ترجمه فارسی مقاله پیش‌بینی بار شناختی در سناریوهای رانندگی همهجانبه با یک مدل ترکیبی CNN-RNN

چکیده

One debatable issue in traffic safety research is that cognitive load from sec-ondary tasks reduces primary task performance, such as driving. Although physiological signals have been extensively used in driving-related research to assess cognitive load, only a few studies have specifically focused on high cognitive load scenarios. Most existing studies tend to examine moderate or low levels of cognitive load In this study, we adopted an auditory version of the n-back task of three levels as a cognitively loading secondary task while driving in a driving simulator. During the simultaneous execution of driving and the n-back task, we recorded fNIRS, eye-tracking, and driving behavior data to predict cognitive load at three different levels. To the best of our knowledge, this combination of data sources has never been used before. Un-like most previous studies that utilize binary classification of cognitive load and driving in conditions without traffic, our study involved three levels of cognitive load, with drivers operating in normal traffic conditions under low visibility, specifically during nighttime and rainy weather. We proposed a hybrid neural network combining a 1D Convolutional Neural Network and a Recurrent Neural Network to predict cognitive load. Our experimental re-sults demonstrate that the proposed model, with fewer parameters, increases accuracy from 99.82% to 99.99% using physiological data, and from 87.26% to 92.02% using driving behavior data alone. This significant improvement highlights the effectiveness of our hybrid neural network in accurately pre-dicting cognitive load during driving under challenging conditions.

چکیده به فارسی (ترجمه ماشینی)

یک مسئله قابل بحث در تحقیقات ایمنی در ترافیک این است که بار شناختی از کارهای SEC-indary عملکرد اصلی وظیفه مانند رانندگی را کاهش می دهد.اگرچه سیگنال های فیزیولوژیکی به طور گسترده در تحقیقات مرتبط با رانندگی برای ارزیابی بار شناختی مورد استفاده قرار گرفته اند ، اما فقط چند مطالعه به طور خاص روی سناریوهای بار شناختی بالا متمرکز شده اند.بیشتر مطالعات موجود در این مطالعه به بررسی سطح متوسط ​​یا پایین بار شناختی می پردازند ، ما یک نسخه شنوایی از کار N-Back از سه سطح را به عنوان یک کار ثانویه در حال بارگیری شناختی در هنگام رانندگی در یک شبیه ساز رانندگی اتخاذ کردیم.در حین اجرای همزمان رانندگی و کار N-Back ، ما داده های رفتاری FNIR ، ردیابی چشم و رانندگی را برای پیش بینی بار شناختی در سه سطح مختلف ثبت کردیم.به بهترین دانش ما ، این ترکیب از منابع داده قبلاً استفاده نشده است.بیشتر مطالعات قبلی که از طبقه بندی باینری بار شناختی و رانندگی در شرایط بدون ترافیک استفاده می کنند ، مطالعه ما شامل سه سطح بار شناختی است که رانندگان در شرایط ترافیکی عادی تحت دید کم ، به ویژه در شب و هوای بارانی فعالیت می کنند.ما یک شبکه عصبی ترکیبی را با ترکیب یک شبکه عصبی 1D Convolutional و یک شبکه عصبی مکرر برای پیش بینی بار شناختی پیشنهاد کردیم.مجدداً تجربی ما نشان می دهد که مدل پیشنهادی با پارامترهای کمتری ، دقت را از 99.82 ٪ به 99.99 ٪ با استفاده از داده های فیزیولوژیکی افزایش می دهد و از 87.26 ٪ به 92.02 ٪ با استفاده از داده های رفتار رانندگی به تنهایی.این پیشرفت قابل توجه اثربخشی شبکه عصبی ترکیبی ما را در پیش از تعیین بار شناختی با دقت در هنگام رانندگی در شرایط چالش برانگیز برجسته می کند.