单通道耳内 EEG 实时检测驾驶认知分心：突破性研究成果

发表于 更新于 分类于

发布时间： 2026-04-14
关键词： 认知分心检测、Ear-EEG、驾驶监控、Euro NCAP 2026

核心突破

2026 年 1 月发布的一项研究首次证明：单通道耳内 EEG 可以实时检测驾驶认知分心，时间精度与 24 通道全头皮 EEG 相当。

这是 IMS 领域的重大突破——认知分心一直是 DMS 最难检测的状态，因为它没有明显的视觉或行为特征（驾驶员眼睛可能在看路，但思绪已经飘走）。

研究背景

认知分心的检测难题

分心类型 检测难度 现有方案
视觉分心 ⭐ 视线偏离检测、PERCLOS
手动分心 ⭐⭐ 手部姿态识别、方向盘操作异常
认知分心 ⭐⭐⭐⭐⭐ 尚无可靠方案

传统 DMS 方案（摄像头+眼动追踪）对认知分心束手无策，因为：

  • 驾驶员眼睛可能盯着前方
  • 无明显行为异常
  • 需要生理信号才能判断

EEG 作为解决方案的障碍

EEG 可以检测认知负荷（ frontal theta ↑ + alpha ↓），但传统 EEG 系统：

  • 需要佩戴电极帽
  • 布线复杂
  • 不适合日常驾驶场景

耳内 EEG 的突破：外形如普通耳机，无侵入感，可长时间佩戴。

研究方法与结果

实验设计

项目 配置
参与者 27 人（18 女 / 9 男，22-50 岁）
仿真器 VICTOR 全尺寸 BMW i3 平台，275° 环屏
EEG 设备 IDUN Technologies 单通道耳内 EEG + 24 通道头皮 EEG
眼动追踪 Tobii Pro Glasses 3（60 Hz）
同步方式 LSL（Lab Streaming Layer），亚毫秒精度

任务范式

驾驶员在模拟驾驶过程中完成双任务：

  • 低负荷：简单心算（如 7+5=?）
  • 高负荷：复杂心算（如 37×4=?）

同时记录 EEG、眼动、头部运动。

核心发现

指标 耳内 EEG 头皮 EEG 眼动追踪
检测延迟 ~500ms ~500ms ~300ms（最早）
时间泛化 高 高 中
峰值准确率 较低 最高 中等
实用性 ⭐⭐⭐⭐⭐ ⭐ ⭐⭐⭐⭐

关键结论：

  1. 耳内 EEG 的时间精度与头皮 EEG 相当
  2. 眼动（gaze velocity）是最早的行为标记
  3. 头部运动提供补充信息但较弱
  4. 耳内 EEG 是实用性 + 时间精度的最佳平衡

对 IMS 开发的直接启示

1. 多模态融合方案

1
2
3
4
5
6
7
8
9
10
11
12
┌─────────────────────────────────────────┐
│           认知分心检测架构               │
├─────────────────────────────────────────┤
│                                         │
│   眼动追踪（300ms 延迟）─────────┐      │
│       ↓                         │      │
│   耳内 EEG（500ms 延迟）───→ 融合决策   │
│       ↓                         │      │
│   头部运动（补充）────────────┘        │
│                                         │
│   输出：认知分心状态 + 置信度           │
└─────────────────────────────────────────┘

2. 部署可行性分析

因素 耳内 EEG 方案 头皮 EEG 方案
硬件集成 可集成到耳机/头枕 需要电极帽
用户接受度 高（类似蓝牙耳机） 极低
校准需求 最小化 需要频繁校准
成本 中等 高
Euro NCAP 兼容性 可论证 不现实

