使用基于心电图信号的混合学习模型检测驾驶员的昏昏欲睡程度
Hui Xiong1,2, Yan Yan1,2,3, Lifei Sun1,2
1School of Control Science and Engineering, Tiangong University, Tianjin, China.
Biomedizinische Technik. Biomedical engineering
|October 12, 2023
概括
本研究介绍了一种智能算法,使用心电图 (ECG) 分析来检测驾驶员的昏昏欲睡. 开发的混合型号在识别疲劳状态方面实现了高精度,提高了驾驶员的安全性.
科学领域:
- 交通运输中的人工智能
- 生物医学信号处理
- 机器学习用于驾驶员监控
背景情况:
- 驾驶员疲劳会严重损害驾驶能力和车辆控制.
- 准确地分类驾驶时的昏昏欲睡水平是具有挑战性的.
- 电心电图 (ECG) 信号提供了监测驾驶员生理状态的潜力.
研究的目的:
- 提出一种智能算法来分类驾驶员的昏昏欲睡程度.
- 开发一种混合模型,整合深度学习和传统的机器学习技术,用于ECG信号分析.
- 通过早期检测疲劳和昏昏欲睡,提高驾驶员的安全.
主要方法:
- 建立了两个模型:用于原始心电图预测的深度学习模型 (model_1) 和用于心率变化分析的PCA-WKNN模型 (model_2).
- 一个混合模型,DBPW (DiCNN-BiLSTM和PCA-WKNN) 是通过结合和权衡 model_1 和 model_2.2 的预测而开发的.
- 通过在公共心电图数据库上的模拟,证实了DBPW模型的有效性.
主要成果:
- DBPW模型在多个驾驶员中显示了98.79%的平均准确度,灵敏度和F1得分.
- 对于昏昏欲睡或疲劳状态的识别精度达到了99.33%.
- 混合方法有效地整合了不同的信号处理和机器学习技术.
结论:
- 拟议的智能算法可以有效地识别驾驶员的异常,特别是昏昏欲睡.
- 这项技术为开发智能汽车中先进的驾驶辅助系统提供了一种新的方法.
- 这些发现有助于通过能够主动监控驾驶员来提高道路安全.
