Institut für Visualisierung und Interaktive Systeme
Abteilung Mensch-Computer-Interaktion (MCI)
Universität Stuttgart
Universitätsstraße 38
D-70569 Stuttgart
Diplomarbeit Nr. 3311
Vorhersage der Fahrerbelastung
während der Fahrt
Frederik Heinrich
Studiengang: Informatik
Prüfer: Prof. Dr. Albrecht Schmidt
Betreuer: Dipl.-Inf. Bastian Pfleging
M.Sc. Stefan Schneegaß
begonnen am: 20. März 2012
beendet am: 19. September 2012
CR-Klassifikation: H.1.2, H.5.2

Zusammenfassung
Die Anzahl interaktiver Systeme in Fahrzeugen nimmt immer mehr zu und viele Autofah-
rer nutzen diese auch während des Fahrens. Zu den Funktionen solcher Systeme gehört
unter anderem die Navigation, die Kommunikation mittels Textnachrichten oder über
soziale Netzwerke und das Besuchen von Internetseiten. Obwohl es gesetzlich verboten
ist, nutzen manche Fahrer selbst Funktionen, die einer aktiven Eingabe bedürfen, wie bei-
spielsweise das Eingeben einer Adresse in ein Navigationssystem oder das Schreiben von
Nachrichten. Diese Aktivitäten lenken seine Aufmerksamkeit jedoch von der eigentlichen
Fahraufgabe ab und können sich negativ auf die Fahrsicherheit auswirken. Um die Sicher-
heit im Auto zu erhöhen, gibt es verschiedene Ansätze. Einer davon ist der eines Systems,
das sich in Abhängigkeit von der mentalen Belastung des Fahrers anpasst. Als Grundlage
können Messwerte physiologischer Sensoren, Umweltbedingungen, Straßeneigenschaften
oder auch Fahrzeugsensoren dienen.
In dieser Arbeit wird ein Konzept vorgestellt, welche Parameter für die Vorhersage der
mentalen Belastung wichtig sein können. Um herauszufinden, wie unterschiedlich be-
lastend einzelne Fahrsituationen sind, werden in einer Feldstudie mit zehn Probanden
diverse physiologische Daten aufgezeichnet und ausgewertet. Zusätzlich wird ein Vi-
deorating durchgeführt, in dem die Probanden ihre mentale Belastung später subjektiv
einschätzen. Die Messung des Hautleitwertes, der als Indikator für mentale Belastung
gilt, ergibt die höchste Übereinstimmung mit den Daten des subjektiven Videoratings.
Demnach ist der Verkehr innerorts – insbesondere beim Befahren von Tempo-30-Zonen
und Kreisverkehren – der Bereich im Straßenverkehr mit der höchsten Belastung. Auf
diesem Wissen basierend wird ein Papier-Prototyp eines Systems vorgestellt, das die
Belastungseinordnung der einzelnen Fahrsituationen als Grundwert nimmt, mit ver-
schiedenen Faktoren wie Straßenzustand und Wetterinformationen anreichert und eine
Vorhersage der mentalen Belastung für die zu fahrende Strecke berechnet. Abschließend
werden zwei Anwendungsfälle vorgestellt, die den Vorhersagewert nutzen, um sich an
die mentale Belastung anzupassen und dadurch die Fahrsicherheit zu erhöhen. Im ersten
Fall wird der Detailgrad einer Kartendarstellung in drei Stufen angepasst in Abhängigkeit
von der erwarteten Belastung. Der zweite Fall beschreibt ein adaptives Kommunikations-
system, das sich je nach Fahrerbelastung unterschiedlich verhält und die Möglichkeiten
der Kommunikation einschränkt oder blockiert. Durch solche adaptiven Systeme ist es
möglich das Risiko einer Fahrerablenkung zu minimieren und damit die Fahrsicherheit
zu erhöhen.

Abstract
As interactive systems in cars are on the rise, driver distraction emerges as an important
issue for the automotive industry. When car drivers operate different devices while
driving, less attention is attributed to the primary task of driving safely. Therefore, various
systems are being created to improve driving security. One of them is an adaptive system
that predicts the driver’s mental workload. Data from various origins can be taken into
account to estimate the workload. There are physiological sensors (e.g. heart rate, skin
temperature), car sensors (e.g. steering angle, rain sensors), data from the environment
(e.g. traffic, weather) and real-time data on the condition of the road’s surface.
This thesis presents a conceptual system for workload estimation based on a selection of
various parameters. A field study with ten test persons was conducted to find out whether
different driving environments (e.g. highway, inner-city roads, roundabouts) produce
a measurably varying mental workload. For the measurements, various physiological
data was collected. In addition, a video-rating served as a subjective measure for later
comparison with the physiological data. According to the evaluated field data, the driver’s
skin conductance, known as a reliable indicator for mental workload, correlates the most
with the results of the video rating. Speed-limited roads (30 km/h) and roundabouts
proved to be the driving environments provoking the highest mental workload. Based
on this knowledge, a paper-prototype system was developed which takes into account
the mental workload scores of the field test data. Several other data sources such as
weather and traffic information were added as supplementary parameters to predict the
driver’s mental workload. Finally, two cases are presented as examples of applying mental
workload estimates to increase driving safety. In the first case, a prototype application
adjusts the information density on the GPS navigation screen according to the predicted
mental workload. The second case describes an adaptive communication system which
restricts or blocks means of communication (e.g. incoming telephone calls) based on the
driver’s estimated workload. By making use of such adaptive systems, driver distraction
can be reduced leading to increased driving safety.

Besonderer Dank geht an...
Prof. Dr. Albrecht Schmidt, Anja Mebus, Anna-Katharina Meißner, Bastian Pfleging, Carla
Neumann-Heinrich, Christine Schütz, Enrico Tares, Hans-Martin Heinrich, Oliver Schulz, Stefan
Schneegaß.

Inhaltsverzeichnis
1. Einleitung 15
1.1. Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2. Aufgabenstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3. Gliederung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2. Grundlagen, Definitionen und verwandte Arbeiten 19
2.1. Definitionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.1. Mentale Belastung – mental workload . . . . . . . . . . . . . . . . . . 20
2.1.2. Primär-, Sekundär- und Tertiärtask . . . . . . . . . . . . . . . . . . . 21
2.1.3. Fahrerablenkung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.4. Zusammenhang von Fahrerablenkung und mentaler Belastung . . . 22
2.2. Methoden zur Messung von mentaler Belastung während des Fahrens . . . 22
2.2.1. Peripheral-Detection-Task (PDT) . . . . . . . . . . . . . . . . . . . . . 22
2.2.2. NASA-Task Load Index (NASA-TLX) . . . . . . . . . . . . . . . . . . 22
2.2.3. Driving Activity Load Index (DALI) . . . . . . . . . . . . . . . . . . . 24
2.2.4. Subjective Workload Assessment Technique (SWAT) . . . . . . . . . 24
2.2.5. Lane Change Task (LCT) . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.6. Mikrolenkbewegungen als Maß für den Workload . . . . . . . . . . 25
2.2.7. Psychophysiologische Messmethoden . . . . . . . . . . . . . . . . . . 26
Elektrodermale Aktivität . . . . . . . . . . . . . . . . . . . . . . . . . 26
Temperatur der Haut . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Herzrate und Herzratenvariabilität . . . . . . . . . . . . . . . . . . . 29
2.3. Methoden zur Ermittlung von mentaler Belastung nach der Fahrt . . . . . . 30
2.3.1. Videorating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4. weitere verwandte Arbeiten . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3. Konzept für ein adaptives System 37
3.1. Mögliche Datenquellen und deren Messung im Fahrzeug . . . . . . . . . . 37
3.2. System zur Vorhersage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3. Vorschläge für adaptive Anwendungen . . . . . . . . . . . . . . . . . . . . . 41
4. Beschreibung der Studie und Erläuterung der Programme 43
4.1. Vorbereitung und Aufbau der Studie . . . . . . . . . . . . . . . . . . . . . . . 44
4.1.1. Auswahl der Route . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.1.2. Zeitlicher Aufwand . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
9
4.1.3. Auswahl der Teilnehmer . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.1.4. Messung der physiologischen Daten . . . . . . . . . . . . . . . . . . . 48
4.1.5. Videoaufzeichnung während der Fahrt . . . . . . . . . . . . . . . . . 49
4.1.6. Weitere erfasste Sensordaten . . . . . . . . . . . . . . . . . . . . . . . 50
4.1.7. Genutzte Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.1.8. Videorating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.1.9. Synchronität der Datensätze . . . . . . . . . . . . . . . . . . . . . . . 56
4.2. Ablauf der Studie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2.1. Vorbereitung des Probanden und Anbringen der Elektroden . . . . 57
4.2.2. Eingangsfragebogen und Überprüfung der Elektroden . . . . . . . . 58
4.2.3. Vorbereitung des Fahrzeugs . . . . . . . . . . . . . . . . . . . . . . . 61
4.2.4. Durchführung der Autofahrt . . . . . . . . . . . . . . . . . . . . . . . 61
4.2.5. Videorating und abschließender Fragebogen . . . . . . . . . . . . . . 64
5. Evaluation und Analyse 67
5.1. Vorbereitung der Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.1.1. Synchronisierung einzelner Probandendaten mit MergeSensorData . 67
5.1.2. Synchronisierung der verschiedenen Probandendatensätze . . . . . 68
5.2. Analyse der Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2.1. Hautleitwert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.2.2. Herzrate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.2.3. Herzratenvariabilität . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.2.4. Temperatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2.5. Videorating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.2.6. Vergleich des Videoratings mit den physiologischen Messungen . . 83
6. Vorstellung einer prototypischen Implementierung 87
6.1. Prototyp WorkloadEstimator . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
6.2. Anwendungsfälle für den WorkloadEstimator . . . . . . . . . . . . . . . . . 90
6.2.1. Entwurf einer adaptiven Kartendarstellung . . . . . . . . . . . . . . 90
6.2.2. Entwurf eines adaptiven Kommunikationssystems . . . . . . . . . . 92
7. Zusammenfassung und Ausblick 93
7.1. Zusammenfassung und Diskussion . . . . . . . . . . . . . . . . . . . . . . . 93
7.2. Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
A. Anhang 97
B. Leitfaden 105
C. Inhalt der CD-Rom 107
Literaturverzeichnis 109
10
Abbildungsverzeichnis
2.1. NASA-TLX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2. Lane Change Task (LCT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3. Querschnitt Haut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4. Hautleitfähigkeitsreaktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5. Ford Driver Workload Estimator . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6. Daimler Attention Assist . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.1. Gewählte Route für die Fahrt mit dem Probanden . . . . . . . . . . . . . . . 46
4.2. NeXus-4 von Mind Media . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.3. Aufnahmebildschirm von BioTrace+ . . . . . . . . . . . . . . . . . . . . . . . 51
4.4. WorkloadVideoCapture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.5. Ausbau des Schiebereglers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.6. PhidgetInterfaceKit 8/8/8 von Phidgets Inc. . . . . . . . . . . . . . . . . . . 56
4.7. Befestigung der Sensoren an der Hand . . . . . . . . . . . . . . . . . . . . . 59
4.8. Anbringung der Elektroden für das EKG . . . . . . . . . . . . . . . . . . . . 60
4.9. Anbringung der Kameras und des Smartphones im Auto . . . . . . . . . . 62
4.10. Proband während der Autofahrt . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.11. Durchführung des Videoratings . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.1. Flussdiagramm zur Zusammenführung der Daten . . . . . . . . . . . . . . . 70
5.2. mittleres Hautleitwertniveau im Vergleich an den verschiedenen ROI . . . 74
5.3. mittleres Hautleitwertniveau im Vergleich an den verschiedenen, zusam-
mengefassten ROI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.4. Herzrate im Vergleich an den verschiedenen ROI . . . . . . . . . . . . . . . 76
5.5. Herzrate im Vergleich an den verschiedenen, zusammengefassten ROI . . . 77
5.6. Herzratenvarianz im Vergleich an den verschiedenen ROI . . . . . . . . . . 79
5.7. mittlere Herzratenvarianz im Vergleich an den verschiedenen, zusammen-
gefassten ROI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.8. Werte des Videorating im Vergleich an den verschiedenen ROI . . . . . . . 82
5.9. Werte des Videorating im Vergleich an den verschiedenen, zusammenge-
fassten ROI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.1. Kartendarstellung in Abhängigkeit der mentalen Belastung . . . . . . . . . 91
A.1. Einverständniserklärung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
11
A.2. Eingangsfragebogen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
A.3. Eingangsfragebogen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
A.4. Abschlussfragebogen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
A.5. Abschlussfragebogen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
A.6. Quittung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Tabellenverzeichnis
2.1. Statistkik der NHTSA über tödliche Autounfälle durch Ablenkung in den
USA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1. mögliche Eingabedaten für ein adaptives System . . . . . . . . . . . . . . . 39
4.1. Übersicht der ROI und POI auf der ausgewählten Strecke . . . . . . . . . . 47
4.2. Abschätzung des zeitlichen Aufwands für die Feldstudie . . . . . . . . . . . 47
4.3. Übersicht der Teilnehmer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.1. Format der Datensätze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.2. neue ROI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.3. Mittelwertanalyse der Hautleitwertsdaten an den einzelnen ROI . . . . . . 74
5.4. Ordnung der ROI nach Hautleitwertsniveau . . . . . . . . . . . . . . . . . . 76
5.5. Mittelwertanalyse der Herzrate an den einzelnen ROI . . . . . . . . . . . . . 78
5.6. Ordnung der ROI nach Herzrate . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.7. Mittelwertanalyse der Herzratenvarianz an den einzelnen ROI . . . . . . . 80
5.8. Ordnung der ROI nach Herzratenvarianz . . . . . . . . . . . . . . . . . . . . 81
5.9. Mittelwertanalyse des Videoratings an den einzelnen ROI . . . . . . . . . . 84
5.10. Ordnung der ROI nach Einschätzung beim Videorating . . . . . . . . . . . . 84
6.1. Grundwerte für die Klassifikation der ROI . . . . . . . . . . . . . . . . . . . 88
6.2. mögliche Faktoren für die Verfeinerung der Grundbeanspruchung . . . . . 89
12
Verzeichnis der Listings
4.1. Auszug von VideoCapture.cpp zur Aufnahme des Videos während der Fahrt 52
4.2. Auszug von VideoRating.cpp zur Durchführung des Videoratings . . . . . 57
13

1. Einleitung
Moderne Fahrzeuge stellen eine Vielzahl an interaktiven Systemen bereit, die vom Fahrer
während der Fahrt bedient werden können und auch wollen. Je nach System beeinflussen
diese die Aufmerksamkeit des Fahrers unterschiedlich stark. Infolgedessen wird die
Konzentration des Fahrers von der eigentlichen Fahraufgabe abgelenkt. Die Belastung
des Fahrers steigt mit zunehmender Aufgabenkomplexität und Anzahl an Aufgaben, was
sich negativ auf die Fahrsicherheit auswirken kann. Hierbei gibt es viele verschiedene
und unterschiedlich stark beeinflussende Faktoren zu beachten.
Zum Beispiel wird innerorts in einer Tempo-30-Zone mit am Rand geparkten Autos
und zusätzlichem rechts-vor-links Verkehr eine höhere Belastung erwartet, als während
einer Autofahrt auf einer geraden und übersichtlichen Landstraße ohne viel Verkehr.
Ein weiterer Faktor, der die Belastung des Fahrers beeinflussen kann, ist der Verlauf der
Straße und deren Eigenschaften. Beispielhaft ist hier die Kurvigkeit zu nennen, also wie
stark eine Kurve gekrümmt ist in Abhängigkeit von der gefahrenen Geschwindigkeit.
Auch die Beschaffenheit des Straßenbelages kann Auswirkungen haben. Zu erwähnen
sind hier Schlaglöcher, Bodenwellen und Spurrillen. Wird die Sicht des Fahrers durch
Wettererscheinungen wie Regen, Schnee, Hagel oder auch Nebel eingeschränkt, ist ebenso
eine veränderte mentale Belastung des Fahrers zu erwarten.
Auch kann die Tageszeit einen Einfluss auf das Fahrverhalten und die mentale Belastung
haben. Vermutlich wird es von den meisten Verkehrsteilnehmern als anstrengend empfun-
den, wenn man in den Morgen- oder Abendstunden entgegen der tiefstehenden Sonne
fahren muss oder sich inmitten des Berufsverkehrs befindet. Dagegen könnten Nachtfahr-
ten als entspannend empfunden werden, würden aber vermutlich bei der Kombination
aus Regen, nasser Straße und Gegenverkehr schnell sehr anstrengend und fordernd auf
den Fahrer wirken.
Fahrten innerorts mit am Rande parkenden Autos, Fußgängern, vielleicht noch auf dem
Gehweg spielenden Kindern sowie anderen Verkehrsteilnehmern – insbesondere im
15
1. Einleitung
Gegenverkehr – erfordern ebenso ein hohes Maß an Konzentration. Hierbei ist auch
der körperliche beziehungsweise mentale Zustand des Fahrers zu berücksichtigen. Zu
beachtende Faktoren könnten auch hier zum Beispiel die Tageszeit und die aktuelle Ver-
kehrslage mit Stau, Unfall, Geschwindigkeitsmessungen sowie ggf. sich an die Autofahrt
anschließende Termine des Fahrers sein.
1.1. Motivation
Aufgrund der Vielzahl an möglichen Ablenkungen während des Fahrens ist die Fahrsi-
cherheit in neuen Systemen einer der wichtigsten Punkte.
Wenn es möglich ist, die mentale Belastung des Fahrers für einen gewissen Zeitrahmen
vorherzusagen, kann das System auf die derzeitige Fahrersituation und die Prognose
eingehen und Anpassungen vornehmen mit dem Ziel, die Belastung nicht noch weiter
zu erhöhen und damit für mehr Sicherheit zu sorgen. Als Beispiel für eine Anwendung
sei hier ein System genannt, welches dem Fahrer ankommende Kurznachrichten vorliest,
bei einer sich anbahnenden höheren Belastung diesen Vorgang verzögert und erst nach
der belastenden Situation dem Fahrer die Nachricht mitteilt. Ebenso könnte man Anrufe
abblocken und gegebenenfalls dem Anrufenden eine Kurznachricht senden oder eine Art
Anrufbeantworteransage abspielen, wenn das System eine nahende Situation vorhersagt,
die einer erhöhten Aufmerksamkeit bedarf. Eine weitere Möglichkeit wäre eine Karten-
darstellung in der Navigationssoftware, die sich entsprechend der mentalen Belastung
verhält. Wird zum Beispiel eine höhere Belastung vorhergesagt, könnte der Detailgrad
der Kartendarstellung temporär verringert werden bis die Belastung wieder niedriger ist.
Dies alles kann der Erhöhung der Sicherheit im Auto dienen, indem die Gefahr durch
eine Ablenkung vermindert und die primäre Aufgabe des Fahrers – das sichere Führen
des Fahrzeuges – weiter in den Vordergrund gerückt wird.
1.2. Aufgabenstellung
In dieser Diplomarbeit soll herausgefunden werden, welche Faktoren in welchem Ma-
ße nützlich sind, um die Belastung des Fahrers zu ermitteln und wie diese eingesetzt
werden können, um die Sicherheit des Fahrers während der Fahrt zu erhöhen. Zunächst
soll ein Überblick über vergangene und aktuelle Forschung gegeben werden. Darauf
16
1.3. Gliederung
basierend wird ein Konzept für ein System erarbeitet, das unter Nutzung verschiedens-
ter Eingabeparameter versucht, eine Vorhersage für die mentale Belastung zu treffen.
Anschließend wird eine Benutzerstudie durchgeführt, um herauszufinden, wie unter-
schiedlich mental belastend einzelne Streckenabschnitte auf den Fahrer sind. Hierfür
werden verschiedene Sensoren eingesetzt und deren Messergebnisse evaluiert werden. In
diesem Zusammenhang ist das Ziel der Entwurf einer prototypischen Anwendung, die
versucht eine Vorhersage der Fahrerbelastung zu treffen und sich in Abhängigkeit der zu
erwartenden Belastung verhält, um dadurch die Fahrsicherheit zu erhöhen.
1.3. Gliederung
Die Arbeit ist folgendermaßen aufgegliedert:
Kapitel 1 – Einleitung gibt eine allgemeine Einführung in die untersuchte Thematik an,
beschreibt die Motivation der Arbeit und deren Aufgabenstellung und gibt einen
Überblick über den Aufbau der Arbeit.
Kapitel 2 – Grundlagen, Definitionen und verwandte Arbeiten vermittelt die Grundlagen
und legt Definitionen von in der Arbeit verwendeten Begriffen fest. Es wird der
Begriff der mentalen Belastung geklärt und unterschiedliche Messmethoden da-
für vorgestellt. Ebenfalls werden umfassend mit dem Thema verwandte Arbeiten
diskutiert.
Kapitel 3 – Konzept für ein adaptives System beschreibt das Konzept für ein System, das
sich in Abhängigkeit von der mentalen Belastung unterschiedlich verhält und
anpasst. Außerdem wird auf mögliche Eingabeparameter für ein prototypisches
System eingegangen.
Kapitel 4 – Beschreibung der Studie und Erläuterung der Programme erklärt die Pla-
nung, Vorbereitung und Durchführung einer Benutzerstudie. Diese wurde aus-
geführt, um verschiedene markante Punkte im Straßenverkehr auf ihre mentale
Belastung auf den Fahrer hin zu untersuchen. Es wird ein Einblick in die da-
bei genutzten Programme und Tools gegeben und der Code von geschriebenen
Programmen erläutert.
Kapitel 5 – Evaluation und Analyse beinhaltet die Aufbereitung der Daten aus der Feld-
studie und deren anschließende Analyse.
17
1. Einleitung
Kapitel 6 – Vorstellung einer prototypischen Implementierung stellt einen Prototypen ei-
ner möglichen Anwendung zur Vorhersage der mentalen Belastung des Fahrers
vor.
Kapitel 7 – Zusammenfassung und Ausblick fasst abschließend die Ergebnisse der Ar-
beit zusammen, stellt Anknüpfungspunkte für weitergehende wissenschaftliche
Arbeiten vor und gibt einen Ausblick in die Zukunft der untersuchten Thematik.
18
2. Grundlagen, Definitionen und verwandte
Arbeiten
In diesem Kapitel werden grundlegende Definitionen festgelegt, verwandte Arbeiten
vorgestellt und eine Aufzählung möglicher und wichtiger Parameter gegeben.
In unserer heutigen Zeit ist das Autofahren allgegenwärtig und eine der komplexesten
und sicherheitskritischsten Aufgaben des Alltags. Es fordert den Fahrer sowohl in psycho-
motorischer, kognitiver als auch in perzeptueller Weise [Gro00]. Während des Fahrens
werden zudem verschiedenste Arten der Interaktion durchgeführt, die nicht direkt mit
dem eigentlichen Fahren in Zusammenhang stehen. Dazu gehören etwa Navigationsgerä-
te, Radios oder CD-Spieler. Mit der wachsenden Verbreitung von Smartphones werden
diese auch im Auto immer häufiger eingesetzt. Dies beschränkt sich mittlerweile nicht
nur auf Telefonieren und Kurznachrichten schreiben während der Fahrt. Auch Aktivitäten
wie Internetsurfen und Kommunikation über soziale Netzwerke werden während der
Fahrt ausgeübt.
