Avaliando a Carga Cognitiva do Motorista com o Conjunto de Dados CL-Drive

Dirigir pode ser perigoso. Muitos acidentes acontecem todo ano, muitas vezes porque os motoristas estão distraídos. As distrações podem vir de vários lugares, como usar o celular ou estar cansado. Uma razão para a distração é a alta Carga Cognitiva, que significa que o cérebro está tentando lidar com muita informação ao mesmo tempo. A carga cognitiva pode afetar quão bem uma pessoa realiza uma tarefa. Se um motorista fica sobrecarregado, pode não responder rápido o suficiente, levando a acidentes.

Para ajudar a reduzir os acidentes causados pela alta carga cognitiva, os veículos podem usar tecnologia para medir quanto esforço mental um motorista está usando. Interfaces cérebro-computador (BCIs) podem fornecer comunicação em tempo real entre o motorista e o veículo. Essas tecnologias podem monitorar a atividade cerebral, indicando quando um motorista está sobrecarregado. Este artigo apresenta um novo conjunto de dados chamado CL-Drive, projetado para avaliar a carga cognitiva do motorista.

#O que é Carga Cognitiva?

Carga cognitiva se refere a quanto esforço mental é necessário para completar uma tarefa. Existem dois tipos principais de carga cognitiva:

1. Carga Cognitiva Intrínseca: Essa é a dificuldade da tarefa em si. Por exemplo, tarefas complexas como resolver problemas avançados de matemática têm uma carga intrínseca alta.

2. Carga Cognitiva Extrínseca: Essa é causada por fatores externos não relacionados à tarefa. Por exemplo, se um motorista estiver conversando com um passageiro ou ouvindo música alta, sua carga cognitiva pode aumentar, dificultando a concentração na direção.

O desempenho de um motorista é influenciado pela sua carga cognitiva. Se a carga ficar muito alta, pode levar a um desempenho ruim. Na direção, isso pode aumentar o risco de um acidente.

#Por que medir a carga cognitiva na direção?

Para melhorar a segurança nas estradas, é essencial monitorar a carga cognitiva de um motorista enquanto ele dirige. Entender quando um motorista está sobrecarregado pode ajudar a tomar medidas proativas para evitar acidentes. Por exemplo, se um sistema detectar que a carga cognitiva está muito alta, pode alertar o motorista, sugerindo que ele faça uma pausa ou reduza as distrações.

BCIs podem oferecer uma maneira de medir a carga cognitiva através de dispositivos não invasivos, como faixas de EEG (eletroencefalograma). Os dados coletados desses dispositivos podem ajudar a criar modelos que preveem a carga cognitiva com base na atividade cerebral e outros sinais fisiológicos.

#Visão Geral do Conjunto de Dados CL-Drive

CL-Drive é um novo conjunto de dados que inclui vários tipos de dados coletados de 21 motoristas enquanto usavam um simulador de direção. O objetivo era coletar dados sob diferentes condições de direção para avaliar com precisão a carga cognitiva do motorista. Este conjunto de dados inclui:

• Sinais de EEG: Medem a atividade cerebral.
• ECG (Eletrocardiografia): Registra a atividade cardíaca.
• EDA (Atividade Eletrodérmica): Mede a condutância da pele, que pode indicar níveis de estresse.
• Dados de Rastreamento Ocular: Captura movimentos oculares.

O experimento envolveu motoristas completando tarefas de dificuldade variada por três minutos cada. A cada dez segundos, os motoristas relataram sua carga cognitiva percebida. Essa configuração permite que os pesquisadores correlacionem a carga cognitiva relatada com os dados fisiológicos coletados.

#Processo de Coleta de Dados

O estudo foi conduzido usando um simulador de direção, que imita as condições reais de condução. Cada motorista participou de vários cenários de direção projetados para induzir diferentes cargas cognitivas.

#Participantes

Um total de 23 indivíduos participou do estudo. Entre eles, havia 17 mulheres e 6 homens. Antes de começar o experimento, os participantes receberam instruções detalhadas sobre o estudo e forneceram consentimento por escrito para participar.

#Simulador de Direção

O simulador de direção foi projetado para oferecer uma experiência realista. Tinha um volante, painel e um sistema de movimento para replicar a sensação de dirigir. O simulador incluía três telas grandes que ofereciam uma visão de 180 graus, além de som surround para aprimorar ainda mais a experiência.

#Cenários de Direção

Os participantes completaram nove cenários de direção diferentes, cada um variando em complexidade. Esses cenários foram criados para induzir diferentes níveis de carga cognitiva. Cada tarefa de direção durou três minutos, seguida de períodos de descanso para permitir que os participantes se recuperassem mentalmente.

#Coletando Dados

Durante as tarefas de direção, sinais fisiológicos foram coletados através de vários sensores. Os dados coletados incluíam ondas cerebrais (de EEG), frequência cardíaca (de ECG), condutância da pele (de EDA) e movimento ocular (de rastreamento de olhar). Os sensores registraram os sinais continuamente, permitindo que os pesquisadores analisassem como a carga cognitiva mudava ao longo do tempo.

A cada dez segundos, os participantes eram convidados a relatar verbalmente sua carga cognitiva, que era então registrada. Essa medida subjetiva foi usada como rótulo verdadeiro para a análise.

#Desafios na Medição da Carga Cognitiva

Medição da carga cognitiva pode ser complexa. Tanto medidas subjetivas quanto objetivas podem ser usadas. As classificações subjetivas vêm de auto-relatos, enquanto medidas objetivas dependem de dados fisiológicos. Cada método tem suas vantagens e desvantagens.

