从基于脑电图的相对功率光谱拓利用卷积神经网络检测矿工疲劳

科学领域:

• 神经科学是一个神经科学.
• 职业健康 职业健康 职业健康
• 机器学习 机器学习

背景情况:

• 由于苛刻的工作条件造成的矿工疲劳,在地下煤矿中显著增加了安全风险和错误率.
• 有效的疲劳检测对于预防事故和提高采矿环境中的运营效率至关重要.
• 以前的研究主要采用基于特征的机器学习来估计矿工疲劳.

研究的目的:

• 引入一种新的方法,用电脑电图 (EEG) 信号检测矿工疲劳.
• 开发一种疲劳检测系统,能够对矿工的正常,危急和疲劳状态进行分类.
• 评估不同特征提取和深度学习技术的有效性,以检测矿工疲劳.

主要方法:

• 从EEG信号生成地形图,包括频率和空间信息.
• 使用功率光谱密度 (PSD) 和相对功率光谱密度 (RPSD) 进行特征提取.
• 应用卷积神经网络 (CNN) 来根据EEG衍生地形图对矿山状态进行分类.

主要成果:

• 在所有测试的深度学习方法中,相对功率光谱密度 (RPSD) 与功率光谱密度 (PSD) 相比,显示出更高的分类准确性.
• 在与RPSD功能相结合时,CNN模型实现了高性能指标:94.5%的准确性,97.0%的精度,94.8%的灵敏度,96.3%的F1得分.
• 拟议的RPSD-CNN方法在矿工疲劳检测方面显著超过了当前最先进的技术.

结论:

• RPSD-CNN方法为检测矿工疲劳提供了一种高度有效和准确的方法.
• 这种技术具有很大的潜力,可以成为煤炭公司提高矿山安全和工人效率的有价值工具.
• 进一步实施这种基于EEG的疲劳检测系统可能会导致地下采矿安全协议的大幅改善.