Eine im Jahr 2001 in den USA durchgeführte Studie der National Highway Traffic Safety
Administration (NHTSA) schätzt ab, dass gut ein Viertel aller Unfälle aufgrund von
Ablenkung des Fahrers entstehen [SRSR01].
Eine spätere Studie der NHTSA ergab, dass im Jahr 2009 in den USA 11% der töd-
lich verlaufenen Fahrerunfälle durch Ablenkungen entstanden sind von insgesamt 16%
Verkehrstoten aller tödlich verlaufenen Autounfälle. Die Tabelle 2.1 aus der Studie des
NHTSA mit Daten aus den Jahren 2005 bis 2009 zeigt eine Übersicht über Fahrer die in
Unfälle mit tödlichem Ausgang involviert waren und jährliche Todesfälle bei Unfällen.
Obwohl der Anteil der tödlich verlaufenen Autounfälle in diesen Jahren von 43510 Toten
auf 33808 Tote (-23%) stetig gesunken ist, ist die Anzahl der Toten durch Ablenkung
gestiegen. Im Jahr 2005 waren es 4472 (10%) aller Toten durch Autounfälle, bei denen
Ablenkung der Grund war und 2009 waren es schon 5474 (16%). Von diesen 16% sind
19
2. Grundlagen, Definitionen und verwandte Arbeiten
995 Tote (18% aller durch Ablenkung gestorbenen Personen) auf Ablenkung durch ein
Mobiltelefon zurückzuführen. Die meisten tödlichen Unfälle durch Ablenkung waren in
der Gruppe der unter 20-Jährigen zu finden. Die Gruppe der 30-39-Jährigen stellte sich je-
doch hierbei als diejenige mit den meisten Toten durch Ablenkung durch ein Mobiltelefon
heraus [Adm10].
Durch eine stetig wachsende Anzahl an Entertainment- und Infotainmentsystemen im
Auto erhöht sich das Risiko für Ablenkung immer weiter [LYR09]. Daher ist es nötig, einen
geeigneten Weg und Möglichkeiten zu finden, um diese Ablenkungen zu minimieren.
Jahr Gesamt durch Ablenkung
Unfälle Fahrer Todesfälle Unfälle Fahrer Todesfälle
2005 39,252 59,220 43,510 4,026 (10%) 4,217 (7%) 4,472 (10%)
2006 38,648 57,846 42,708 5,245 (14%) 5,455 (9%) 5,836 (14%)
2007 37,435 56,019 41,259 5,329 (14%) 5,552 (10%) 5,917 (14%)
2008 34,172 50,416 37,423 5,307 (16%) 5,477 (11%) 5,838 (16%)
2009 30,797 45,230 33,808 4,898 (16%) 5,084 (11%) 5,474 (16%)
Tabelle 2.1.: Übersicht über Fahrer tödlicher Unfälle und Todesfälle in Unfällen pro Jahr
aus den Jahren 2005 bis 2009.
[Datenquelle: National Highway Traffic Safety Administration, USA
2010 [Adm10]]
2.1. Definitionen
Nachfolgend werden für die Arbeit relevante Begriffe definiert und erklärt, wie sie zu ver-
stehen sind. Es wird erläutert, was mentale Belastung ist und wie diese im Zusammenhang
mit der Fahrerablenkung steht.
2.1.1. Mentale Belastung – mental workload
Der Begriff der mentalen Belastung, wie er in der vorliegenden Arbeit genutzt wird,
taucht in der englischen Literatur meist als „mental workload“ auf. Mentale Belastung
wird hierfür im Folgendem synonym verwendet.
Die laut Mckenzie-Kerr et al. [MKTP+10] am weitesten verbreitete und akzeptierte Defini-
tion von mentaler Belastung ist folgende:
20
2.1. Definitionen
„The amount of effort the individual has to expend to complete a task, or set of tasks, within a given
timeframe.“ de Waard 1996 [Waa96]
Die mentale Belastung wird also definiert als die Menge des Aufwandes, die ein Ein-
zelner aufbringen muss, um eine oder mehrere Aufgaben in einer bestimmten Zeit zu
erledigen.
De Waard [Waa96] unterscheidet zudem zwischen Task- und Workload. Taskload ist
hierbei die Belastung, die eine Aufgabe grundsätzlich erzeugt, unabhängig von der Person.
Der Workload hingegen beinhaltet gemäß der obigen Definition die schon vorhandene
mentale Belastung einer Person („the individual“).
2.1.2. Primär-, Sekundär- und Tertiärtask
Donges [Don92] untergliedert die verschiedenen Aufgaben während des Autofahrens
in drei Gruppen. Die Hauptaufgabe (Primärtask) beim Autofahren besteht darin, das
Fahrzeug sicher auf seinem Kurs zu halten. Zu dieser Primäraufgabe gehören das Lenken
des Fahrzeuges, Gangschalten, die Bedienung der Pedale und das Folgen des Straßenver-
laufes. Der Sekundärtask umfasst sämtliche Aktivitäten, die während der Fahrt ausgeführt
werden und einen direkten Zusammenhang mit dem Fahren haben, gleichzeitig aber
nicht notwendig sind, um das Fahrzeug auf der Spur zu halten. Hierzu gehört beispiels-
weise das Betätigen der Hupe, die Bedienung der Blinker oder des Scheibenwischers.
Tertiärtasks sind Aufgaben, die mit der eigentlichen Fahraufgabe selbst nichts zu tun
haben. In diese Kategorie fällt unter anderem die Bedienung von diversen Geräten wie
Multimediasystemen (Radio, CD, ...), Navigationsgeräten, Klimananlagen/Belüftungen
oder Smartphones.
2.1.3. Fahrerablenkung
Bei der Fahrerablenkung wird die Aufmerksamkeit des Fahrers von der Primäraufgabe,
das Fahrzeug sicher zu führen, weg gelenkt. Dies schließt sowohl sämtliche Tertiärtasks ein,
ebenso wie Aktivitäten außerhalb und innerhalb des Autos. Hierunter fallen beispielsweise
andere Personen im Auto, die den Fahrer ablenken könnten.
Auch Lee et al. [LYR09] beschreiben die Fahrerablenkung ganz allgemein als das Ablenken
der Aufmerksamkeit von der eigentlichen Fahraufgabe.
21
2. Grundlagen, Definitionen und verwandte Arbeiten
2.1.4. Zusammenhang von Fahrerablenkung und mentaler Belastung
Je mehr Aufgaben der Fahrer versucht gleichzeitig zu machen, desto höher ist seine men-
tale Belastung und auch seine Ablenkung [Waa96]. Methoden zur Auswertung mentaler
Belastung, die diese Relation nutzen, werden im nachfolgenden Abschnitt vorgestellt.
2.2. Methoden zur Messung von mentaler Belastung während des
Fahrens
Um während des Autofahrens die mentale Belastung des Fahrers zu messen, wurden
hierfür in der Vergangenheit verschiedene Techniken entwickelt. Nachfolgend sollen die
meist genutzten vorgestellt werden.
2.2.1. Peripheral-Detection-Task (PDT)
Bei diesem Test muss der Fahrer während des Fahrens auf visuelle Reize reagieren. Hierzu
werden Lämpchen in seinem peripheren Blickfeld angebracht. Sobald eines aufleuchtet,
muss dies mit einem Tastendruck bestätigt werden. In Abhängigkeit von der Reaktions-
zeit lässt sich so mit einer gewissen Wahrscheinlichkeit die aktuelle mentale Belastung
bestimmen. Martens und Van Winsum [MVW01] zeigten 2001 in einer Simulatorstudie,
dass der PDT geeignet ist, um die aktuelle mentale Belastung des Fahrers zu messen. Dies
wurde vier Jahre später durch Jahn et al. [JOKG05] in einer Feldstudie bestätigt.
2.2.2. NASA-Task Load Index (NASA-TLX)
Der von der NASA (National Aeronautics and Space Administration) im Jahre 1986
entwickelte Task Load Index (TLX) ist ein Standardverfahren zur Feststellung und Be-
wertung der mentalen Belastung einer Person und wurde 1988 von Hart und Stave-
land [HS88]publiziert. Es handelt sich hierbei um einen Fragebogen bestehend aus sechs
verschiedenen Skalen wie in Abbildung 2.1 gezeigt. Diese Skalen beschreiben sechs un-
terschiedliche Dimensionen. Geistige und körperliche Aktivität, zeitliche Anforderung,
Leistung, Anstrengung und Frustration. Die Fragen müssen während oder unmittelbar
22
2.2. Methoden zur Messung von mentaler Belastung während des Fahrens
nach der Ausführung einer Aufgabe beantwortet werden. Anschließend werden die ein-
zelnen Ergebnisse je nach subjektiver Einschätzung des Probanden paarweise zueinander
gewichtet. Hieraus wir dann der sogenannte Workload Score berechnet. Zwanzig Jahre
nach der Veröffentlichung des NASA-TLX wurde von Hart [Har06] die Nutzung des Task
Load Index in der Wissenschaft untersucht. Bis 2006 wurde er in 550 Studien eingesetzt -
ein Großteil davon in universitären, staatlichen und von diesen geförderten Studien.
Abbildung 2.1.: Mit Hilfe des NASA Task Load Index (TLX) kann die mentale Belastung
eines Probanden eingeschätzt werden.
[Bildquelle: http://humansystems.arc.nasa.gov/groups/TLX/
downloads/TLXScale.pdf]
23
2. Grundlagen, Definitionen und verwandte Arbeiten
2.2.3. Driving Activity Load Index (DALI)
Der DALI (Driving Activity Load Index) ist eine von Pauzie [Pau08] für den Automobil-
kontext angepasste NASA-TLX Variante, die genutzt wird, um die mentale Belastung des
Fahrers besser einschätzen zu können. Der Hauptunterschied im Gegensatz zum NASA-
TLX liegt in einer anderen Berechnung des Workload Scores mit veränderter Gewichtung.
Hier wird für die zuvor bewerteten Faktoren die Standardabweichung und der Mittelwert
über sämtliche Probanden berechnet, um daraus den Workload Score zu erstellen.
2.2.4. Subjective Workload Assessment Technique (SWAT)
Die von Reid et al. [RES82] entworfene „Subjective Workload Assessment Techni-
que"(SWAT) wurde ursprünglich zu Feststellung der mentalen Belastung bei Piloten
entworfen. Auch hierbei handelt es sich um eine Technik zur subjektiven Einschätzung
durch den Probanden. Wie auch der NASA-TLX aus Abschnitt 2.2.2 basiert SWAT auf
einem mehrdimensionalen Modell. Dieses geht jedoch von der Annahme aus, dass sich
die gesamte mentale Belastung eines Probanden in drei Bereiche aufteilen lässt: zeitliche
Anforderung (Time Load), geistige Anstrengung (Mental Effort Load) und Belastung
durch Stress (Stress Load). Jede dieser Dimensionen muss auf einer dreistufigen Skala
(niedrig, mittel und hoch) durch den Probanden eingeschätzt werden. Anschließend muss,
wie schon im NASA-TLX, der Proband sämtliche Dimensionen paarweise zueinander
gewichten, damit man anschließend wieder einen Workload Score berechnen kann.
2.2.5. Lane Change Task (LCT)
Der von Mattes [Mat03] vorgestellte Lane Change Task, der in einem Kooperationsprojekt
von DaimlerChrysler und BMW entstand, ist eine Technik um die Fahrerablenkung,
respektive die mentale Belastung zu messen. Das Ziel dabei war einen verlässlichen,
validen, objektiven, einfachen und kostengünstigen Test zu entwerfen, der die Fahrera-
blenkung misst. Die Fahrt findet in einem Simulator statt auf einer dreispurigen Straße.
Der Proband fährt mit einer konstanten Geschwindigkeit und muss, wenn es angezeigt
wird, die Spur wechseln. Die gesamte Fahrt wird dabei aufgezeichnet. Anschließend
werden die durchgeführten Spurwechsel mit einem Modell für optimale Spurwechsel
verglichen. Dies geschieht über die Berechnung der Fläche, die zwischen der optima-
len und der aufgezeichneten Route liegt wie in Abbildung 2.2 gezeigt. Je größer diese
24
2.2. Methoden zur Messung von mentaler Belastung während des Fahrens
Fläche ist, desto höher ist die Ablenkung. Um eine Ablenkung zu erzeugen wird entwe-
der auf einen Peripheral-Detection-Task zurückgegriffen oder der Proband muss andere
sekundäre Tasks durchführen wie zum Beispiel das Beantworten von Rechenaufgaben
unterschiedlichen Schwierigkeitsgrades (kognitive Aufgaben) oder das Ausführen motori-
scher Aufgaben.
Abbildung 2.2.: Mit dem Lane Change Task kann die Fahrerablenkung gemessen werden.
Das Bild zeigt die optimale Route, die gefahrene Route und dazwischen
die Fläche, die berechnet wird um die Ablenkung zu messen. Je größer
diese ist, desto höher ist die Ablenkung.
[Bildquelle: Mattes [Mat03]]
2.2.6. Mikrolenkbewegungen als Maß für den Workload
Takei und Furukawa [TF05] analysierten Lenkbewegungen während des Autofahrens
um dadurch Rückschlüsse auf den mentalen Zustand des Fahrers zu ziehen. In einer
Simulatorstudie haben Knappe et al. [KKM08] Mikrolenkbewegungen, das heißt, minimale
und nicht aktiv durch den Fahrer verursachte Lenkbewegungen, untersucht und sind
zu dem Entschluss gekommen, dass eine Zunahme dieser Bewegungen auf eine erhöhte
mentale Belastung hinweisen kann.
25
2. Grundlagen, Definitionen und verwandte Arbeiten
2.2.7. Psychophysiologische Messmethoden
In diesem Unterabschnitt werden verschiedene Methoden vorgestellt, die zur Messung
der mentalen Belastung eingesetzt werden.
Elektrodermale Aktivität
Bei der elektrodermalen Aktivität (EDA) handelt es sich um die elektrische Aktivität der
Haut. Darunter fällt auch die elektrische Hautleitfähigkeit (engl. Skin Conductance, SC).
Michaels [Mic62] zeigte, dass es bei erhöhtem Verkehrsaufkommen einen Anstieg des
Hautleitwertes gibt. Auch Brown und Huffman [BH72] untersuchten den Hautleitwert im
Straßenverkehr und fanden heraus, dass dieser sich bei einem erhöhten Verkehrsaufkom-
men und mehrspurigen Straßen erhöhte.
In Abbildung 2.3 sieht man den Querschnitt durch die verschiedenen Schichten der
Haut mit einer Schweißdrüse dargestellt. Bei Aktivität einer solchen verändert sich der
elektrische Zustand der Hautoberfläche. Im folgenden Abschnitt soll auf die Möglichkeiten
der Messung der elektrodermalen Aktivität, insbesondere auf das Hautpotential und den
Hautleitwert eingegangen werden.
Man unterscheidet zwischen endosomatischer und exosomatischer Messung. Bei der
endosomatischen Messung werden kleine Elektroden in die Haut eingeführt und damit
direkt die Aktivität der Nerven gemessen. Hier wird das Hautpotential (engl. Skin
Potential, SP) gemessen, was es laut Fowles et al. [FCE+81] aufgrund seiner zweiphasigen
Natur schwierig und fehleranfällig macht, die Amplitude des Hautpotentials direkt zu
interpretieren.
Die weitaus verbreitetere Methode in heutiger Zeit ist die exosomatische Messung. Hierfür
werden zwei Elektroden an der Versuchsperson angebracht. Dies geschieht meist wahlwei-
se mit selbstklebenden Elektroden oder an den Fingern mithilfe einer Klettbandelektrode.
Die für die Messung geeigneten Körperstellen müssen eine hohe Schweißdrüsendichte
besitzen. Dies sind laut Schandry [Sch98] im Speziellen die Handinnenflächen (palmar)
und die Fußsohlen (plantar) mit einer extrem hohen Dichte von jeweils über 2000 Schweiß-
drüsen pro cm2 (Normal: 100 - 200 pro cm2). Hier ist die Oberhaut (Epidermis, siehe
Abbildung 2.3) am stärksten ausgeprägt. Schon Bauer et al. [BBG+79] unterschieden
zwischen fünf verschiedenen Arten des Schwitzens, wobei sie emotionales Schwitzen den
Handinnenflächen und den Fußsohlen zuordneten. Deswegen erscheinen diese Stellen am
26
2.2. Methoden zur Messung von mentaler Belastung während des Fahrens
geeignetsten für die Messung. Aus diesen Gründen ist die Messung des Hautleitwertes
vorzuziehen, die im nachfolgenden Abschnitt beschrieben wird.
Collet et al. [CAD+03] fanden in einer Studie über die mentale Belastung bei Fluglotsen
heraus, dass der Hautleitwert ein geeigneterer Indikator für die mentale Belastung und
dem Hautpotential vorzuziehen ist. Dies wurde später in einer weiteren Untersuchung
durch Miyake et al. [MYS+09] noch einmal verifiziert.
Abbildung 2.3.: Querschnitt durch die Haut mit den verschiedenen Schichten. Dargestellt
ist eine Schweißdrüse.
[Bildquelle: Bauer et al. [BBG+79]]
Um den Hautleitwert zu erhalten, werden die zwei Elektroden mit einer geringen, kon-
stanten Spannung (meist 0.5 Volt) versorgt und der Strom gemessen. Nach dem Ohmschen
Gesetz
R =
U
I
lässt sich durch Anlegen einer Spannung V, ein Strom I messen und damit der Wider-
stand R, in diesem Fall der Hautwiderstand, berechnen. Der elektrische Leitwert G, hier
Hautleitwert genannt, ist der Kehrwert des Widerstandes R
G =
1
R
27
2. Grundlagen, Definitionen und verwandte Arbeiten
Abbildung 2.4.: Dieses Bild zeigt den Verlauf einer typischen Hautleitfähigskeitsreaktion
(engl. Skin Conductance Response, SCR). Nach einem Reiz (Stimulus)
gibt es eine kurze Latenzzeit. Anschließend steigt der Hautleitwert an
bis zu einem Maximum, von dem er dann wieder langsam auf sein
Grundlevel absinkt.
[Bildquelle: Zhou et al. [ZQHJ11]]
und trägt die Maßeinheit Siemens (S). In der Praxis ist der Hautleitwert im Bereich von
10−6S angesiedelt. Daher wird in der Literatur meist Mikrosiemens ( µS) verwendet.
Es gibt zwei Arten, den Hautleitwert darzustellen und auszuwerten. Zum einen als
sogenannte Hautleitfähigkeitsreaktion (engl. Skin Conductance Response, SCR) und zum
anderen als Hautleitwertsniveau (engl. Skin Conductance Level, SCL).
Bei der SCR wird der gemessene Hautleitwert direkt dargestellt. Abbildung 2.4 zeigt
einen solchen Ausschnitt einer Reaktion auf einen Reiz (Stimulus). Zwischen Stimulus
und Reaktion gibt es eine Latenz von durchschnittlich 0.5-1.5 Sekunden. Nachdem das
Maximum des Hautleitwertes erreicht ist, sinkt dieser wieder auf ein Grundlevel zurück.
Wenn während dieser Entspannungsphase allerdings wieder ein neuer Reiz ausgelöst
wird, kommt es zu überlagerten Ausschlägen.
Beim Hautleitwertniveau werden die Messdaten über einen Bereich gemittelt, der un-
tersucht werden soll. Es wurde von Fowles et al. [FCE+81], Collet et al. [CAD+03] und
Miyake et al. [MYS+09] als ein zuverlässiges Maß für die mentale Belastung aufgeführt.
28
2.2. Methoden zur Messung von mentaler Belastung während des Fahrens
Temperatur der Haut
Dass sich die mentale Belastung auch auf die Temperatur der Haut auswirkt, haben
Mittelmann und Wolff [MW39] bereits im Jahr 1939 gezeigt. Heutzutage wird die Ober-
flächentemperatur der Haut laut Burns et al. [BLA+02] im Biofeedbackbereich häufig
eingesetzt als weitere Messquelle der mentalen Belastung. Nach einem Stimulus ist nach
kurzer Latenzzeit ein Abfallen der Temperatur zu beobachten. Or und Duffy [OD07]
führten sowohl eine Simulator- als auch eine Feldstudie durch, bei denen mithilfe ei-
ner Wärmebildkamera die Temperatur im Gesicht gemessen wurde und bei erhöhter
Belastung ein stärkeres Abfallen der Temperatur zu beobachten war.
Herzrate und Herzratenvariabilität
Roscoe [Ros93] untersuchte den Zusammenhang der Herzrate und der mentalen Be-
lastung bei Piloten und fand heraus, dass es eine Korrelation zwischen Herzrate (HR)
und mentaler Belastung gibt. Bei einer höheren Belastung ist die Herzrate tendenziell
auch höher. Hierfür ist es jedoch nötig, eine Grundfrequenz (Baseline) der Herzrate
im Ruhezustand zu ermitteln. Besser geeignet und heutzutage häufiger eingesetzt ist
die Herzratenvariabilität. Hierbei wird die Varianz zwischen den einzelnen Schlägen
betrachtet. Meshkati [Mes88] und Myrtek et al. [MWBM96] stellten in verschiedenen
Untersuchungen einen Zusammenhang her zwischen sinkender Herzratenvariabilität
(HRV) und erhöhter mentaler Belastung und validierten diesen.
Der Autohersteller Ford hat im Jahr 2011 einen Prototypen eines Autositzes gezeigt, der
es ermöglicht, ein Elektrokardiogramm durch die Kleidung des Fahrers zu erstellen ohne
dass dieser Elektroden anlegen muss1. Mit diesem Sitz will Ford das Herz des Fahrers
überwachen und gegebenenfalls warnen, falls Unregelmäßigkeiten festgestellt werden.
Das Durchschnittsalter der Menschen steigt tendenziell und somit auch der relative Anteil
älterer Menschen im Straßenverkehr. Daher ist es wahrscheinlich, dass sich auch das
Risiko von Herzattacken im Straßenverkehr erhöhen wird und ein solches Warnsystem
helfen könnte, Unfälle zu vermeiden.
1http://media.ford.com/article_pdf.cfm?article_id=34669
29
2. Grundlagen, Definitionen und verwandte Arbeiten
2.3. Methoden zur Ermittlung von mentaler Belastung nach der
Fahrt
Das Abschätzen der mentalen Belastung nach einer Aktivität ist mit den bereits in
Abschnitt 2.2.2 genannten NASA-TLX, DALI und SWAT möglich. Eine weitere Technik
ist die Methode des Videoratings, die für diese Arbeit in einer Benutzerstudie eingesetzt
wurde und hier kurz erläutert werden soll.
