混合关键通道和最佳特征子集选择框架用于EEG疲劳识别

科学领域:

• 神经科学是一个神经科学.
• 道路交通安全 道路交通安全
• 机器学习 机器学习

背景情况:

• 司机疲劳是道路交通事故的重要原因之一.
• 电脑电图 (EEG) 提供了一种有前途的方法来监测驾驶员的心理状态.
• 准确的疲劳检测对于预防与交通有关的事故至关重要.

研究的目的:

• 提出一个新的模型,DE-GFRJMCMC,用于使用EEG数据增强疲劳驾驶识别.
• 通过选择关键的EEG通道和最佳特征子集,提高疲劳检测的准确性和效率.
• 为了验证模型在SEED-VIG数据集上的性能.

主要方法:

• 使用差异进化 (DE) 算法进行关键EEG通道选择.
• 构建功能大脑网络 (FBNs) 和提取的拓特征.
• 应用经验模式分解 (EMD) 以减少通道影响,并改进了可逆跳转马尔科夫链蒙特卡洛 (RJMCMC) 算法,以进行最佳特征子集选择.

主要成果:

• 该DE-GFRJMCMC模型在疲劳驾驶识别方面表现出卓越的性能.
• 使用最佳特征子集的K-Nearest Neighbor (KNN) 分类器实现了96.11% ± 0.43%的高识别精度.
• 与现有研究相比,提出的方法显示稳定性和稳定性.

结论:

• 该DE-GFRJMCMC模型有效地识别了关键的EEG通道和疲劳检测的最佳特征.
• 这种方法显著提高了疲劳驾驶识别系统的准确性和可靠性.
• 这些发现对于推进疲劳驾驶检测和预防技术的研究具有重大价值.