自動駕駛的安全性一直是行業和消費者關注的焦點。對于如何提高高度自動駕駛車輛的行路安全，最近，研究人員開始關注乘客的在不同駕駛場景中的對于風險的認知。因為人類本質上是一種特殊的傳感器，即使是不需要控制汽車的乘客，也能夠感知風險。因此，研究基于人的狀態的腦機接口（Brain-computer inference, BCI）系統以克服自動駕駛算法的功能缺陷是有意義的。

今天，我們將為大家介紹一個用于研究乘客在高度自動駕駛場景中駕駛風險認知的功能性近紅外光譜（fNIRS）數據集，介紹該數據集的原文題為：“An fNIRS dataset for driving risk cognition of passengers in highly automated driving scenarios”。該數據集包含在多個高速駕駛場景中的乘客前額葉皮層活動數據，還提供了駕駛場景的詳細信息，如車輛位置、速度和加速度。該研究為自動駕駛的安全性提供了新的視角，為未來自動駕駛車輛的腦機接口系統奠定了基礎。

圖1. 文章封面

在高度自動駕駛的場景中，車輛的操作不再依賴駕駛員，而是由自動駕駛系統控制。然而，乘客的心理狀態也能反映車輛的安全性，其前額葉皮層活動可以反映出他們對駕駛風險的感知，這種感知可以幫助自動駕駛系統更好地應對潛在的危險場景。

在這項研究中，研究者使用近紅外光譜設備（OctaMon, Artinis Medical Systerm）來實時監測模擬駕駛情境中的乘客前額葉的氧合血紅蛋白（ΔHbo）和脫氧血紅蛋白（ΔHbR）變化，這些數據可以準確反映出乘客在不同駕駛場景中的心理負荷和風險感知。

研究者首先使用虛擬測試駕駛（virtual test drive，VTD）軟件構建了14種高度自動駕駛場景（見圖2）。這些場景涵蓋了三種典型的單車場景：插隊、緊急制動和行人橫穿馬路。具體場景包括：領頭車輛從右側車道切出、領頭車輛從左側車道切出、領頭車輛長距離自主緊急制動、周圍車輛短距離從左側車道切入、周圍車輛短距離從右側車道切入、周圍車輛長距離從右側車道切入、 領頭車輛短距離自主緊急制動、周邊車輛從左側車道長距離插隊、周邊車輛在右側車道行駛且不插隊、行人從右側橫穿馬路、行人從左側橫穿馬路、行人站在左側不橫穿馬路、行人站在右側不橫穿馬路、周邊車輛在左側車道行駛且不插隊。因此每個場景包含一輛自動駕駛的本車，目標車輛或者行人。這14種場景的具體參數描述可參考原文表2。

其次，從這14種場景中隨機選擇25個場景組成一個虛擬測試駕駛（VTD）片段。每個VTD片段的最初1000米內，沒有任何事件發生，本車在三車道道路上以70 公里/小時的速度直線行駛，期間無事發生，目的是讓參與者適應模擬駕駛環境。當本車到達觸發位置后，目標車輛或行人開始執行相應動作，如切入、變道、過馬路等。

研究員一共準備了12個VTD片段，每個片段長約13分鐘。在數據分析時，會舍棄每個 VTD 片段中后面一個場景的數據，僅提取前面二十四個場景的數據進行分析。十二個VTD片段中二十四個場景的順序可參考原文表1。

最終，由20名中國被試在駕駛模擬器上專注觀看所有12個VTD片段，不能進行其他干擾任務，以確保對場景的感知和反應不受影響。觀看VTD的過程中，一旦被試感知到危險或者聽到刺激聲音，則需要按鍵。任務過程會隨機出現的一些刺激聲音，以此判斷其是否專注。且在同一天內，被試最多觀看4個VTD片段。

OxySoft 軟件記錄由血氧監測設備測量的氧合血紅蛋白變化（ΔHbo）和脫氧血紅蛋白變化（ΔHbR）的原始數據，此外，OxySoft軟件還輸出原始強度數據，這些原始強度數據可根據特定需求進行預處理，可通過Homer3或其他軟件獲得ΔHbo和ΔHbR的預處理數據；Matlab/Simulink模塊負責硬件與主機之間、主機與OxySoft軟件之間的通信；Python模塊和鍵盤共同記錄參與者按下鍵盤時主機的當前時間。

另外，本實驗以動能場作為駕駛場景危險程度的客觀指標，該指標使用目標車輛（或者行人）的相對縱向距離和速度來計算。并且根據經驗，選取動能值0.05作為割點（或者叫刺激點），以此將自動駕駛場景分為前半段低風險和后半段高風險部分。

該數據集的結構和命名遵循一定規范，有助于高效管理和使用數據，具體如下：

數據集結構：包含三個主要文件（participants.tsv、participants.json和dataset_description.json）和二十個文件夾。其中，二十個文件夾分別以符合大腦影像數據標準（BIDs）的格式保存二十名參與者的數據。participants.tsv 記錄參與者的年齡、性別、駕駛經驗以及對VTD片段危險程度的主觀評價；participants.json和dataset_description.json則分別是關于參與者和數據集的解釋說明文件。

命名規則：文件命名具有明確指向性，如participants.tsv中 “participants”表明與參與者相關，“tsv”是文件格式，說明該文件以制表符分隔存儲數據。“participants.json”同樣圍繞參與者，“json”格式便于數據的存儲和交換。“dataset_description.json”里“dataset_description”清晰表明這是對整個數據集進行描述的文件。文件夾以參與者編號命名（對應二十名參與者），用于分類存儲不同參與者的具體實驗數據，方便查找和管理 。

該數據集已在OpenNeuro平臺上公開

此外，研究人員還提供了以下工具和資源，幫助用戶更好地利用該數據集：

·VTD項目文件：用戶可以使用VTD軟件重建14種駕駛場景。

·Python數據處理函數：用于處理OctaMon采集的原始ΔHbo和ΔHbR數據。

·Homer預處理示例：展示了如何使用Homer軟件進行fNIRS數據預處理和機器學習分析。

原文作者基于該數據集發表了名為《Driving risk cognition of passengers in highly automated driving based on the prefrontal cortex activity via fNIRS》的文章，研究聚焦于高度自動駕駛場景中乘客的駕駛風險認知問題。且該研究只選取了14種場景中的4種作分析。這些場景分別為：前車短距離自主緊急制動、前車短距離從左車道切入、前車短距離從右車道切入和行人從右側過馬路。通過分析氧合血紅蛋白濃度特征，發現，Brodmann 10區因駕駛場景風險引發的心理活動非常活躍，大腦氧含量與駕駛風險場景呈正相關；還分析了性別和駕駛經驗對心理活動的影響，例如在短距離緊急制動場景中，有駕駛經驗的參與者在低風險和高風險片段的差異更明顯，男性參與者的差異比女性參與者更顯著。

Zhang, X., Wang, Q., Li, J. et al. An fNIRS dataset for driving risk cognition of passengers in highly automated driving scenarios. Sci Data 11, 546 (2024).

該研究由清華大學車輛與運載學院、醫學院以及倫敦帝國理工學院電氣與電子工程系的相關研究團隊共同完成。Xiaofei Zhang和Qiaoya Wang作為共同一作，均來自清華大學車輛與運載學院，Hong Wang 來自清華大學車輛與運載學院，是文章的通訊作者。