使用基于图形卷积网络的EEG信号自动检测驾驶员疲劳的新方法
Sevda Zafarmandi Ardabili1, Soufia Bahmani2, Lida Zare Lahijan3
1Electrical and Computer Engineering Department, Southern Methodist University, Dallas, TX 75205, USA.
Sensors (Basel, Switzerland)
|January 23, 2024
概括
这项研究引入了一种新的多类驾驶员疲劳检测系统,使用脑电图 (EEG) 信号和深度学习. 先进的系统准确地识别了各种疲劳水平,提高了道路安全.
科学领域:
- 神经科学和人工智能 人工智能
- 道路安全与运输工程 交通安全与运输工程
背景情况:
- 目前的驾驶员疲劳检测方法往往是二进制的,缺乏实际的操作能力.
- 自动检测驾驶员疲劳对于预防交通事故至关重要.
- 现有的研究在分类不同阶段的疲劳方面存在局限性.
研究的目的:
- 开发一个使用电脑电图 (EEG) 信号的多类驾驶员疲劳检测系统.
- 为了提高疲劳检测系统的运行能力,超越二元分类.
- 利用深度学习网络来加强疲劳阶段的识别.
主要方法:
- 设计了一个标准的驾驶模拟器,并从五个疲劳类别的20名参与者收集了EEG数据.
- 使用生成对抗网络 (GAN) 和图形卷积网络 (GCN) 的组合进行信号预处理和处理.
- 开发了一个深度学习模型,包括五个卷积图层,一个密集层和一个完全连接的层.
主要成果:
- 在四个不同的实践案例中实现了99%,97%,96%和91%的高准确率.
- 与使用最近方法开发的模型相比,表现出更高的性能.
- 使用生理模式和自我报告问卷验证疲劳阶段.
结论:
- 拟议的多类驾驶员疲劳检测系统显示出有希望的性能和高精度.
- EEG信号与深度学习 (GAN和GCN) 的整合为疲劳检测提供了一个强大的解决方案.
- 该系统有潜力通过提供操作疲劳水平评估来显著提高道路安全.
