EEG-fest:基于几次拍摄的注意力网络,以使用EEG信号来估计驾驶员的昏昏欲睡
Ning Ding1, Ce Zhang1, Azim Eskandarian1
1Mechanical Engineering, Virginia Polytechnic Institute and State University, Blacksburg, VA, United States of America.
Biomedical physics & engineering express
|November 23, 2023
概括
使用脑电图 (EEG) 检测驾驶员的昏昏欲睡对于道路安全至关重要. 我们的新型EEG-Fest模型有效地用有限的数据对嗜睡进行分类,识别异常,并获得独立于主体的结果,优于传统方法.
科学领域:
- 神经科学与交通安全
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
背景情况:
- 司机的疏忽是交通事故的主要原因之一.
- 脑电图 (EEG) 是一种可靠的方法来评估驾驶员的昏昏欲睡.
- 现有的嗜睡检测算法面临着有限数据,异常信号和主体独立分类的挑战.
研究的目的:
- 引入EEG-Fest,这是一个通用的几次射击学习模型,用于检测驾驶员的昏昏欲睡.
- 解决以前算法的局限性,包括小型训练集和主题可变性.
- 开发一个强大的系统,用于准确可靠的嗜睡评估.
主要方法:
- 拟议的EEG-Fest:一个通用的几次射击学习模型.
- 用最小的样本对昏昏欲睡的水平进行了少数拍摄分类.
- 异常检测用于识别异常EEG信号.
- 独立于主题的分类框架.
主要成果:
- 通过使用少数支持样本,EEG-Fest成功地对嗜睡进行了分类.
- 该模型有效地识别出异常的EEG信号.
- 实现了独立于主体的分类,在跨主体验证中表现优于传统的EEG算法.
- 与两种传统的EEG算法相比,在跨主体验证中表现出优异的性能.
结论:
- EEG-Fest为驾驶员的昏昏欲睡检测提供了一种新且有效的解决方案.
- 短暂的学习方法克服了EEG分析中的数据限制.
- 该模型能够进行主体独立分类的能力提高了其在道路安全方面的实际适用性.