2.3.1. Videorating
Ein Videorating ist eine in der experimentellen Psychologie genutzte Technik der Video-
analyse, um Probanden Situationen, die sie in einem gezeigten Video sehen, einschätzen
zu lassen. Dies können sowohl vom Probanden selbst erlebte als auch fremde Situationen
sein. Während der zu untersuchenden Situation, wird ein Video aufgezeichnet. Dieses
Video wird dann dem Probanden gezeigt, der nun das Dargestellte subjektiv einschätzen
soll. Die Eingabe erfolgt meist über einen Dreh- oder Schieberegler. Buld [Bul01] hat eine
Studie mit Piloten der Bundeswehr durchgeführt, bei der deren mentale Belastung in
bestimmten Situationen untersucht wurde. Hierbei wurde das Videorating eingesetzt um
einen Fragebogen zur mentalen Belastung zu validieren. Auch Totzke et al. [TRU+08]
nutzten das Videorating. Hier mussten die Studienteilnehmer nach einer Autofahrt mit
einem Hebel einschätzen, wie stark sie während der Autofahrt in bestimmten Situationen
aufpassen mussten.
2.4. weitere verwandte Arbeiten
Schon im Jahr 1993 hat Verwey [Ver93] die Idee gehabt, Telefonanrufe in Abhängigkeit
von der Fahrerbeanspruchung zu blockieren, um die Ablenkung zu minimieren. Mit der
Zunahme von Mobiltelefonen im Auto wurde dieses Thema in der Forschung immer öfter
aufgegriffen. Im folgenden Abschnitt sollen die wichtigsten Forschungsprojekte, die sich
mit „mental workload“ im Auto beschäftigen, vorgestellt werden.
Piechulla et al. [PMGK02] entwickelten ein System namens SANTOS (Situations-
angepasste und Nutzer-Typ-zentrierte Optimierung von Systemem zur Fahreruntersüt-
zung), das der Vorhersage von Fahrerbeanspruchung dient. Es basiert auf dem von
30
2.4. weitere verwandte Arbeiten
Michon [Mic93] im Jahr 1993 entworfenen GIDS (Generic Intelligent Driver Support), bei
dem es sich um eine Benutzerschnittstelle zum Blockieren eingehender Telefonanrufe
bei Vorhersage einer hohen Fahrerbeanspruchung handelt. Das System von Puechellu et
al. verzögert oder blockt Meldungen von Fahrzeug- und Systemanzeigen und Signalen
gemäß einer internen Priorisierung. Die Einschätzung basiert zum einen auf einer Da-
tenbasis aus einer Studie zur Fahrerbeanspruchung im Straßenverkehr von Fastenmeier
et al. [F+95], die verschiedenen Straßentypen einen Beanspruchungsindex zuordnet und
zum anderen auf fahrdynamischen Größen und Sensordaten des Autos und der Umge-
bung. Hinzu kommt eine feindigitale, hochaufgelöste Karte mit Streckeninformationen
wie Steigungen und Kurvigkeit. Umwelteinflüsse wie Regen, Griffigkeit der Straße und
die Tageszeit werden beachtet. Die Fahrzeugposition wird mittels DGPS (Differential
Global Positioning System) ermittelt, welches eine Genauigkeit von bis zu drei Metern
erlaubt. Die Testgruppe von Piechulla et al. bestand aus sechs erfahrenen Fahrern und
sechs Anfängern. Von diesen wurde während der Fahrt ein Elektrokardiogramm (zur
Ermittlung der Herzrate und Herzratenvariabilität) und ein Elektromyogramm (Messung
der Muskel-Aktivität) aufgezeichnet. Zusätzlich wurde der subjektive NASA-TLX wie in
Abschnitt 2.2.2 beschrieben durchgeführt. Das Ergebnis der Studie war, dass es möglich
ist, mithilfe dieser Daten eine intelligente Vorhersage zu treffen. Bei den Fahrerfahrenen
fand durch das Blockieren des Telefonanrufes eine signifikante Entlastung statt, bei den
Fahranfängern lies sich dies jedoch nicht klar feststellen. Die Autoren erklären den Unter-
schied damit, dass die Fahranfänger erst lernen müssen, gefährliche oder anspruchsvolle
Situationen zu erkennen und einzuschätzen.
Totzke et al. [TRU+08] führten eine Studie durch um zu ermitteln, ob es möglich ist,
anhand von Kartendaten auf den visuell-kognitiven Anspruch eines Fahrers zu schließen.
Die durch die DaimlerChrysler AG in Auftrag gegebene Untersuchung bestand aus einer
Feldstudie mit 22 Teilnehmern, die eine vorgegebene Strecke fahren mussten. Aufgeteilt
wurde die Fahrt in sechs Abschnitte: Autobahn, kurvige Landstraße, Wohngebiet, Innen-
stadt, Bundesstraße innerorts und Landstraße mit kurviger Ortsdurchfahrt. Innerhalb
dieser Abschnitte wurde weiter aufgeteilt in insgesamt 35 Situationen, die untersucht wur-
den, wie zum Beispiel Auffahrten oder Spurwechsel. Zusätzlich wurden Events definiert,
die eine Belastung auf den Fahrer haben könnten, wie Kreuzungen, Ampeln oder Auf-
und Abfahrten. Insgesamt waren es 197 Events, die untersucht wurden. Direkt nach jedem
Durchfahren einer Situation wurden die Probanden gefragt, wie sehr sie jeweils aufpassen
mussten. Diesen Wert sollten sie über eine 15-stufige Skala eingeben, die direkt am Lenk-
rad angebracht war. Zusätzlich wurde für jeden Abschnitt ein Videorating durchgeführt,
31
2. Grundlagen, Definitionen und verwandte Arbeiten
bei dem der Proband sich abermals einschätzen sollte, wie stark er aufpassen musste.
Die Eingabe am Lenkrad lieferte also nur einen Wert pro Situation, das Videorating
hingegen einen kontinuierlichen Verlauf. Aus den Kartendaten wurden ein sogenannter
Event-Index und ein zeitlich abhängiger Eventdichte-Index für die einzelnen Situationen
ermittelt. In ersteren floss die Straßenrangdifferenz (Wohngebiet = +0, Autobahn = +4),
die Fahrtrichtung (Linksabbiegen = +2), die Art des Knotenpunktes (X-Kreuzung = +1)
und die Kurvigkeit (Gerade = +0) ein. Der Eventdichte-Index gewichtet mehrere aufeinan-
derfolgende Events unterschiedlich stark, um auch zeitlich länger andauernde Einflüsse
zu beachten. Ergebnis der Studie war, dass Kreuzungen mit „Vorfahrt gewähren“, Fahrten
innerorts und engere Kurven zu einer höheren Beanspruchung führen.
Das von Volvo entwickelte System IDIS (Intelligent Driver-Information System) analysiert
verschiedene Fahrzeugdaten und verzögert bei einer errechneten hohen Belastung Mel-
dungen von Boardsystemen oder Anrufe [BEAM06]. Für die Berechnung der Belastung
dienen laut Volvo unter anderem folgende Parameter als Grundlage:
• Geschwindigkeit, Beschleunigung und Bremsverzögerung
• Lenkwinkel und wie schnell das Lenkrad gedreht wird
• Blinkerstatus
• Aktivität des Rückwärtsganges
• Aktivität an Mittelkonsole, Schaltern am Lenkrad, Türaussenspiegeln oder den
Sitzen
• Aktivität am rechten Steuerhebel für Scheibenwischer und -waschanlage
Das System wird seit 2006 serienmäßig in verschiedene Modelle der Mittel- und Oberklasse
von Volvo eingebaut.
Ford stellte im Juni 2012 einen Driver Workload Estimator2 vor. Das in Abbildung 2.5
dargestellte System soll unter anderem Anrufe blockieren bei einer als hoch eingeschätz-
ten Fahrerbelastung. Dies soll geschehen basierend auf unterschiedlichen Fahrzeugdaten
wie Geschwindigkeit, Beschleunigung, Gierwinkel oder auch linearen Kräften. Dazu
kommen Aktivitäten des Fahrers die aufgeteilt sind in Lenkwinkel, Gas- und Bremspe-
dalstellung oder Aktivitäten an Bedieninstrumenten. Es wird die Umgebung beachtet,
2http://media.ford.com/article_display.cfm?article_id=36728
32
2.4. weitere verwandte Arbeiten
die Verkehrsdichte und der Fahrbahnzustand. Auch physiologische Sensoren im Lenkrad
und Anschnallgurt für Umgebungs- und Körpertemperatur, Herzrate und Atemfrequenz
sollen in die Berechnung mit einfließen.
In der Veröffentlichung von Hancock und Verwey [HV97] wird ein Zusammenhang zwi-
schen der Müdigkeit eines Fahrers und dessen mentaler Belastung hergestellt. Young und
Stanton [YS02] führten 2002 eine Fahrsimulatorstudie durch, bei der die mentale Belastung
des Fahrers mithilfe einer sekundären Aufgabe und eines Eyetrackers überwacht wurde.
Die Studie ergab, dass die mentale Belastung sank, je stärker die einzelnen Vorgänge beim
Fahrer automatisiert waren. Außerdem wurde festgestellt, dass die Müdigkeit des Fahrers
eng mit einer mentalen Unterbelastung zusammenhängt.
Im Jahr 2008 veröffentlichte Daimler [Dai08] einen Techreport über ein System, das die
Müdigkeit des Fahrers abschätzt basierend auf einer umfassenden Datenbasis. In diese
fließen unter anderem ein: Fahrstil, die Bedienung von Geräten, Pedalen und Blinkern,
die Lenkaktivität, Spurwechsel, allgemeine Fahrtbedingungen wie die Dauer der Fahrt
und auch der Straßenzustand. Laut Daimler ist das Lenkverhalten hierbei der wichtigste
Indikator für eine Übermüdung des Fahrers. Attention Assist, so der Name des Systems,
basiert auf einem fahrerabhängigen und lernenden Algorithmus, der auf der Erkennung
von Mustern beruht, um möglichst exakte, individuelle Aussagen über die Müdigkeit
treffen zu können. Stellt das System Hinweise auf Müdigkeit des Fahrers fest, wird
dieser über einen akustischen Signalton und eine Anzeige in den Instrumenten des Autos
gewarnt (siehe Abbildung 2.6) und zu einer Pause aufgefordert.
Ein Jahr später wurde von Daimler ein Patent 3 registriert, das die Idee beschreibt,
bei der Erkennung von Unaufmerksamkeiten durch Attention Assist eine Beduftung
des Fahrzeuges vorzunehmen. Hierbei ist eine Beduftung des Fahrzeuginnenraums mit
Kaffee- und Brötchengeruch angedacht mithilfe des Klima- und Belüftungssystems. Diese
Duftnoten wurden laut Patentschrift gewählt, da „der Duft von frisch gebrühtem Kaffe
bzw. von Kaffeebohnen sowie von frisch gebackenen Brötchen“ von allen Menschen
als angenehm empfunden wird und damit verbunden direkte Assoziationen mit der
Vorfreude auf eine Mahlzeit wecken soll. Dies könne den Fahrer indirekt dazu auffordern
eine Pause zu machen, was laut der Beschreibung im Patent angenehmer für den Fahrer
sei als eine direkte Aufforderung. Dadurch könnte sich auch die Akzeptanz des Systems
erhöhen.
3http://www.patent-de.com/20091029/DE102009009468A1.html
33
2. Grundlagen, Definitionen und verwandte Arbeiten
Abbildung 2.5.: Diese Grafik zeigt den Entwurf des Vorhersagesystems für die Fahrer-
belastung von Ford. Es soll hierfür die in der Darstellung abgebildeten,
umfassende Datenquellen nutzen.
[Bildquelle: Ford Research http://media.ford.com/article_display.
cfm?article_id=36728]
34
2.4. weitere verwandte Arbeiten
Abbildung 2.6.: Im Bild ist die Anzeige zu sehen, die beim Tachometer erscheint, wenn
das Attention Assist System von Daimler Hinweise auf Müdigkeit beim
Fahrer detektiert.
[Bildquelle: Daimler HighTechReport Issue 02-2008 [Dai08]]
Ob der mentale Workload von der Fahrerfahrung abhängt, haben Patten et al. [PKs+06] un-
tersucht. Dazu wurde eine Feldstudie durchgeführt, bei der ein PDT (siehe Abschnitt 2.2.1)
für die Ermittlung der mentalen Belastung des Fahrers genutzt wurde. Insgesamt nahmen
an der Studie 79 Personen teil, wovon 39 Fahranfänger waren. Das Ergebnis war, dass
die Fahranfänger durchschnittlich eine 250 ms längere Reaktionszeit aufwiesen auf einen
peripheren Reiz als erfahrene Fahrer. Die Ursache dafür ist laut Patten et al. die höhere
Automatisierung der Fahraufgabe, die bei den Fahranfängern fehlt oder noch nicht aus-
reichend ausgeprägt ist. Daher gibt es bei den Personen mit geringerer Fahrpraxis eine
Tendenz zu einer höheren mentalen Beanspruchung.
Benedetto et al. [BPM+11] haben in einer Simulatorstudie die Blinzelfrequenz und Blin-
zeldauer mit einem Eye-Tracker gemessen, während der Proband einen Lane Change Task
(LCT) (siehe Abschnitt 2.2.5) durchgeführt hat. Auf diese Weise konnten sie zeigen, dass
bei einer erhöhten mentalen Belastung durch sekundäre oder tertiäre Aufgaben, häufiger
und kürzer geblinzelt wird. Die Blinzelfrequenz und -dauer kann daher auch als weiterer
Faktor für die Abschätzung der Fahrerbeanspruchung angesehen werden.
Mit einer Simulatorstudie haben Davidse et al. [DHVWB09] die Auswirkung von moder-
nen Fahrunterstützungssystemen (ADAS, engl. Advanced Driver Assistance System) bei
älteren Personen (70-88 Jahre alt) untersucht. Das beschriebene System warnte den Fahrer
35
2. Grundlagen, Definitionen und verwandte Arbeiten
vor anstehenden Situationen wie beispielsweise Stellen mit rechts-vor-links Regelung,
Zebrastreifen oder beschränkter Sicht. Dies führte zu einer erhöhten Fahrsicherheit und
konnte auch Fahrfehler bei einer plötzlich auftauchenden Einbahnstraße verhindern. Die
mentale Belastung wurde in dieser Studie mit einem PDT gemessen. Wie auch schon
von Patten et al. [PKs+06] festgestellt, waren die Reaktionszeiten bei jüngeren Probanden
kürzer. Es konnte jedoch keine Verringerung der mentalen Belastung durch den Einsatz
dieses ADAS nachgewiesen werden.
36
3. Konzept für ein adaptives System
In diesem Kapitel wird das Konzept eines prototypischen Systems erklärt, das sich in
Abhängigkeit von der mentalen Belastung des Fahrers verhält und anpasst. Im ersten
Abschnitt werden die verschiedenen Datenquellen aufgezählt und wie man diese in einem
Auto messen könnte. Im zweiten wird beschrieben, wie ein System diese Daten nutzen
könnte und was dafür noch an Evaluationen nötig sind. Der letzte Teil geht auf potentielle
Anwendungsfälle für ein adaptives System ein.
3.1. Mögliche Datenquellen und deren Messung im Fahrzeug
Wie in Kapitel 2 erläutert wird zunehmend an Systemen zur Abschätzung der mentalen
Belastung von Autofahrern geforscht. In diesem Abschnitt soll das Konzept eines pro-
totypischen Systems vorgestellt werden, das die mentale Belastung anhand bestimmter
Eingabeparameter vorhersagt und mit diesen Vorhersagedaten Systeme im Fahrzeug
dynamisch anpasst.
Um eine möglichst genaue Vorhersage treffen zu können, ist es sinnvoll, viele unterschied-
liche Eingangsdaten zu haben, um diese zu kombinieren. Wie in Kapitel 2 beschrieben,
gibt es Möglichkeiten, verschiedene physiologische Messungen am Fahrer durchzuführen,
ohne dass dieser störende Sensoren anlegen muss. Über in den Fahrersitz eingebaute
Elektroden lässt sich ohne direkten Hautkontakt ein Elektrokardiogramm erstellen, aus
dem die Herzrate und die Herzratenvariabilität ermittelt werden können. Aus letzterer
lässt sich laut Meshkati [Mes88] und Myrtek et al. [MWBM96] eine erhöhte Belastung
erkennen. Meijman und Mulder [MM98] zeigten, dass sich die Atemfrequenz bei stärkerer
mentaler Belastung erhöht. Diese könnte über einen im Fahrergurt eingebauten Sensor
gemessen werden. Die Temperatur lässt sich sinnvoll am ehesten mit einer Wärmebildka-
mera messen. Alternativ gäbe es die Möglichkeit, Temperatursensoren in das Lenkrad
einzubauen. Hierbei gibt es jedoch das Problem, dass die Sensoren einen dauerhaften
37
3. Konzept für ein adaptives System
Kontakt brauchen, um als nützliche Datenquelle zu dienen. Da man beispielsweise beim
Lenken umgreifen muss, wäre dieser Kontakt nicht immer gegeben. Dies würde zu Lücken
in der Erfassung führen, die sich bei Einsatz von Wärmebildkameras umgehen lassen.
Auch ist der Stirn- und Nasenbereich zur Temperaturmessung laut Or und Duffy [OD07]
sehr gut geeignet. Ein plötzliches Abfallen dieser Temperatur kann auf eine höhere men-
tale Belastung hindeuten. Als weiterer möglicher Belastungsgrund sei ein anstehender
Termin genannt. Die Erfassung davon könnte über den Terminplaner eines Smartphones
gehen. Voraussetzung hierfür sind, dass im Termin ein in der Karte bekannter Ort und
eine Uhrzeit eingetragen ist. Dann könnte durch die vorhergesagte Ankunftszeit des
Navigationsgerätes eine Abschätzung gemacht werden, wie stark der zeitliche Druck
ist.
Mit diesen ganzen physiologischen Daten könnte man eine mentale Grundbelastung
des Fahrers ermitteln. Dies ließe sich weiter verfeinern, wenn aufgezeichnete Daten ein
und desselben Fahrers über einen längeren Zeitraum beobachtet würden. Voraussetzung
hierfür wäre natürlich ein System, dass es ermöglicht, den Fahrer zu erkennen. Möglich
wäre dies beispielhaft durch eine Gewichtsmessung im Autositz, die Identifizierung über
die Stimme, ein individueller Autoschlüssel je Fahrer oder einem Vergleich mit einer
Fotodatenbank mit einem Foto des Fahrers, das aufgenommen wird, sobald dieser im
Auto sitzt.
Auch die Autosensordaten sollen in das System mit einbezogen werden. Um die inter-
nen Daten des Autos auslesen zu können, bietet sich der CAN-Bus an. Der CAN-Bus
(Controller Area Network Bus) ist ein asynchrones und serielles Bussystem das 1983
von Bosch entwickelt wurde [Bos87]. Er ist in heutigen Autos zu finden ist und dient
der internen Vernetzung der verschiedenen Steuergeräte, Sensor- und Multimediaein-
heiten. Eine alternative Kommunikationsmöglichkeit ist die Verwendung von Ethernet.
Der Vorteil von Ethernet gegenüber bisherigen Bussystemen besteht hauptsächlich darin,
dass es ein etablierter Standard ist, eine höhere Bandbreite als bisherige Systeme besitzt,
die verwendeten Kabel deutlich leichter sind und keine Gateways für die Verbindung
unterschiedlicher Geräte nötig sind. Ein Beispiel hierfür ist BroadR von Broadcom1, das
eine Verbindung der einzelnen Geräte über Ethernet realisiert. BroadR ist aktuell noch in
Entwicklung und soll 2013 erstmalig in einem Auto eingesetzt werden.
1http://www.broadcom.com/press/release.php?id=s631003
38
3.1. Mögliche Datenquellen und deren Messung im Fahrzeug
Wie bereits in Kapitel 2 Abschnitt 2.2.6 erwähnt, kann man durch Erfassen sogenannter
Mikrolenkbewegungen einen Zusammenhang zur mentalen Belastung des Fahrers herstel-
len. Der benötigte Lenkwinkel könnte hierfür über den CAN-Bus bezogen werden. Die
Fahrweise selbst, also ob viel beschleunigt und abgebremst wird oder ob viele, eventuell
hektische Spurwechsel vollzogen werden, könnten ein weiteres Indiz für eine erhöhte
mentale Last sein. Für die Pedalstellung würde sich hier abermals der CAN-Bus anbieten;
zur Überwachung der Spurwechsel wäre eine Kamera, die den Straßenverlauf erfasst,
sinnvoll. Mit dieser könnte zusätzlich noch erfasst werden, wie gut die Spur durch den
Fahrer gehalten wird. Ein Regensensor könnte ebenfalls zweckmäßig sein, wenn man
davon ausgeht, dass eine Fahrt bei Regen stärker belastend ist.
physiologische Daten Daten des Autos Daten der Umwelt
Herzratenvariabilität Lenkwinkel und Lenkaktivität Verkehr
Atemfrequenz Pedalstellung Wetter
Körpertemperatur Regensensor Sonnenstand
Straßeneigenschaften sonstige Daten
Kurvigkeit anstehende Termine
Steigung
Straßentyp
Tabelle 3.1.: Diese Tabelle führt verschiedene, kategorisierte Eingabedaten auf, die helfen
könnten, die mentale Belastung des Fahrers zu bestimmen und vorherzusa-
gen.
Die Daten der physiologischen Sensoren und die des Autos lassen sich noch weiter
anreichern mit den Eigenschaften der zu fahrenden Strecke, um eine genauere Vorher-
sage zu ermöglichen. Das wäre zum Beispiel die Art der Straße, also ob es sich um
eine Straße innerorts oder außerorts handelt. Innerorts könnte man beispielsweise weiter
unterscheiden zwischen Tempo-30- und Tempo-50-Zonen und außerhalb zwischen Land-
straße, Bundesstraße und Autobahn. Totzke et al. [TRU+08] untersuchten unterschiedliche
Streckenabschnitte in ihrer Studie wie in Abschnitt 2.4 beschrieben und verglichen die
verschiedenen Straßentypen miteinander in Bezug auf deren Fahrerbelastung. Auch mar-
kante Punkte wie Ampeln, Kreuzungen bei denen die Vorfahrt beachtet werden muss
oder Kreisverkehre sollten in die Berechnung mit eingehen, da diese laut Totzke et al.
[TRU+08] auch zu einem erhöhten mentalen Workload führen können. Des weiteren könn-
te man wie beim System SANTOS von Piechulla et al. [PMGK02] (siehe Abschnitt 2.4) auf
39
3. Konzept für ein adaptives System
geometrische Eigenschaften der Straße wie Kurvigkeit und Steilheit mittels feindigitalem
und hochaufgelöstem Kartenmaterial zurückgreifen, um darüber auf den Anspruch der
einzelnen Straßenabschnitte zu schließen.
