Erfahren Sie, wie multimodale Biosensoren die Belastung des Fahrers erfassen, um Unfälle zu verhindern. Eine wissenschaftliche Analyse der HCI International-Konferenz zeigt, dass Szenarien mit „hoher Belastung“ – wie das Navigieren im Stadtverkehr und das Ausweichen vor Fußgängern – die Herzfrequenz, die Muskelaktivität (EMG) und die elektrodermale Aktivität (EDA) im Vergleich zum Fahren auf der Autobahn deutlich erhöhen.
Table of Contents
Stellen Sie sich eine Welt vor, in der Autos Menschen sicher und mühelos mit den unterschiedlichsten Zielen verbinden, die Lücken zwischen Arbeitsstätten und pulsierenden Städten überbrücken und eine unvergleichliche Verbindung aus Sicherheit, Effizienz und Benutzerfreundlichkeit gewährleisten.
Es werden kontinuierlich Anstrengungen unternommen, um dieses Szenario zu verwirklichen, wobei wichtige Faktoren wie Fahrbedingungen, kognitive Belastung und Fahrpraxis berücksichtigt werden.
Der Zusammenhang zwischen komplexen Fahrbedingungen und der kognitiven Belastung am Steuer ist ein entscheidender Faktor für das gewünschte Fahrerlebnis und zugleich einer der Hauptursachen für Verkehrsunfälle. Die kognitive Belastung – ein Konstrukt, das sowohl den objektiven Schwierigkeitsgrad einer Aufgabe als auch die subjektive Wahrnehmung dieser Schwierigkeit durch den Fahrer umfasst – kommt im Bereich des Autofahrens eine besondere Bedeutung zu.
Die objektive Schwierigkeit hängt von externen Faktoren wie dem Verkehrsaufkommen oder widrigen Wetterbedingungen ab, die die Komplexität des Fahrerlebnisses erhöhen. Gleichzeitig hängt das subjektive Erleben dieser Belastung durch den Fahrer oft von seinem Komfortniveau und seiner Vertrautheit mit dem Umgang mit solchen Situationen ab, was sich in unterschiedlichen Stressniveaus äußert. Das Verständnis der Stressphysiologie spielt in diesem Zusammenhang eine entscheidende Rolle bei der Erforschung des recht komplexen Fahrverhaltens, mit dem Ziel, die Häufigkeit von Verkehrsunfällen zu verringern.
Die Erforschung des menschlichen Verhaltens kann dazu beitragen, einige dieser Herausforderungen zu bewältigen und das Autofahren zu einem sichereren und angenehmeren Erlebnis zu machen. Der Bereich der Mensch-Computer-Interaktion (HCI) ist für diese Aufgabe bestens geeignet, da er sich regelmäßig zum Ziel setzt, robuste Konzepte und Rahmenbedingungen für umsetzbare Ergebnisse zu entwickeln, bei denen der Mensch im Mittelpunkt steht.
Ein Beispiel für diese Art von Forschung wurde kürzlich auf der internationalen HCI-Konferenz vorgestellt. Diese Konferenz ist ein renommiertes internationales Forum für Forscher und Unternehmen aus den Bereichen User Experience, User Interface Design, Usability, Interaktionstechniken, kognitive Ergonomie, Barrierefreiheit, Human Factors und weiteren Fachgebieten. In diesem Jahr, bei der 25. Ausgabe der internationalen HCI-Konferenz, präsentierte iMotions die vorläufigen Ergebnisse einer multimodalen Studie, die in Zusammenarbeit mit der Universität Padua (Italien) und VI-Grade durchgeführt wurde. Diese Studie bewertet gleichzeitig die visuelle Aufmerksamkeit, die Analyse des Gesichtsausdrucks sowie die elektrokardiographische (EKG), respiratorische (RSP), muskuläre (EMG) und elektrodermale (EDA) Aktivität bei drei verschiedenen Fahraufgaben mit erhöhter Arbeitsbelastung: niedrig, mittel und hoch (Abbildung 1).
Ziel der Studie war es, zu untersuchen, wie sich unterschiedliche Arbeitsbelastungen auf die Fahrleistung auswirken können, wobei die Ergebnisse hoffentlich Wege aufzeigen, wie das Fahren sicherer gestaltet werden kann. Im Folgenden geben wir einen Überblick über die Studie – ein echtes multimodales Experiment zum Fahrverhalten.
Abbildung 1: Schematische Darstellung der Studie. Die Fahrer absolvierten drei Fahraufgaben mit geringer (Ausgangswert), mittlerer und hoher Arbeitsbelastung.
Die drei Fahraufgaben lauten:
Geringe Belastung (Ausgangswert): Fahren auf einer freien, verkehrsfreien Autobahn mit doppelten Spurwechseln, Manövern, Beschleunigen und Bremsen.
Mittlere Belastung: Fahren Sie mit dem Auto Slalom zwischen den Verkehrskegeln und führen Sie so schnell wie möglich einen doppelten Spurwechsel durch.
Hohe Belastung: Fahren Sie durch eine Stadt mit zufälligen Verkehrsbedingungen, Ampeln, zahlreichen Fahrzeugen im Verkehr und Fußgängern, die die Straße überqueren.
Es wurde die Hypothese aufgestellt, dass Aufgaben mit höherer Arbeitsbelastung eine höhere visuelle Beanspruchung (gemessen am prozentualen Anteil der Blickverweildauer), eine höhere Herz- und Atemfrequenz sowie eine höhere Muskel- und elektrodermale Aktivität hervorrufen.