3. 技术路线建议

短期（1-2 年）：

  • 使用眼动追踪作为主要认知分心标记
  • 结合方向盘操作、车道保持等行为特征
  • 规则引擎 + ML 分类器

中期（2-4 年）：

  • 引入耳内 EEG 作为辅助验证
  • 多模态融合（眼动 + EEG + 行为）
  • 提升检测准确率和鲁棒性

长期（4+ 年）：

  • 耳内 EEG 成为标配
  • 实时认知状态建模
  • 与 ADAS 深度协同

代码示例：EEG + 眼动数据融合

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
import numpy as np
from scipy.signal import butter, filtfilt
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis

class CognitiveDistractionDetector:
    """认知分心检测器（耳内 EEG + 眼动融合）"""
    
    def __init__(self, eeg_sample_rate=250, eye_sample_rate=60):
        self.eeg_sr = eeg_sample_rate
        self.eye_sr = eye_sample_rate
        self.eeg_model = LinearDiscriminantAnalysis()
        self.eye_model = LinearDiscriminantAnalysis()
        
    def extract_eeg_features(self, eeg_signal):
        """提取 EEG 频域特征
        
        Args:
            eeg_signal: (n_samples,) 单通道 EEG 信号
            
        Returns:
            features: [theta_power, alpha_power, theta_alpha_ratio]
        """
        # 带通滤波
        theta_band = self._bandpower(eeg_signal, 4, 8)
        alpha_band = self._bandpower(eeg_signal, 8, 13)
        
        # 关键特征：theta/alpha 比值
        # 认知负荷增加时：theta ↑，alpha ↓，比值 ↑
        ratio = theta_band / (alpha_band + 1e-10)
        
        return np.array([theta_band, alpha_band, ratio])
    
    def _bandpower(self, signal, low, high):
        """计算频带功率"""
        nyquist = self.eeg_sr / 2
        b, a = butter(4, [low/nyquist, high/nyquist], btype='band')
        filtered = filtfilt(b, a, signal)
        return np.mean(filtered ** 2)
    
    def extract_eye_features(self, gaze_data):
        """提取眼动特征
        
        Args:
            gaze_data: (n_samples, 2) [x, y] 凝视坐标
            
        Returns:
            features: [gaze_velocity, saccade_rate, fixation_duration]
        """
        # 计算凝视速度
        velocity = np.sqrt(np.sum(np.diff(gaze_data, axis=0)**2, axis=1))
        mean_velocity = np.mean(velocity)
        
        # 扫视率（速度 > 阈值的次数）
        saccade_threshold = 50  # pixels/frame
        saccade_rate = np.sum(velocity > saccade_threshold) / len(velocity)
        
        # 注视时长（速度 < 阈值的连续帧数）
        fixation_frames = np.sum(velocity < 10)
        fixation_duration = fixation_frames / self.eye_sr
        
        return np.array([mean_velocity, saccade_rate, fixation_duration])
    
    def fuse_prediction(self, eeg_features, eye_features):
        """多模态融合预测"""
        # 分别预测
        eeg_prob = self.eeg_model.predict_proba([eeg_features])[0][1]
        eye_prob = self.eye_model.predict_proba([eye_features])[0][1]
        
        # 时间加权：眼动更早，EEG 更准
        # 眼动权重随时间衰减，EEG 权重增加
        fused_prob = 0.4 * eye_prob + 0.6 * eeg_prob
        
        return {
            'distraction_prob': fused_prob,
            'eeg_prob': eeg_prob,
            'eye_prob': eye_prob,
            'is_distracted': fused_prob > 0.6
        }

研究论文引用

1
2
3
4
5
6
7
@article{popov2026predicting,
  title={Predicting driver distraction using a single channel ear EEG},
  author={Popov, et al.},
  journal={bioRxiv},
  year={2026},
  doi={10.64898/2026.01.24.701469}
}

论文链接：https://www.biorxiv.org/content/10.64898/2026.01.24.701469v1

Euro NCAP 2026 关联

虽然 Euro NCAP 2026 未明确要求 EEG 检测，但：

  1. TB-039 DSM Spot Testing Guidance 强调”检测驾驶员状态”而非具体技术
  2. 认知分心是 DSM 评分的重要组成部分
  3. 未来协议可能认可生理信号作为直接检测方法

开发优先级建议

优先级 行动项 时间框架
P0 眼动追踪认知分心检测 立即
P1 行为特征（方向盘/车道保持）融合 3-6 月
P2 与耳内 EEG 厂商合作评估 6-12 月
P3 多模态融合原型开发 12-18 月
P4 Euro NCAP 论证材料准备 18-24 月

相关资源

  • DADSS 酒驾检测项目：https://dadss.org/
  • Euro NCAP DSM Protocol：TB-039 v1.1
  • Mobileye EyeQ6L DMS/OMS 单芯片方案：2027 年量产