate Studien durchgefuhrt.Die erste Studie zielte darauf ab, einen aufgabenunabhangigen Beanspruchung-Klassifikator mit EEG in einem gut kontrollierten Labor zu validieren. In dieser Studie wurde eine neue Methodik untersucht und verifiziert, um die mentale Beanspruchung in verschiedenen Aufgaben zu messen. Insbesondere wurde ein individueller Klassifikator in der Kalibrierungsphase auf eine standardisierte Beanspruchung-induzierende Aufgabe trainiert und dann auf Daten von funf anderen kognitiven Aufgaben angewendet, die jeweils zwei Beanspruchungsstufen hatten. Die Ergebnisse zeigten, dass eine direkte Ubertragung zwischen Aufgaben nicht optimal war, um hohe und niedrige Beanspruchungsstufen mit akzeptabler Genauigkeit zu trennen. Es gab jedoch signifikante Unterschiede in den Klassifizierungsausgaben zwischen zwei Bedingungen der funf Aufgaben nach Anwendung dieses aufgabenunabhangigen Klassifikators. Es wurde impliziert, die Klassifizierungsausgabe auf einer kontinuierlichen Skala als Hinweis auf die tatsachliche Beanspruchung zu betrachten, anstatt nur die Genauigkeit der binaren Klassifizierung zu berucksichtigen. Daruber hinaus war es moglich, einen individuellen Klassifikator fur eine standardisierte Beanspruchung-induzierende Aufgabe zu kalibrieren und diesen Klassifikator auf andere Aufgaben anzuwenden, um aussagekraftige Ergebnisse fur Beanspruchungsstufe zu erhalten. Dies vereinfacht den Kalibrierungsprozess fur verschiedene Aufgaben erheblich und ermoglicht eine einfache Implementierung der echtzeitigen und kontinuierlichen Erkennung der mentalen Beanspruchung mit EEG fur zukunftige reale Anwendungen. Basierend auf den Ergebnissen der ersten Studie wurde dann in der zweiten Studie der aufgabenunabhangige Beanspruchung-Klassifikator angewendet, um die Beanspruchungsstufen verschiedener Nebenaufgaben wahrend des hochautomatisierten Fahrens zu klassifizieren. In dieser Studie wurden die Messung der Vigilanz mit EEG und auch die Auswirkungen unterschiedlicher Beanspruchungsstufen auf die Vigilanz mit einer auditorischen Oddball-Aufgabe untersucht. Es wurde nachgewiesen, dass der vereinfachte aufgabenunabhangige Beanspruchung-Klassifikator in der Lage war, die mentale Beanspruchung mitKlassifizierungsausgaben anzuzeigen, die signifikant zwischen Klassen unterscheiden konnen. Dieser aufgabenunabhangige Beanspruchung-Klassifikator wurde als anwendbares Werkzeug in realistischen und praktischen Szenarien demonstriert. Daruber hinaus zeigten die Ergebnisse der Oddball-Aufgabe, dass es moglich ist, die Signalwahrnehmung mit EEG zu erfassen und daraus auf der Grundlage der Vigilanz des Fahrers zu schliesen. Auserdem fuhrte eine hohere mentale Beanspruchung, die durch Nebenaufgaben verursacht wurde, zu einer verminderten Vigilanz bei der Erkennung von Zielreizen, und diese Variation bei der Erkennung von Zielreizen bestatigte den Einfluss der mentalen Beanspruchung auf das Wachsamkeitsniveau des Fahrers.Auf der Grundlage der Machbarkeit eines aufgabenunabhangigen Beanspruchung-Klassifikators wird schlieslich in der dritten Studie eine Online-Studie zur Erkennung der mentalen Beanspruchung durchgefuhrt, in der die Auswirkung einer Echtzeitwarnung, auf der Grundlage der Beanspruchungsklassifizierung, auf die Reaktion bei Ubernahmeanfragen untersucht wurde. Diese Studie untersuchte die Auswirkungen des Auftretens der Ruckmeldungen auf die Ubernahmeleistung des Fahrers in einem simulierten hochautomatisierten Fahrszenario. Die Ergebnisse zeigten, dass es moglich war, die Beanspruchungsstufen des Fahrers in Echtzeit mit dem aufgabenunabhangigen Beanspruchung-Klassifikator zu identifizieren. Daruber hinaus haben sich die Online-Ruckmeldungen zum Uberlastungszustand als nutzlich erwiesen, um die Ubernahmeleistung des Fahrers zu verbessern. Auserdem bestatigten subjektive Bewertungen des Auftretens der Ruckmeldungen auch seine positive Wirkung.Aus diesen drei Studien konnten wir schliesen, dass es moglich ist, die mentale Beanspruchung und Vigilanz des Fahrers wahrend des hochautomatisierten Fahrens durch Analyse von Gehirnsignalen zu messen, und dadurch die Ubernahmeleistung des Fahrers zu verbessern. Die Ergebnisse dieser Studien konnten zur Gestaltung der Fahrer-Fahrzeug-Interaktion beim hochautonomen Fahren beitragen, indem sie die mentalen Zustande des Fahrers beim Wechseln der Modus identifizieren und daher die Sicherheit und das Benutzererlebnis des Fahrers verbessern.
590 $a School code: 1119.
650 4 $a Physiology. $3 518431
650 4 $a Fatalities. $3 3681792
650 4 $a User experience. $3 3543994
650 4 $a Traffic accidents & safety. $3 3564559
650 4 $a Electroencephalography. $3 543293
650 4 $a Human error. $3 3689805
650 4 $a Traffic congestion. $3 706812
650 4 $a Vehicles. $3 2145288
650 4 $a Transportation. $3 555912
650 4 $a Psychobiology. $3 555678
650 4 $a Cognitive psychology. $3 523881
650 4 $a Laboratories. $3 531588
650 4 $a Accuracy. $3 3559958
650 4 $a Carriages. $3 3562929
650 4 $a Investigations. $3 3561159
650 4 $a Horses. $3 527157
650 4 $a Calibration. $3 2068745
650 4 $a Classification. $3 595585
690 $a 0719
690 $a 0709
690 $a 0349
690 $a 0633
710 2 $a Technische Universitaet Berlin (Germany). $3 3480527
773 0 $t Dissertations Abstracts International $g 83-02B.
790 $a 1119
791 $a Ph.D.
792 $a 2021
793 $a English
856 4 0 $u https://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=28642041