Zurück Vor

Detailergebnis zu DOK-Nr. 80483

Klassifizierung der kognitiven Belastung von Fahrenden: Untersuchung des Nutzens einer Kombination aus Eye-Tracking und physiologischen Messungen (Orig. engl.: Classification of driver cognitive load: exploring the benefits of fusing eye-tracking and physiological measures)

Autoren	D. He Z. Wang E.B. Khalil B. Donmez G. Qiao S. Kumar
Sachgebiete	6.1 Verkehrserhebungen, Verkehrsmessungen 6.3 Verkehrssicherheit (Unfälle)

Transportation Research Record: Journal of the Transportation Research Board Vol. 2676, H. 10, 2022, S. 670-681, 5 B, 3 T, 47 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr

Fahrzeuginterne Infotainmentsysteme können die kognitive Belastung erhöhen und die Fahrleistung beeinträchtigen. Diese Auswirkungen können durch Schnittstellen gemildert werden, die die kognitive Belastung bewerten und entsprechend anpassen können. Eye-Tracking und physiologische Messungen, die für die kognitive Belastung empfindlich sind, wie zum Beispiel Pupillendurchmesser, Blickstreuung, Herzfrequenz (englisch: HR) und galvanische Hautreaktion (englisch: GSR), können eine Einschätzung der kognitiven Belastung ermöglichen. Die Fortschritte bei kostengünstigen und unauffälligen Sensoren in tragbaren Geräten bieten die Möglichkeit, die Erkennung des Zustands der Fahrenden durch die Verschmelzung von Eye-Tracking und physiologischen Messungen zu verbessern. Als vorläufige Untersuchung der zusätzlichen Vorteile der Nutzung physiologischer Daten zusammen mit Blickbewegungsdaten bei der Erkennung der kognitiven Belastung der Fahrenden wird in dem Beitrag die Leistung verschiedener Modelle des maschinellen Lernens bei der Klassifizierung von drei Stufen der kognitiven Belastung untersucht, die 33 Personen in einer Fahrsimulatorstudie auferlegt wurden: keine externe Belastung, eine Aufgabe mit geringerem Schwierigkeitsgrad und eine Aufgabe mit höherem Schwierigkeitsgrad. Es wurden fünf maschinelle Lernmodelle erstellt, darunter k-nearest neighbor, support vector machine, feedforward neural network, recurrent neural network und random forest. Obwohl die physiologischen Daten im Vergleich zu den Eye-Tracking-Daten eine um 1 bis 15 % geringere Klassifizierungsgenauigkeit lieferten, erhöhte die Hinzufügung physiologischer Daten zu den Eye-Tracking-Daten die Modellgenauigkeit, wobei ein RF-Klassifikator eine Genauigkeit von 97,8 % erreichte. GSR führte zu einer größeren Genauigkeitssteigerung (29,3 %) als HR (17,9 %), wobei die Kombination der beiden Faktoren die Genauigkeit um 34,5 % erhöhte. Insgesamt erweist sich die Verwendung von physiologischen und Blickbewegungsmessungen als vielversprechend für Anwendungen zur Erkennung des Zustands der Fahrenden.