现实驾驶环境 基于EEG的驾驶疲劳检测,使用波纹散射网络进行检测

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 交通安全 交通安全

背景情况:

• 驾驶疲劳是交通事故的主要原因之一.
• 准确和快速检测驾驶员疲劳对于道路安全至关重要.

研究的目的:

• 开发一种精确的方法,在现实驾驶条件下检测驾驶疲劳.
• 为了评估波形散射网络 (WSN) 算法的疲劳分类的有效性.

主要方法:

• 收集了来自12名实验对象在真实驾驶环境中的脑电图 (EEG) 信号.
• 分类的EEG信号分为"疲劳"和"清醒"状态.
• 利用WSN算法从EEG信号中提取波纹散射系数.
• 采用支持向量机 (SVM) 与WSN系数作为特征向量进行分类.

主要成果:

• 在12名受试者中获得了99.33%的平均分类准确率.
• 证明了高平均精度 (99.28%),回忆 (98.27%) 和F1得分 (98.74%).
• 在SEED-VIG数据集上验证了性能,获得了99.39%的准确性和高精度,回忆和F1分数.

结论:

• 与CNN,SDBN,STCNN和LSTM相比,WSN算法显示出更高的分类准确性.
• WSN 方法提供了良好的多功能性,有效识别小数据集,并为实时监控提供快速处理.
• WSN是实时检测驾驶员疲劳的有希望的方法,提高了交通安全.