skin conductance

Accurate driver behavior recognition is important for driver monitoring systems and intelligent transportation applications. Although EEG-based approaches can provide useful neural information, their practical use is often limited by sensing complexity, preparation burden, and sensitivity to motion artifacts. This study proposes a physiology-guided multimodal learning framework for EEG-free driver behavior recognition using peripheral biosignals. A publicly available multimodal driving physiology dataset was used, including recordings from 35 participants performing five driving behaviors: smooth driving, acceleration, deceleration, lane change, and turning. Three peripheral physiological signals, namely ECG, EMG, and GSR, were used as model inputs. The proposed framework incorporates physiological knowledge into multimodal representation learning through modality-aware encoders tailored to the distinct characteristics of ECG, EMG, and GSR. A physiology-guided fusion mechanism is further introduced to model complementary cross-modal interactions among the three biosignals. Experimental results showed that the proposed ECG+EMG+GSR model achieved an average accuracy of 0.782 and a macro-F1 score of 0.783 under a five-fold evaluation protocol with separated training, validation, and test sets, with MCC and Cohen’s kappa reaching 0.711 and 0.711, respectively. Compared with EEG-only and full-modality baselines reported in the original dataset study, the proposed framework demonstrated the feasibility of EEG-free driver behavior recognition using only peripheral biosignals. Under the matched ECG+EMG+GSR input setting, the proposed framework outperformed the strongest baseline across all four evaluation metrics. In addition, sensing-configuration analysis showed that ECG+EMG+GSR provided a favorable balance between recognition performance and sensing burden. These results indicate that physiology-guided multimodal learning can effectively exploit heterogeneous peripheral biosignals for accurate and interpretable EEG-free driver behavior recognition.

شناسایی دقیق رفتار راننده برای سامانه‌های پایش راننده و کاربردهای حمل‌ونقل هوشمند اهمیت زیادی دارد. اگرچه رویکردهای مبتنی بر EEG می‌توانند اطلاعات عصبی مفیدی ارائه دهند، اما کاربرد عملی آن‌ها اغلب به دلیل پیچیدگی سنجش، دشواری آماده‌سازی و حساسیت به آرتیفکت‌های حرکتی محدود می‌شود. این مطالعه یک چارچوب یادگیری چندوجهی مبتنی بر فیزیولوژی را برای شناسایی رفتار راننده بدون استفاده از EEG و با بهره‌گیری از سیگنال‌های زیستی محیطی پیشنهاد می‌کند. از یک پایگاه داده فیزیولوژی رانندگی چندوجهی که به‌صورت عمومی در دسترس است، استفاده شد که شامل ثبت داده‌های ۳۵ شرکت‌کننده در حال انجام پنج رفتار رانندگی (رانندگی نرم، شتاب‌گیری، کاهش سرعت، تغییر خط و پیچیدن) بود. سه سیگنال فیزیولوژیکی محیطی شامل ECG، EMG و GSR به‌عنوان ورودی مدل به کار گرفته شدند. چارچوب پیشنهادی، دانش فیزیولوژیکی را از طریق رمزگذارهای آگاه از نوع مدالیته که متناسب با ویژگی‌های متمایز ECG، EMG و GSR طراحی شده‌اند، در یادگیری بازنمایی چندوجهی ادغام می‌کند. همچنین، یک سازوکار همجوشی هدایت‌شده با فیزیولوژی برای مدل‌سازی تعاملات مکمل بین‌مدالیته‌ای میان این سه سیگنال زیستی معرفی شده است. نتایج تجربی نشان داد که مدل ECG+EMG+GSR پیشنهادی به دقت میانگین ۰.۷۸۲ و امتیاز macro-F1 برابر با ۰.۷۸۳ تحت پروتکل ارزیابی پنج‌گانه با مجموعه‌های آموزشی، اعتبارسنجی و آزمون جداگانه دست یافت و مقادیر MCC و کاپای Cohen به ترتیب ۰.۷۱۱ و ۰.۷۱۱ بود. در مقایسه با خطوط پایه مبتنی بر EEG و مدالیته کامل که در مطالعه اصلی پایگاه داده گزارش شده بود، چارچوب پیشنهادی امکان‌پذیری شناسایی رفتار راننده بدون EEG و صرفاً با سیگنال‌های زیستی محیطی را نشان داد. در شرایط ورودی منطبق ECG+EMG+GSR، چارچوب پیشنهادی در هر چهار معیار ارزیابی از قوی‌ترین خط پایه عملکرد بهتری داشت. علاوه بر این، تحلیل پیکربندی سنجش نشان داد که ترکیب ECG+EMG+GSR تعادل مطلوبی میان عملکرد شناسایی و بار سنجش فراهم می‌کند. این نتایج بیانگر آن است که یادگیری چندوجهی هدایت‌شده با فیزیولوژی می‌تواند به‌طور مؤثر از سیگنال‌های زیستی محیطی ناهمگن برای شناسایی دقیق و قابل تفسیر رفتار راننده بدون EEG بهره‌برداری کند.

