AGL-Net:一种高效的神经网络,用于基于EEG的驾驶员疲劳检测.

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 道路安全工程 道路安全工程

背景情况:

• 司机疲劳在全球范围内是一个重要的道路安全问题.
• 电脑电图 (EEG) 是疲劳检测的黄金标准,因为它的精度.
• 现有的基于EEG的疲劳检测深度学习模型缺乏用于移动部署的计算效率.

研究的目的:

• 提出一个高效和准确的深度学习模型,用于基于EEG的驾驶员疲劳检测.
• 在计算效率和参数数量方面解决现有模型的局限性.
• 开发一个适合移动设备实施的疲劳检测系统.

主要方法:

• 一个基于注意力的幽灵LSTM神经网络 (AGL-Net) 被开发出来.
• 该模型使用注意力机制来确定特征相关性,以及用于空间特征提取的幽灵瓶.
• 使用长短期记忆 (LSTM) 网络提取时间特征,实现了回归和分类模型.

主要成果:

• AGL-Net 通过低的 FLOP (2.67 M) 和 Params (103,530) 显示出卓越的计算效率.
• 该模型在SEED-VIG数据集上实现了大约87.3%的平均准确率和0.0864的RMSE.
• 废弃实验证实了个别AGL-Net模块的有效性,特别是效率的幽灵瓶.

结论:

• 拟议的AGL-Net是基于EEG的疲劳检测的可行和高性能方法.
• 幽灵瓶模块显著提高了计算效率.
• 与以前的方法相比,AGL-Net提供了一个实用的解决方案,具有更高的准确性和效率.