一种跨场景和跨主题领域适应方法,用于驾驶疲劳检测
1RuiJin-Mihoyo Laboratory, Clinical Neuroscience Center, RuiJin Hospital, Shanghai Jiao Tong University School of Medicine, 197 Ruijin 2nd Rd., Shanghai 200020, People's Republic of China.
Journal of neural engineering
|June 5, 2024
概括
域调整通过整合实验室和现实世界的数据来增强电脑电图 (EEG) 驾驶员疲劳检测. 拟议的跨场景和跨主题域调整 (CS2DA) 方法有效地解决了数据稀缺问题,并提高了模型性能.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 运输安全运输安全
背景情况:
- 脑电图 (EEG) 数据的稀缺性和变异性对现实世界驾驶员疲劳检测构成了挑战.
- 现有的模型在跨主题和跨场景的概括性方面扎.
研究的目的:
- 开发一个域调整方法,以改善现实世界基于EEG的驾驶员疲劳检测.
- 将实验室EEG数据与现实世界的数据整合起来,以克服数据稀缺.
- 创建一个跨场景和跨主题的驾驶员疲劳检测模型.
主要方法:
- 从实验室和现实世界驾驶实验中收集了EEG数据.
- 开发了一种跨场景和跨主题域调整 (CS2DA) 方法.
- 利用对抗式学习来提取共同特征和多核最大平均差异 (MK-MMD) 以适应场景.
- 使用了有条件的MK-MMD约束和标签融合技术.
主要成果:
- 该CS2DA方法显著优于传统的和基于对抗学习的领域适应方法.
- 结合实验室和现实世界的EEG数据,改善了模型性能.
- 创建了SEED-VLA和SEED-VRW数据集,并用于评估.
结论:
- CS2DA 方法有效地提高了现实世界的驾驶员疲劳检测性能.
- 该研究为疲劳检测研究提供了宝贵的EEG数据集.
- 域调整对于基于EEG的强大的驾驶员监控系统至关重要.