Zusätzlich kommen Daten hinzu, die die Umgebung betreffen. Hierzu zählt das aktuelle
Wetter auf der zu fahrenden Strecke und Verkehrsinformationen. Beides lässt sich über
Internet abrufen, wobei die Verkehrsinformationen ergänzend auch über TMC2 (Traf-
fic Message Channel) empfangen werden können. TMC ist eine Technik des digitalen
Hörfunks, die heutzutage in vielen Navigationsgeräten eingesetzt wird, um aktuelle
Verkehrsinformationen über ein UKW-Signal zu erhalten. Als weiterer Faktor soll die
Tageszeit einfließen. Mit ihr lässt sich der Sonnenstand berechnen und mithilfe von Kar-
tenmaterial feststellen, ob es im Straßenverlauf Stellen gibt, bei denen die tiefstehende
Sonne direkt den Fahrer blenden könnte – entweder durch die Frontscheibe, den Rück-
oder die Seitenspiegel. Tabelle 3.1 gibt einen Überblick über sämtliche in diesem Abschnitt
beschriebenen Datenquellen, die in ein System einfließen könnten.
3.2. System zur Vorhersage
Für dieses Konzept sollen die verschiedenen Straßenarten (Autobahn, Landstraße, ...) und
markanten Punkte (Ampeln, Kreisverkehre, ...) als Grundlage dienen. Wenn man hier
für jeden Straßentyp eine durchschnittliche mentale Belastung ermittelt hat, kann man
damit ein Beanspruchungsprofil der Strecke erstellen. Damit kann das System abschätzen,
wie sich der Anspruch über die Strecke hinweg verändert. Als Nächstes muss die Höhe
der einzelnen zusätzlichen Faktoren ermittelt werden, mit denen das Grundlevel variiert
werden soll. Es muss also abgeschätzt und durch Evaluationen validiert werden, wie stark
sich die einzelnen Datenquellen aus Tabelle 3.1 auf die mentale Belastung auswirken
können. Hat man diese Faktoren bestimmt und in Relation zueinander gesetzt, lässt sich
für jeden Punkt der zu fahrenden Strecke eine mögliche Fahrerbelastung berechnen.
2http://www.irt.de/de/themengebiete/digitaler-hoerfunk/traffic-message-channel-tmc.html
40
3.3. Vorschläge für adaptive Anwendungen
3.3. Vorschläge für adaptive Anwendungen
Wenn man Vorhersagen kann, wie hoch die mentale Belastung an einer bestimmten
Stelle der Strecke sein wird, kann man damit Systeme bauen, die sich entsprechend
anpassen. Beispielsweise könnte sich die Kartendarstellung einer Navigationssoftware
je nach mentaler Beanspruchung verändern. Je höher die erwartete Belastung ist, desto
mehr sollte auf der Karte ausgeblendet werden bis hin zu einer minimalen Darstellung,
bei der nur noch das Wichtigste – der Verlauf der Straße – zu sehen ist. Eine weitere
Möglichkeit ist das Eingreifen in die Kommunikation. Je nach Belastungsgrad könnten
Telefonanrufe abgewiesen oder weitergeleitet werden. Auch das Ändern des Klingeltones
oder das Verändern der Klingeltonlautstärke könnte als Warnung für den Fahrer dienen.
Das Nutzen von sozialen Netzwerken könnte unterbunden oder eingeschränkt werden
(zum Beispiel Bedienung nur noch per Sprachein- und Ausgabe). Vorstellbar ist auch die
Möglichkeit, die Lautstärke des Multimediasystems (Radio, CD, ...) je nach Belastungsgrad
anzupassen, um den Fahrer vor einer belastenden Situation zu warnen. Eine weitere Idee
ist das Dimmen oder komplette Abdunkeln von Anzeigen aller Art, die nicht relevant für
die eigentliche Fahraufgabe sind, um dadurch unnötige Ablenkungen zu vermeiden.
Voraussetzung für diese ganzen Anpassungen ist allerdings, dass der Fahrer um die
Existenz des Systems Bescheid weiß und zumindest teilweise versteht, wie die Entschei-
dungen getroffen werden. Ansonsten könnten diese teils erheblichen Einschränkungen
für Verwirrung beim Fahrer sorgen, was einen gegenteiligen Effekt auslösen könnte und
die mentale Belastung weiter erhöhen würde.
In den folgenden Kapiteln soll mit Hilfe einer Benutzerstudie herausgefunden und
evaluiert werden, wie hoch die Fahrerbelastung bei den unterschiedlichen Streckentypen
ist. Dies kann als Grundlage dienen für ein System, dass die mentale Belastung des
Fahrers abschätzt.
41

4. Beschreibung der Studie und Erläuterung
der Programme
Um ein System zu entwickeln, das sich je nach mentaler Belastung unterschiedlich verhält
und anpasst, bietet es sich an, mögliche Parameter, die für die Belastung relevant sein
könnten, auf ihre Verwendbarkeit zu prüfen. Aus diesem Grund soll in der folgenden
Studie ermittelt werden, wie hoch die mentale Belastung bei verschiedenen Straßentypen
und markanten Punkten ist und welche Parameter hierfür geeignet sind.
In der Studie von Totzke et al. [TRU+08] wurde bereits eine ähnliche Klassifizierung
durchgeführt. Allerdings wurde hierbei auf physiologische Daten verzichtet und die Fest-
stellung der mentalen Belastung fand rein subjektiv statt. Daher soll hier erforscht werden,
ob sich die unterschiedlichen Fahrsituationen auf die objektiv messbaren, physiologischen
Werte des Fahrers auswirken und diese sich in Abhängigkeit der Situation verändern. Mit
diesem Wissen könnte anschließend eine Vorhersage getroffen werden über die mentale
Beanspruchung einer bestimmte Stelle auf der zu fahrenden Strecke.
Zunächst galt es zu klären, ob eine Simulator- oder eine Feldstudie durchgeführt werden
sollte. Der wesentliche Vorteil einer Simulatorstudie ist der Ausschluss einer Vielzahl an
unkontrollierbaren Zufallsvariablen. Hier seien Wettereinflüsse, unterschiedlicher Ver-
kehrsfluss und andere Verkehrsteilnehmer beispielhaft genannt. Hinzu kommt die leichte
Reproduzierbarkeit – jede Fahrt kann, zumindest in Bezug auf die Technik, gleich ablau-
fen. Die Probanden haben allesamt identische Straßenbedingungen und der Einsatz von
Messsensoren und Kameras gestaltet sich in einer statischen Umgebung einfacher als in
einem Auto mit beschränktem Platz. Auch ist die Sicherheit eines Einzelnen bei einer
Simulatorstudie kaum gefährdet, wohingegen bei einer Feldstudie im Auto das Risiko
deutlich erhöht ist. Es gibt jedoch keine Garantie, dass ein Simulator eine ähnlich realis-
tische, mentale Belastung wie eine Feldstudie hervorbringt. Aus diesem Grund wurde
die Feldstudie als systematische Art der Beobachtung unter natürlichen Bedingungen
gewählt, um möglichst realitätsnahe Ergebnisse zu erhalten.
43
4. Beschreibung der Studie und Erläuterung der Programme
4.1. Vorbereitung und Aufbau der Studie
Um möglichst viele Ergebnisse aus der Studie ziehen zu können, wurde überlegt, welche
Arten von Sensoren zur Verfügung stehen und welche davon nützlich und sinnvoll für
die Studie sein könnten. Aufgrund von den in Kapitel 2 genannten Möglichkeiten wurden
folgende Sensoren und Geräte für die Aufzeichnung von Daten ausgewählt:
• Physiologische Daten
– Elektrokardiogramm (EKG), zur Bestimmung der Herzrate und der Herzraten-
variabilität
– Temperatur der Haut
– Hautleitwert
• Sensordaten des Smartphones
– GPS (Global Positioning System), zur Bestimmung der aktuellen Position
– Helligkeit
– lineare Beschleunigung
• Videodaten von zwei Kameras, für ein Videorating.
Es wurde auch in Betracht gezogen, die Lenkwinkeldaten mit aufzuzeichnen. Eine der
Möglichkeiten an Daten aus dem Auto zu kommen, ist über die sogenannte OBD- /OBD
II-Schnittstelle1 (On-Board-Diagnose). Hierfür gibt es für einige neuere Fahrzeugtypen
Blutooth-Dongles, die man mit einem Smartphone oder Computer koppeln kann und je
nach verwendetem Dongle, die unterschiedlichsten Motoren- und Abgaswerte auslesen
kann. Ein Dongle, dass auch zusätzliche Daten wie den Lenkwinkel erfasst, konnte nicht
ermittelt werden. Auch das Auslesen des CAN-Busses wie in Abschnitt 3.1 beschrieben
konnte nicht berücksichtigt werden, da jeder Teilnehmer mit seinem eigenen Auto fahren
sollte. Aus diesen Gründen wurde auf die Aufzeichnung des Lenkwinkels und anderer
direkter Sensordaten des Autos verzichtet.
1http://www.arb.ca.gov/msprog/obdprog/obdregs.htm
44
4.1. Vorbereitung und Aufbau der Studie
4.1.1. Auswahl der Route
Nachdem die Entscheidung für eine Feldstudie getroffen war, musste eine geeignete
Teststrecke festgelegt werden, die möglichst viele unterschiedliche Fahrsituationen bein-
haltete, um den Fahrer auf verschiedene Art und Weise mental zu fordern. Zunächst
wurde überprüft, ob es einen hierfür geeigneten Verkehrsübungsplatz gibt. Es stellte sich
heraus, dass diese nicht geeignet waren, da die Anzahl der zu untersuchenden Situationen
und Möglichkeiten zu gering oder nicht vorhanden waren.
Da die Dauer der Fahrt auf eine halbe Stunde festgesetzt wurde, musste der Verkehr im
Vorfeld beobachtet werden. Im speziellen wurde hier ermittelt, wie sich die Verkehrsdichte
und Stausituation auf der Strecke über den Tag verteilt verhält. Dies geschah mithilfe der
Verkehrsinformationen von Google Maps2 und eines lokalen Radiosenders (DIE NEUE
107.73), der Stauinformationen aus dem Stuttgarter Raum auf seiner Webseite4 detailliert
angibt. Damit ließ sich der am besten geeignete Zeitrahmen für die Studienfahrten auf die
Zeit zwischen 9:30 Uhr und 15:30 Uhr festlegen. Abbildung 4.1 zeigt die gewählte Route
für die Autofahrt.
2https://maps.google.de/
3http://www.dieneue1077.de/
4http://www.dieneue1077.de/verkehr.html
45
4.
B
eschreibung
derS
tudie
und
E
rläuterung
derP
rogram
m
e
Abbildung 4.1.: Das Bild zeigt die Wegstrecke, die für die Feldstudie ausgewählt wurde. Die Points of Interest (POI) sind
rot beschriftet, die Regions of Interest (ROI) sind blau hervorgehoben. Sie entsprechen den in Tabelle 4.1
aufgeführten Punkten und Regionen. Zusätzlich wurden die auf der Strecke vorkommenden Ampeln
markiert.
[Kartenmaterial: http://maps.google.de]
46
4.1. Vorbereitung und Aufbau der Studie
ROI km % POI Anzahl
Autobahn 7,4 31,36 Auffahrt 2
Landstraße 9,8 41,53 Abfahrt 2
Tunnel 1,3 5,51 Kreisverkehr 2
Tempo-30-Zone 1,4 5,93 Ampel 20
Tempo-50-Zone 3,7 15,68 kurvige Stelle 2
Tabelle 4.1.: Diese Tabelle zeigt die für die Studie gewählten ROI und POI, die auf der
Strecke liegen. Bei den ROI ist der Anteil an der Gesamtstrecke in Kilometern
und Prozent angegeben, bei den POI deren Anzahl.
Die festgelegte Route startet bei der Universität Stuttgart und beinhaltet viele der inter-
essanten Regionen (engl. Region of Interest, ROI) und Punkte (engl. Points of Interest,
POI). Tabelle 4.1 zeigt die auf der in Abbildung 4.1 dargestellten Route befindlichen POI
und ROI.
4.1.2. Zeitlicher Aufwand
Zunächst wurde der gesamte zeitliche Aufwand wie in Tabelle 4.2 gezeigt abgeschätzt.
Insgesamt wurde für die Vorbereitung des Probanden, die Autofahrt und dem sich
anschließenden Videorating ein Umfang von knapp zwei Stunden je Proband gerechnet,
was nach Durchführung der zwölf Fahrten auch der durchschnittlich benötigten Zeit
entsprach.
Aufgabe Dauer in Minuten
Einführung in Studie, Eingangsfragebogen, Einverständniserklärung 10
Anbringen der Elektroden/Sensoren und deren Überprüfung 10
Anbringen der Kameras und des Smartphones im Auto des Probanden 10
Autofahrt 30
Abbau der Geräte im Auto, Entfernen der Sensoren 5
Einführung Videorating 5
Durchführung Videorating 30
Abschlussfragebogen, Aufwandsentschädigung und Quittung 10
Gesamt 110
Tabelle 4.2.: Der zeitliche Aufwand für die Durchführung der Studie wurde pro Proband,
wie in dieser Tabelle dargestellt, abgeschätzt. Inklusive einem kleinen Puffer
war von etwa zwei Stunden auszugehen
47
4. Beschreibung der Studie und Erläuterung der Programme
4.1.3. Auswahl der Teilnehmer
Da es sich um eine Feldstudie im realen Straßenverkehr handelte, die vom Parkplatz
der Universität Stuttgart startete, mussten die Teilnehmer einen Führerschein und auch
ein Auto besitzen, um teilnehmen zu können, was die Menge der möglichen Probanden
deutlich einschränkte. Die Teilnehmer wurden per E-Mail und durch persönliche Kontakte
angeworben. Insgesamt wurden zwölf Studienfahrten durchgeführt, wobei die erste als
Testfahrt diente, bei der es primär darum ging, die Strecke kennenzulernen und Testdaten
für eine erste Auswertung zu erhalten. Bei einem weiteren Probanden gab es Probleme
mit der Aufzeichnung der GPS Daten. Da diese später für die Synchronisierung wichtig
und notwendig waren (siehe Abschnitt 5.1.2), ist dieser Datensatz als ungültig anzusehen.
Somit verblieben am Schluss zehn gültige Datensätze zur Auswertung und Analyse. Die
genaue Aufteilung der Probanden und eine Auswertung des Eingangsfragebogens ist in
Tabelle 4.3 gegeben.
Alter zwischen 23 und 57 Jahren (M = 35.6, SD = 9.06)
Geschlecht 3 weibliche Teilnehmer
7 männliche Teilnehmer
Führerscheinbesitzdauer zwischen 0,3 und 40 Jahren (M = 15.98, SD = 11.01)
Fahrleistung pro Monat zwischen 60 und 2300 km (M = 926, SD = 677.41)
Automobilnutzung 7 Teilnehmer täglich
1 Teilnehmer 2-3 mal pro Woche
2 Teilnehmer 2-3 mal pro Monat
Autobahnnutzung 1 Teilnehmer 2-3 mal pro Woche
3 Teilnehmer ca. einmal pro Woche
6 Teilnehmer einmal pro Monat oder weniger
Tabelle 4.3.: Diese Tabelle gibt eine Auswertung der Daten aus dem Eingangsfragebogen
wieder, den die Studienteilnehmer ausfüllen mussten.
4.1.4. Messung der physiologischen Daten
Um den Hautleitwert, die Körpertemperatur und die Herzrate mittels Elektrokardio-
gramm (EKG) zu erfassen, wurde ein NeXus-4 von Mind Media5 eingesetzt. Dieses in
5http://www.mindmedia.nl/CMS/de/products/nexus-systems/item/170-nexus4.html
48
4.1. Vorbereitung und Aufbau der Studie
Abbildung 4.2.: Dieses Bild zeigt das in der Studie eingesetzte NeXus-4 von Mind Media
zum Erfassen der physiologischen Daten des Probanden. An Gnd. (engl.
Ground) wurde die Erdung des EKG Kabels angelegt, der Doppeleingang
A&B ist für das EKG Sensorkabel, an Eingang C wurde der Hautleitwert-
sensor angeschlossen und Eingang D wurde mit dem Temperaturfühler
verbunden.
[Bildquelle: Mind Mediaa]
ahttp://www.mindmedia.nl/CMS/products/nexus-systems/item/170-nexus4.html
Abbildung 4.2 gezeigte Gerät besitzt vier Eingangs–Kanäle, an denen die Sensoren an-
geschlossen werden können. Die Eingänge erlauben je nach verwendetem Sensor eine
maximale Frequenz von bis zu 1024 Abtastwerten (Samples) pro Sekunde. Das NeXus-4
wird durch zwei normale Mignonzellen mit Strom versorgt und kann mittels Bluetooth
an einen Computer gekoppelt und von dort aus gesteuert werden.
4.1.5. Videoaufzeichnung während der Fahrt
Für die Studie wurden zwei unterschiedliche USB Webcams genutzt, da Windows 7 zwei
identische Kameras aufgrund von Treiberproblemen nicht ansprechen konnte. Die Wahl
fiel letztlich auf folgende Webcams:
49
4. Beschreibung der Studie und Erläuterung der Programme
• Creative VF0610 Live! Cam Socialize HD
• Logitech QuickCam Pro 9000
Beide Kameras unterstützen mindestens 30 Bilder pro Sekunde und ließen sich so konfi-
gurieren, dass sie eine konstante Framerate lieferten unabhängig von der Beleuchtungssi-
tuation. Dies war für die anschließende Auswertung mittels Videorating wichtig.
4.1.6. Weitere erfasste Sensordaten
Um zusätzlich zu den physiologischen Daten noch weitere Daten aufzeichnen zu können,
wurde ein Google Nexus S Smartphone (Samsung I9020)6 mit Android 4.0 eingesetzt.
Dieses besitzt unter anderem einen Helligkeitssensor, Beschleunigungssensoren sowie
einen Empfänger für GPS-Signale.
4.1.7. Genutzte Software
Sowohl auf dem Smartphone als auch auf dem Laptop wurde Software verwendet, die
nachfolgend vorgestellt werden soll.
BioTrace+
Die Software BioTrace+ von Mind Media7 kann zur physiologischen Überwachung, Da-
tenanalyse inklusive Signalverarbeitung sowie für Bio- und Neurofeedback eingesetzt
werden. Hier wurde die Version V2012C genutzt, die zum Zeitpunkt der Durchführung
der Evaluation die aktuellste Programmausführung darstellte. Sie steuert das NeXus-4
via Bluetooth und empfängt von diesem die Daten der angeschlossenen Sensoren. Mit
dem enthaltenen Editor wurde ein sogenannter Bildschirm erstellt, der zum Aufzeichnen
der gewünschten Daten dient und diese auch anzeigen kann. Dieser stellt in der obersten
Datenreihe ein EKG dar, in der mittleren wird die gemessene Körpertemperatur angezeigt
und in der untersten Reihe wird der Hautleitwert abgebildet. Abbildung 4.3 zeigt den Auf-
nahmebildschirm, wie er während der laufenden Erfassung der Sensordaten aussieht. Die
6http://www.google.de/nexus/
7http://www.mindmedia.nl/CMS/en/products/software/item/305-biotrace%20.html
50
4.1. Vorbereitung und Aufbau der Studie
Abbildung 4.3.: Aufnahmebildschirm von BioTrace+. In dieser Abbildung erkennt man
die drei in Echtzeit angezeigten Signale: EKG (Oben), die Temperatur
(Mitte) und den Hautleitwert (Unten).
Daten des NeXus-4 werden dort in Echtzeit angezeigt und man kann zusätzlich während
der Aufnahme sogenannte Marker setzen wie später in Abschnitt 4.2.4 erläutert.
WorkloadVideoCapture
Da die zwei Webcams unterschiedliche Bildraten lieferten – selbst bei im Treiber fixierter
Framerate – musste zusätzlich ein Programm geschrieben werden, das es ermöglichte, mit
beiden Kameras synchron aufzuzeichnen. Mit Nutzung der frei verfügbaren Bibliothek
OpenCV 2.48 wurde ein C++ Programm namens WorkloadVideoCapture erstellt, das in
Listing 4.1 in Auszügen dargestellt und dokumentiert ist. Es empfängt die Bilder (Frames)
während der Fahrt von den zwei per USB angeschlossenen Webcams, fügt diese Frame für
Frame nebeneinander als ein Bild zusammen wie in Abbildung 4.4 dargestellt und schreibt
sie direkt in eine AVI Datei. Zeitgleich wurde je geschriebenem Frame ein Zeitstempel
8http://opencv.org/
51
4. Beschreibung der Studie und Erläuterung der Programme
Listing 4.1 Auszüge des Programmcodes von WorkloadVideoCapture, das für die Video-
aufnahme geschrieben wurde. Es wird von beiden Videokameras ein Bild empfangen,
dieses in ein neues doppelt so breites kopiert, das dann anschließend in eine Videodatei
geschrieben wird. Der Code ist an den wichtigen Stellen kommentiert.
VideoCapture cam1(0); // erstes Videogeraet oeffnen
if(!cam1.isOpened())
return -1;
VideoCapture cam2(1); // zweites Videogeraet oeffnen
if(!cam2.isOpened())
return -1;
cam1.set(CV_CAP_PROP_FPS,30); // Framerate und Aufloesung der Kameras setzen
cam2.set(CV_CAP_PROP_FPS,30);
cam1.set(CV_CAP_PROP_FRAME_WIDTH,320);
cam2.set(CV_CAP_PROP_FRAME_WIDTH,320);
cam1.set(CV_CAP_PROP_FRAME_HEIGHT,240);
cam2.set(CV_CAP_PROP_FRAME_HEIGHT,240);
VideoWriter writer("recorded.avi", CV_FOURCC(’X’,’V’,’I’,’D’), 30,
cvSize(cam1.get(CV_CAP_PROP_FRAME_WIDTH) +
cam2.get(CV_CAP_PROP_FRAME_WIDTH),cam1.get(CV_CAP_PROP_FRAME_HEIGHT)), true); //
Codec und Aufloesung der Ausgabedatei festlegen
while(true)
{
cam1 >> frame1; // empfange das aktuelle Bild je Kamera
cam2 >> frame2;
GetLocalTime(&sysTime);
Mat total(Size(frame1.cols+frame2.cols,frame1.rows),CV_8UC3); // Matrix in
doppelter Breite erstellen
frame1.copyTo(total(Rect(0, 0, frame1.cols, frame1.rows))); // erstes Bild in die
linke und
frame2.copyTo(total(Rect(frame1.cols, 0, frame2.cols, frame2.rows))); // zweites
Bild in rechte Haelfte der Matrix kopieren
writer << total; // zusammengefuegtes Bild in Ausgabedatei schreiben
imshow("CamCapture", total); // und anzeigen im Ausgabefenster
timestampfile << framecount << ";"<< sysTime.wHour << ":" << sysTime.wMinute <<
":" << sysTime.wSecond << ":" << sysTime.wMilliseconds << "\n"; //
Zeitstempeldatei schreiben
if(waitKey(5) >= 0) break; // das hier ist notwendig fuer das tatsaechliche
Zeichnen des Bildes im Ausgabefenster
framecount++;
}
mit der aktuellen Uhrzeit erstellt, um darüber später die Synchronität mit den restlichen,
gesammelten Daten herzustellen.
