Mind2Drive：EEGから実環境の車両走行でドライバーの意図を予測する

Abstract

神経生理学的信号からドライバーの意図を予測することは、高度な運転支援システムにおける先回りの安全性を高める有望な道筋を提供しますが、EEG信号の非定常性と、認知-運動の準備の複雑さにより、現実の走行では依然として困難です。本研究では、実際の電気自動車に統合された同期型マルチセンサープラットフォームを用い、EEGに基づくドライバー意図予測フレームワークを提案し、その有効性を評価します。32回の走行セッションにわたって現実環境のオンロードデータセットを収集し、12種類の深層学習アーキテクチャを、同一の実験条件のもとで評価しました。評価したアーキテクチャの中で、TSCeptionは平均精度（0.907）およびMacro-F1スコア（0.901）で最も高い性能を達成しました。提案フレームワークは強い時間的安定性を示し、操縦（マヌーヴァ）実行の直前まで最大1000 msにわたって堅牢な復号性能を維持し、劣化は最小限でした。さらに追加分析により、最小限のEEG前処理が、アーティファクト（混入信号）対応のパイプラインよりも優れていることが明らかになりました。また予測性能は400〜600 msの区間でピークを迎え、これは運転操縦に先行する重要な神経の準備フェーズに対応します。全体として、これらの知見は、現実のオンロード条件において、早期かつ安定したEEGベースのドライバー意図復号の実現可能性を裏付けます。コード: https://github.com/galosaimi/Mind2Drive。