نویسنده: دکتر نیکولاس ویلیامز، دانشمند تحقیقاتی Emotiv.

چندین ماه پیش پس از هشت سال زندگی در خارج از کشور، به ایالات متحده بازگشتم. بخشی از شروع دوباره زندگی به معنای خرید تمام وسایلی بود که یک فرد برای زندگی نیاز دارد. علاوه بر یک مبل، تخت و میز ناهارخوری، من مسلماً به یک ماشین هم نیاز داشتم. با فرض اینکه خودم فردی از نظر مالی باهوش هستم، منحصراً به دنبال مدل‌های قدیمی‌تر و مقرون‌به‌صرفه بودم، اما با قیمت‌های متورم و موجودی محدود، به سرعت دلسرد شدم. بازار خودروهای کارکرده سال ۲۰۲۱ عملاً مرا به سمت خرید خودروی نو سوق می‌داد که در نهایت همین کار را کردم. ناراحتی من از زیر پا گذاشتن اصول اولیه مالی شخصی، به سرعت با اشتیاق بی‌حد و حصر برای راحتی و امکاناتی که با شاسی‌بلند جدید تویوتا من همراه بود، جایگزین شد.

من به ویژه شیفته ویژگی‌های رانندگی خودکار شدم که تا این لحظه، فقط درباره آن‌ها خوانده بودم. فرمان کمکی و رادار آینده‌نگر، رانندگی‌های طولانی را بسیار آسان می‌کردند. من فقط باید چشم‌هایم را به جاده می‌دوختم و دستی را روی فرمان می‌گذاشتم و ماشینم اساساً خودش رانندگی می‌کرد. با در نظر گرفتن سیستم‌های جلوگیری از برخورد، پایش نقاط کور، دوربین‌های دید عقب با سیستم هشدار برای اطمینان از اینکه به کسی که از پشت من عبور می‌کند برخورد نکنم، این خودروی جدید از نظر عینی چندین مرتبه ایمن‌تر از خودروهای مدل قدیمی‌تری بود که در بخش عمده‌ای از دهه گذشته رانده بودم.

البته خودروها هنوز خودشان رانندگی نمی‌کنند. اگرچه آنها دارای فناوری‌های هوشمند خودکار و ایمنی هستند، اما خودروها همچنان به نظارت راننده و در صورت لزوم، مداخله نیاز دارند. ما راه درازی برای حذف عامل انسانی از رانندگی در پیش داریم و همین عامل است که عمدتاً مسئول تصادفات خودرویی و تلفات جاده‌ای است. انسان‌ها پشت فرمان اشتباه می‌کنند. چه زمانی که تصمیم می‌گیرند رانندگی پس از نوشیدن الکل ایده خوبی است، چه زمانی که فکر می‌کنند سرعت بالا سرگرم‌کننده است، یا اینکه لازم است قبل از اینکه برای استراحت دادن به بدن خسته خود توقف کنند، فقط چند مایل دیگر رانندگی کنند، انسان‌ها باعث حوادث رانندگی قابل پیشگیری زیادی می‌شوند.

[block id="cta-shortcode-browse-eeg-headsets-v2"]

طبق آمار سازمان ملی ایمنی ترافیک بزرگراه‌ها (NHTSA)، در سال ۲۰۱۹، ۳۶,۰۹۶ تلفات ناشی از تصادفات وسایل نقلیه موتوری رخ داده است. برای سال ۲۰۲۰، تلفات بیش از ۳۸,۰۰۰ تخمین زده می‌شود [1]. درصد زیادی از این موارد به دلیل رانندگی پرخطر و در نتیجه قابل پیشگیری است. اداره NHTSA شش نوع رانندگی پرخطر را شناسایی کرده است: سرعت غیرمجاز، رانندگی تحت تأثیر الکل و مواد مخدر، استفاده نکردن (یا استفاده نادرست) از کمربند ایمنی، رانندگی با حواس‌پرتی و رانندگی در حالت خواب‌آلودگی. از آنجایی که دو سوم تمام تلفات ترافیکی را می‌توان به سرعت غیرمجاز و رانندگی با اختلال حواس نسبت داد، بسیاری از کمپین‌های مداخله‌ای به درستی با هدف مقابله با این ریسک‌ها طراحی شده‌اند. با این حال، رانندگی با حواس‌پرتی و خواب‌آلودگی منجر به تعداد غیرقابل‌اغماضی از تلفات جانی می‌شود که در سال ۲۰۱۹، ۳,۱۴۲ مرگ ناشی از حواس‌پرتی و ۶۹۷ مرگ ناشی از خواب‌آلودگی را به همراه داشته است [2].

