Driver cognitive workload

dc.contributor.advisorRötting, Matthias
dc.contributor.authorRuff, Stefan
dc.contributor.grantorTechnische Universität Berlinen
dc.contributor.refereeRötting, Matthias
dc.contributor.refereeVollrath, Mark
dc.date.accepted2017-08-28
dc.date.accessioned2017-10-06T12:47:10Z
dc.date.available2017-10-06T12:47:10Z
dc.date.issued2017
dc.description.abstractUsing in-car speech interaction systems has become increasingly popular. However, the cognitive workload resulting from this and its consequences for the driver are not yet fully understand. This thesis therefore aims to better understand the consequences of driver cognitive workload regarding performance, subjective evaluation and physiological changes and to identify suitable non-intrusive physiological measures that can be combined for the classification of a driver’s cognitive workload. Only when consequences of workload are understood and quantified, it is possible to develop assistance systems that assess suboptimal driver states and, if necessary, initiate countermeasures in order to prevent dangerous situations. To this end two experiments were conducted that assessed and validated the sensitivity of multiple physiological measures to different levels of cognitive workload. In the first experiment, thirty participants performed a lane change task (LCT), and parallelly to that, completed a paced auditory serial addition test (PASAT) in three conditions of varying degrees of difficulty. Results regarding performance and subjective measures confirmed that three different levels of cognitive workload were induced. Most of the ocular, cardiovascular and speech signal parameters exhibited sensitivity to the cognitive workload levels but lacked differential sensitivity at higher levels of cognitive driver workload. Only pupil size differentiated between all three levels of driver cognitive workload. In addition, eye-fixation parameters revealed strong dependencies of visual aspects of the driving task, so that their usefulness as indicators of cognitive workload is limited with respect to generalization. The second experiment aimed at validating the results of the first experiment in a more realistic driving scenario. Ninety participants took part in a driving simulator study and were randomly assigned to one of three workload conditions. An auditory-verbal n-back task with three levels (0-back, 1-back, 2-back) was used to manipulate workload. Again, performance as well as subjective workload measures confirmed that three workload levels were induced. Pupil size, horizontal fixation dispersion, heart rate, nose tip temperature, voice fundamental frequency and intensity were sensitive to the different workload levels, with pupil size and heart rate showing the largest effects. Pupil size and voice intensity revealed differential sensitivity between all three levels of workload, whereas the other measures failed to differentiate between medium and high levels of workload. The results indicate that physiological parameters in general are suitable to measure cognitive workload in the driving context. They also suggest that no single parameter is sufficient for a reliable classification of different levels of cognitive driver workload, as each parameter only reflects parts of the responses of the autonomous nervous system. For this reason, a data-driven modelling approach was used to combine the most promising physiological measures for the classification of drivers’ cognitive workload on the basis of the data gathered in the second experiment. The best performing model combined heart rate and pupil size and resulted in 92% classification accuracy for the differentiation between low and a combination of medium and high workload and 76% classification accuracy in the differentiation between all three workload levels. Several challenges and methodological limitations, such as robust data collection and the demarcation of cognitive driver workload from other psychological states, have to be addressed to enable the use of physiological measures for reliable driver cognitive workload assessment in real-world driving. However, overall the results of this thesis suggest that physiological measures have great potential to be used for drivers’ cognitive workload assessment.en
dc.description.abstractDie Verwendung von Sprachinteraktionssystemen im Fahrzeug wird immer beliebter. Allerdings sind die damit verbundene kognitive Beanspruchung, sowie die daraus resultierenden Konsequenzen für FahrerInnen, noch nicht vollständig verstanden. Nur wenn diese verstanden und quantifiziert werden können, ist es möglich Assistenzsysteme zu entwickeln, die suboptimale Fahrerzustände erfassen und gegebenenfalls Gegenmaßnahmen einleiten, um schwerwiegende Folgen zu verhindern. Deshalb zielt diese Dissertation darauf ab, die Konsequenzen der kognitiven Beanspruchung von FahrerInnen in Bezug auf die Fahrleistung, die subjektiv erlebte Beanspruchung und physiologische Veränderungen besser zu verstehen und geeignete, nicht-invasiv messbare physiologische Parameter zu identifizieren, die für die Klassifizierung der kognitiven Beanspruchung von FahrerInnen kombiniert werden können. Zu diesem Zweck wurden zwei Experimente durchgeführt, die die Sensitivität