通过使用并行多式单维卷积神经网络检测缓慢的眼睛运动来识别驾驶员的睡眠开始
1School of Computer Science and Artificial Intelligence, Aliyun School of Big Data, Changzhou University, Changzhou, P.R. China.
Computer methods in biomechanics and biomedical engineering
|January 29, 2025
概括
检测驾驶员入睡的情况至关重要. 一个新的并行多模式1D卷积神经网络 (PM-1D-CNN) 使用EOG和EEG数据有效地分类慢眼动 (SEM),优于其他模型.
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:
- 缓慢的眼动 (SEMs) 是司机入睡的可靠生理指标.
- SEM通常与电脑电图 (EEG) 的α波减弱有关.
研究的目的:
- 提出和评估一种新的并行多模组1D卷积神经网络 (PM-1D-CNN) 模型来对SEM进行分类.
- 评估该模型在使用电眼图 (EOG) 和EEG信号检测睡眠开始时的有效性.
主要方法:
- 开发了一个PM-1D-CNN模型,使用两个并行的1D-CNN块来提取EOG和EEG信号的特征.
- 从两种信号类型中提取的特征被融合并通过完全连接的层进行处理以进行分类.
- 模型性能通过对主体进行主体对主体和跨主体分析来评估.
主要成果:
- 与SGL-1D-CNN和Bimodal-LSTM网络相比,PM-1D-CNN模型表现出更高的性能.
- 该模型在对SEM进行分类时取得了高准确性,表明其稳定性.
- 在主体内和跨主体评估场景中,有效性得到证实.
结论:
- PM-1D-CNN是一种有效的深度学习方法,通过SEM分类来检测睡眠开始.
- 该模型提供了一个有前途的工具,通过识别昏昏欲睡来增强驾驶员安全系统.
- EOG和EEG数据的多式融合显著提高了睡眠开始检测的准确性.
