ترجمه فارسی مقاله مدل سازی EEG ماسک شده برای پیش بینی قصد رانندگی

چکیده

Driving under drowsy conditions significantly escalates the risk of vehicular accidents. Although recent efforts have focused on using electroencephalography to detect drowsiness, helping prevent accidents caused by driving in such states, seamless human-machine interaction in driving scenarios requires a more versatile EEG-based system. This system should be capable of understanding a driver’s intention while demonstrating resilience to artifacts induced by sudden movements. This paper pioneers a novel research direction in BCI-assisted driving, studying the neural patterns related to driving intentions and presenting a novel method for driving intention prediction. In particular, our preliminary analysis of the EEG signal using independent component analysis suggests a close relation between the intention of driving maneuvers and the neural activities in central-frontal and parietal areas. Power spectral density analysis at a group level also reveals a notable distinction among various driving intentions in the frequency domain. To exploit these brain dynamics, we propose a novel Masked EEG Modeling framework for predicting human driving intentions, including the intention for left turning, right turning, and straight proceeding. Extensive experiments, encompassing comprehensive quantitative and qualitative assessments on public dataset, demonstrate the proposed method is proficient in predicting driving intentions across various vigilance states. Specifically, our model attains an accuracy of 85.19% when predicting driving intentions for drowsy subjects, which shows its promising potential for mitigating traffic accidents related to drowsy driving. Notably, our method maintains over 75% accuracy when more than half of the channels are missing or corrupted, underscoring its adaptability in real-life driving.

چکیده به فارسی (ترجمه ماشینی)

رانندگی در شرایط خواب آلود به طور قابل توجهی خطر تصادفات وسایل نقلیه را افزایش می دهد.اگرچه تلاش های اخیر بر استفاده از الکتروانسفالوگرافی برای تشخیص خواب آلودگی متمرکز شده است ، و به جلوگیری از تصادفات ناشی از رانندگی در چنین کشورهایی کمک می کند ، تعامل یکپارچه انسان در سناریوهای رانندگی نیاز به یک سیستم مبتنی بر EEG دارد.این سیستم باید ضمن نشان دادن مقاومت در برابر مصنوعات ناشی از حرکات ناگهانی ، قادر به درک قصد راننده باشد.این مقاله پیشگام یک جهت تحقیق جدید در رانندگی با کمک BCI ، مطالعه الگوهای عصبی مربوط به اهداف رانندگی و ارائه یک روش جدید برای پیش بینی قصد رانندگی است.به طور خاص ، تجزیه و تحلیل اولیه ما از سیگنال EEG با استفاده از تجزیه و تحلیل مؤلفه مستقل ، رابطه نزدیک بین قصد مانور رانندگی و فعالیت های عصبی در مناطق مرکزی و پاریتال را نشان می دهد.تجزیه و تحلیل چگالی طیفی قدرت در یک سطح گروه همچنین تمایز قابل توجهی را بین اهداف مختلف رانندگی در حوزه فرکانس نشان می دهد.برای بهره برداری از این پویایی های مغز ، ما یک چارچوب مدل سازی EEG با نقاب جدید برای پیش بینی اهداف رانندگی انسان ، از جمله قصد چرخش چپ ، چرخش راست و روند مستقیم پیشنهاد می کنیم.آزمایش های گسترده ، شامل ارزیابی های جامع و کیفی جامع در مجموعه داده های عمومی ، نشان می دهد که روش پیشنهادی در پیش بینی اهداف رانندگی در حالت های مختلف هوشیاری مهارت دارد.به طور خاص ، مدل ما هنگام پیش بینی اهداف رانندگی برای افراد خواب آلود ، به دقت 85.19 ٪ دست می یابد ، که پتانسیل امیدوار کننده آن برای کاهش حوادث ترافیکی مربوط به رانندگی خواب آلودگی را نشان می دهد.نکته قابل توجه ، روش ما بیش از 75 ٪ دقت را حفظ می کند که بیش از نیمی از کانال ها از دست رفته یا فاسد شوند ، و تأکید بر سازگاری آن در رانندگی در زندگی واقعی است.