استفاده از علوم اعصاب برای سنجش میزان توجه در آزمایشگاه

علوم اعصاب در صندلی راننده - استفاده از علوم اعصاب برای سنجش میزان توجه در آزمایشگاه.

دانشمندان علوم اعصاب از روش‌های مختلفی برای اندازه‌گیری توجه در آزمایشگاه استفاده می‌کنند. یکی از این روش‌ها بر این واقعیت استوار است که مغز ما با شلیک نورون‌هایش، مقادیر ناچیزی الکتریسیته آزاد می‌کند. با استفاده از الکتروانسفالوگرام (EEG)، می‌توانیم نوسانات این الکتریسیته را برای درک زمان و مکان فعالیت مغز اندازه‌گیری کنیم. سرعت یا فرکانسی که این نوسانات در آن رخ می‌دهند به عنوان نوسانات مغزی یا به طور معمول، امواج مغزی شناخته می‌شوند. فرکانس امواج مغزی می‌تواند اطلاعاتی (Insight) درباره حالات یا فرآیندهای ذهنی ارائه دهد.

به عنوان مثال، امواج مغزی که ۱۴ تا ۳۰ بار در ثانیه (یا ۱۴ تا ۳۰ هرتز) نوسان می‌کنند به عنوان امواج بتا شناخته می‌شوند و با سطوح بالای درگیری ذهنی مرتبط هستند. نوسانات در محدوده ۸ تا ۱۳ هرتز بهعنوان امواج آلفا شناخته می‌شوند و به طور کلی در دوره‌های آرامش یا توجه غیرفعال وجود دارند. به عنوان مثال، شما اغلب در هنگام مراقبه یک فرد، امواج آلفا را مشاهده می‌کنید. امواج تتا نوسانات بین ۴ تا ۷ هرتز هستند و زمانی دیده می‌شوند که فرد عمیقاً آرام یا خواب‌آلود است. کندترین امواج، امواج دلتا (۱ تا ۴ هرتز) هستند و زمانی مشاهده می‌شوند که فرد در خواب عمیق است.

پست مرتبط را ببینید: راهنمای مقدماتی EEG

در آزمایشگاه، دانشمندان می‌توانند زمان‌بندی، بزرگی و فرکانس امواج مغزی را اندازه‌گیری کنند تا تعیین کنند ذهن فرد در طول انجام وظایف چقدر درگیر یا غیردرگیر است. به عنوان مثال، وقتی فردی چیزی را می‌بیند یا می‌شنود که منتظر تماشای آن بوده است، EEG او پاسخ بسیار خاصی به نام P300 را نشان می‌دهد، که یک موج با دامنه بزرگ است که حدود ۳۰۰ میلی‌ثانیه پس از ظاهر شدن شیء رخ می‌دهد [3]. به همین ترتیب، کاهش نوسانات آلفا می‌تواند نشان‌دهنده توجه دقیق فرد به چیزی باشد [4]. خواب‌آلود بودن نیز از طریق تغییرات در نوسانات دلتا، تتا و آلفا، نشانه‌های قابل تشخیص EEG را ایجاد می‌کند [5].

