ID3RSNet:通过原始单通道EEG与可解释的残留收缩网络进行跨主题驾驶员嗜睡检测

科学领域:

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

背景情况:

• 昏昏欲睡的驾驶是交通事故的主要原因之一.
• 脑电图 (EEG) 为监测驾驶员的昏昏欲睡提供了一个有前途的途径.
• 目前的单通道EEG昏昏欲睡检测在校准,个体变异性和模型解释性方面面临挑战.

研究的目的:

• 开发一种无校准,可解释的深度学习模型,用于使用单通道EEG进行跨主题驾驶员昏昏欲睡的检测.
• 解决现有模型的非静止性,个体异质性和黑盒性质的局限性.

主要方法:

• 拟议的ID3RSNet:一个可解释的剩余收缩网络.
• 使用基本特征提取器来检测EEG频率特征.
• 整合了注意力机制和软值在剩余块内进行无声化,用于自适应性特征重新校准和自动特征提取.
• 采用完全连接的层与重量结,以减轻负面神经元的影响.
• 引入基于EEG的类激活地图 (ECAM) 以实现模型的可解释性和可视化.

主要成果:

• 拟议的ID3RSNet在昏昏欲睡检测方面取得了卓越的分类性能.
• 该ECAM方法为模型的决策提供了神经生理学上可靠的证据.
• 通过使用单通道EEG证明了有效的跨主体昏昏欲睡的检测.

结论:

• ID3RSNet模型为驾驶员昏昏欲睡的检测提供了一个有效和可解释的解决方案.
• 这种方法可以通过准确的实时监控驾驶员警觉性来提高交通安全.
• 可解释性功能可以更好地理解和信任人工智能驱动的安全系统.