集群用于减轻驾驶疲劳分类中的受试者变异性,使用脑电图的源空间功能连接特征
Khanh Ha Nguyen1, Yvonne Tran2, Ashley Craig3
1School of Science, Computing and Engineering Technologies, Swinburne University of Technology, Hawthorn, Victoria 3122, Australia.
Journal of neural engineering
|October 25, 2024
概括
这项研究引入了一种混合方法,用于使用脑电图 (EEG) 信号检测驾驶员疲劳. 将聚类与分类结合起来,可以提高准确性,并为现实世界的应用提供实际的再培训.
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:
- 基于脑电图 (EEG) 的驾驶员疲劳分类模型显示出希望,但由于个体信号的变化,在现实应用中面临挑战.
- 开发通用模型是很困难的,通常需要不切实际的重新培训与新的受试者数据,特别是对于疲劳状态.
研究的目的:
- 为了解决目前基于EEG的驾驶员疲劳检测系统的局限性.
- 为更具适应性和有效的疲劳检测提出混合集群和分类方法.
主要方法:
- 在警报状态下,根据EEG功能连接 (FC) 来组合受试者.
- 在每个已识别的集群中应用分类模型来预测警报和疲劳状态.
主要成果:
- 与非集群场景相比,当应用到集群对象时,分类准确性得到改善.
- 将具有相似FC特征的受试者成功分组成群体,提高分类性能.
结论:
- 混合集群分类方法为驾驶员疲劳检测提供了一个实用和现实的解决方案.
- 这种方法提高了基于EEG的疲劳检测系统在现实环境中的适应性和有效性.