چگونه می‌توانیم میزان توجه را در خودرو اندازه‌گیری کنیم؟

در خودرو، ما می‌توانیم میزان توجه و خواب‌آلودگی را با استفاده از روش‌های رفتاری اندازه‌گیری کنیم. برای مثال، دوربین‌ها می‌توانند چشم‌های رانندگان را ردیابی کنند تا مطمئن شوند که به جاده نگاه می‌کنند. به همین ترتیب، دوربین‌ها می‌توانند تشخیص دهند که چه زمانی سر رانندگان شروع به تکان خوردن می‌کند که نشان‌دهنده خواب‌آلودگی آنهاست. با این حال، صرفاً به این دلیل که فردی به جاده نگاه می‌کند یا سرش خم نشده است، دلیلی بر توجه او یا خسته نبودنش نیست. فناوری EEG می‌تواند تشخیص این حالت‌های خطرناک را تقویت کند. حتی ممکن است بتوان این حالات را قبل از اینکه از نظر رفتاری قابل تشخیص باشند، پیش‌بینی کرد.

علوم اعصاب در صندلی راننده - فناوری EEG می‌تواند تشخیص این حالت‌های خطرناک را تقویت کند. حتی ممکن است بتوان این حالات را قبل از اینکه از نظر رفتاری قابل تشخیص باشند، پیش‌بینی کرد.

در سال ۲۰۲۰، پژوهشگران یک بررسی سیستماتیک روی مطالعاتی انجام دادند که از هدست‌های EEG تجاری موجود برای تشخیص خواب‌آلودگی در زمان واقعی استفاده می‌کردند [6]. آنها گزارش دادند که پرکاربردترین هدست در این نوع مطالعات، هدست‌های ساخته شده توسط Emotiv و پس از آن Neurosky، Interaxon و OpenBCI بوده است. برای تشخیص خواب‌آلودگی، آنها دریافتند که حتی ویژگی‌های اساسی EEG، مانند نوسانات فرکانس، می‌تواند برای تشخیص خواب‌آلودگی استفاده شود. با این حال، آنها اشاره می‌کنند که در بسیاری از موارد، «بهینه‌سازی الگوریتمی همچنان ضروری است»، به این معنی که الگوریتم‌های یادگیری ماشین منجر به تشخیص‌های دقیق‌تری می‌شوند.

بهره‌گیری از EEG تجاری و الگوریتم‌های یادگیری ماشین برای کمک به حفظ امنیت ما

شرکت Emotiv برای بیش از یک دهه پیشرو در زمینه EEG تجاری بوده است. در طول این مدت، آنها سیستم‌های EEG را در اشکال مختلف توسعه داده‌اند، از کلاه‌های تحقیقاتی سنتی ۳۲ کاناله گرفته تا هدفون‌های داخل گوش ۲ کاناله. سیستم‌هایی با قالب‌های فشرده، مانند هدفون‌های MN8 یا Insight، اولین گام‌ها را به سمت فناوری عصبی پوشیدنی روزمره نشان می‌دهند. با ادغام این نوع سخت‌افزارها در کنترل‌های خودرو، ممکن است بتوانیم قبل از رخ دادن حالات ذهنی مسبب حادثه، از تصادفات جلوگیری کنیم.

علوم اعصاب در صندلی راننده - بهره‌گیری از EEG تجاری و الگوریتم‌های یادگیری ماشین برای کمک به حفظ امنیت ما.

ادغام سخت‌افزار EEG در وسایل نقلیه تنها بخشی از راه‌حل است. برای بهره‌برداری از داده‌های مغزی به دست آمده، باید آنها را به معیارهای کاربردی پردازش کنیم. الگوریتم‌های پیچیده یادگیری ماشین با رمزگشایی داده‌های EEG به ویژگی‌هایی که می‌توانند حالات ذهنی خاص را شاخص‌گذاری کنند، به این هدف دست می‌یابند. تا به امروز، Emotiv هفت مورد از این قابلیت‌های تشخیص را توسعه داده است: ناامیدی، علاقه، آرامش، درگیری ذهنی، هیجان، توجه و استرس. مهندسان Emotiv همکاری نزدیکی با دانشمندان علوم اعصاب داشته‌اند تا این تشخیص‌ها را از طریق مطالعات تجربی دقیق که از پروتکل‌های شناخته‌شده برای برانگیختن این حالات استفاده می‌کنند، توسعه دهند. در حوزه خودرو، Emotiv در حال حاضر مشغول تنظیم دقیق سیستم تشخیص حواس‌پرتی راننده است که در یک شبیه‌ساز رانندگی توسعه یافته است. این امر به دنبال نتایج امیدوارکننده از همکاری با کلوپ سلطنتی خودروی استرالیای غربی انجام می‌شود که منجر به ساخت خودرویی مجهز به نیروی توجه شد که با کاهش توجه، سرعت آن کاهش می‌یافت [7]. می‌توانید برخی از ویدیوهای این همکاری و نتایج آن را در یوتیوب بیابید.