verschiedener physiologischer Parameter für unterschiedliche Niveaus kognitiver FahrerInnenbeanspruchung evaluieren und validieren. Im ersten Experiment führten dreißig TeilnehmerInnen eine Spurwechselaufgabe (Lane Change Task - LCT) im Fahrsimulator aus. Parallel dazu wurde eine extern getaktete serielle Additionsaufgabe (PASAT) in drei unterschiedlichen Schwierigkeitsgraden bearbeitet. Die Ergebnisse hinsichtlich der Leistung und der subjektiv erlebten Beanspruchung bestätigten, dass durch die experimentelle Manipulation drei verschiedene kognitive Beanspruchungsniveaus induziert wurden. Die meisten der okularen, kardiovaskulären und Sprachsignalparameter wiesen eine generelle Sensitivität für die verschiedenen kognitiven Beanspruchungsniveaus auf. Allerdings zeigte sich, dass die Sensitivität bezüglich Unterschieden in höheren Beanspruchungsregionen limitiert ist. Nur die Pupillengröße unterschied zwischen allen drei Niveaus der kognitiven Beanspruchung der FahrerInnen. Darüber hinaus zeigten Fixationsparameter der Augenbewegung starke Abhängigkeiten von visuellen Aspekten der Fahraufgabe, so dass ihre Nützlichkeit als Indikatoren kognitiver Beanspruchung in Bezug auf die Verallgemeinerbarkeit begrenzt ist. Das zweite Experiment zielte darauf ab, die Ergebnisse des ersten Experiments in einem realistischeren Fahrszenario zu validieren. Neunzig TeilnehmerInnen nahmen an einer Fahrsimulatorstudie teil und wurden zufällig einer von drei kognitiven Beanspruchungsbedingungen zugeordnet. Eine auditiv-verbale n-back Aufgabe mit drei Schwierigkeitsstufen (0-back, 1-back, 2-back) wurde verwendet, um die Beanspruchung zu manipulieren. Wiederum bestätigten sowohl die Leistungsmaße wie auch Maße der subjektiv erlebten Beanspruchung, dass drei kognitive Beanspruchungsniveaus induziert wurden. Pupillengröße, horizontale Fixationsstreuung, Herzrate, Nasenspitzentemperatur, Grundfrequenz des Sprachsignals und Sprachintensität waren sensitiv für Unterschiede in der kognitiven Beanspruchung, wobei die Pupillengröße und die Herzrate die größten Effekte zeigten. Die Pupillengröße und die Sprachintensität diskriminierten dabei zwischen allen drei Beanspruchungsniveaus, während die anderen physiologischen Parameter nicht sensitiv für Unterschiede zwischen mittlerer und hoher Beanspruchung waren. Die Ergebnisse zeigen, dass physiologische Parameter generell dazu geeignet sind, die kognitive Beanspruchung im Fahrkontext zu messen, verdeutlichen aber gleichzeitig, dass kein einzelner Parameter für eine zuverlässige Klassifizierung der verschiedenen Niveaus der kognitiven Beanspruchung ausreicht, da jeder Parameter nur Teile der Reaktion des autonomen Nervensystems abbildet. Aus diesem Grund wurde ein datengetriebener Modellierungsansatz verwendet, um die vielversprechendsten physiologischen Parameter zur Klassifizierung der kognitiven Beanspruchung von Fahrern zu kombinieren. Das beste Modell auf Basis der im zweiten Experiment gesammelten Daten, kombinierte Herzrate und Pupillengröße und erzielte eine Klassifikationsgenauigkeit von 92% für die Differenzierung zwischen niedriger kognitiver Beanspruchung und der Kombination von mittlerer und hoher kognitiver Beanspruchung. Die Klassifikation von allen drei Beanspruchungsniveaus resultierte in einer Klassifikationsgenauigkeit von 76%. Insgesamt deuten die Ergebnisse dieser Dissertation darauf hin, dass physiologische Parameter großes Potenzial für die Erfassung des kognitiven Beanspruchungsniveaus von FahrerInnen haben. Allerdings müssen zunächst Herausforderungen, wie die robuste Datenerfassung und die Abgrenzung der kognitiven Beanspruchung von anderen psychologischen Zuständen überwunden werden, um einen Einsatz im realen Fahrkontext zu ermöglichen.de
dc.identifier.urihttps://depositonce.tu-berlin.de/handle/11303/6745
dc.identifier.urihttp://dx.doi.org/10.14279/depositonce-6171
dc.language.isoenen
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/en
dc.subject.ddc158 Angewandte Psychologiede
dc.subject.otherdriver stateen
dc.subject.othercognitive workloaden
dc.subject.otherphysiologyen
dc.subject.otherworkload measurementen
dc.subject.otherclassificationen
dc.subject.othermultimodalen
dc.subject.otherFahrerzustandde
dc.subject.otherkognitive Beanspruchungde
dc.subject.otherPhysiologiede
dc.subject.otherBeanspruchungsmessungde
dc.subject.otherKlassifikationde
dc.subject.othermultimodalde
dc.titleDriver cognitive workloaden
dc.title.subtitlea comprehensive multi-measure approachen
dc.title.translatedKognitive Fahrerbeanspruchungde
dc.title.translatedsubtitleein umfassender Mehrmethodenansatzde
dc.typeDoctoral Thesisen
dc.type.versionacceptedVersionen
tub.accessrights.dnbfreeen
tub.affiliationFak. 5 Verkehrs- und Maschinensysteme::Inst. Psychologie und Arbeitswissenschaftde
tub.affiliation.facultyFak. 5 Verkehrs- und Maschinensystemede
tub.affiliation.instituteInst. Psychologie und Arbeitswissenschaftde
tub.publisher.universityorinstitutionTechnische Universität Berlinen

Files

Original bundle
Now showing 1 - 1 of 1
Loading…
Thumbnail Image
Name:
ruff_stefan.pdf
Size:
19.63 MB
Format:
Adobe Portable Document Format
Description:
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
5.75 KB
Format:
Item-specific license agreed upon to submission
Description:

Collections