通过解释性指导来检测驾驶员昏昏欲睡的EEG频道选择框架.

科学领域:

• 神经科学是一个神经科学.
• 运输安全运输安全
• 机器学习 机器学习

背景情况:

• 昏昏欲睡的驾驶对道路安全构成重大风险,需要有效的驾驶员监控系统.
• 电脑电图 (EEG) 信号提供了可靠的精神疲劳测量,用于检测昏昏欲睡.
• 现有的方法往往忽略了EEG数据噪声和冗余性,限制了嗜睡检测性能.

研究的目的:

• 引入一个以解释性为指导的通道选择 (ICS) 框架,以加强驾驶员的昏昏欲睡检测.
• 解决目前的嗜睡监测模型中使用原始或全头EEG数据的局限性.
• 提高嗜睡检测模型的准确性和适用性,特别是在跨主题场景中.

主要方法:

• 一个两阶段的培训策略,采用通道选择的可解释性指导.
• 在全头EEG数据上培训教师网络,然后进行类激活映射 (CAM) 进行道重要性分析.
• 一个频道投票计划来选择贡献最高的EEG频道,然后在选定的频道上培训学生网络.

主要成果:

• 拟议的ICS框架有效地确定了用于检测嗜睡的关键EEG通道.
• 该方法显著提高了驾驶员昏昏欲睡检测模型的性能.
• 在公共数据集上的实验结果验证了该框架的适用性和有效性,特别是在跨主体检测方面.

结论:

• ICS框架提供了一种新且有效的方法来优化EEG通道的使用,以检测驾驶员的昏昏欲睡.
• 通过专注于可解释,高贡献率的道,该方法提高了模型的性能和稳定性.
• 这项研究通过先进的数据驱动的疲劳监测技术,为更安全的驾驶做出了贡献.