一个回归模型结合了卷积神经网络和循环神经网络,用于基于脑电图的跨主体疲劳检测
Duanyang Yuan1,2, Jingwei Yue2, Huiyan Xu1
1Shanghai Key Laboratory of Power Station Automation Technology, School of Mechatronics Engineering and Automation, Shanghai University, Shanghai 200444, China.
The Review of scientific instruments
|September 18, 2023
概括
这项研究引入了一种基于脑电图的深度学习模型来检测疲劳,从而提高跨主题场景的准确性. 新的回归方法提高了对离散状态的精度,这对道路安全至关重要.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 道路交通安全 道路交通安全
背景情况:
- 疲劳严重影响道路安全,促使人们研究检测方法.
- 目前的疲劳检测依赖于特征工程,限制跨主题性能,并经常简化状态.
- 深度学习提供自动特征提取,克服域知识限制.
研究的目的:
- 开发基于脑电图 (EEG) 的跨主体疲劳检测回归模型.
- 为了提高疲劳检测的准确性和精度,特别是在不同的人群中.
- 引入一种新的采样方法,以加强深度学习模型培训.
主要方法:
- 提出了一种结合卷积神经网络 (CNN) 和循环神经网络 (RNN) 的回归模型.
- 开发了一种双重随机补偿零重叠采样方法,以减轻过度拟合.
- 该模型在EEG数据上进行了评估,用于主体内和跨主体疲劳检测.
主要成果:
- 在人体内测试中获得0.94的相关系数 (COR) 和0.09的根平均平方误差 (RMSE),没有清醒/昏睡错误分类.
- 通过0.79的COR和0.15的RMSE表现出强的跨学科表现,超过了现有的跨学科结果.
- 拟议的采样方法有助于训练更大的模型,并减少基于EEG的深度学习中的过度拟合.
结论:
- 基于EEG的跨主体回归模型提供精确的疲劳指标,无需对用户进行特定校准.
- 这种方法显著提升了现实应用的疲劳检测,提高了道路安全.
- 开发的采样技术为未来的EEG深度学习研究提供了宝贵的参考.