Por exemplo, o auto-relato pode ser subjetivo e pode ser influenciado por fatores como humor ou estresse. Por outro lado, os dados fisiológicos podem fornecer mais insights objetivos, mas também podem ser afetados por variáveis como saúde física ou condições ambientais.

#Pesquisa Relacionada

Estudos anteriores exploraram o impacto da carga cognitiva no desempenho da direção, principalmente em situações envolvendo distrações, como uso de celular. Alguns pesquisadores se concentraram em medir a carga cognitiva através de vários métodos, incluindo rastreamento ocular e sinais fisiológicos como a frequência cardíaca.

Muitos conjuntos de dados existentes nesta área tiveram limitações, como serem testados apenas fora de cenários de direção ou faltarem dados multimodais abrangentes. O conjunto de dados CL-Drive tem como objetivo preencher essas lacunas, fornecendo um rico conjunto de dados especificamente coletados em um contexto de direção.

#Importância dos Dados Multimodais

Usar múltiplos tipos de dados (dados multimodais) pode fornecer uma compreensão mais abrangente da carga cognitiva. Por exemplo, combinar EEG, ECG, EDA e rastreamento ocular pode permitir previsões melhores, já que cada tipo de dado pode revelar diferentes aspectos de como um motorista está se sentindo.

Os dados de EEG podem mostrar a atividade cerebral, enquanto o ECG captura variações na frequência cardíaca que podem indicar estresse. EDA pode fornecer insights sobre reações físicas à carga cognitiva, e o rastreamento ocular pode revelar como a atenção muda durante tarefas de direção complexas.

#Protocolo do Experimento

O protocolo do experimento incluiu várias fases para garantir que os participantes estivessem confortáveis e entendessem as tarefas. Cada participante primeiro completou uma coleta de dados de base para estabelecer leituras fisiológicas normais.

O fluxo do experimento envolveu alternar cenários de direção com períodos de descanso. Após cada cenário, os participantes tinham um intervalo para minimizar a carga cognitiva e evitar desconforto da simulação.

#Processamento de Dados

Uma vez que a coleta de dados foi concluída, os dados passaram por várias etapas de processamento. Isso incluiu filtrar o ruído dos sinais de EEG e lidar com valores ausentes nos dados de ECG.

Para cada tipo de dado, os pesquisadores aplicaram técnicas específicas para limpar e preparar os dados para análise. Por exemplo, um filtro passa-banda foi usado nos dados de EEG para isolar frequências relevantes, enquanto métodos estatísticos foram usados para preencher valores ausentes no ECG.

#Extração de Características

Depois de processar os dados, os pesquisadores extraíram características que poderiam ser usadas para análise. A extração de características envolve selecionar métricas específicas dos dados brutos que podem ajudar a distinguir diferentes níveis de carga cognitiva.

Para os dados de EEG, várias características foram calculadas tanto nos domínios de tempo quanto de frequência. Da mesma forma, características foram extraídas de ECG, EDA e dados de olhar, fornecendo um conjunto de métricas para trabalhar com modelos de machine learning.

#Modelos de Machine Learning e Deep Learning

Para avaliar os dados de carga cognitiva, uma série de modelos de machine learning e deep learning foram treinados nas características extraídas.

#Classificadores de Machine Learning

Uma variedade de classificadores clássicos de machine learning foram usados, incluindo:

• AdaBoost
• Decision Tree
• Support Vector Machine
• Random Forest
• Multi-Layer Perceptron

Esses modelos funcionaram aprendendo padrões nos dados para classificar a carga cognitiva em diferentes categorias, como baixa ou alta.

#Modelos de Deep Learning

Modelos de deep learning também foram empregados na análise. Dois tipos de redes neurais convolucionais foram usados:

• Rede estilo VGG: Essa arquitetura de rede consiste em várias camadas voltadas para extrair características dos dados.

• Rede estilo ResNet: Outro tipo de rede que ajuda a identificar padrões complexos nos dados.

Ambos os modelos foram treinados usando as características extraídas do conjunto de dados e avaliados em seu desempenho na classificação da carga cognitiva.

#Avaliação de Resultados

Os modelos foram avaliados com base em sua capacidade de classificar com precisão a carga cognitiva. A avaliação foi conduzida usando vários métodos, incluindo técnicas de validação cruzada.

#Comparação de Desempenho

Os resultados mostraram que tanto os modelos de machine learning quanto os de deep learning puderam diferenciar efetivamente entre diferentes níveis de carga cognitiva. Geralmente, sistemas que usavam múltiplos tipos de dados apresentaram melhores resultados de classificação do que aqueles que dependiam de um único tipo de dado.

Em termos de desempenho, os classificadores de machine learning geralmente superaram os modelos de deep learning quando treinados com características extraídas. No entanto, os modelos de deep learning ainda apresentaram resultados promissores, especialmente quando treinados com dados brutos.

#Conclusão

O conjunto de dados CL-Drive oferece uma oportunidade única para estudar a carga cognitiva em motoristas usando medições fisiológicas avançadas. Ao integrar vários tipos de dados, o conjunto enriquece nossa compreensão de como a carga cognitiva afeta o desempenho da direção.

As descobertas destacam o potencial de usar essas tecnologias para criar veículos mais inteligentes e seguros. Ao monitorar a carga cognitiva em tempo real, podemos desenvolver sistemas que alertam os motoristas antes que eles fiquem sobrecarregados, levando, em última análise, a estradas mais seguras.

Pesquisas futuras podem construir sobre este conjunto de dados, explorando variáveis adicionais e refinando modelos preditivos. O potencial do machine learning e deep learning para melhorar a segurança nas estradas é substancial, e o conjunto de dados CL-Drive estabelece uma base sólida para estudos futuros nesta área vital.