基于注意力的交叉频率图形卷积网络用于驾驶员疲劳估计

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:

• 司机疲劳是全球交通事故和死亡的主要原因之一.
• 脑电图 (EEG) 可靠地预测大脑状态,但其复杂性对精确的深度学习模型构成挑战.
• 深度学习 (DL) 的进步改善了大脑状态估计,但复杂的EEG通道相关性需要新的方法.

研究的目的:

• 引入创新的基于注意力的交叉频率图卷积网络 (ACF-GCN) 来估计驾驶员的反应时间.
• 为了利用来自theta,alpha和beta波段的EEG信号来增强疲劳检测.
• 探索大脑动态,并确定影响疲劳估计的关键频段.

主要方法:

• 开发了一个基于注意力的交叉频率图形卷积网络 (ACF-GCN) 模型.
• 利用多头注意力机制来捕捉EEG频道和频率之间的远程依赖.
• 采用了变压器编码器和图形卷积网络 (GCN) 来学习特征图和估计驾驶员反应时间.

主要成果:

• 与公开数据集上的几种最先进的方法相比,ACF-GCN模型显示出更高的性能.
• 对交叉频率注意力得分矩阵的分析显示,theta和alpha波段是对疲劳估计的关键影响因素.
• 这项研究提供了关于用于疲劳评估的多通道EEG信号背后的大脑动态的见解.

结论:

• 通过使用EEG信号,ACF-GCN方法在估计驾驶员疲劳水平方面取得了重大进展.
• 这些发现强调了交叉频率相互作用和特定的大脑波频段 (甲,α) 在预测驾驶员反应时间方面的重要性.
• 这项研究通过更准确的驾驶员疲劳监测,有助于提高道路安全.