Multimodal Brain-Computer Interface for In-Vehicle Driver Cognitive Load Measurement: Dataset and Baselines

要約

タイトル：多様な脳-コンピューターインターフェイスを用いた運転中の認知負荷測定：データセットと基礎線

要約：

– 新しい運転者の認知負荷評価のためのデータセットCL-Driveを紹介。
– 電気脳波(EEG)信号とともに、心電図（ECG）と皮膚電気活動（EDA）などの他の生理学的信号、およびアイトラッキングデータを含む。
– データは、21人の被験者が、さまざまな運転状況で、認知負荷の異なるレベルを誘発するための内視鏡式車両シミュレータで運転している間に収集されました。
– 課題は、3分ごとに9つの複雑度レベルで構成されていました。
– 実験中、各ドライバーは、自分の主観的な認知負荷を10秒ごとに報告した。データセットには、主観的な認知負荷がグラウンド・トゥルースとして記録されています。
– この論文では、二元的および三元的なラベル分布の異なる機械学習とディープラーニングモデルのベンチマーク分類結果を提供しています。
– 私たちは、10分割および1人抜き法（LOSO）という2つの評価基準に従って評価を行いました。
– 私たちは、手作りの特徴量と生データの両方でモデルをトレーニングしました。

要約(オリジナル)

Through this paper, we introduce a novel driver cognitive load assessment dataset, CL-Drive, which contains Electroencephalogram (EEG) signals along with other physiological signals such as Electrocardiography (ECG) and Electrodermal Activity (EDA) as well as eye tracking data. The data was collected from 21 subjects while driving in an immersive vehicle simulator, in various driving conditions, to induce different levels of cognitive load in the subjects. The tasks consisted of 9 complexity levels for 3 minutes each. Each driver reported their subjective cognitive load every 10 seconds throughout the experiment. The dataset contains the subjective cognitive load recorded as ground truth. In this paper, we also provide benchmark classification results for different machine learning and deep learning models for both binary and ternary label distributions. We followed 2 evaluation criteria namely 10-fold and leave-one-subject-out (LOSO). We have trained our models on both hand-crafted features as well as on raw data.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI