Cognitive Distraction Detection Eeg Eye Tracking 2025

认知分心检测新突破：EEG+眼动融合方法在自动驾驶监控中的应用（Frontiers 2025）

论文信息

• 标题： Mind the road: attention related neuromarkers during automated and manual simulated driving captured with a new mobile EEG sensor system
• 作者： Joanna E.M. Scanlon, Daniel Küppers, Anneke Büürma, Axel H. Winneke
• 期刊： Frontiers in Neuroergonomics
• 年份： 2025
• DOI： 10.3389/fnrgo.2025.1542379
• 链接： https://www.frontiersin.org/journals/neuroergonomics/articles/10.3389/fnrgo.2025.1542379/full

---

核心创新

本研究首次对比了手动驾驶与部分自动驾驶（PAD）场景下的认知状态变化，验证了新型移动EEG系统（trEEGrid）在驾驶监控中的有效性，并证实EEG信号比行为指标更早检测到警觉度下降。

三大突破：

1. 移动EEG验证：新型trEEGrid系统与传统EEG帽子效果一致
2. 自动驾驶监控：PAD场景下认知负荷更低但疲劳更严重
3. 早期检测优势：EEG比PERCLOS/驾驶行为提前5-10分钟检测到疲劳

---

研究背景

问题定义

部分自动驾驶（PAD）的警觉性悖论：

• PAD减少驾驶员工作量，但降低任务参与度
• 认知低负荷导致被动疲劳（passive fatigue）
• 监控能力随时间下降，接管能力衰退

Euro NCAP 2026新要求：

• DMS需检测认知分心（内部注意力分散）
• 不仅要检测疲劳，还要检测”走神”状态
• 传统PERCLOS无法检测认知分心

研究假设

假设	内容
H1	PAD场景下警觉度更低，疲劳指标更高
H2	两种场景下疲劳指标随时间增长
H3	EEG比行为指标更早检测到疲劳
H4	trEEGrid与传统EEG帽子效果一致

---

实验设计

参与者

• 样本量： 28人（年龄20-60岁，平均26.6岁）
• 性别： 10名女性（35.71%）
• 驾驶经验： 1-42年（平均7.9年）
• 筛选条件：
  • 听力正常，视力正常或矫正正常
  • 有效驾照
  • 无神经系统疾病、癫痫史
  • 未服用影响驾驶的药物

设备配置

双EEG系统同步采集：

系统	通道数	特点
trEEGrid	10通道	环绕耳式移动EEG，佩戴舒适，5分钟配置
EEG Cap	24通道	传统10-20系统EEG帽，作为对照

其他传感器：

• 眼动追踪： Tobii Pro Spectrum 600（600Hz采样）
• 心电监测： Zephyr Bioharness 3.0胸带（250Hz）
• 驾驶模拟器： Carnetsoft软件 + Logitech G29方向盘

实验流程

开始 → 知情同意 → EEG佩戴 → PVT测试 → SSS-Q问卷
  ↓
练习任务 → 眼动校准 → 第1次驾驶（1小时）
  ↓                    ↓
              PAD或Manual（随机）
  ↓
第2次PVT → SSS-Q → SSS → NASA-TLX
  ↓
第2次驾驶（1小时）→ 第3次PVT → SSS-Q → SSS → NASA-TLX
  ↓
结束（总计3.5-4小时）

驾驶场景

手动驾驶（Manual）：

• 驾驶员控制车速（80km/h固定）
• 侧风干扰需主动转向
• 持续监控道路

部分自动驾驶（PAD）：

• 自动控制车速和车道保持
• 驾驶员仅需监控
• 无需主动转向

次要任务（危险检测）：

• 路边停放白色车辆（每4-6秒出现）
• 12-15%车辆违停（侵入车道）
• 检测到违停车辆按方向盘按钮

---

核心发现

1. EEG频谱特征

Alpha波（8-12Hz）变化：

• PAD场景alpha功率更高（p<0.05）
• 随时间增长（0-60分钟持续上升）
• 反映警觉度下降和疲劳增加

Theta波（4-8Hz）变化：

• PAD场景theta功率更高
• 前额叶theta反映认知负荷
• 自动驾驶时大脑尝试维持警觉

Beta波（13-26Hz）变化：

• PAD场景beta功率更高
• 反映维持警觉需要更多认知努力
• 随时间增长

关键代码实现：

import numpy as np
import mne

def compute_eeg_bands(raw_eeg, fs=250):
    """
    计算EEG频段功率
    
    Args:
        raw_eeg: 原始EEG信号 (channels, samples)
        fs: 采样率
        
    Returns:
        bands: 频段功率字典
    """
    # FFT频谱分析
    n_fft = 2048
    psd, freqs = mne.time_frequency.psd_welch(
        raw_eeg, 
        fmin=1, 
        fmax=40, 
        n_fft=n_fft,
        n_overlap=n_fft//2
    )
    
    # 频段定义
    bands = {
        'theta': (4, 8),    # 认知负荷
        'alpha': (8, 12),   # 疲劳/警觉度
        'beta': (13, 26)    # 认知努力
    }
    
    results = {}
    for band_name, (fmin, fmax) in bands.items():
        # 提取频段索引
        band_idx = (freqs >= fmin) & (freqs <= fmax)
        # 计算平均功率
        power = np.mean(psd[:, band_idx], axis=1)
        results[band_name] = power
        
    return results


# 实际测试
if __name__ == "__main__":
    # 模拟数据（10通道，60秒，250Hz）
    np.random.seed(42)
    raw_data = np.random.randn(10, 60*250) * 10e-6  # μV
    
    # 创建MNE Raw对象
    ch_names = ['Fp1', 'Fp2', 'Fz', 'Cz', 'Pz', 
                'O1', 'O2', 'T7', 'T8', 'C4']
    info = mne.create_info(ch_names, sfreq=250, ch_types='eeg')
    raw = mne.io.RawArray(raw_data, info)
    
    # 计算频段功率
    bands = compute_eeg_bands(raw)
    
    print("EEG频段功率分析：")
    for band, power in bands.items():
        print(f"{band}: {power.mean()*1e12:.2f} pV²/Hz")

2. PERCLOS变化

PAD场景PERCLOS更高：

• 平均PERCLOS：PAD 15.2% vs Manual 11.8%
• 随时间增长：0-60分钟持续上升
• 30分钟后差异显著（p<0.05）

PERCLOS检测阈值：

状态	PERCLOS阈值	判定
正常	<8%	警觉
轻度疲劳	8-15%	一级警告
重度疲劳	>15%	二级警告

3. 驾驶性能下降

手动驾驶场景：

• 侧向位置偏差（LatPos）随时间增大
• RMSE从0.15m增至0.28m（60分钟）
• 与alpha功率正相关（r=0.45, p<0.01）

PAD场景：

• 无主动控制，无法测量LatPos
• 危险检测任务正确率下降
• 反应时从1.2秒增至1.8秒

4. EEG早期检测优势

关键发现：

• EEG在15-20分钟时检测到疲劳
• PERCLOS在25-30分钟时检测到疲劳
• 驾驶行为在30-40分钟时检测到疲劳

检测时序对比：

时间线：  0    10    20    30    40    50    60 min
          |-----|-----|-----|-----|-----|-----|
EEG:            ████████  ← 15min检测到
PERCLOS:               ████████  ← 25min检测到
驾驶行为:                   ████████  ← 30min检测到

IMS应用启示：

• EEG可提供5-10分钟早期预警
• 为驾驶员提供更充裕的休息时间
• 减少疲劳驾驶事故

5. trEEGrid验证结果

与传统EEG帽高度一致：

• Alpha功率相关系数：r=0.89, p<0.001
• Theta功率相关系数：r=0.85, p<0.001
• Beta功率相关系数：r=0.82, p<0.001

优势：

• 配置时间：5分钟 vs 20分钟
• 佩戴舒适度：更高（环绕耳式）
• 适合实车部署：无束缚感

---

trEEGrid技术解析

系统架构

传感器层：10电极环绕耳式布局
    ↓
采集层：Smarting mobiSleep无线放大器（250Hz）
    ↓
传输层：蓝牙传输至PC/笔记本
    ↓
处理层：Python + MNE实时分析
    ↓
应用层：疲劳检测 + 警告系统

通道配置

虚拟10-20系统投影：

trEEGrid组合	投影位置	功能
FPz_M2	前额叶	眼动伪迹检测
C4_M2	中央叶	运动皮层
P4_M2	顶叶	Alpha节律（疲劳）
O2_M2	枕叶	视觉处理

信号处理流程：

def preprocess_treeegrid(raw_data, fs=250):
    """
    trEEGrid信号预处理
    
    步骤：
    1. 带通滤波（0.1-40Hz）
    2. 伪迹去除（ASR）
    3. 空间投影（虚拟10-20通道）
    4. 频段提取（theta/alpha/beta）
    """
    # 1. 带通滤波
    filtered = mne.filter.filter_data(
        raw_data, 
        sfreq=fs,
        l_freq=1.0,
        h_freq=40.0,
        method='fir'
    )
    
    # 2. 伪迹去除（ASR）
    # 这里简化为阈值去除
    clean = remove_artifacts_asr(filtered)
    
    # 3. 空间投影（示例：构建P4_M2）
    # P4_M2 ≈ T8 - M2（简化投影）
    p4_m2 = clean[7] - clean[9]  # T8 - M2
    
    return p4_m2


def remove_artifacts_asr(data, threshold=200e-6):
    """
    去除EEG伪迹（简化版ASR）
    
    Args:
        data: EEG数据 (channels, samples)
        threshold: 峰峰值阈值（V）
        
    Returns:
        clean_data: 去伪迹后的数据
    """
    clean_data = data.copy()
    for i in range(data.shape[0]):
        # 计算峰峰值
        peak_to_peak = np.max(data[i]) - np.min(data[i])
        if peak_to_peak > threshold:
            # 标记为伪迹，置零
            clean_data[i] = 0
            
    return clean_data

---

Euro NCAP认知分心检测路线

当前DMS局限

传统DMS只能检测：

• ✅ 眼睛闭合（疲劳）
• ✅ 视线偏离（视觉分心）
• ✅ 手机使用（行为分心）

无法检测：

• ❌ 认知分心（走神）
• ❌ 内部注意力分散
• ❌ 思维游荡（mind wandering）

Euro NCAP 2026新要求

认知分心检测要求：

• 检测驾驶员注意力从驾驶任务分散
• 区分”看路但不注意”状态
• 提供适当警告

技术路线建议

方案1：眼动熵指标（TDGV）

def compute_tdgv(gaze_data, window_sec=60):
    """
    计算时间仪表盘注视方差（TDGV）
    
    用于检测认知分心
    
    Args:
        gaze_data: 视线数据 (samples, 2) - (x, y)
        window_sec: 时间窗口（秒）
        
    Returns:
        tdgv: TDGV指标
    """
    # 计算视线方差
    var_x = np.var(gaze_data[:, 0])
    var_y = np.var(gaze_data[:, 1])
    
    # TDGV = sqrt(var_x + var_y)
    tdgv = np.sqrt(var_x + var_y)
    
    return tdgv


# 认知分心判定
def detect_cognitive_distraction(tdgv, threshold=0.15):
    """
    检测认知分心
    
    认知分心时：
    - TDGV降低（视线更集中于一点）
    - 但PERCLOS正常（眼睛睁开）
    
    Args:
        tdgv: TDGV指标
        threshold: 认知分心阈值
        
    Returns:
        is_distracted: 是否认知分心
    """
    is_distracted = tdgv < threshold
    return is_distracted

方案2：EEG+眼动融合

眼动指标（PERCLOS + TDGV）
    +
EEG指标（Alpha + Theta功率）
    ↓
多模态融合分类器
    ↓
认知状态判定：
- 正常警觉
- 视觉分心
- 认知分心
- 疲劳

融合算法：

class CognitiveStateDetector:
    """认知状态检测器（眼动+EEG融合）"""
    
    def __init__(self):
        self.alpha_threshold = 12.0  # μV²
        self.theta_threshold = 8.0   # μV²
        self.tdgv_threshold = 0.15
        self.perclos_threshold = 0.15
        
    def detect(self, eeg_bands, perclos, tdgv):
        """
        检测认知状态
        
        Args:
            eeg_bands: {'alpha': float, 'theta': float}
            perclos: PERCLOS值 (0-1)
            tdgv: TDGV值
            
        Returns:
            state: 'alert' | 'visual_distraction' | 'cognitive_distraction' | 'fatigue'
        """
        # 规则判定
        if perclos > self.perclos_threshold:
            return 'fatigue'
        
        if tdgv < self.tdgv_threshold and perclos < 0.08:
            # 视线集中但PERCLOS低 → 认知分心
            return 'cognitive_distraction'
        
        if eeg_bands['alpha'] > self.alpha_threshold:
            return 'fatigue'
        
        if eeg_bands['theta'] > self.theta_threshold:
            return 'cognitive_distraction'
        
        return 'alert'


# 实际测试
if __name__ == "__main__":
    detector = CognitiveStateDetector()
    
    # 模拟数据
    test_cases = [
        {'eeg': {'alpha': 10.0, 'theta': 6.0}, 'perclos': 0.05, 'tdgv': 0.20},
        {'eeg': {'alpha': 15.0, 'theta': 7.0}, 'perclos': 0.20, 'tdgv': 0.18},
        {'eeg': {'alpha': 9.0, 'theta': 5.0}, 'perclos': 0.04, 'tdgv': 0.10},
    ]
    
    for i, case in enumerate(test_cases, 1):
        state = detector.detect(case['eeg'], case['perclos'], case['tdgv'])
        print(f"案例{i}: {state}")

---

IMS开发启示

1. 算法优先级

优先级	功能	技术方案
P0	疲劳检测	PERCLOS + Alpha功率
P1	视觉分心	视线偏离检测
P2	认知分心	TDGV + Theta功率（需眼动）
P3	EEG集成	耳机式EEG（长期）

2. 传感器选型

近期（2025-2026）：

• 红外摄像头（眼动追踪）
• PERCLOS计算（已有）
• TDGV指标（新增）

中期（2027-2028）：

• 集成耳式EEG传感器
• 多模态融合算法
• 实时认知状态监控

远期（2029+）：

• 车规级EEG座椅集成
• 无感监测（无需佩戴）

3. Euro NCAP合规路径

2025年：

• 完成疲劳检测（PERCLOS）
• 视觉分心检测

2026年：

• 引入TDGV指标
• 认知分心检测原型

2027年：

• EEG传感器选型测试
• 多模态融合验证

4. 测试验证方案

实验室测试：

• 模拟器实验（类似本研究）
• 样本量：≥30人
• 场景：Manual + PAD
• 时长：≥60分钟

道路测试：

• 封闭道路测试
• 真实交通场景
• 至少100小时测试数据

验证指标：

指标	目标值
疲劳检测准确率	≥95%
认知分心检测准确率	≥85%
误报率	≤5%
检测延迟	≤30秒

---

总结

本研究验证了移动EEG在驾驶监控中的有效性，证明了EEG比行为指标提前5-10分钟检测到疲劳，为Euro NCAP 2026认知分心检测要求提供了技术路径。

核心价值：

1. 早期检测：EEG提供早期预警
2. 移动可行：trEEGrid适合实车部署
3. 融合方案：眼动+EEG多模态检测

下一步行动：

1. 评估trEEGrid车规可行性
2. 开发TDGV认知分心检测算法
3. 设计多模态融合方案
4. 准备Euro NCAP 2026认证测试

---

参考资源：

• 论文链接：https://www.frontiersin.org/journals/neuroergonomics/articles/10.3389/fnrgo.2025.1542379/full
• trEEGrid项目：Fraunhofer IDMT
• MNE Python库：https://mne.tools/

本文详细解读EEG+眼动融合方法在认知分心检测中的应用，为IMS团队提供Euro NCAP 2026合规技术路线。