52
4.1. Vorbereitung und Aufbau der Studie
Abbildung 4.4.: Die Bilder beider Kameras wurden mit einem für diese Studie erstellten
Programm empfangen, nach obigem Schema zusammengefügt und als
Videodatei abgespeichert.
Software auf dem Smartphone
Auf dem Smartphone wurde die Software Sensor Track 9 genutzt, um Helligkeit, GPS
Position und lineare Beschleunigung aufzuzeichnen. Die GPS Position wurde dabei mit
etwa einem Sample pro Sekunde aufgezeichnet, Helligkeit- und Beschleunigungsdaten
mit acht bis zwölf Samples pro Sekunde.
9https://play.google.com/store/apps/details?id=com.bushidroid.app.sensortrack
53
4. Beschreibung der Studie und Erläuterung der Programme
4.1.8. Videorating
Wie in Abschnitt 2.3.1 dieser Arbeit beschrieben, ist das Videorating eine Technik, um eine
subjektive Einschätzung des Probanden zu erhalten, die zur Validierung der gemessenen
Daten dienen kann.
Ziel war es, den Probanden das während der Fahrt aufgenommene Video noch einmal in
Echtzeit zu zeigen. Dabei sollten sie versuchen, so gut wie möglich ihre eigene mentale
Belastung zur im Video gezeigten Situation einzuschätzen. Ein Schieberegler erwies sich
hierfür am einfachsten und verständlichsten zu bedienen. Abbildung 4.5 zeigt den hierfür
erstellten Aufbau. So wurde die maximale Stufe des Reglers als „hohe Belastung“ definiert
und die niedrigste als „geringe Belastung“. Es wurde bewusst „geringe Belastung“ als
niedrigste Stufe gewählt, da man davon ausgehen kann, dass man beim Autofahren
grundsätzlich eine gewisse mentale Belastung hat. Die Bezeichnung „keine Belastung“
wäre hierbei irreführend gewesen.
Software und Hardware für das Videorating
Damit das Videorating für jeden Probanden möglichst einfach und intuitiv zu handhaben
war, wurde der analoge Schieberegler „Slider 60“ aus dem Phidgets System von Phidgets
Inc.10 benutzt. Der Schieberegler besteht aus einem linearen Potentiometer mit einem
Maximalwiderstand von 10 Kiloohm und ermöglicht eine Genauigkeit von 1000 Stufen
über eine Länge von 60 Millimetern. Er wurde an das in Abbildung 4.6 gezeigte Phidge-
tInterfaceKit 8/8/8 angeschlossen und von dort mittels USB mit dem Laptop verbunden.
Das Interface unterstützt jeweils acht analoge und acht digitale Eingänge und besitzt
zudem acht digitale Ausgänge. Die Abtastrate lässt sich bis auf 1000Hz regeln.
Der Regler wurde auf einem Karton befestigt und mit einer Beschriftung versehen wie in
Abbildung 4.5 dargestellt. Die softwareseitige Anbindung erfolgt über eine von Phidgets
Inc. bereitgestellte C++ Bibliothek.
Damit die Daten des Schiebereglers aufgezeichnet werden konnten, wurde ein C++
Programm geschrieben, das die Videodatei gemäß der vorhandenen Zeitstempeldatei
abspielte. Das Programm liest die aufgezeichneten Zeitstempel aus einer Datei ein, die pro
Zeile ein Zweiertupel besitzt, bestehend aus aktueller Bildnummer (Framecount) und der
10http://www.phidgets.com/
54
4.1. Vorbereitung und Aufbau der Studie
Abbildung 4.5.: Dieses Foto zeigt den Aufbau des Schiebereglers, wie er für das Videora-
ting eingesetzt wurde.
Aufnahmezeit im Format Stunden:Minuten:Sekunden:Millisekunden. Nun wurde unter
Nutzung der OpenCV 2.4 Bibliothek das aufgenommene Video Bild für Bild abgespielt
und bei jedem Bild der aktuelle Wert des Schiebereglers mittels der Phidgets Bibliothek
ausgelesen. Kommentierter Programmcode ist unter Listung 4.2 zu finden. Dort sind die
für das Abspielen des Videos und das Auslesen der Schiebereglerwerte entscheidenden
Stellen aufgeführt. Zeitgleich wurde eine neue Datei erstellt, die pro Zeile ein Tripel
enthielt, bestehend aus Framecount, Aufnahmezeit im selben Format wie schon bei der
Videoaufzeichnung und dem Wert des Videoratings passend zum aktuellen Framecount.
Ein Problem, das beim Videorating auftrat, war die Tatsache, dass die erstellte Videodatei
zwar eine feste Bildrate von 30 Bildern pro Sekunde hatte, der aufgenommene Inhalt
aber tatsächlich zwischen 20 und 32 Bildern pro Sekunde schwankte. Dies führte beim
Abspielen mit konstanter Geschwindigkeit zu Beschleunigungen und Verzögerungen im
Bild. Um das Video beim Videorating möglichst in Echtzeit ablaufen zu lassen, wurde
eine weitere Routine geschrieben, die die Pausenzeit zwischen jedem angezeigten Bild
variierte, in Abhängigkeit von der bereits vergangenen Zeit, den bisher angezeigten
Frames und der tatsächlichen „Soll“ -Länge des Videos. Diese ließ sich einfach auslesen
aus der Zeitstempeldatei, die während der Videoaufzeichnung im Auto erstellt wurde.
55
4. Beschreibung der Studie und Erläuterung der Programme
Abbildung 4.6.: Als Schnittstelle zwischen Schieberegler und Laptop wurde das Phid-
getInterfaceKit 8/8/8 von Phidgets Inc. genutzt. Oben im Bild ist der
USB Anschluss zu sehen, links und rechts die analogen Ein- und Ausgän-
ge und unten im Bild die digitalen Eingänge, an die der Schieberegler
angeschlossen war.
[Bildquelle: Phidgets Inc. a]
ahttp://www.phidgets.com/products.php?product_id=1018_2
4.1.9. Synchronität der Datensätze
Sämtliche Daten wurden während ihrer Aufzeichnung mit einem Zeitstempel versehen. Da
über diesen später die Synchronität hergestellt werden sollte, war es zwingend notwendig,
dass die Uhren auf dem im Auto genutzten Laptop und dem Smartphone synchron
liefen. Unmittelbar vor Beginn der Autofahrt wurde ein NTP 11 Zeitabgleich sowohl auf
dem Smartphone, als auch auf dem Laptop durchgeführt. Anschließend wurde noch eine
Nachkontrolle durchgeführt, bei der die Uhrzeiten der beiden Geräte manuell miteinander
verglichen worden sind.
11Network Time Protocol, ein paketbasierter Standard zur Synchronisierung von Uhren
56
4.2. Ablauf der Studie
Listing 4.2 Auszüge des Programmcodes, der für das Videorating geschrieben wurde. Die
Codezeilen beschränken sich auf die relevanten Stellen, die zur Darstellung des Videos
sind und die Phidgets Schnittstelle betreffen. Es sind sämtliche Zeilen zur Synchronisation
entfernt, hierauf wird im Text in Abschnitt 4.1.8 weiter eingegangen.
[..]
int main()
{
[..]
CPhidgetInterfaceKitHandle ifKit = 0; // Phidgets InterfaceKit handle deklarieren
CPhidgetInterfaceKit_create(&ifKit); // und erstellen
cv::VideoCapture capture("record.avi"); // Videodatei als Eingabe festlegen
[..]
CPhidget_open((CPhidgetHandle)ifKit, -1); // Verbindung zu Phidgets oeffnen
CPhidget_waitForAttachment((CPhidgetHandle)ifKit, 2500);
while (!stop) {
if (!capture.read(frame)) // das naechste Frame aus der Eingabedatei lesen
break;
cv::imshow("Video Rating",frame); // Bild im Fenster anzeigen
[..]
CPhidgetInterfaceKit_getSensorValue(ifKit,0,&sliderValue); // Wert des
Schiebereglers auslesen
[..]
out_timestamp << line << ";" << sliderValue << "\n"; // neue Timestamp
Datei mit zusaetzlichem Sliderwert schreiben
}
[..]
}
4.2. Ablauf der Studie
Im folgenden Abschnitt wird die Durchführung der Studie mit den Probanden beschrie-
ben. Die Reihenfolge der Unterabschnitte in dieser Sektion stimmt mit dem tatsächlich
durchgeführten Ablauf überein. Für jede den Proband betreffende Etappe der Studie wur-
de ein Gesprächsleitfaden verfasst. Die dort genannten Punkte wurden dem Teilnehmer
mündlich mitgeteilt und sind am Ende jedes Unterabschnitts dieser Sektion dargestellt.
4.2.1. Vorbereitung des Probanden und Anbringen der Elektroden
Zu Beginn wurde dem Probanden nach kurzer Begrüßung der Ablauf der Studie erläutert.
Es wurde erklärt, dass es sich um eine wissenschaftliche Studie für eine Diplomarbeit han-
dele, bei der eine Autofahrt durchgeführt werde gemäß den Ansagen des Versuchsleiters.
Dabei werde der Proband und die Fahrstrecke mittels zweier Webkameras aufgezeichnet.
57
4. Beschreibung der Studie und Erläuterung der Programme
Zusätzlich würden weitere Daten durch drei verschiedene Arten von Sensoren für physio-
logische Werte ermittelt, nämlich EKG, Hautleitwert und Körpertemperatur. Es wurde
darauf hingewiesen, dass der Proband die Studie zu jedem Zeitpunkt abbrechen könne
und umgehend nachfragen solle, wenn es Unklarheiten oder ein Problem gäbe.
Zu welchem Zweck die Datenerhebung dient, wurde noch nicht ausgeführt, um eine
mögliche Beeinflussung des Probanden zu verhindern. Nach der Einleitung wurden dem
Probanden die Elektroden angelegt.
Zuerst wurde der Temperaturfühler am linken Mittelfinger mittels eines dünnen Tape-
Streifens fixiert, so dass der Sensor fest auf der Fingerkuppe auflag wie im linken Bild in
Abbildung 4.7 gezeigt. Hierbei wurde insbesondere darauf geachtet, dass die Fixierung
nicht zu straff war, da sonst die Blutversorgung des Mittelfingers erschwert worden
wäre, was zum einen gesundheitliche Folgen haben könnte und zusätzlich auch die
Messergebnisse verfälschen könnte.
Der Hautleitwert wurde über zwei Sensoren gemessen, wobei der erste am linken Zeige-
finger und der zweite am linken Ringfinger mit einem Klettband befestigt war. Die Kabel
wurden sorgfältig auf dem Handrücken fixiert und zusätzlich am Unter- und Oberarm
mit Gewebeband festgeklebt, um ein mögliches Behindern durch lose herumhängende
Kabel während der Fahrt auszuschließen (siehe rechtes Foto in Abbildung 4.7) .
Zuletzt wurden die EKG-Elektroden angebracht. Die Haut wurde an drei Stellen des Ober-
körpers mit einem reinigenden „Skin Preparation“ Gel vorbereitet. Danach wurden die
Sensoren, wie in Abbildung 4.8 gezeigt, mit Hilfe von selbstklebenden Einmal–Elektroden
befestigt. Dies entspricht der von Mind Media empfohlenen Anordnung zur Messung
eines Elektrokardiogramms mithilfe des NeXus-4. Hierbei war es wichtig auf die korrekte
Anbringung der Elektroden zu achten. Die rote Elektrode (im Bild 4.8 als „B“ markiert)
musste auf der linken Körperhälfte unterhalb des letzten Rippenbogens platziert werden,
um die richtige Polarität zu gewährleisten. Die schwarze Elektrode (im Bild 4.8 als „A“
markiert) wurde auf der rechten Seite oberhalb der Brust angebracht und die Erdung (im
Bild 4.8 als „C“ markiert) auf derselben Höhe, jedoch auf der linken Körperhälfte. Die
EKG Messung erfolgte also diagonal zwischen den Punkten A und B.
4.2.2. Eingangsfragebogen und Überprüfung der Elektroden
Nach Ausfüllen der Einverständniserklärung (siehe Anhang A.1)wurden dem Probanden
die Elektroden angebracht. War dies geschehen, wurde ihm der Eingangsfragebogen (siehe
58
4.2. Ablauf der Studie
Abbildung 4.7.: Das linke Bild zeigt, wie die Sensoren an der Hand angebracht wurden.
Am Zeigefinger und Ringfinger sind jeweils mit einem Klettverschluss
die Sensoren für die Hautleitwertmessung befestigt. An der Fingerkuppe
des Mittelfingers befindet sich der Temperaturfühler.
Auf dem rechten Foto ist die Führung und Fixierung der Sensorkabel zu
sehen. Das weiße Kabel zeigt den Temperatursensor, die beiden schwar-
zen Kabel sind für die Messung des Hautleitwertes erforderlich.
Anhang A.3) ausgehändigt. Während der Proband den Fragebogen ausfüllte, wurde ein
erstes Mal überprüft, ob alle Sensoren korrekt angelegt waren und gültige sowie sinnvolle
Messdaten erzeugten. War ein Wert von augenscheinlich schlechter Qualität – zum Beispiel
stark verrauscht – wurden die Elektroden erneut angebracht.
Leitfaden Vorbereitung
Der Proband wurde aufgeklärt, dass die Studie Teil einer Diplomarbeit sei, bei der
gemessen werden solle, wie sich ein Autofahrer in bestimmten Situationen verhält. Es
59
4. Beschreibung der Studie und Erläuterung der Programme
Abbildung 4.8.: In diesem Bild wird veranschaulicht, wie die von Mind Media empfoh-
lene Anbringung der EKG-Elektroden zu erfolgen hat. Gemessen wird
hierbei zwischen den Punkten A und B. Punkt C dient der Erdung.
[Bildquelle: Mind Media http://www.mindmedia.nl/CMS/en/products/
software/item/305-biotrace%20.html]
handele sich um eine Feldstudie, die eine Autofahrt von einer halben Stunde beinhalte.
Der Studienleiter säße hinten im Auto und würde die Fahranweisungen geben. Während
der Fahrt würde der Proband mit verschiedenen biometrischen Sensoren überwacht und
zusätzlich gefilmt. Zu Beginn der Studie müsste der Proband eine Einverständniserklärung
unterschreiben, dass die gesammelten Daten und Bilder im Rahmen dieser Diplomarbeit in
anonymisierter Form verwendet werden dürften. Anschließend würden die Sensoren für
EKG, Temperatur und Hautleitwert an den entsprechenden Stellen des Körpers angebracht.
Während die Funktion der Sensoren überprüft würde, hätte der Proband gleichzeitig
den Eingangsfragebogen auszufüllen. Nach der Autofahrt würde eine etwa 30 minütige
Auswertung und das Ausfüllen eines Abschlussfragebogens erfolgen. Ausserdem wurde
dem Probanden zugesichert, dass er selbstverständlich jederzeit die Studie abbrechen
könne und bei Unklarheiten sofort nachfragen solle.
60
4.2. Ablauf der Studie
4.2.3. Vorbereitung des Fahrzeugs
Nachdem der Proband auf dem Fahrersitz Platz genommen hatte, angeschnallt war und
das NeXus-4 auf der linken Seite im Türfach des Fahrers verstaut hatte, wurden die
Webcams angebracht. Beide Kameras wurden möglichst weit rechts im Frontscheiben-
bereich auf der Beifahrerseite befestigt, um die Sicht des Fahrers so wenig wie möglich
einzuschränken.
Die Frontkamera (Logitech QuickCam Pro 9000) wurde mit einer Saugnapfhalterung
oben an der Windschutzscheibe befestigt und auf den Straßenverlauf aus Fahrersicht
ausgerichtet. Die zweite Kamera (Creative VF0610 Live! Cam Socialize HD) wurde mit
Gewebeband auf dem Armaturenbrett befestigt und erfasste den Fahrer hinter dem
Lenkrad (Fahrerkamera).
Das Smartphone wurde mit einer weiteren Saugnapfhalterung direkt unter der Front-
kamera befestigt (vgl. Abbildung 4.9). Anschließend wurden die zwei USB Kabel der
Webcams auf die Rückbank zum Laptop verlegt, da der Proband vorne allein sitzen sollte,
um die Ablenkung möglichst gering zu halten. Als Letztes wurde eine Synchronisierung
der Uhren, wie in Abschnitt 4.1.9 beschrieben, durchgeführt.
4.2.4. Durchführung der Autofahrt
Es wurde erklärt, dass die Autofahrt wie in der Übungsstunde einer Fahrschule ablaufe.
Wenn nichts angesagt würde, solle man immer dem Straßenverlauf folgen, sofern es
die Verkehrsregeln zuließen. Wenn an einer Stelle abgebogen werden solle, würde dies
rechtzeitig angekündigt. Hierfür wurden in Anlehnung an gewohnte Sprachkommandos
von Navigationsgeräten folgende Befehle genutzt:
• „an der kommenden/nächsten Kreuzung links/rechts einordnen“
• „an der kommenden/nächsten Kreuzung links/rechts abbiegen“
• „an der Ampel links/rechts abbiegen“
• „jetzt rechts/links halten“
• „nun links/rechts einordnen“
• „nun links/rechts abbiegen“
61
4. Beschreibung der Studie und Erläuterung der Programme
Abbildung 4.9.: Dieses Bild zeigt den Aufbau samt Befestigung der Videokameras und
des Smartphones im Auto. Die Frontkamera „blickt“ dabei in Fahrtrich-
tung, nimmt also auf, was der Fahrer nach vorne sieht. Die Fahrerkamera
zeichnet den Fahrer auf und das Smartphone dient der Erfassung ver-
schiedener Sensordaten.
• „im Kreisverkehr zweite Ausfahrt“
Die Reihenfolge, in der das Aufzeichnen der Daten nach der in Abschnitt 4.2.3 genannten
Synchronisation stattfand, war folgende:
• Starten der Aufzeichnung von GPS, Helligkeit und linearer Beschleunigung mittels
der Sensor Track Software auf dem Smartphone
• Aktivierung der Aufnahme von EKG, Temperatur und Hautleitwert in der BioTrace+
Software
62
4.2. Ablauf der Studie
Abbildung 4.10.: Dieses Foto zeigt einen Probanden kurz nach der Autofahrt. Hier kann
man die Fixierung der Kabel am linken Unterarm erkennen.
• Starten der Videoaufzeichnung für das Videorating
Dieser Ablauf war bei jedem Probanden identisch und essentiell für die spätere Zusam-
menführung der Datensätze.
Während der Fahrt wurde an den ROI und POI in BioTrace+ Markierungen gesetzt
durch Druck auf die Entertaste. Zusätzlich wurden Markierungen gesetzt bei besonderen
Ereignissen, wie bei einer plötzlichen, starken Bremsung oder signifikanten Spurwechseln,
die in den physiologischen Daten zu Ausschlägen führten. Mit diesen gesetzten Punkten
konnte schon vor der späteren Analyse mit MATLAB12 eine erste augenscheinliche Aus-
wertung erfolgen, die bereits Tendenzen für markante Stellen und Situationen erkennen
ließ. Abbildung 4.10 zeigt einen Probanden kurz nach der Durchführung der Autofahrt.
12http://www.mathworks.com/products/matlab/
63
4. Beschreibung der Studie und Erläuterung der Programme
Abbildung 4.11.: Proband bei der Durchführung des Videoratings. Auf dem Laptop ist
das zweigeteilte Video zu sehen, links unten im Bild der Schieberegler,
der mit dem Phidgets Interface verbunden ist.
4.2.5. Videorating und abschließender Fragebogen
Nach der Fahrt wurden dem Probanden die angebrachten Elektroden wieder entfernt.
Im Anschluss daran wurde erklärt, wie das in Abschnitt 4.1.8 vorbereitete Videorating
abläuft. Nach dieser Erklärung wurde das Videorating gestartet und der Studienteilneh-
mer bewertete seine Fahrt wie in Abbildung 4.11 gezeigt entsprechend seiner subjektiv
empfundenen mentalen Belastung.
Nach erfolgreicher Durchführung des Ratings musste der Abschlussfragebogen (siehe An-
hang A.5), der weitere Fragen zu einer möglichen App (engl. Application = Anwendung)
enthielt, ausgefüllt werden. Abschließend wurde dem Probanden eine Aufwandsentschä-
digung in Höhe von 15 Euro ausgezahlt. Der Erhalt des Geldes wurde von ihm mit seiner
Unterschrift quittiert (Quittung siehe Anhang A.6).
64
4.2. Ablauf der Studie
Leitfaden Videorating
Vor dem Videorating wurde dem Probanden erklärt, dass er nun seine Fahrt anschauen
dürfe und dabei seine mentale Belastung während der Autofahrt einschätzen solle. Mit
mentaler Belastung sei in diesem Fall gemeint, wie sehr sich der Proband in der im
Video gezeigten jeweiligen Situation psychisch beansprucht gefühlt hätte. Der Proband
würde nun die gesamte Fahrt als Videoaufzeichnung sehen, wobei die linke Hälfte des
Videofilms ihn selbst als Fahrer zeige und er auf der rechten Seite die Sicht nach vorne
durch die Frontscheibe hätte. Während sich der Proband das Video genau anschaue, solle
er den Regler verschieben, je nachdem wie er selbst seine mentale Belastung zu dem
Zeitpunkt einschätze. Die Skala des beschriebenen Reglers gehe von geringer bis starker
Belastung, da davon auszugehen sei, dass beim Autofahren grundsätzlich eine gewisse
mentale Belastung existiere.
65

5. Evaluation und Analyse
Dieses Kapitel beschreibt die Zusammenführung und Auswertung der Daten. Zunächst
wird erläutert, wie die verschiedenen, aufgezeichneten Daten in ein für die Analyse
passendes Format überführt worden sind. Anschließend wurden diese Daten mithilfe von
Matlab1 und SPSS2 untersucht. Die Ergebnisse der Analyse werden im zweiten Teil dieses
Kapitels vorgestellt.
5.1. Vorbereitung der Daten
In den folgenden zwei Abschnitten soll erläutert werden, wie die Vorverarbeitung der
gesammelten Daten durchgeführt wurde. Der erste Teil beschreibt die Zusammenführung
und Synchronisation der aufgezeichneten Daten eines einzelnen Probanden und erklärt
den Aufbau dieser Datensätze. Im zweiten Teil wird veranschaulicht, wie diese einzelnen
Probandendatensätze so sinnvoll miteinander verknüpft werden, dass anschließend eine
Analyse durchgeführt werden kann. Das Ziel dabei ist die Zusammenführung von Daten
unterschiedlicher Probanden und deren Auswertung.
