[Investigación sobre el reconocimiento de la fatiga basada en la red neuronal convolucional del gráfico y las señales...

Área de la Ciencia:

• La neurociencia
• Aprendizaje automático
• Interacción hombre-computadora

Sus antecedentes:

• La conducción por fatiga plantea importantes riesgos para la seguridad.
• El electroencefalograma (EEG) es un biomarcador viable para detectar la fatiga del conductor.
• Los métodos existentes requieren una mejora adicional para la detección de la fatiga en tiempo real.

Objetivo del estudio:

• Desarrollar y validar un modelo de red neuronal convolucional de gráficos (GCNN) para clasificar los estados de conducción (despierto, cansado, somnoliento).
• Aprovechar el conjunto de datos SEED-VIG para una detección robusta de la fatiga.
• Establecer una interfaz cerebro-ordenador (BCI) confiable para una conducción segura.

Principales métodos:

• Utilizó el conjunto de datos SEED-VIG que incluye señales EEG.
• Diseñó una matriz de adyacencia basada en los coeficientes de correlación de Pearson y las posiciones del canal.
• Desarrolló y aplicó un GCNN para clasificar los estados de conducción utilizando características de entropía diferencial (DE).

Principales resultados:

• Logró una precisión de clasificación promedio del 91.66% para los estados de conducción en 20 sujetos.
• Alcanzó una precisión de clasificación máxima del 98,87%.
• Obtuvo un coeficiente Kappa promedio de 0,83, lo que indica un fuerte acuerdo.

Conclusiones:

• El método GCNN propuesto detecta con fiabilidad la fatiga del conductor.
• Este enfoque ofrece una guía prometedora para el desarrollo de sistemas BCI de conducción segura.
• Los hallazgos subrayan el potencial del BCI basado en EEG para mejorar la seguridad vial.