随着人们生活水平的提高，汽车已经走进千家万户。然而，在车辆提供出行便利的同时，交通事故也成为对驾车人和行人安全的重要威胁。据世界卫生组织2018年不完全统计，道路交通事故是造成人员伤亡和经济损失的重要因素之一。交通事故每年造成近135万人死亡，20-5000万人受伤。每年有近3%的GDP被交通事故消耗掉。其中，疲劳驾驶是仅次于超速行驶的导致交通事故的重要因素。因此，行车安全非小事，即使你是“老司机”。基于行车安全问题，近日，北京理工大学机械与车辆学院毕鲁政教授智能人机系统团队罗龙喜助理教授和博士生鞠佳伟提出了智能驾驶辅助系统（IDASfor简称），即结合脑电图（EEG）和肌电图（EMG）信号对驾驶员的制动和正常驾驶意图进行分类的同步序列混合脑机接口（hBCIs）。简单粗暴的说，这套智能辅助系统可以通过识别驾驶员可能遇到的紧急情况间接影响车辆的控制，也可以在发现紧急情况后直接控制车辆，有效提高行车安全。该研究以论文形式发表在英文科学期刊CyborgandBionicSystems（如生命系统）上。混合脑机接口——hBCI目前IDAS的输入信息主要包括车辆与环境、行为、生物信号等相关信息。车辆及周围环境信息主要来自车辆参数和交通信息。一些IDAS需要检测驾驶员的睡意，而其他系统则依赖于驾驶行为检测和驾驶意图预测。那么司机的相关信息从何而来呢？答案是通过监测驾驶员的脚、四肢和神经的活动得到的。生物信息的来源包括脑电图(EEG)信号和肌电图(EMG)信号。由于脑电信号的出现时间较早，基于脑电信号的脑机接口（简称BCI）已被应用于驾驶行为的研究。尽管这些脑电接口在制动意图检测方面取得了很大进展，但由于脑电信号本身的特点，其检测性能并不稳定。作为一种有效的解决方案，混合脑机接口（hBCI）可以解决基于脑电图的脑机接口稳定性低、性能差、可靠性不足等缺点。根据信号的组合方式，hbci可以分为两种模式，使用特征级融合策略（hBCI-FL）和分类器级融合策略（hbci-cl）。第一种模式结合两个或多个EEG信号，另一种模式将EEG与其他信号（如EMG和ECG信号）结合。研究人员邀请了13名年龄在24岁到30岁之间的受试者参与实验。通过采集模拟驾驶过程中的脑电信号、肌电信号和车辆信息，研究了虚拟驾驶场景中驾驶员急刹车意图的检测。然后，他们使用结合了EEG信号、EMG信号和车辆信息的hBCI模型来检测即将发生的紧急制动意图。三种驾驶意图的分类实验中，研发团队对比分析了几种同步和时序的hBCI模型，分别使用光谱特征和时间特征，一种VSrest或决策树分类策略对三种驾驶意图进行多重分类。“oneVSrest”分类策略将三个分类分解为三个平行的二元分类，包括正常驾驶与其他、软制动与其他、硬制动与其他。对于oneVSrest分类策略，最终结果是根据所有二元分类器的最大值得到的。实验结果表明，研发团队的hBCI系统识别急刹车意图的速度比基于踏板偏转的模型快130m/s。基于光谱特征的hBCI-SE1分类算法和一对一分类策略的分类准确率最高，系统平均准确率为96.37%。最后，团队选择了最优阶数的hBCI、最优阶数的hBCI和基于单一EEG或EMG信号的模型进行对比。结果表明，具有最佳同时性和顺序性的HBCI明显优于基于单个EEG或EMG信号的方法。测试中，所得结果与离线测试结果吻合较好。该研究对以人为本的智能辅助驾驶系统提高驾驶安全性和驾驶舒适性具有一定的参考价值。但是，该项目仍然存在一定的局限性。例如，硬制动和软制动的刺激多种多样，主体差异的影响，采集设备的不便等。接下来，团队将解决上述局限性，探索更有效的特征和策略融合来提升性能。本研究得到国家自然科学基金（51975052）和北京自然科学基金（3222021）的部分资助。论文地址：https://downloads.spj.sciencemag.org/cbsystems/aip/9847652.pdf