5.1.1. Synchronisierung einzelner Probandendaten mit MergeSensorData
Um aus den aufgenommenen Rohdaten sinnvolle und auswertbare Daten zu erhalten wur-
de ein Programm entwickelt, dass sämtliche Daten, wie in Abbildung 5.1 dargestellt, zu
einem einzigen großen Datensatz vereint. Hierbei sind die einzelnen Zeitstempel essentiell,
da über sie die einzelnen Aufzeichnungen synchronisiert werden. Das MergeSensorDa-
ta genannte Programm orientiert sich dabei an den Zeitstempeln der Videoaufnahme,
1http://www.mathworks.com/products/matlab/
2http://www-01.ibm.com/software/de/analytics/spss/
67
5. Evaluation und Analyse
da diese im Ablauf wie in Abschnitt 4.2.4 beschrieben als letztes erstellt wurden und
die komplette Autofahrt umfassen. Wie in Abbildung 5.1 zu sehen ist, gab es hierbei
unterschiedliche Aufnahmefrequenzen. Die EKG-Daten wurden mit einer Frequenz von
1024 Hz aufgezeichnet, in BioTrace+ analysiert, in Herzrate und Herzratenvariabilität
aufgespalten durch interne Programmfunktionen von BioTrace+ und anschließend zusam-
men mit der Temperatur und dem gemessenem Hautleitwert mit einer Frequenz von 128
Hz exportiert. Das Verringern der Frequenz von 1024 Hz auf 128 Hz für Herzrate und
Herzratenvariabilität stellt keinen in der Auswertung sichtbaren und messbaren Eingriff
dar, beschleunigt aber die weitere Verarbeitung und Analyse.
Das Programm liest die verschiedenen Dateien ein und passt als erstes die einzelnen
Zeitstempel an. Die vom BioTrace+ Export erhaltenen Daten besitzen jeweils 128 Einträge
mit einer identischen Uhrzeit. Diese wird gemäß der Samplerate von 128 Hz angepasst
und um einen Millisekundenwert erweitert.
Eine Zeile davon sieht beispielhaft wie folgt aus: „35974;17:39:45:341;550“. Die erste Zahl ist
die Bildnummer (Framecount), die zweite gibt die Uhrzeit in Stunden,Minuten,Sekunden
und Millisekunden an und die dritte Größe ist der vom Probanden eingestellte Wert des
Schiebereglers aus dem Videorating. Nun wurde über den Framecount iteriert und für
jedes Frame ein Vergleich der Zeitstempel in den einzelnen Datenbeständen gemacht. Es
wurde erst zum nächsten Bild übergegangen, wenn alle Messdaten im dazugehörigen
Zeitfenster abgehandelt waren. Da die EKG-Daten mit 128 Hz die höchste Frequenz
hatten, hielten die anderen solange ihren Wert, bis ein neuer Zeitschritt erfolgte.
Am Ende ergab dies einen wie in Tabelle 5.1 dargestellten, umfassenden und durch
Kommas separierten Datensatz.
5.1.2. Synchronisierung der verschiedenen Probandendatensätze
Nachdem im vorigen Abschnitt 5.1.1 die unterschiedlichen Daten eines einzelnen Pro-
banden zu einem Probandendatensatz zusammengeführt worden sind, wird hier auf
die Synchronisation der Datensätze verschiedener Probanden untereinander eingegan-
gen. Alle ab diesem Abschnitt folgenden Untersuchungen wurden direkt in MATLAB
durchgeführt.
Da zwei Probanden zum gleichen Zeitpunkt sehr wahrscheinlich an unterschiedlichen
Orten der Strecke waren (zum Beispiel aufgrund unterschiedlichen Verkehrsaufkommens
oder Fahrgeschwindigkeit), konnte kein Abgleich über den Zeitstempel erfolgen.
68
5.1. Vorbereitung der Daten
1 Time_Biotrace Aufnahmezeitpunkt der physiologischen Daten
2 Time_VideoCapture Aufnahmezeitpunkt des Videos
3 Time_Light Aufnahmezeitpunkt der Helligkeit
4 Time_Accel Aufnahmezeitpunkt der linearen Beschleunigung
5 Time_GPS Aufnahmezeitpunkt des GPS Datums
6 AccelX lineare Beschleunigung entlang der X-Achse in ms2
7 AccelY lineare Beschleunigung entlang der Y-Achse in ms2
8 AccelZ lineare Beschleunigung entlang der Z-Achse in ms2
9 Lightning Helligkeit in Lumen
10 Latitude_GPS Breitengrad in Grad
11 Longitude_GPS Längengrad in Grad
12 Accuracy_GPS Genauigkeit des GPS in m
13 Altitude_GPS Höhe in m
14 Speed_GPS Geschwindigkeit in ms
15 Bearing_GPS Richtung in Grad
16 Frame_Video Bildnummer im Video
17 Rating_Video Wert des Videoratings
18 ECG Wert des EKG in µV
19 SCR Hautleitwert in µS
20 Temp Temperaturwert in ◦C
21 HR Herzrate in Schläge pro Minute
22 HRV Herzratenvarianz
Tabelle 5.1.: Diese Tabelle erklärt die einzelnen Felder der vorverarbeiteten Datensätze,
die das geschriebene Programm MergeSensorData aus den Daten der ein-
zelnen, unterschiedlichen Quellen gemäß ihrer Zeitstempel erstellt, wie in
Abschnitt 5.1.1 beschrieben.
Naheliegend war also eine Synchronisation über die aufgezeichneten GPS Daten. Die
erste Idee war, um die einzelnen POI und ROI einen Kreis zu legen mit beliebig aber
fester Größe. Als Beispiel sei hier ein Kreisverkehr genannt, um dessen Mittelpunkt
ein Kreis von 100 Metern gelegt wird. Dann könnte man aus allen Probandendaten die
entsprechenden Punkte selektieren.
Dies wurde mit Hilfe der Haversin’schen Formel versucht, die es ermöglicht, den Abstand
zwischen zwei Punkten auf einer Kugeloberfläche zu messen. Haversine ist englisch, steht
für die halbe Sinus-versus-Funktion und lautet wie in Abramowitz [AS64] aufgeführt, wie
folgt:
69
5. Evaluation und Analyse
Abbildung 5.1.: Diese Abbildung zeigt, welche Datenquellen mit welcher Frequenz auf-
gezeichnet, weiterverarbeitet und anschließend mit „MergeSensorData“
zusammengeführt worden sind. Die Synchronisation zwischen den ein-
zelnen Datensätzen fand über die Zeitstempel statt, die während der
Aufnahme angefertigt wurden.
hav
(
d
r
)
= hav(φ2 − φ1) + cos(φ1) cos(φ2) hav(λ2 − λ1)
mit hav(θ) = sin2
(
θ
2
)
= 1−cos(θ)2
Da die GPS-Koordinaten hier im kartesischen System (ein orthogonales Koordinatensys-
tem) vorlagen, mussten diese zunächst mit folgender Formel in sphärische Polarkoordina-
ten umgewandelt werden:
LatDegree = pi180 · (Lat 1 − Lat 2)
LonDegree = pi180 · (Lon 1 − Lon 2)
70
5.1. Vorbereitung der Daten
Danach konnte mit dieser Umsetzung der Haversin’schen Formel die Distanz zwischen
zwei Punkten berechnet werden, wobei R den Radius der Erde angibt, LatDegree und
LonDegree die Koordinaten in sphärischen Polarkoordinaten sind und d die errechnete
Distanz angibt:
a = (sin(LatDegree2 ))
2 + cos(Lat 1) ∗ cos(Lat 2) ∗ (sin(LonDegree2 ))2
c = 2 · arcsin(√a)
d = R · c
Die Selektion der Koordinaten der verschiedenen POI wurde via Google Maps3 getätigt.
Für die POI funktionierte diese Methode grundsätzlich, stellte jedoch, bei den ROI wie
Landstraßen oder Autobahnen, ein Hindernis dar aufgrund von Kurven und damit
gelegentlich auftretenden Überschneidungen unterschiedlicher Straßentypen.
Ein weiterer Ansatz, der letztlich besser geeignet war, basierte auf der Analyse der
aufgezeichneten Videodaten. Hierfür wurden sämtliche POI auch als ROI angesehen. Die
Auswahl der ROI basiert auf der in Kapitel 4 aufgeführte Tabelle 4.1. Gemäß dem in
Abbildung 4.1 gezeigten Streckenverlauf wurden neue ROI definiert wie in Tabelle 5.2
dargestellt.
Da während der verschiedenen Fahrten auffiel, dass insbesondere beim Anfahren an
Ampeln deutliche und reproduzierbare Ausschläge erfolgten, wurde das Anfahren als
ROI anstelle von den Ampeln als POI übernommen.
Um die Daten sinnvoll für die einzelnen ROI auswählen zu können, wurden die Videos
der zehn Probanden auf die Anfangs- und Endpunkte der unterschiedlichen Regionen
hin ausgewertet. Hierzu wurde festgelegt, ab welcher Stelle ein ROI beginnt und wo er
endet. Da es zum Beispiel beim Hautleitwert eine Verzögerung von 0.5-1.5 Sekunden gibt,
bis ein Ausschlag erfolgt, mussten Anfang und Ende großzügig ausgewählt werden. Es
wurde daher ein zeitlicher Umfang von vier Sekunden vor Beginn und vier Sekunden
nach Ende einer interessanten Region auswählt. Dies geschah durch Betrachten der
Videoaufzeichnungen, wobei die zu den jeweiligen Zeitpunkten gehörenden Bildnummern
in einer extra Datei vermerkt wurden mit ROI Nummer, Anfangsbild und Endbild.
Über diese Bildnummer konnte anschließend der gewünschte Bereich aus den einzelnen
Probandendatensätzen extrahiert werden.
3https://maps.google.de/
71
5. Evaluation und Analyse
Nr. ROI
1 Landstraße I
2 Landstraße II
3 Autobahn
4 Tempo-50-Zone I
5 Tempo-50-Zone II
6 Tempo-30-Zone
7 Tunnel
8 Kreisverkehr I
9 Kreisverkehr II
10 Kurvig I
11 Kurvig II
12 Auffahrt I
13 Auffahrt II
14 Abfahrt I
15 Abfahrt II
16 Anfahren I
17 Anfahren II
18 Anfahren III
19 Anfahren VI
Tabelle 5.2.: Hier werden die in der Analyse genutzten neuen ROI aufgeführt. Die bishe-
rigen POI, die auch in Tabelle 4.1 zu sehen sind, wurden als ROI umdefiniert
(siehe Abschnitt 5.1.2).
Für die in Tabelle 5.2 aufgelisteten Anfahrten (Anfahren I - IV) wurde analysiert, wie oft
die einzelnen Probanden an Ampeln halten und anfahren mussten. Es stellte sich heraus,
dass die minimale Anzahl der Anfahrvorgänge aller Probanden vier betrug. Zwar sind
diese Anfahrten teilweise an unterschiedlichen Ampeln, dies sollte aber für die weitere
Analyse aufgrund von Mittlungen kein Problem darstellen.
5.2. Analyse der Daten
In diesem Abschnitt werden die in der Studie aufgezeichneten Daten mit MATLAB und
SPSS analysiert. Es werden eventuell existierende Zusammenhänge gesucht und die
Ergebnisse gedeutet.
72
5.2. Analyse der Daten
5.2.1. Untersuchung des Hautleitwertes
Die Daten des Hautleitwertes wurden normiert, um eine Vergleichbarkeit zwischen den
einzelnen Probanden zu ermöglichen, da jeder Proband ein anderes Grundlevel hatte. Die
Unterschiede im Grundlevel können die verschiedensten Ursachen haben. Zum einen eine
unterschiedlich dicke Schicht der Oberhaut, unterschiedliche Schweißdrüsenaktivität, ob
die Fingerkuppe eher angeraut oder glatt war und damit für unterschiedlichen Kontakt
sorgte, wie stark der Anpressdruck der Elektroden im Allgemeinen war oder auch ein
höherer Stresslevel, hervorgerufen durch die Situation der Studie. Je höher das Grundlevel
war, desto geringer waren die Ausschläge beim Hautleitwert zu beobachten. Aus diesem
Grund wurde eine Normierung der Messdaten als sinnvoll erachtet.
Abbildung 5.2 zeigt den durchschnittlichen Hautleitwert, der dem in Abschnitt 2.2.7
beschriebenen Hautleitwertniveau entspricht. Alle 19 verschiedenen, untersuchten Situa-
tionen sind hier in einem Boxplot-Diagramm dargestellt. Hier sieht man schon deutliche
Tendenzen, was die unterschiedlichen Belastungen in den jeweiligen Situationen angeht.
Beide Tempo-50-Zonen liegen sehr nah beieinander, die Tempo-30-Zone hat dazu im
Vergleich einen sichtbar höheren Wert und auch die Kreisverkehre sind eher in den hohen
Regionen angesiedelt.
Um bessere Aussagen über die verschiedenen Werte machen zu können, wurden im
nächsten Schritt die verschiedenen ROI, die dem gleichen Typus entsprachen, durch
Mittelwertbildung zusammengeführt. Das Diagramm in Abbildung 5.3 zeigt einen Boxplot
nach der Zusammenfassung der vom Typ her identischen ROI. Auch hier ist deutlich
zu sehen, dass der Medianwert der Tempo-30-Zone am höchsten liegt. An zweiter Stelle
stehen bereits die Kreisverkehre.
Die Analyse der Probandenmittelwerte zur Qualität der Daten ist in Tabelle 5.3 darge-
stellt.
Es gab einen signifikanten Unterschied zwischen drei Regions of Interest wie mit der ein-
faktoriellen Varianzanalyse (ANOVA) festgestellt wurde, F(9, 90) = 2.902, p = 0.005, r =
0.539. Mithilfe des Post-Hoc-Tests nach Bonferroni wurde gezeigt, dass die Paarungen
Autobahn/Tempo-30-Zone (p = 0.037) und Autobahn/Kreisverkehr (p = 0.029) eine Signifikanz
aufwiesen.
Um vergleichbare Aussagen über die einzelnen Situationen machen zu können, wurde
eine Min-Max-Normierung vorgenommen. Das bedeutet, die Situation mit dem geringsten
73
5. Evaluation und Analyse
Abbildung 5.2.: Diese Abbildung zeigt das über alle zehn Probanden gemittelte Hautleit-
wertniveau an den jeweiligen ROI. Ein höherer Wert gilt als Indikator für
eine höhere mentale Belastung.
ROI Mittelwert Standardabweichung Median
Landstrasse 0.318 0.090 0.317
Autobahn 0.246 0.089 0.247
Tempo-50-Zone 0.399 0.157 0.373
Tempo-30-Zone 0.463 0.175 0.504
Tunnel 0.365 0.195 0.352
Kreisverkehr 0.467 0.172 0.466
Kurvig 0.332 0.078 0.333
Auffahrt 0.413 0.093 0.381
Abfahrt 0.306 0.130 0.319
Anfahren 0.455 0.156 0.426
Insgesamt 0.377 0.151 0.361
Tabelle 5.3.: Diese Tabelle zeigt die Mittelwertanalyse des Hautleitwertniveaus. Ausge-
wertet wurden hierfür sämtliche Mittelwerte der zehn Probanden an den
zehn verschiedenen Regionen
74
5.2. Analyse der Daten
Abbildung 5.3.: Dieses Diagramm zeigt ebenfalls das Hautleitwertniveau aller zehn Pro-
banden an den jeweiligen ROI. Hierbei wurden jedoch die, im Vergleich
zu dem Diagramm in Abbildung 5.2 mehrfach vorhandene ROI mit
identischem Typ, zusammengefasst mittels Mittelwertbildung.
Medianwert entspricht dem Wert Null und die mit dem höchstgelegenen Median dem
Wert Eins. Tabelle 5.4 zeigt die Ordnung der verschiedenen untersuchten Regionen und
gibt das Hautleitwertniveau in Prozent an ausgehend von der vorgenommenen Min-Max-
Normierung.
5.2.2. Untersuchung der Herzrate
Auch die Herzrate kann, wie in Abschnitt 2.2.7 erwähnt, einen Rückschluss auf die mentale
Belastung geben. Je höher diese im Vergleich zu anderen Situationen ist, desto höher
ist auch die Wahrscheinlichkeit für eine mentale Belastung des Fahrers. Der Boxplot in
Abbildung 5.4 zeigt eine Übersicht sämtlicher untersuchter Regionen. Auch hier kann man
– wie schon beim Hautleitwertniveau – erkennen, dass Kreisverkehre und Tempo-30-Zonen
tendenziell zu einer höheren Belastung führen als Abfahrten oder Tunnel.
Für eine weitere Aussage wurden die Daten mit identischem ROI-Typus zusammengefasst.
Abbildung 5.5 zeigt die zusammengefassten ROI. Die Auffahrten sind hier der Typus, mit
75
5. Evaluation und Analyse
Nr. ROI Hautleitwertsniveau
1 Tempo-30-Zone 100%
2 Kreisverkehr 85%
3 Anfahren 69%
4 Auffahrt 52%
5 Tempo-50-Zone 49%
6 Tunnel 41%
7 Kurvig 33%
8 Abfahrt 28%
9 Landstraße 27%
10 Autobahn 0%
Tabelle 5.4.: Hier ist ein Ranking der Analyse des Hautleitwertniveaus dargestellt. Dabei
entspricht die Situation mit dem geringsten Medianwert 0% und die mit dem
höchsten 100%.
Abbildung 5.4.: Diese Abbildung zeigt die über alle zehn Probanden gemittelte Herzrate
an den jeweiligen ROI. Ein höherer Wert kann ein Zeichen sein für eine
erhöhte mentale Belastung.
76
5.2. Analyse der Daten
der höchsten durchschnittlichen Herzrate, gefolgt von den kurvigen Stellen. Aber auch
die Herzrate in der Tempo-30-Zone, die fast gleichauf mit der Herzrate beim Kreisverkehr
liegt, war im Schnitt deutlich höher als auf der Tunnelstrecke oder der Autobahn. Die
Analyse der Probandenmittelwerte zur Qualität der Daten der Herzrate ist in Tabelle 5.5
dargestellt.
Abbildung 5.5.: Dieses Diagramm zeigt ebenfalls die gemittelte Herzrate aller zehn Pro-
banden an den jeweiligen ROI. Hierbei wurden jedoch die, im Vergleich
zu dem Diagramm in Abbildung 5.4 mehrfach vorhandene ROI mit
identischem Typ, zusammengefasst mittels Mittelwertbildung.
Bei der einfaktoriellen Varianzanalyse der Herzrate gab es keinen signifikanten Un-
terschied zwischen den verschiedenen ROI-Gruppen, F(9, 90) = 0.682, p = 0.723, r =
0.825.
Wie auch schon beim Hautleitwertniveau in Abschnitt 5.2.1 wurde ein Rating nach einer
vorherigen Min-Max-Normierung durchgeführt. Das Ergebnis hiervon ist in Tabelle 5.6
abgebildet.
77
5. Evaluation und Analyse
ROI Mittelwert Standardabweichung Median
Landstrasse 0.358 0.096 0.333
Autobahn 0.353 0.113 0.318
Tempo-50-Zone 0.337 0.068 0.331
Tempo-30-Zone 0.353 0.056 0.351
Tunnel 0.317 0.073 0.324
Kreisverkehr 0.361 0.072 0.351
Kurvig 0.374 0.080 0.360
Auffahrt 0.393 0.084 0.393
Abfahrt 0.347 0.087 0.330
Anfahren 0.336 0.061 0.328
Insgesamt 0.353 0.080 0.336
Tabelle 5.5.: Diese Tabelle zeigt die Mittelwertanalyse der Herzrate. Ausgewertet wurden
hierfür sämtliche Mittelwerte der zehn Probanden an den zehn verschiedenen
Regionen.
Nr. ROI Herzrate
1 Auffahrt 100%
2 Kurvig 57%
3 Tempo-30-Zone 44%
4 Kreisverkehr 43%
5 Landstraße 20%
6 Tempo-50-Zone 17%
7 Abfahrt 15%
8 Anfahren 13%
9 Tunnel 7%
10 Autobahn 0%
Tabelle 5.6.: Hier ist ein Ranking der Analyse des Herzrate dargestellt. Dabei entspricht
die Situation mit dem geringsten Medianwert 0% und die mit dem höchsten
100%.
78
5.2. Analyse der Daten
5.2.3. Untersuchung der Herzratenvariabilität
Die Herzratenvariabilität, auch Herzratenvarianz genannt, gilt als ein Indikator mit dem
sich Aussagen über die mentale Belastung treffen lassen. Bei einer niedrigen Herzra-
tenvarianz (HRV) sind die zeitlichen Abstände zwischen den einzelnen Herzschlägen
ohne große Varianz. Ursache hierfür kann eine erhöhte mentale Belastung sein wie in
Abschnitt 2.2.7 erläutert. Bei der HRV wurde eine Normierung durchgeführt, um die
Vergleichbarkeit der verschiedenen Probandendaten sicherzustellen. Abbildung 5.6 zeigt
die durchschnittlich ermittelte Herzratenvarianz aller 19 untersuchten Situationen.
Abbildung 5.6.: Diese Abbildung zeigt die über alle zehn Probanden gemittelte Herzra-
tenvarianz an den jeweiligen ROI. Ein niedrigerer Wert – also ein gleich-
mäßigerer Puls – kann ein Hinweis auf eine erhöhte mentale Belastung
sein.
Diese Daten wurden anschließend wie in Abbildung 5.7 gezeigt, zusammengeführt.
Die Analyse der Probandenmittelwerte zur Qualität der Daten der Herzratenvarianz ist
in Tabelle 5.7 dargestellt.
Bei der einfaktoriellen Varianzanalyse der Herzratenvarianz gab es keinen signifikanten
Unterschied zwischen den verschiedenen ROI-Gruppen, F(9, 90) = 0.317, p = 0.967, r =
0.563.
79
5. Evaluation und Analyse
Abbildung 5.7.: Dieser Boxplot zeigt die Herzratenvarianz aller zehn Probanden an den
jeweiligen ROI. Hierbei wurden jedoch die im Vergleich zu dem Dia-
gramm in Abbildung 5.6 mehrfach vorhandenen ROI zusammengefasst
mittels Mittelwertbildung.
ROI Mittelwert Standardabweichung Median
Landstrasse 0.625 0.166 0.645
Autobahn 0.636 0.154 0.600
Tempo-50-Zone 0.592 0.131 0.575
Tempo-30-Zone 0.588 0.153 0.592
Tunnel 0.589 0.207 0.608
Kreisverkehr 0.595 0.255 0.588
Kurvig 0.659 0.120 0.661
Auffahrt 0.557 0.205 0.578
Abfahrt 0.603 0.193 0.645
Anfahren 0.559 0.180 0.590
Insgesamt 0.600 0.175 0.607
Tabelle 5.7.: Diese Tabelle zeigt die Mittelwertanalyse der Herzratenvarianz. Ausgewertet
wurden hierfür sämtliche Mittelwerte der zehn Probanden an den zehn
verschiedenen Regionen
80
5.2. Analyse der Daten
Nr. ROI Herzratenvarianz
1 Tempo-50-Zone 100%
2 Auffahrt 96%
3 Kreisverkehr 84%
4 Anfahren 82%
5 Tempo-30-Zone 80%
6 Autobahn 71%
7 Tunnel 61%
8 Abfahrt 19%
9 Landstraße 18%
10 Kurvig 0%
Tabelle 5.8.: Hier ist ein Ranking der Analyse des Herzratenvarianz dargestellt. 100%
entsprechen in diesem Fall der niedrigsten HRV, was auf die stärkste mentale
Belastung der unterschiedlichen ROI hindeuten kann.
