?隨著人們生活水平的提高，汽車已經進入千家萬戶。但車輛在提供出行便利的同時，交通事故也成了駕駛員和行人生命安全的重要威脅。

據2018年世界衛生組織不完全統計，道路交通事故是造成人員傷亡和經濟損失的重要因素之一。交通事故造成每年近135萬人死亡，2000 - 5000萬人受傷。每年近3%的國內生產總值被交通事故消耗。

其中，疲勞駕駛是引發交通事故的一個重要因素，僅次于超速。所以，行車安全無小事，哪怕你是“老司機”。

基于駕駛安全問題，近日，來自北京理工大學機械與車輛學院畢路拯教授智能人機系統團隊的羅龍溪助理教授和琚佳偉博士生提出了一種智能駕駛輔助系統(簡稱IDAS)，即同步順序混合腦機接口(hBCIs)，結合腦電圖(EEG)和肌電圖(EMG)信號，對駕駛員的剎車制動和正常駕駛意圖進行分類。

簡單粗暴地講，這款智能輔助系統，可以通過識別駕駛員可能遭遇的緊急情況來間接影響車輛控制，也可以在發現緊急情況后直接控制車輛，有效提高駕駛安全性。

該項研究以論文形式發表于英文科技期刊Cyborg and Bionic Systems  (類生命系統)上。

混合腦機接口—— hBCI?

目前，IDAS的輸入信息主要包括車輛和環境、行為、生物信號相關的信息。車輛及周邊環境信息主要來源于車輛參數和交通信息。有的IDAS需要檢測駕駛員的困倦狀態，其他系統則依賴于駕駛行為檢測和駕駛意圖預測。

那么駕駛員的相關信息是從哪獲得呢？答案是通過監測駕駛員腳、四肢和神經的活動來獲得。

生物信息的來源包括腦電圖(EEG)信號和肌電圖(EMG)信號。由于腦電信號的出現較早，基于腦電信號的腦機接口(簡稱BCIs)已被應用于駕駛行為研究。雖然這些腦電接口在制動意圖檢測方面取得了很大的進展，但由于腦電信號本身的特性，其檢測性能并不穩定。而混合腦機接口(hybrid brain-computer interface, hBCI)作為一種有效的方案，可以解決基于腦電圖的腦機接口穩定性低、性能差、可靠性不足等缺點。

根據信號的組合方式，hbci可分為兩種模式，采用特征級融合策略(hBCI-FL)和分類器級融合策略(hbci - cl)。第一種模式結合了兩種或兩種以上的腦電圖信號，另一種模式是將EEG和其他信號(如EMG信號和ECG信號)結合起來。

研發人員們邀請13名年齡在24 - 30歲之間的受試者參與了實驗。通過采集模擬駕駛過程中的腦電信號、肌電信號和車輛信息，研究了在虛擬駕駛場景中駕駛員硬制動意圖的檢測。然后，他們利用結合腦電圖信號、肌電圖信號、車輛信息的hBCI模型，檢測出即將到來的緊急剎車意圖。

三種驅動意圖分類

在實驗中，研發團隊比較分析了幾種同時性和時序性hBCI模型，分別采用光譜特征和時間特征，以及one VS rest或決策樹分類策略對三種驅動意圖進行多重分類。

“one VS rest”分類策略將三類分類分解為三個并行的二元分類，包括正常駕駛VS其它、軟制動VS其它、硬制動VS其它。對于one VS rest分類策略，根據所有二分類器的最大值得到最終結果。

實驗結果表明，研發團隊的hBCI系統識別硬制動意圖的速度比基于踏板偏轉的模型快130 m/s。基于光譜特征的hBCI-SE1分類算法和單對單分類策略的分類精度最高，系統平均準確率為96.37%。最后，團隊選用最優序次hBCI、最優序次hBCI和基于單腦電信號或肌電信號的模型進行了比較。

結果表明，最優同時性和順序性的hbci均明顯優于基于單腦電或肌電信號的方法。在測試中，得到的結果與離線測試結果吻合較好。

這項研究對于以人為中心的智能輔助駕駛系統，提高駕駛安全性和駕駛舒適性具有一定的參考價值。不過目前該項目還存在一定的局限性。比如，誘導硬制動和軟制動的刺激因素多種多樣，受試者差異的影響，采集裝置的不便等，接下來，團隊將解決上述限制，探索更有效的特征和策略融合，從而提高性能。

本研究得到國家自然科學基金(51975052)和北京市自然科學基金(3222021 )的部分資助。

論文地址：

https://downloads.spj.sciencemag.org/cbsystems/aip/9847652.pdf?