基于具有长短期记忆 (LSTM) 的 τ 形卷积网络 (τNet) 的新型深度学习模型,用于从EEG和EOG信号中检测生理疲劳
Le He1, Li Zhang2, Xiangtian Lin1
1State Key Laboratory of Power Transmission Equipment Technology, School of Electrical Engineering, Chongqing University, Chongqing, 400044, People's Republic of China.
Medical & biological engineering & computing
|February 20, 2024
概括
一个新的深度学习模型,LSTM形状的卷积网络,通过结合时间和空间特征来增强疲劳检测. 这种先进的系统提高了识别驾驶员疲劳的准确性,这对于预防交通事故至关重要.
科学领域:
- 深度学习 (Deep Learning) 是一种深度学习.
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 疲劳驾驶是交通事故的主要原因,需要有效的疲劳检测系统.
- 对于疲劳检测的传统深度学习方法可能会因为聚合和步骤卷曲而丢失关键信息.
研究的目的:
- 提出一种新的深度学习架构,形状卷积网络 (),用于改进疲劳检测.
- 通过将长短期内存 (LSTM) 与形状网络集成来开发先进的LSTM形状的卷积网络 (LSTM-),以捕捉时间依赖.
主要方法:
- 拟议的形状网络包含特征上抽样和高层和低层特征的连接,以保存信息.
- LSTM-网络采用平行结构,其中形状网络提取时间不变特征与位置信息,LSTM提取长时间依赖.
主要成果:
- 与其他六种方法相比,LSTM网络实现了更高的分类准确性.
- 在电脑电图 (EEG) 数据 (二元分类) 上获得了94.25%的准确性,在电眼图 (EOG) 数据 (三重分类) 上获得了82.19%的准确性.
结论:
- LSTM网络显示了高精度,低计算成本,训练稳定性和稳定性,使其成为在线疲劳检测系统的有希望的应用.
- 拟议的架构有效地解决了传统方法中的信息丢失问题,在驾驶员安全技术方面取得了重大进展.