Tabelle 5.8 zeigt das Ranking der Herzratenvarianz. Da bei der HRV ein niedriger Wert
auf eine hohe mentale Belastung hindeuten kann, entspricht diesmal der niedrigste Wert
den 100% und der Höchste 0%. Erstaunlich hierbei ist, dass sich die kurvige Strecke im
Gegensatz zu den vorherigen Messarten auf dem letzten Platz befindet. Auffahrten und
der Verkehr innerorts (Anfahren, Tempobeschränkungen und Kreisverkehre) sind bei
dieser Messmethode abermals in die anstrengenderen Bereiche eingeordnet.
5.2.4. Untersuchung der Temperatur
Die Temperatur wurde gemäß der Empfehlung von BioTrace an der Fingerkuppe ge-
messen. Da das Wetter während der Studienfahrten sehr sonnig und die Temperaturen
zwischen 30 und 35◦C im Schatten lagen, sind die vorgenommenen Messungen der Tem-
peratur vermutlich nicht sinnvoll nutzbar. Die gemessene Temperatur schwankte dadurch
bei mehreren Probanden am Finger teilweise um bis zu 10◦C. Tatsächlich liegen die durch
Stress ausgelösten Schwankungen in einem sehr viel geringeren Rahmen von wenigen
Zehnteln Grad Celsius wie auch in Collet et al. [CAD+03] beschrieben. Die Ursache
hierfür war vermutlich die starke Sonneneinstrahlung, die das Lenkrad unterschiedlich
stark aufheizte. Je nachdem wie der Proband das Lenkrad nun angefasst hatte, wurden
stark schwankende Temperaturwerte ermittelt. Aus diesem Grund sind die gesammelten
Daten der Temperatur – zumindest für den Zweck dieser Arbeit – nicht auswertbar.
81
5. Evaluation und Analyse
5.2.5. Untersuchung des Videoratings
Das Videorating (VR), das im Anschluss an die Autofahrt durchgeführt wurde, sollte
Aufschluss darüber geben, wie die einzelnen Probanden ihre Fahrt subjektiv im Hinblick
auf ihre mentale Belastung bewerten. Der genau Aufbau und Ablauf des Videoratings ist
in Abschnitt 2.3.1 und Abschnitt 4.2.5 beschrieben.
Da manche Probanden beim Videorating lediglich einen sehr geringen Bereich des Reglers
nutzten, andere hingegen den kompletten, wurden die erfassten Daten für die weitere
Analyse nach ihren Min- und Maxwerten normiert. Mit dieser Anpassung waren die ein-
zelnen Datensätze untereinander vergleichbar. Abbildung 5.6 zeigt die durchschnittlichen
Werte des Videoratings aller 19 untersuchten Situationen.
Abbildung 5.8.: Diese Abbildung zeigt die Analyse des Videoratings an den jeweiligen
ROI. Diese Werte sind also rein subjektiver Natur.
Kreisverkehre , Tempo-30-Zonen und eine der beiden Auffahrten wurden hier durch-
schnittlich als deutlich belastender bewertet, als beispielsweise die Fahrt auf der Landstra-
ße.
Um eine bessere Abschätzung über die einzelnen ROI zu erhalten, wurden wieder die Re-
gionen mit identischem Typus zusammengeführt. Das Ergebnis davon ist in Abbildung 5.9
zu sehen.
82
5.2. Analyse der Daten
Abbildung 5.9.: Dieses Bild zeigt den Wert des Videorating aller zehn Probanden an den
jeweiligen ROI. Hierbei wurden jedoch die in Abbildung 5.8 mehrfach
vorhandenen ROI identischen Typs mittels Mittelwertbildung zusammen-
gefasst.
Eine Mittelwertanalyse der Daten des Videoratings ist in Tabelle 5.9 dargestellt.
Bei der einfaktoriellen Varianzanalyse des Videorating gab es keinen signifikanten Un-
terschied zwischen den verschiedenen ROI-Gruppen, F(9, 90) = 0.886, p = 0.541, r =
0.298.
5.2.6. Vergleich des Videoratings mit den physiologischen Messungen
Tabelle 5.10 zeigt die aus den Videorating-Daten erstellte Einordnung der verschiedenen
ROI. Die Tempo-30-Zone und der Kreisverkehr sind hier, wie auch schon beim Haut-
leitwertniveau, äußerst weit oben in der Beanspruchungsskala eingeordnet. Auch die
Tempo-50-Zone, der Tunnel, die kurvige Stelle und die Landstraße befinden sich an selber
Position im Ranking. Auffallend ist die hohe Diskrepanz bei dem Straßentyp „Abfahren“.
Bei sämtlichen physiologischen Daten liegt dieser Wert Prozentual im unteren Drittel
(SCL = 28%, HR = 15%, HRV = 19%), beim Videorating hingegen werden Abfahrten
als deutlich anstrengender eingeschätzt (VR = 74%). Auch das Anfahren weist einen
83
5. Evaluation und Analyse
ROI Mittelwert Standardabweichung Median
Landstrasse 0.275 0.205 0.242
Autobahn 0.300 0.171 0.300
Tempo-50-Zone 0.319 0.191 0.323
Tempo-30-Zone 0.426 0.279 0.458
Tunnel 0.307 0.224 0.322
Kreisverkehr 0.410 0.252 0.427
Kurvig 0.402 0.285 0.302
Auffahrt 0.473 0.271 0.431
Abfahrt 0.383 0.240 0.389
Anfahren 0.274 0.213 0.186
Insgesamt 0.357 0.235 0.330
Tabelle 5.9.: Diese Tabelle zeigt die Mittelwertanalyse für das Videorating. Ausgewertet
wurden hierfür sämtliche Mittelwerte der zehn Probanden an den zehn
verschiedenen Regionen. Die Daten wurden vorher wie in Abschnitt 5.2.5
beschrieben, normiert
Nr. ROI Videorating
1 Tempo-30-Zone 100%
2 Auffahrt 90%
3 Kreisverkehr 89%
4 Abfahrt 74%
5 Tempo-50-Zone 50%
6 Tunnel 50%
7 Kurvig 43%
8 Autobahn 42%
9 Landstraße 21%
10 Anfahren 0%
Tabelle 5.10.: Hier ist ein Ranking der Analyse des Videorating dargestellt. Dabei ent-
spricht die Situation mit dem geringsten Medianwert 0% und die mit dem
höchsten 100%.
starken Unterschied auf (SCL = 69%, HR = 13%, HRV = 82%, VR = 0%). Dies könnte unter
Umständen auf eine fehlerhafte Selbsteinschätzung der jeweiligen Situation durch die
Probanden zurückzuführen sein.
Vergleicht man das Ranking der Herzrate mit dem Videorating, stimmen lediglich vier
Punkte in ihrer Reihenfolge überein und beim Vergleich zwischen Videorating und
84
5.2. Analyse der Daten
Herzratenvariabilität gibt es lediglich bei drei ROI eine Übereinstimmung. Verglichen mit
den anderen Messmethoden stimmt die Reihenfolge des Videoratings mit der Anordnung
des Hautleitwertniveaus in sechs von zehn Fällen (60%) überein, wobei fünf davon die
selbe Platzierung im Ranking aufweisen.
Aus diesem Grund wird die Reihenfolge, wie sie in Tabelle 5.4 dargestellt ist, als die
genaueste angenommen und dient daher als Grundlage für den Entwurf eines Prototyps
im folgenden Kapitel.
85

6. Vorstellung einer prototypischen
Implementierung
Dieses Kapitel beschäftigt sich damit, wie eine Anwendung aufgebaut werden und
aussehen könnte, die die mentale Belastung ermittelt und sich in ihrem Verhalten oder
ihrer Anzeige entsprechend anpasst. Hierzu werden unter anderem die Ergebnisse aus
der Evaluation genutzt, um eine Vorhersage zu treffen. Es wird ein prototypisches System
für die Vorhersage vorgestellt und zwei konkrete Anwendungsfälle erläutert, die den Wert
der Vorhersage für eine Anpassung nutzen.
6.1. Prototyp WorkloadEstimator
Die höchste Übereinstimmung mit den Messungen des Videoratings hatte das Hautleit-
wertniveau (siehe Abschnitt 5.2.5). Da das Hautleitwertniveau nach Fowles et al. [FCE+81],
Collet et al. [CAD+03] und Miyake et al. [MYS+09] als ein zuverlässiger Indikator für
die mentale Belastung anzusehen ist, bildet das auf der Hautleitwertmessung basieren-
de Straßentyp-Ranking (vgl. Tabelle 5.4), die Grundlage für eine Vorhersage. Mit dem
dort errechneten Ranking werden, entsprechend der angegebenen, prozentualen Anteile,
die Fahrsituationen klassifiziert. Der Grundwert für den Abschnitt mit der geringsten
Belastung (Autobahn) erhält den Wert 1, der mit der höchsten mentalen Belastung (Tempo-
30-Zone) den Wert 2. Die dazwischenliegenden ROI werden gemäß ihres in Tabelle 5.4
angegebenen prozentualen Anteils eingegliedert. Die Grundwerte sind in Tabelle 6.1
dargestellt.
Um die Informationen über den Straßentyp überhaupt zu erhalten, bedarf es detail-
lierten Kartenmaterials, welches das Setzen von diesen ROI und POI unterstützt. Die
87
6. Vorstellung einer prototypischen Implementierung
ROI Grundwert
Tempo-30-Zone 2
Kreisverkehr 1.85
Anfahren 1.69
Auffahrt 1.52
Tempo-50-Zone 1.49
Tunnel 1.41
Kurvig 1.33
Abfahrt 1.28
Landstraße 1.27
Autobahn 1
Tabelle 6.1.: Hier werden die Grundwerte gezeigt, die als Basis für die Berechnung der
mentalen Belastung dienen.
Kartendaten des OpenStreetMap-Projekts1 (OSM) bieten sich hierfür an, da hier sämtliche
Streckenabschnitte und POI in einer XML-Struktur beschrieben sind. Diese beinhalten
auch Informationen über die Art des Streckenabschnitts (Autobahn, Landstraße, innerorts,
außerorts, ...) und um welchen POI (Ampel, Kreisverkehr, ...) es sich handelt. Zusätzlich
sind Informationen wie erlaubte Höchstgeschwindigkeit (OSM Tag: maxspeed) oder
Oberflächenbeschaffenheit (vor allem bei Landstraßen, OSM Tag: surface und tracktype)
möglich. Für schwierige Stellen ist bereits ein spezielles Tag vorgeschlagen2. Dieses soll
unter anderem zur Markierung von kurvigen Strecken genutzt werden.
Mit diesem Wissen kann man einen Grundverlauf der mentalen Belastung für die zu
fahrende Strecke erstellen. Diese Datenbasis kann nun weiter verfeinert werden durch
hinzufügen von weiteren Quellen. Für dieses prototypische System wird über einen Sensor
im Reifen der Zustand der Straße festgestellt. Je nach Straßenzustand wird der Grundlevel
um einen Faktor X geändert. Des Weiteren kommen Wetter- und Verkehrsinformationen
für die Route hinzu, die via Internet ermittelt werden. Über die Uhrzeit wird erkannt, ob
es sich um eine Nachtfahrt handelt. Mögliche Faktoren sind in Tabelle 6.2 vorgeschlagen,
deren Werte aber noch in einer anderen Studie genauer evaluiert werden müssen.
Als nächstes wird ein Grenzwert definiert, ab dem eine Belastung als hoch gilt. In diesem
Prototyp wird die Grenze für die höchste Belastung so festgesetzt, dass sie unmittelbar
1http://www.openstreetmap.org/
2http://wiki.openstreetmap.org/wiki/Proposed_features/hazard
88
6.1. Prototyp WorkloadEstimator
Zustand Faktor
Straße: nass 1.3
Straße: glatt 1.55
Wetter: Regen schwach/normal 1.3
Wetter: Regen stark 1.55
Wetter: Nebel 1.3
Wetter: Schnee/Hagel 1.55
Tageszeit: Nacht 1.1
Verkehr: Stau 1.2
Tabelle 6.2.: Diese Tabelle listet unterschiedliche Faktoren auf, mit denen der Grundle-
vel angepasst wird. Treffen mehrere Zustände zu, wird jeder der Faktoren
berücksichtigt.
über dem Grundwert des anspruchsvollsten Streckentyps liegt. Dies ist die Tempo-30-
Zone mit einem Wert von „2“. Die Grenze für eine mittlere Belastung wird für einen
berechneten Wert zwischen 1.5 und 2 festgelegt.
Im Folgenden seien zwei Beispiele für eine mögliche Berechnung genannt:
• Fahrt auf Autobahn bei normalem Regen und nasser Straße:
Grundwert(Autobahn) = 1
Faktor(Regen schwach/normal) = 1.3
Faktor(Straße: nass) = 1.3
1 · 1.3 · 1.3 = 1.69
Da 1.5 ≤ 1.69 ≤ 2 ist, befindet sich die Stelle in einem Bereich mittlerer Belastung.
• Nachtfahrt auf Landstraße bei starkem Regen und nasser Straße:
Grundwert(Landstraße) = 1.27
Faktor(Regen stark) = 1.55
Faktor(Straße: nass) = 1.3
Faktor(Tageszeit: Nacht) = 1.1
1.27 · 1.55 · 1.3 · 1.1 = 2.82
Dieser Wert fällt also in den Bereich der hohen Belastung.
89
6. Vorstellung einer prototypischen Implementierung
6.2. Anwendungsfälle für den WorkloadEstimator
Mit Hilfe des WorkloadEstimators aus Abschnitt 6.1 sollen hier zwei Anwendungsfälle
vorgestellt werden, die zur Erhöhung der Fahrsicherheit beitragen könnten.
6.2.1. Entwurf einer adaptiven Kartendarstellung
Bei dem ersten Anwendungsfall handelt es sich um die Oberfläche einer Navigationssoft-
ware, die sich entsprechend der anstehenden, mentalen Belastung anpasst. Dies soll in
drei Stufen geschehen, aufgeteilt in geringe, mittlere und hohe erwartete Belastung.
Die erste Stufe (geringe mentale Belastung) ist die Standardstufe. In ihr wird der kom-
plette Straßenverlauf, eine detaillierte Karte, sämtliche Points of Interest (wie Tankstellen,
Restaurants, Sehenswürdigkeiten, ...) angezeigt. Des Weiteren wird dem Fahrer die aktu-
elle Geschwindigkeit, die maximal erlaubte Geschwindigkeit, die aktuelle Uhrzeit, die
erwartete Ankunftszeit und die noch bevorstehende Fahrtdauer bis zum Ziel angezeigt.
Zusätzlich ist eine manuelle Bedienung der Navigationssoftware möglich.
In der zweiten Stufe (mittlere Belastung) wird der Detailgrad der dargestellten Karte
verringert und die POI, die nicht direkt an der Route liegen, werden ausgeblendet. Es
wird nur noch die aktuelle und erlaubte Geschwindigkeit und die Ankunftszeit angezeigt.
Die manuelle Bedienung der Software ist nach wie vor möglich.
In der letzten und restriktivsten Stufe (hohe Belastung) wird der Detailgrad auf ein
Minimum reduziert. Es wird nur noch der Straßenverlauf der aktuellen Route angezeigt,
Abzweige von der Route werden nur noch angedeutet. Die POI werden komplett aus-
geblendet und in der Anzeige erscheint nur noch die erlaubte Geschwindigkeit. Die
Software lässt sich in diesem Fall nicht mehr manuell bedienen und erlaubt nur noch eine
Interaktion per Spracheingabe.
Abbildung 6.1, zeigt die drei verschiedenen Oberflächen und wie diese aussehen könn-
ten.
90
6.2. Anwendungsfälle für den WorkloadEstimator
Abbildung 6.1.: Diese drei Paper-Prototype Bilder stellen die Oberfläche einer Navigati-
onssoftware während des Fahrens dar. Im Obersten ist der volle Detail-
grad abgebildet, der bei einer geringen Belastung angezeigt wird. Das
zweite Bild für die mittlere Belastung stellt nur noch die an der Straße
liegenden POI dar und reduziert die Anzeige weiterer Statistiken, wie
z.B. die bisherige Fahrdauer. Im untersten Entwurf ist die Darstellung
auf ein Minimum reduziert, um bei einer hohen Belastung für möglichst
wenig Ablenkung zu sorgen.
91
6. Vorstellung einer prototypischen Implementierung
6.2.2. Entwurf eines adaptiven Kommunikationssystems
Ein weiterer Anwendungsfall wäre ein System, das die Kommunikationsmöglichkeiten je
nach mentaler Belastung anpasst und verändert. Dies soll abermals in drei unterschiedli-
chen Belastungsstufen geschehen.
Bei niedriger Belastung, ist die manuelle Bedienung eines Systems erlaubt. Es können
Kurznachrichten und Nachrichten in sozialen Netzwerken gelesen und geschrieben
werden. Das Aufrufen von Internetseiten ist gestattet und Telefonieren möglich.
In der Stufe mit einer mittleren Belastung ist nur noch das Lesen von Kurznachrichten
und Nachrichten aus sozialen Netzwerken gestattet. Das Senden von solchen Mitteilungen
ist nur noch über eine Spracheingabe möglich und Aufrufe von Webseiten werden kom-
plett unterbunden. Telefonieren ist bei dieser Belastung nur noch per Sprachsteuerung
möglich und ankommende Anrufe haben einen geänderten Klingelton, um dem Fahrer
zu signalisieren, dass eine belastende Situation bevorsteht.
Bei der höchsten Belastungsstufe wird das Lesen und Schreiben von Nachrichten egal
welcher Art blockiert. Aufrufe von Webseiten sind nach wie vor blockiert und Telefonan-
rufe werden nicht gestattet. Ankommende Telefonate werden an einen Anrufbeantworter
weitergeleitet. Falls Musik mit einer hohen Lautstärke abgespielt wird, wird diese hörbar
verringert als zusätzliches Zeichen für den Fahrer, dass gleich eine Situation mit vermut-
lich hoher Belastung auf der Fahrstrecke liegt. Zusätzlich wird in diesem Modus die
Beleuchtung sämtlicher Anzeigen, die nicht relevant sind für die Führung des Fahrzeuges
und nicht der Sicherheit dienen, verringert. Dies verhindert ein zusätzliches Ablenken des
Fahrer durch „unwichtige“ Anzeigen.
92
7. Zusammenfassung und Ausblick
In diesem Kapitel wird eine Zusammenfassung der Arbeit gegeben, die Ergebnisse aus
einer durchgeführten Feldstudie und der nachfolgenden Datenanalyse erläutert und ein
Vergleich mit der Studie von Totzke et al. [TRU+08] (siehe Abschnitt 2.4) gezogen. Es
werden in dieser Studie entstandene, noch offene Fragen aufgezeigt und Perspektiven für
die weitere Forschung vorgestellt.
7.1. Zusammenfassung und Diskussion
Die am Anfang der Arbeit festgelegte Fragestellung, ob und wie stark sich verschiedene
Straßentypen auf die mentale Belastung des Fahrers auswirken, konnte durch die Aus-
wertung, der während der Feldstudie aufgezeichneten Daten, beantwortet werden. Für
die Feldstudie wurden Werte unterschiedlicher, physiologischer Sensoren aufgezeichnet.
Dies waren im Speziellen der Hautleitwert, die Hauttemperatur und die Erfassung der
Herzrate mittels EKG und damit verbunden auch die Ermittlung der Herzratenvariabilität.
An der Studie nahmen insgesamt zehn Probanden teil. Diese mussten eine vorgegebene
Strecke fahren, die verschiedenste Straßentypen (Autobahn, Landstraße, Zonen mit be-
schränkter Geschwindigkeit innerorts, ...) und markante Punkte (Kreisverkehre, Ampeln,
Auf- und Abfahrten, ...) im Straßenverkehr beinhaltete. Während der Fahrt wurden ne-
ben den physiologischen Sensordaten mithilfe eines Smartphones weitere Daten erfasst.
Diese beinhalteten lineare Beschleunigung, Helligkeit und die aktuelle Position via GPS.
Zusätzlich wurde, mit einem für die Studie erstellten Programm, ein Video mit zwei
Webkameras aufgezeichnet. Diese erfassten sowohl den Fahrer als auch die Sicht auf den
Straßenverlauf. Im Anschluss an die 30-minütige Autofahrt wurde ein Videorating durch-
geführt, bei dem der Proband seine mentale Belastung einschätzen sollte. Hierfür wurde
ein Programm entwickelt, das es ermöglichte, das aufgezeichnete Video abzuspielen und
die Position eines Schiebereglers zu erfassen. In einer ausführlichen Analyse wurden die
physiologischen Sensordaten ausgewertet und für jeden Sensortyp ein Ranking erstellt.
93
7. Zusammenfassung und Ausblick
Dieses stellt eine Klassifizierung der einzelnen Straßentypen, in Abhängigkeit von deren
mentalen Anspruch auf den Fahrer, dar. Bei der anschließenden Analyse gab es beim
Hautleitwert einen signifikanten Unterschied, der die Paarungen Autobahn/Tempo-30-Zone
und Autobahn/Kreisverkehr betraf. Ein Vergleich zwischen den verschiedenen Ranglisten
aus Daten physiologischen Ursprungs mit der Anordnung, die aus den Videoratings
erstellt wurde, ergab, dass die höchste Übereinstimmung (60%) bei den Hautleitwertdaten
zu finden war. Basierend auf diesem Ranking wurde ein prototypisches System entworfen,
dass sich in Abhängigkeit von der erwarteten, mentalen Fahrerbelastung anpasst. Dies
wurde beispielhaft an der Oberfläche einer Navigationssoftware verdeutlicht, die den
Detailgrad ihrer Kartendarstellung je nach mentaler Belastung anpasst.
Totzke et al. [TRU+08] hatten in einer Studie eine Klassifizierung verschiedener, stra-
ßenbaulicher Streckenmerkmale vorgenommen. Hierbei wurde die mentale Belastung
der Fahrer mit Hilfe des subjektiven Peripheral-Detection-Task (siehe Abschnitt 2.2.1)
festgestellt. Totzke et al. ordnen Kreisverkehre und Fahrten innerorts mit in die Kategorie
höchster, mentaler Beanspruchung ein. Auch die übrigen, vergleichbaren Kategorien sind
ähnlich positioniert. Dies entspricht auch den Resultaten dieser Arbeit und ist ein weiteres
Indiz dafür, dass die Messung des Hautleitwertes als ein empfehlenswertes, objektives
Maß für die mentale Beanspruchung angesehen werden kann.
Ein weiteres Ergebnis dieser Arbeit ist die quantitative Einordnung der Straßentypen im
Hinblick auf ihre mentale Belastung.
