使用fNIRS和深度学习监测睡眠剥夺引起的疲劳
Pei Ma1, Chenyang Pan1, Huijuan Shen1
1Key Laboratory of Optical Technology and Instrument for Medicine, Ministry of Education, College of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai, 200093 China.
Cognitive neurodynamics
|January 27, 2025
概括
使用功能近红外光谱 (fNIRS) 和深度学习监测疲劳的准确率达到了97.78%. 这种可靠的方法可以帮助减少关键行业的疲劳相关风险.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 与疲劳相关的事件在各个部门都在增加,造成了重大安全风险.
- 可靠的生理指标对于确定疲劳状态至关重要.
- 功能近红外光谱 (fNIRS) 为监测大脑活动提供了一种便携式方法.
研究的目的:
- 开发和验证一个便携式fNIRS系统,用于监测睡眠剥夺引起的疲劳状态.
- 应用深度学习模型来准确分类疲劳水平.
- 调查运动刺激对因疲劳引起的兴奋的潜力.
主要方法:
- 一个定制的便携式fNIRS系统收集了前额叶皮层10个道的数据.
- 分析了血液中氧气度的变化,使用了一种新的1D修订CNN-ResNet深度学习网络.
- 一个疲劳刺激实验评估了运动刺激对大脑活动的影响.
主要成果:
- 拟议的深度学习模型在分类疲劳状态方面实现了97.78%的准确性,超过了传统方法.
- fNIRS数据显示,在运动刺激后,大脑活动显著增加.
- 该研究证实了使用fNIRS用于疲劳评估的可行性.
结论:
- 开发的便携式fNIRS系统与深度学习方法相结合,为评估疲劳提供了可靠的工具.
- 这种方法有可能减轻与疲劳引起的事故相关的风险.
- 运动刺激在抵消疲劳引起的大脑活动下降方面表现有前途.