Abbildung 2: Videoaufzeichnung der Aufgabe mit hoher Arbeitsbelastung in der iMotions-Software-Suite, die einen Multi-Screen-Simulator mit drei Smart Eye Pro-Eye-Trackern sowie Biosensor-Messwerte von FEA, EKG, RSP, EMG und EDA integriert.
Die vorläufigen Ergebnisse der vorliegenden Studie zeigen eine höhere EMG-Aktivität, eine modulierte Erregung (Herzfrequenz und GSR-Spitzen/Min.) sowie eine höhere Wahrnehmungsbelastung (Verweildauer in %) in komplexen Fahrsituationen (Abbildung 3).
Abbildung 3: Elektrodermale (EDA) und muskuläre (EMG) Aktivität sowie Verweildauer in Prozent bei Aufgaben mit geringer, mittlerer und hoher Arbeitsbelastung.
Die Ergebnisse zeigten signifikante Unterschiede bei der EDA, dem EMG und der Verweildauer aus den Eye-Tracking-Daten. Dies deutet darauf hin, dass diese Messgrößen geeignet sind, die kognitive Belastung beim Autofahren zu erfassen. Da diese Messgrößen zudem mit der Wahrscheinlichkeit eines Unfalls in Zusammenhang stehen, könnte es für Automobilhersteller von Vorteil sein, nach Möglichkeiten zu suchen, wie solche Messgrößen in die Fahrzeugkonstruktion integriert werden können, um bei Bedarf Frühwarnungen oder Unterstützungsfunktionen durch das Fahrzeug bereitzustellen.
Dies könnte letztlich einen automatisierten Mechanismus zur Verringerung der Unfallwahrscheinlichkeit bieten. Ein solches System würde keine Interaktion des Fahrers erfordern, da es allein durch die psychophysiologischen Messwerte ausgelöst würde – was entscheidend ist, wenn die kognitive Belastung zu diesem Zeitpunkt offensichtlich zu hoch ist. Ein solches System wurde kürzlich von Smart Eye auf den Markt gebracht und kann zur Erkennung solcher Situationen in Fahrzeuge eingebaut werden.
Weitere Einzelheiten zu dieser Arbeit finden Sie hier unter „Methoden und Ergebnisse“.
Durch die Verknüpfung dieser physiologischen Messwerte mit anderen Datenquellen, wie beispielsweise Fahrleistungsdaten (Gaspedal, Bremsen, Gangwahl) und Umgebungsbedingungen, lässt sich ein umfassendes Verständnis des Fahrerverhaltens gewinnen. Dieser ganzheitliche Ansatz kann zur Entwicklung fortschrittlicher Fahrerassistenzsysteme (ADAS) beitragen und so die Sicherheit und Leistungsfähigkeit im Straßenverkehr verbessern.
Die Überwachung dieser physiologischen Signale kann auch in Fahrerschulungs- und -fortbildungsprogrammen eingesetzt werden. Indem den Fahrern individuelles Feedback zu ihrem Stresslevel, ihrer Aufmerksamkeit und ihrer Konzentration gegeben wird, können sie aktiv daran arbeiten, ihre Fahrfähigkeiten zu verbessern, was zu mehr Sicherheit im Straßenverkehr und einer Senkung der Unfallzahlen führt.
Literaturverzeichnis
- Healey, J.A., Picard, R.W.: Erkennung von Stress bei realen Fahrsituationen mithilfe physiologischer Sensoren. IEEE Transactions on Intelligent Transportation Systems 6(2), 156–166 (2005). doi: 10.1109/TITS.2005.848368.
- Zontone, P., Affanni, A., Bernardini, R., Piras, A., Rinaldo, R., Formaggia, F., Minen, D., Minen, M., Savorgnan, C.: „Erkennung der sympathischen Reaktion von Autofahrern durch Messung der elektrodermalen Aktivität und des Elektrokardiogramms“. IEEE Transactions on Biomedical Engineering, Band 49(12), 3413–3424 (2020). doi: 10.1109/TBME.2020.2987168
- Lemonnier, S., Bremond, R., Baccino, T.: Blickverhalten bei der Annäherung an eine Kreuzung: Verteilung der Verweildauer und Vergleich mit einer quantitativen Vorhersage. Transportation Research Part F: Traffic Psychology and Behaviour 35, 60–74 (2015). doi: 10.1016/j.trf.2015.10.015
- Jabon, M., Bailenson, J., Pontikakis, E., Takayama, L., Nass, C.: Analyse von Gesichtsausdrücken zur Vorhersage von unsicherem Fahrverhalten. IEEE Pervasive Computing 10(4), 84–95 (2011). doi: 10.1109/MPRV.2010.46
- Strayer, D.L., Drews, F.A., J
- Mehler, B., Reimer, B., Coughlin, J.F., Dusek, J.A.: Auswirkungen einer schrittweisen Erhöhung der kognitiven Belastung auf die physiologische Erregung und die Leistungsfähigkeit junger erwachsener Autofahrer. Transp Res Rec 2138(1), 6–12 (2009). doi: 10.3141/2138-02
- Collet, C., Clarion, A., Morel, M., Chapon, A., Petit, C.: Physiologische und verhaltensbezogene Veränderungen im Zusammenhang mit der Bewältigung von Nebenaufgaben während des Fahrens. App Ergon 40(6), 1041–1046 (2009). doi: 10.1016/j.apergo.2009.01.007
- Wierwille, W.W., Eggemeier, F.T.: Empfehlungen zur Messung der mentalen Arbeitsbelastung in einem Test- und Evaluierungsumfeld. Hum Factors 35(2), 263–281 (1992). doi: 10.1177/001872089303500205