Hierbei muss jedoch beachtet werden, dass der Streckenabschnitt „Autobahn“ zu dem
Zeitpunkt der Studie auf 80 km/h beschränkt war, was zu einer Verfälschung des Wertes
führen könnte. Die Messung der Hauttemperatur war aufgrund der hohen Temperaturen,
wie in Abschnitt 5.2.4 beschrieben, nicht auswertbar und müsste ebenso in einer weiteren
Studie aufgegriffen werden.
Dass ein Interesse an adaptiven Systemen besteht, zeigte auch die Auswertung des
Abschlussfragebogens (siehe Anhang A.5). Hier gaben 8 von 10 Probanden (80%) an,
Interesse an einem System zu haben, dass sich anpasst in Abhängigkeit der zu erwartenden
Beanspruchung. Zwei gaben an kein Interesse zu haben, da sie Entscheidungen, wie das
Annehmen von Telefonanrufen, selbst treffen wollen und sich dies nicht von einem System
vorschreiben lassen möchten.
94
7.2. Ausblick
7.2. Ausblick
Mit der in dieser Arbeit erstellten Rangliste sollte es möglich sein, eine Einschätzung der
mentalen Belastung des Fahrers in Abhängigkeit von den verschiedenen Straßentypen
vorzunehmen. Um eine verbesserte Vorhersage treffen zu können, sollten zusätzlich
weitere Faktoren wie Verkehrs- und Wetterinformationen und Sensordaten des Autos
berücksichtigt werden (wie in Abschnitt 6.1 beschrieben). Hierfür sollte noch genauer
evaluiert werden, wie stark sich bei Autofahrten die einzelnen Faktoren auf die mentale
Belastung auswirken.
Durch die immer stärkere Verbreitung interaktiver Systeme im Auto, die den Fahrer
ablenken können, ist es für kommende Fahrzeuggenerationen wichtig und sinnvoll, mit
einem System ausgerüstet zu sein, das sich entsprechend der aktuellen und vorhergesagten
mentalen Belastung des Fahrers anpasst, um damit die Fahrsicherheit zu erhöhen.
95

A. Anhang
97
Einverständniserklärung zur Studie
„Driver's mental workload while driving“
Teilnehmer-Nr: __________ Name: ___________________________
Vorname: ___________________________
Mir wurde der Zweck der Studie erläutert und ich wurde darüber informiert, dass ich 
die Studie jederzeit abbrechen kann.
Ich werde mich während der Autofahrt zu jedem Zeitpunkt an die Verkehrsregeln 
halten und bin für die Fahrt selbst verantwortlich.
Auch werde ich auf Assistenzsysteme wie einen Tempomat oder eine adaptive 
Geschwindigkeitskontrolle verzichten.
Ich wurde des Weiteren darüber in Kenntnis gesetzt, dass die während der Studie 
gesammelten Video-,Audio- und Sensordaten zur Auswertung der Studie 
herangezogen werden.
Sämtliche Daten werden für die wissenschaftliche Nutzung gesammelt und hierbei 
vertraulich behandelt.
Der Verwendung von Bildmaterial mit meiner Person in Präsentationen, 
Ausarbeitungen und Veröffentlichungen (auch online)
[  ]  stimme ich zu.
[  ]  stimme ich nicht zu.
Stuttgart, den Unterschrift:
___________________ _________________________________
A. Anhang
Abbildung A.1.: Einverständniserklärung
98
Eingangsfragebogen zur Studie
„Driver's mental workload while driving“
Teilnehmer-Nr: __________ Name: ___________________________
Vorname: ___________________________
1.) Geschlecht (bitte ankreuzen): [  ] männlich
[  ] weiblich
2.) Alter: ____
3.) Wie beurteilen Sie Ihre Automobilnutzung?
[  ] (fast) täglich
[  ] 2-3 mal pro Woche
[  ] ca. einmal pro Woche
[  ] 2-3 mal pro Monat
[  ] einmal  pro Monat oder weniger
4.) Wie häufig fahren sie auf der Autobahn?
[  ] (fast) täglich
[  ] 2-3 mal pro Woche
[  ] ca. einmal pro Woche
[  ] 2-3 mal pro Monat
[  ] einmal  pro Monat oder weniger
- 1 -
Abbildung A.2.: Eingangsfragebogen
99
5.) Wie lange besitzen Sie Ihren Führerschein? _______ Jahre
6.) Sind Sie [  ] Linkshänder oder
[  ] Rechtshänder
7.) Was für ein Auto werden Sie in der Studie fahren?
Marke: ____________________
Modell: ____________________
Baujahr: ____________________
8.) Wie viele Kilometer fahren Sie ca. in einem Monat? ________ km
- 2 -
A. Anhang
Abbildung A.3.: Eingangsfragebogen
100
Abschlussfragebogen zur Studie
„Driver's mental workload while driving“
Teilnehmer-Nr: __________ Name: ___________________________
Vorname: ___________________________
1.) Angenommen, es gäbe eine App, die aufgrund verschiedener Daten wie 
Streckenverlauf, Verkehrsinformationen, etc. versucht, die mentale Belastung 
des Fahrers vorherzusagen. 
Dann könnten diese Information genutzt werden um die Fahrsicherheit zu 
erhöhen, indem man zum Beispiel Telefonanrufe blockt weil eine hohe mentale 
Belastung vorhergesagt wurde.
Wie sinnvoll findest Du eine solche Idee?
[  ] finde ich sinnvoll
[  ] finde ich nicht sinnvoll, weil
_____________________________________________________________
_____________________________________________________________
_____________________________________________________________
2.) Würden Sie eine solche App nutzen?
[  ] ja
[  ] nein, weil
_____________________________________________________________
_____________________________________________________________
_____________________________________________________________
- 1 -
Abbildung A.4.: Abschlussfragebogen
101
3.) Hat Sie während der Fahrt oder Durchführung der Studie etwas gestört?
[  ] nein
[  ] folgendes hat mich gestört:
_____________________________________________________________
_____________________________________________________________
_____________________________________________________________
Vielen Dank für Ihre Teilnahme!
- 2 -
A. Anhang
Abbildung A.5.: Abschlussfragebogen
102
Studie „Driver's mental workload while driving“
Bestätigung über den Erhalt der Studienvergütung
Teilnehmer-Nr: __________
Name: ___________________________
Vorname: ___________________________
Die Vergütung für die Studie in Höhe von 15,- Euro habe ich erhalten.
Stuttgart, den Unterschrift:
___________________ _________________________________
Abbildung A.6.: Quittung
103

B. Leitfaden
Leitfaden Vorbereitung
• „Die Studie ist Teil meiner Diplomarbeit, bei der gemessen werden soll, wie sich ein
Autofahrer in bestimmten Situationen verhält.“
• „Es handelt sich um eine Feldstudie und Sie werden etwa eine halbe Stunde mit
dem Auto fahren.“
• „Während der Fahrt werden Sie mit verschiedenen biometrischen Sensoren über-
wacht und zusätzlich wird ein Video mit Audio aufgezeichnet.“
• „Die Studie beginnt mit einer Einverständniserklärung, dass die gesammelten Daten
und Bilder im Rahmen dieser Diplomarbeit in anonymisierter Form verwendet
werden dürfen.“
• „Anschließend werden die Sensoren für EKG, Temperatur und Hautleitwert an den
entsprechenden Stellen Ihres Körpers angebracht.“
• „Nachdem die Sensoren angebracht sind, überprüfe ich deren Funktion und Sie
füllen in der Zwischenzeit einen Eingangsfragebogen aus.“
• „Nach der Autofahrt erfolgt eine etwa 30 minütige Auswertung mit anschließendem
Abschlussfragebogen.“
• „Selbstverständlich können Sie die Studie jederzeit abbrechen.“
• „Sollte etwas unklar sein, fragen Sie bitte sofort nach.“
Leitfaden Autofahrt
• „Die Fahrt jetzt wird wie in der Fahrschule ablaufen, wobei ich im Fond des Autos
sitzen werde.“
• „Sie folgen immer dem Straßenverlauf gemäß den geltenden Verkehrsregeln.“
105
B. Leitfaden
• „Wenn Sie abbiegen oder sich einordnen müssen, werde ich das rechtzeitig ansagen.“
• „Sie können die Fahrt jederzeit abbrechen.“
• „Wenn etwas unklar ist oder Ihnen eine Information fehlt, fragen Sie bitte sofort
nach.“
Leitfaden Videorating
• „Wir möchten nun das Videorating durchführen bei dem Sie bitte Ihre mentale
Belastung während der Autofahrt einschätzen.“
• „Mit mentaler Belastung ist in diesem Fall gemeint, wie sehr Sie sich zu der im
Video gezeigten Situation psychisch beansprucht gefühlt haben.“
• „Hier sehen Sie nun die gesamte Fahrt als Video aufgezeichnet. Die linke Hälfte des
Bildes zeigt sie als Fahrer, auf der rechten Seite sehen Sie die Sicht nach vorne durch
die Frontscheibe.“
• „Bitte schauen sie sich das Video an und verschieben sie diesen Regler je nachdem
wie Sie selbst ihre mentale Belastung zu dem Zeitpunkt einschätzen.“
• „Der Regler geht von geringer Belastung bis starker Belastung, da beim Autofahren
grundsätzlich eine gewisse Belastung vorhanden ist.“
106
C. Inhalt der CD-Rom
Abstract
- Abstract der Diplomarbeit in deutsch und englisch
Diplomarbeit
- DA_FrederikHeinrich_PredictingDriverWorkload.pdf
Software
- WorkloadVideoCapture
- WorkloadVideoRating
- MergeSensorData
- sämtliche für die Analyse in Matlab geschriebenen Routinen
107

Literaturverzeichnis
[Adm10] N. H. T. S. Administration. Distracted Driving 2009. 2010.
URL http://www.distraction.gov/download/research-pdf/
Distracted-Driving-2009.pdf. (Zitiert auf Seite 20)
[AS64] M. Abramowitz, I. Stegun. Handbook of mathematical functions with formulas,
graphs, and mathematical tables, Band 55. Dover publications, 1964. (Zitiert
auf Seite 69)
[BBG+79] R. Bauer, E. Bohnert, M. Gloor, J. Horacek, E. Jung, F. Klaschka, R. Schiffter,
H. Schliack, E. Schwarz. Normale und pathologische Physiologie der Haut II,
Band 2. Not Avail, 1979. (Zitiert auf den Seiten 26 und 27)
[BEAM06] R. Broström, J. Engström, A. Agnvall, G. Markkula. Towards the next gene-
ration intelligent driver information system (idis): The volvo cars interaction
manager concept. In Proceedings of the 2006 ITS World Congress. 2006. (Zitiert
auf Seite 32)
[BH72] J. Brown, W. Huffman. Psychophysiological measures of drivers under actual
driving conditions. Journal of Safety Research, 1972. (Zitiert auf Seite 26)
[BLA+02] J. Burns, E. Labbe, B. Arke, K. Capeless, B. Cooksey, A. Steadman, C. Gon-
zales. The effects of different types of music on perceived and physiological
measures of stress. Journal of music therapy, 39(2):101–116, 2002. URL
http://www.ncbi.nlm.nih.gov/pubmed/12213081. (Zitiert auf Seite 29)
[Bos87] Bosch. CAN - Controller Area Network: funktionelle Beschreibung. Robert Bosch
GmbH, 1987. (Zitiert auf Seite 38)
[BPM+11] S. Benedetto, M. Pedrotti, L. Minin, T. Baccino, A. Re, R. Montanari.
Driver workload and eye blink duration. Transportation Research Part F:
Traffic Psychology and Behaviour, 14(3):199 – 208, 2011. doi:10.1016/j.trf.
109
Literaturverzeichnis
2010.12.001. URL http://www.sciencedirect.com/science/article/pii/
S136984781000094X. (Zitiert auf Seite 35)
[Bul01] S. Buld. Der Arbeitsplatzinhaber als Experte bei der Arbeitsplatzbewertung.
dissertation. de, 2001. (Zitiert auf Seite 30)
[CAD+03] C. Collet, P. Averty, G. Delhomme, A. Dittmar, E. Vernet-Maury. Subjective
aspects of mental workload in air-traffic control. Operator functional state:
the assessment and prediction of human performance degradation in complex tasks,
355:291, 2003. URL http://pii.tls.cena.fr/docs/NR04-538.pdf. (Zitiert
auf den Seiten 27, 28, 81 und 87)
[Dai08] Daimler. HighTechReport Issue 02-2008. Technischer Bericht 02, Daim-
ler, 2008. URL http://www.daimler-technicity.de/wp-content/uploads/
2010/05/HTR_Ausgabe-2008-02_ENG.pdf. (Zitiert auf den Seiten 33 und 35)
[DHVWB09] R. J. Davidse, M. P. Hagenzieker, P. C. Van Wolffelaar, W. H. Brouwer. Effects
of in-car support on mental workload and driving performance of older
drivers. Human Factors, 51(4):463–476, 2009. URL http://hfs.sagepub.com/
cgi/doi/10.1177/0018720809344977. (Zitiert auf Seite 35)
[Don92] E. Donges. The principle foreseeableness as interpretation concept as mea-
sures for active security measures. Manmachine the system in Traffic, 948, 1992.
(Zitiert auf Seite 21)
[F+95] W. Fastenmeier, et al. Autofahrer und Verkehrssituation. Neue Wege zur Bewer-
tung von Sicherheit und Zuverlässigkeit moderner Straßenverkehrssysteme. 33.
1995. (Zitiert auf Seite 31)
[FCE+81] D. Fowles, M. Christie, R. Edelberg, W. Grings, D. Lykken, P. Venables. Pu-
blication recommendations for electrodermal measurements. Psychophysio-
logy, 18(3):232–239, 1981. URL http://onlinelibrary.wiley.com/doi/10.
1111/j.1469-8986.1981.tb03024.x/abstract. (Zitiert auf den Seiten 26,
28 und 87)
[Gro00] J. Groeger. Understanding driving: Applying cognitive psychology to a complex
everyday task. Psychology Press, 2000. (Zitiert auf Seite 19)
110
Literaturverzeichnis
[Har06] S. Hart. NASA-task load index (NASA-TLX); 20 years later. In Proceedings of
the Human Factors and Ergonomics Society Annual Meeting, Band 50, S. 904–908.
SAGE Publications, 2006. (Zitiert auf Seite 23)
[HS88] S. Hart, L. Staveland. Development of NASA-TLX (Task Load Index): Results
of empirical and theoretical research. Human mental workload, 1:139–183,
1988. (Zitiert auf Seite 22)
[HV97] P. Hancock, W. Verwey. Fatigue, workload and adaptive driver sys-
tems. Accident Analysis &amp; Prevention, 29(4):495 – 506, 1997. doi:
10.1016/S0001-4575(97)00029-8. URL http://www.sciencedirect.com/
science/article/pii/S0001457597000298. <ce:title>Fatigue and Trans-
port</ce:title>. (Zitiert auf Seite 33)
[JOKG05] G. Jahn, A. Oehme, J. F. Krems, C. Gelau. Peripheral detection as a workload
measure in driving: Effects of traffic complexity and route guidance system
use in a driving study. Transportation Research Part F: Traffic Psychology and Be-
haviour, 8(3):255 – 275, 2005. doi:10.1016/j.trf.2005.04.009. URL http://
www.sciencedirect.com/science/article/pii/S1369847805000264. (Zi-
tiert auf Seite 22)
[KKM08] G. Knappe, A. Keinath, C. Meinecke. Die Sensitivität verschiedener Maße
zur Fahrzeugquerregelung im Vergleich. In Fortschritte der Verkehrspsychologie
Part 2, S. 237 – 256. 2008. URL http://www.springerlink.com/content/
x66558h052256144/fulltext.pdf. (Zitiert auf Seite 25)
[LYR09] J. Lee, K. Young, M. Regan. Defining driver distraction. 2009. (Zitiert auf
den Seiten 20 und 21)
[Mat03] S. Mattes. The lane-change-task as a tool for driver distraction evaluation.
In Proc. of IGfA. 2003. (Zitiert auf den Seiten 24 und 25)
[Mes88] N. Meshkati. Heart Rate Variability and Mental Workload Assessment.
In P. A. Hancock, N. Meshkati, Herausgeber, Human Mental Workload,
Band 52 von Advances in Psychology, S. 101 – 115. North-Holland, 1988.
doi:10.1016/S0166-4115(08)62384-5. URL http://www.sciencedirect.com/
science/article/pii/S0166411508623845. (Zitiert auf den Seiten 29
und 37)
111
Literaturverzeichnis
[Mic62] R. Michaels. Effect of expressway design on driver tension responses.
Highway Research Board Bulletin, 1962. URL http://trid.trb.org/view.
aspx?id=116234. (Zitiert auf Seite 26)
[Mic93] J. Michon. Generic intelligent driver support. A comprehensive report on GIDS.
Taylor & Francis, 1993. (Zitiert auf Seite 31)
[MKTP+10] A. Mckenzie-Kerr, C. Turner, A. Peron, P. Wadsworth, C. Lansdown. Ad-
dressing the impact of road scheme complexity on the driver: Development
of a software tool to analyse driver workload arising from its road features
and other infrastructure. In Road Transport Information and Control Conference
and the ITS United Kingdom Members’ Conference (RTIC 2010) - Better trans-
port through technology, IET, S. 1 –6. 2010. doi:10.1049/cp.2010.0394. URL
http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5549222. (Zi-
tiert auf Seite 20)
[MM98] T. Meijman, G. Mulder. Psychological aspects of workload. Handbook of
work and organizational psychology: Work psychology, 2:5–33, 1998. (Zitiert auf
Seite 37)
[MVW01] M. Martens, W. Van Winsum. Effects of speech versus tactile driver support
messages on driving behaviour and workload. In PROCEEDINGS OF
17TH INTERNATIONAL TECHNICAL CONFERENCE ON THE ENHANCED
SAFETY OF VEHICLES. CD ROM, DOT HS 809220. 2001. (Zitiert auf
Seite 22)
[MW39] B. Mittelmann, H. Wolff. Affective states and skin temperature: Experimental
study of subjects with"cold handsänd Raynaud’s syndrome. Psychosomatic
Medicine, 1(2):271–292, 1939. URL http://www.psychosomaticmedicine.
org/content/1/2/271.abstract. (Zitiert auf Seite 29)
[MWBM96] M. Myrtek, D. Weber, G. Brügner, W. Müller. Occupational stress and strain
of female students: results of physiological, behavioral, and psychological
monitoring. Biological psychology, 42(3):379–391, 1996. URL http://www.
sciencedirect.com/science/article/pii/0301051195051686. (Zitiert auf
den Seiten 29 und 37)
[MYS+09] S. Miyake, S. Yamada, T. Shoji, Y. Takae, N. Kuge, T. Yamamura. Physiologi-
cal responses to workload change. A test/retest examination. Applied Ergono-
112
Literaturverzeichnis
mics, 40(6):987–996, 2009. URL http://www.sciencedirect.com/science/
article/pii/S0003687009000295. (Zitiert auf den Seiten 27, 28 und 87)
[OD07] C. Or, V. Duffy. Development of a facial skin temperature-based methodolo-
gy for non-intrusive mental workload measurement. Occupational Ergonomics,
7(2):83–94, 2007. (Zitiert auf den Seiten 29 und 38)
[Pau08] A. Pauzie. A method to assess the driver mental workload: The driving
activity load index (DALI). Intelligent Transport Systems, IET, 2(4):315 –322,
2008. doi:10.1049/iet-its:20080023. (Zitiert auf Seite 24)
[PKs+06] C. J. Patten, A. Kircher, J. Östlund, L. Nilsson, O. Svenson. Driver ex-
perience and cognitive workload in different traffic environments. Acci-
dent Analysis &amp; Prevention, 38(5):887 – 894, 2006. doi:10.1016/j.aap.
2006.02.014. URL http://www.sciencedirect.com/science/article/pii/
S0001457506000303. (Zitiert auf den Seiten 35 und 36)
[PMGK02] W. Piechulla, C. Mayser, H. Gehrke, W. König. Echtzeit-
Fahrerbeanspruchungsschätzung. 2002. (Zitiert auf den Seiten 30
und 39)
[RES82] G. Reid, F. Eggemeier, C. Shingledecker. Subjective workload assessment
technique. Technischer Bericht, DTIC Document, 1982. (Zitiert auf Seite 24)
[Ros93] A. Roscoe. Heart rate as a psychophysiological measure for in-flight
workload assessment. Ergonomics, 36(9):1055–1062, 1993. URL http://
www.tandfonline.com/doi/abs/10.1080/00140139308967977. (Zitiert auf
Seite 29)
[Sch98] R. Schandry. Lehrbuch der Psychophysiologie. BeltzPVU, 1998. (Zitiert auf
Seite 26)
[SRSR01] J. Stutts, D. Reinfurt, L. Staplin, E. Rodgman. The role of driver distraction in
traffic crashes. 2001. URL http://aaafoundation.org/pdf/distraction.
pdf. (Zitiert auf Seite 19)
[TF05] Y. Takei, Y. Furukawa. Estimate of driver’s fatigue through steering motion.
In IEEE International Conference on Systems, Man and Cybernetics, Band 2,
S. 1765–1770. IEEE, 2005. doi:10.1109/ICSMC.2005.1571404. URL http://
113
Literaturverzeichnis
ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1571404. (Zitiert auf
Seite 25)
[TRU+08] I. Totzke, N. Rauch, E. Ufer, H. Krüger, S. Rothe. Workload-Management
im Verkehr: Prädiktion von Fahrerbeanspruchung durch Informationen in
digitalen Karten. Fortschritte der Verkehrspsychologie, S. 159–182, 2008. doi:10.
1007/978-3-531-90949-3_8. URL http://www.springerlink.com/content/
q701v318v1554728/. (Zitiert auf den Seiten 30, 31, 39, 43, 93 und 94)
[Ver93] W. Verwey. How can we prevent overload of the driver. Driving future
vehicles, S. 235–244, 1993. (Zitiert auf Seite 30)
[Waa96] D. de Waard. The Measurement of Drivers’ Mental Workload. Diplomarbeit, Ri-
jksuniversiteit Groningen, 1996. URL http://people.usd.edu/~schieber/
pdf/deWaard-Thesis.pdf. (Zitiert auf den Seiten 21 und 22)
[YS02] M. Young, N. Stanton. Malleable attentional resources theory: a new expla-
nation for the effects of mental underload on performance. Human Factors:
The Journal of the Human Factors and Ergonomics Society, 44(3):365–375, 2002.
(Zitiert auf Seite 33)
[ZQHJ11] F. Zhou, X. Qu, M. G. Helander, J. R. Jiao. Affect prediction from physiolo-
gical measures via visual stimuli. International Journal of Human-Computer
Studies, 69(12):801 – 819, 2011. doi:10.1016/j.ijhcs.2011.07.005. URL http://
www.sciencedirect.com/science/article/pii/S1071581911000929. (Zi-
tiert auf Seite 28)
Alle URLs wurden zuletzt am 17.09.2012 geprüft.
114
Erklärung
Hiermit versichere ich, diese Arbeit selbständig
verfasst und nur die angegebenen Quellen
benutzt zu haben.
(Frederik Heinrich)