基于1D卷积神经网络和短期心电图信号的精神疲劳识别研究

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 神经科学是一个神经科学.

背景情况:

• 精神疲劳是一个重要的健康问题,导致事故.
• 传统的机器学习方法用于疲劳检测是低效的,缺乏实时准确性.

研究的目的:

• 开发一个准确和实时的精神疲劳识别模型.
• 克服传统机器学习在疲劳检测方面的局限性.

主要方法:

• 开发了一个1D卷积神经网络 (1D-CNN) 模型.
• 该模型处理5秒的原始心电图 (ECG) 序列.
• 在培训和测试中使用了来自22名受试者在三个时间段的ECG信号数据集.

主要成果:

• 1D-CNN模型在识别精神疲劳方面取得了高性能.
• 准确度,精度,回忆和F1分数分别达到了98.44%,98.47%,98.41%和98.44%.

结论:

• 拟议的1D-CNN模型有效地识别了多层次的精神疲劳.
• 这种方法提高了疲劳监测的准确性和实时性能.
• 为日常生活中的实践实时疲劳监测提供理论支持.