Tourism research has largely treated well-being as a motivation or outcome, neglecting how it unfolds in-situ and relying on self-report data. Through a mixed-methods rhythmanalysis, this study examines how well-being emerges and evolves in digital-free tourism. Following 23 participants through three-night digital-free cabin stays, we integrate electrodermal activity, interviews, and diaries to capture embodied experiences of disconnection. Participants experienced rhythmic re-attunement from linear, digital temporalities towards cyclical, embodied rhythms aligned with nature and interpersonal connection. Physiological data showed varied responses to disconnection and fewer detected skin conductance responses post-trip, supporting qualitative accounts of calm and rhythmic re-attunement. Through attunement, plenitude, stillness, and reflexivity, we reconceptualise well-being as a dynamic rhythmic process shaped through embodied experiences, environmental cues, and relational synchrony.

پژوهش‌های گردشگری عمدتاً بهزیستی را به‌عنوان انگیزه یا پیامد در نظر گرفته‌اند و چگونگی شکل‌گیری آن را در موقعیت نادیده گرفته و به داده‌های خودگزارشی اتکا کرده‌اند. این مطالعه با استفاده از ریتم‌تحلیل آمیخته‌روش، بررسی می‌کند که بهزیستی چگونه در گردشگری بدون فناوری دیجیتال پدیدار و تحول می‌یابد. با پیگیری ۲۳ مشارکت‌کننده طی اقامت سه‌شبانه در کلبه‌های بدون فناوری دیجیتال، فعالیت الکترودرمال، مصاحبه‌ها و یادداشت‌های روزانه برای ثبت تجربه‌های بدنی قطع ارتباط به‌کار گرفته شد. مشارکت‌کنندگان تجربه‌ی بازتنظیم ریتمی از زمان‌مندی خطی و دیجیتال به سوی ریتم‌های چرخه‌ای و بدنی همسو با طبیعت و ارتباطات بین‌فردی را گزارش کردند. داده‌های فیزیولوژیک واکنش‌های متنوع به قطع ارتباط و کاهش پاسخ‌های هدایت پوست پس از سفر را نشان داد که با گزارش‌های کیفی آرامش و بازتنظیم ریتمی همخوانی داشت. از طریق تنظیم، وفور، سکون و بازاندیشی، بهزیستی به‌عنوان فرایندی پویا و ریتمیک که از طریق تجربه‌های بدنی، نشانه‌های محیطی و همزمانی ارتباطی شکل می‌گیرد، بازمفهوم‌سازی می‌شود.

Insomnia disorder (ID) is a common sleep-wake disorder marked by persistent dissatisfaction with sleep quality or quantity. Previous studies have shown that sleep plays a critical role in emotion regulation, particularly in fear extinction. This study aims to characterize ID using estimates of the sympathetic arousal state derived from skin conductance (SC)-based observations, and to compare two observation models: the marked point process (MPP) model and the MPP coupled with continuous (MPP+Cont) model. We utilize SC data from a fear conditioning and extinction procedure involving 24 individuals with ID and 24 good sleepers (GS). The SC measurements are deconvolved to extract autonomic nervous system (ANS) activations and the tonic component. The MPP observation model uses only the extracted ANS activations, while the MPP+Cont model incorporates both ANS activations and the tonic component. Both models are employed to estimate the underlying arousal state over time and compute a high arousal index (HAI). We compare the estimated arousal states and HAI between the ID and GS groups to assess alterations in arousal associated with ID. Our results reveal that ID may be associated with impaired fear extinction learning and recall. Notably, the distinction between ID and GS emerges only under the MPP+Cont model, indicating the critical role of the tonic component in arousal estimation. Overall, this study highlights the potential of arousal state estimation for understanding autonomic dysregulation in ID, thereby supporting interventions for fear-centered comorbidities and improving quality of life.