علوم اعصاب و آینده رانندگی

علوم اعصاب در صندلی راننده - علوم اعصاب و آینده رانندگی.

از مداخلات اولیه مانند کمربند ایمنی و خطوط لرزاننده گرفته تا موارد مدرن مانند ترمز اضطراری خودکار و فرمان کمکی، خودروهای ما بسیار ایمن‌تر شده‌اند. با این حال، تعداد افرادی که سالانه بر اثر تصادفات جان خود را از دست می‌دهند نشان می‌دهد تا زمانی که وسایل نقلیه بتوانند «ایمن» تلقی شوند، راه درازی در پیش داریم. با پیشرفت تکنولوژی، خودروهای ما بدون شک ایمن‌تر خواهند شد، اما تا زمانی که انسان‌ها رانندگان اصلی خودرو باشند، تصادفات ناشی از خطای انسانی همچنان ادامه خواهد داشت. فناوری BCI و EEG نشان‌دهنده مسیری بسیار نویدبخش برای کاهش عامل انسانی با تشخیص نشانه‌های ظریف و مداخله قبل از وقوع شرایط مسبب تصادف است.

منابع

[1] مرکز ملی آمار و تحلیل، «برآورد اولیه تلفات ترافیکی وسایل نقلیه موتوری در سال ۲۰۲۰.» سازمان ملی ایمنی ترافیک بزرگراه‌ها، می ۲۰۲۱. بازبینی شده در: ۰۴ ژانویه ۲۰۲۲. [آنلاین]. در دسترس در: https://crashstats.nhtsa.dot.gov/Api/Public/ViewPublication/813115

[2] مرکز ملی آمار و تحلیل، «مروری بر تصادفات وسایل نقلیه موتوری در سال ۲۰۱۹.» سازمان ملی ایمنی ترافیک بزرگراه‌ها، ۲۰۲۰.

[3] اس. جی. لاک و ای. اس. کاپنمن، کتابچه راهنمای آکسفورد درباره مولفه‌های پتانسیل وابسته به رویداد. انتشارات دانشگاه آکسفورد، ۲۰۱۱.

[4] جی. ثوت، «فعالیت الکتروانسفالوگرافی باند آلفا در قشر پس‌سری، سوگیری توجه بینایی-فضایی را شاخص‌گذاری و تشخیص هدف بصری را پیش‌بینی می‌کند،» مجله علوم اعصاب، دوره ۲۶، شماره ۳۷، صفحات ۹۴۹۴–۹۵۰۲، سپتامبر ۲۰۰۶، doi: 10.1523/JNEUROSCI.0875-06.2006.

[5] سی.-اچ. چوانگ، سی.-اس. هوانگ، ال.-دبلیو. کو، و سی.-تی. لین، «یک شبکه ادغام عملکرد ادراکی مبتنی بر EEG برای کاربرد در رانندگی خواب‌آلود،» Knosys، دوره ۸۰، صفحات ۱۴۳-۱۵۲، می ۲۰۱۵، doi: 10.1016/j.knosys.2015.01.007.

[6] جی. لاروکو، ام. دی. له، و دی.-جی. پنگ، «بررسی سیستماتیک هدست‌های EEG ارزان‌قیمت موجود مورد استفاده برای تشخیص خواب‌آلودگی،» Front. Neuroinformatics، دوره ۱۴، صفحه ۴۲، ۲۰۲۰، doi: 10.3389/fninf.2020.553352.[7] «پژوهشگران استرالیایی از خودروی