Neurophysiologische Analyse des kognitiven Fahrerzustandes

Abstract

Eine beträchtliche Anzahl von Verkehrsunfällen ist auf eine Übermüdung des Fahrzeugführers zurückzuführen, insbesondere während Fahrten bei Nacht, aber auch während monotoner Tagfahrten. Diese Arbeit verfolgt das Ziel ein objektives Referenzsystem, basierend auf physiologischen Daten, insbesondere dem EEG, für die Erfassung von Müdigkeit und Unaufmerksamkeit im realen Straßenverkehr zu entwickeln, welches bei der Absicherung und Weiterentwicklung von Fahrerassistenzsystemen Verwendung findet. Grundlage der Müdigkeitserkennung mittels EEG sind Alpha-Spindeln, kurzeitige sinusförmige Bursts im alpha-Band. Anhand von Tagfahrexperimenten im realen Straßenverkehr zeigen sich signifikante Zusammenhänge zwischen sicherheitskritischer Müdigkeit und mehrerer Parameter der Alpha-Spindeln. Mit Hilfe verschiedener Klassifikationsverfahren lassen sich darüber hinaus Abschnitte starker Ermüdung erfolgreich vorhersagen. Ferner wird gezeigt, dass Alpha-Spindeln auch im Zusammenhang mit kurzzeitigen Aufmerksamkeitsschwankungen, repräsentiert durch Veränderungen der Reaktionszeit auf akustische Stimuli, stehen. Da EEG-Aufzeichnungen im Fahrzeug häufig starke Artefakte zeigen ist eine Bereinigung bzw. ein Ausschluss verrauschter Segmente unerlässlich. Hierzu wird ein Echtzeitverfahren basierend auf einem zeitvariablen AR-Modell vorgestellt.

Fatigue, particularly at night but also during monotonous daytime driving, causes a considerable number of traffic accidents every year. This work aims to develop an objective reference system for the detection of fatigue and inattention in real traffic. The methods are based on physiological data, particularly EEG. This reference system can be used for the verification and advancement of driver assistance systems. Basis for the fatigue detection are so called alpha-spindles, short sinusoidal bursts in the alpha-band. Data from daytime driving experiments in real traffic show significant correlations between safety critical fatigue and several parameters of the alpha-spindles. By using machine learning methods, sections of strong fatigue can be predicted. Further, alpha-spindles are related to short-time variations in attention, represented through changes in reaction time to acoustic stimuli. A removal or rejection of artifactual EEG-segments is essential since real traffic EEG recordings contain a large number of severe artifacts. In the thesis a real-time method based on AR-models is presented to detect different kinds of artifacts.