اختلال بی‌خوابی (ID) یکی از اختلالات شایع خواب-بیداری است که با نارضایتی مداوم از کیفیت یا کمیت خواب مشخص می‌شود. پژوهش‌های پیشین نشان داده‌اند که خواب نقش حیاتی در تنظیم هیجان، به‌ویژه در خاموشی ترس ایفا می‌کند. هدف این مطالعه، توصیف اختلال بی‌خوابی با استفاده از برآوردهای وضعیت برانگیختگی سمپاتیک مبتنی بر مشاهدات هدایت پوست (SC) و مقایسه دو مدل مشاهده است: مدل فرآیند نقطه‌ای نشاندار (MPP) و مدل MPP همراه با جزء پیوسته (MPP+Cont). داده‌های SC از یک فرایند شرطی‌سازی و خاموشی ترس شامل ۲۴ فرد مبتلا به اختلال بی‌خوابی و ۲۴ فرد خواب خوب (GS) جمع‌آوری شد. اندازه‌گیری‌های SC به منظور استخراج فعال‌سازی‌های دستگاه عصبی خودمختار (ANS) و جزء تونیک، دیکانولوشن شدند. مدل مشاهده MPP تنها از فعال‌سازی‌های استخراج‌شده ANS استفاده می‌کند، در حالی که مدل MPP+Cont هر دو فعال‌سازی ANS و جزء تونیک را در بر می‌گیرد. هر دو مدل برای برآورد وضعیت برانگیختگی زمینه‌ای در طول زمان و محاسبه شاخص برانگیختگی بالا (HAI) به کار گرفته شدند. وضعیت‌های برانگیختگی برآوردشده و HAI بین گروه‌های ID و GS مقایسه شد تا تغییرات برانگیختگی مرتبط با اختلال بی‌خوابی ارزیابی شود. نتایج ما نشان می‌دهد که اختلال بی‌خوابی ممکن است با اختلال در یادگیری و یادآوری خاموشی ترس همراه باشد. به طور قابل توجهی، تمایز بین ID و GS تنها تحت مدل MPP+Cont آشکار می‌شود که نشان‌دهنده نقش حیاتی جزء تونیک در برآورد برانگیختگی است. به طور کلی، این مطالعه بر پتانسیل برآورد وضعیت برانگیختگی برای درک اختلال تنظیم خودمختار در اختلال بی‌خوابی تأکید می‌کند و از مداخلات برای همبودی‌های متمرکز بر ترس و بهبود کیفیت زندگی حمایت می‌کند.

Automated vehicles (AV) can exhibit diverse driving behaviors that deviate from driver expectations. More research is needed to understand drivers’ preferred driving styles when navigating safety-critical situations as well as their responses to unexpected AV driving behaviors. Forty-eight participants experienced simulated automated driving scenarios where an AV navigated a construction zone while exhibiting four different predefined driving styles that varied in terms of cautiousness and efficiency. After each trial, participants provided feedback to adjust the AV’s driving style toward their preferences, which was successfully implemented in 80% cases. Drivers’ trust, workload, voluntary takeover decisions, eye movements, and skin conductance were measured. Overall, participants preferred driving styles balancing cautiousness and efficiency. When AV behavior matched driver preferences, they reported higher trust and more stable visual scanning patterns, while unexpected behaviors were associated with broader ocular scanning. Findings can inform the development of adaptive systems that intelligently modify AV behaviors.

خودروهای خودران (AV) می‌توانند رفتارهای رانندگی متنوعی از خود نشان دهند که ممکن است با انتظارات رانندگان متفاوت باشد. پژوهش‌های بیشتری برای درک سبک‌های رانندگی ترجیحی رانندگان در موقعیت‌های بحرانی ایمنی و همچنین واکنش‌های آنان به رفتارهای غیرمنتظره خودروهای خودران مورد نیاز است. چهل‌وهشت شرکت‌کننده سناریوهای شبیه‌سازی‌شده رانندگی خودکار را تجربه کردند که در آن خودرو خودران از یک منطقه ساخت‌وساز عبور می‌کرد و چهار سبک رانندگی از پیش تعیین‌شده با سطوح مختلف احتیاط و کارایی را به نمایش می‌گذاشت. پس از هر آزمون، شرکت‌کنندگان بازخوردهایی برای تنظیم سبک رانندگی خودرو مطابق با ترجیحات خود ارائه دادند که در ۸۰٪ موارد با موفقیت اجرا شد. اعتماد رانندگان، بارکاری، تصمیمات داوطلبانه برای در دست گرفتن کنترل، حرکات چشمی و هدایت الکتریکی پوست اندازه‌گیری شد. به طور کلی، شرکت‌کنندگان سبک‌های رانندگی متعادل میان احتیاط و کارایی را ترجیح دادند. زمانی که رفتار خودرو با ترجیحات راننده مطابقت داشت، اعتماد بیشتری گزارش شد و الگوهای اسکن بصری پایدارتری مشاهده گردید، در حالی که رفتارهای غیرمنتظره با اسکن چشمی گسترده‌تر همراه بود. یافته‌ها می‌تواند به توسعه سامانه‌های تطبیقی که رفتار خودروهای خودران را به‌صورت هوشمندانه تعدیل می‌کنند، کمک نماید.