相关实验视频
Updated: Jun 21, 2025
13:51
Cross-Modal Multivariate Pattern Analysis
Published on: November 9, 2011
19.9K
DP-MP:一种新的跨学科疲劳检测框架,采用基于DANN的原型表示和混合对联学习
Xiaopeng He1, Haoyu Li1, Peng Yu1
1National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, National Engineering Research Center for Visual Information and Applications, and Institute of Artificial Intelligence and Robotics, Xi'an Jiaotong University, Xi'an, People's Republic of China.
Journal of neural engineering
|July 10, 2024
概括
这项研究引入了一种新的框架,用于在不同个体中使用脑电图 (EEG) 检测疲劳. 该DP-MP模型有效地处理个人差异和噪音数据,实现高精度的疲劳检测.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 电脑电图 (EEG) 是检测疲劳的一个关键工具.
- 实际的EEG疲劳检测面临个人差异和杂数据的挑战.
- 现有的方法在跨主题的概括方面扎.
研究的目的:
- 开发一个有效的框架,用于使用EEG进行跨主体疲劳检测.
- 在疲劳检测中应对生物个体差异和噪音标签的挑战.
- 引入一种新的双向学习方法来检测疲劳.
主要方法:
- 提出了一个新的DP-MP框架,将域对抗神经网络和混合对联学习结合起来.
- 使用原型表示来在EEG中编码与疲劳相关的语义结构.
- 概念化疲劳检测作为一个双向学习任务,以减少标签干扰.
主要成果:
- 在SEED-VIG和FTEF数据集上实现了最先进的性能,分别准确率为88.14%和97.41%.
- 证明了该模型在跨主体疲劳检测中的有效性和概括能力.
- 混合对对学习方法增强了样本关系,以更好地检测.
结论:
- 这项工作开创了疲劳检测作为一对学习任务的先驱,提供了一个新的视角.
- 该DP-MP框架成功地减轻了生物个体差异和噪音标签.
- 这些发现促进了大脑与计算机接口用于疲劳监测的实际应用.
