基于CA-ACGAN的疲劳驾驶检测技术的研究
Han Ye1, Ming Chen1, Guofu Feng1
1College of Information, Shanghai Ocean University, No. 999 Huchenghuan Road, Shanghai 201306, China.
Brain sciences
|May 25, 2024
概括
这项研究引入了一种新的AI模型,用于使用EEG信号检测驾驶员疲劳. 该CA-ACGAN模型准确地识别疲劳,并生成合成数据以提高驾驶员的安全性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 交通安全 交通安全
背景情况:
- 司机疲劳是全球道路交通事故的主要原因之一.
- 有效的疲劳监测系统对于提高道路安全至关重要.
研究的目的:
- 开发一种精确的方法,使用脑电图 (EEG) 信号识别驾驶员疲劳状态.
- 引入一种新的深度学习框架,即卷积和注意力生成对抗网络 (CA-ACGAN),用于疲劳检测.
主要方法:
- 构建了用于EEG信号分析的4D特征数据模型,考虑频率,空间和时间维度.
- 开发了CA-ACGAN框架,整合了注意力机制,瓶残留块和变压器元件,用于精细的EEG信号处理.
- 利用带有分类头的条件生成对抗网络进行有效的疲劳状态歧视和合成数据生成.
主要成果:
- 与现有方法相比,CA-ACGAN模型在SEED-VIG公共数据集上在疲劳检测方面表现优越.
- 经验结果表明,该模型在生成高质量的合成EEG数据方面具有有效性,优于其他生成对抗网络 (GAN) 模型.
- 拟议的模型在识别疲劳驾驶状态方面取得了很高的准确性.
结论:
- "CA-ACGAN模型是识别疲劳驾驶的一个有价值的工具.
- 这项研究为深度学习应用提供了新的见解,用于在驾驶员安全的背景下生成和处理时间序列数据.
