基于尖端神经网络的低功率驾驶疲劳监测方法的研究

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 道路安全工程 道路安全工程

背景情况:

• 司机疲劳是交通事故的主要原因,需要有效的检测方法.
• 目前用于疲劳检测的深度学习模型面临着高计算成本和电力需求的挑战.
• 开发低功率,准确的疲劳检测对于改善道路安全至关重要.

研究的目的:

• 为准确检测驾驶员疲劳提出一种新的低功耗模型.
• 将自组织地图 (SOM) 和尖端神经网络 (SNN) 结合起来,以提高疲劳识别.
• 为了减少疲劳检测系统的能源消耗.

主要方法:

• 利用自组织地图 (SOM) 来从脑电图 (EEG) 信号中提取空间特征.
• 使用尖端神经网络 (SNN) 来根据提取的特征进行疲劳驾驶分类.
• 整合了EEG信号的时空特征,以进行可靠的检测.

主要成果:

• 拟议的SOM-SNN方法有效地捕捉了空间时间EEG特征以检测疲劳.
• 与传统方法相比,实现了模型功耗的显著降低.
• 与传统的人工神经网络相比,显示了大约12.21-42.59%的能源消耗减少.

结论:

• 组合的SOM-SNN模型为驾驶员疲劳检测提供了一种高效和低功耗的解决方案.
• 这种方法通过准确和节能地监测驾驶员心理状态来提高道路安全.
• 这些发现为车辆中的实用,低功率的疲劳检测系统铺平了道路.