SFT-Net:通过结合4D特征流和注意力机制来检测EEG信号疲劳的网络

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 司机疲劳是交通事故的主要原因之一.
• 目前用于疲劳检测的神经网络模型在解释性和有限的特征尺寸方面扎.
• 脑电图 (EEG) 数据为客观的疲劳评估提供了一个有希望的途径.

研究的目的:

• 提出一种新的方法,即空间频率时间网络 (SFT-Net),用于使用EEG信号检测驾驶员疲劳.
• 提高基于EEG的疲劳检测模型的准确性和可解释性.
• 通过整合来自EEG数据的空间,频率和时间信息来解决现有模型的局限性.

主要方法:

• 开发了SFT-Net,这是一个处理EEG数据的深度学习模型.
• 将五个EEG频段的微分转换为一个4D特征张量,以捕获空间,频率和时间信息.
• 使用注意模块进行特征重新校准,然后使用深度可分离卷积 (DSC) 进行特征提取,以及长短期记忆 (LSTM) 进行时间依赖分析.

主要成果:

• 与SEED-VIG数据集上用于EEG疲劳检测的其他流行的模型相比,SFT-Net表现优越.
• 该模型成功地整合了空间,频率和时间EEG特征,从而提高了识别精度.
• 解释性分析表明,SFT-Net在其疲劳预测过程中提供了一定的透明度.

结论:

• 拟议的SFT-Net通过利用集成的空间,频率和时间信息,有效地从EEG数据中检测驾驶员的疲劳.
• 这种方法克服了当前疲劳检测模型中的关键挑战,提供了更高的准确性和可解释性.
• 这些发现强调了多维特征集成在推进客观驾驶员疲劳监测系统中的重要性.