一个多维的适应式变压器网络用于疲劳检测
Dingming Wu1, Liu Deng2, Quanping Lu2
1MOE Key Lab for Neuroinformation, The Clinical Hospital of Chengdu Brain Science Institute, University of Electronic Science and Technology of China, Chengdu, China.
Cognitive neurodynamics
|February 24, 2025
概括
这项研究引入了一种新型的多维自适应变压器识别网络,使用脑电图 (EEG) 信号准确检测驾驶员疲劳. 先进的深度学习模型有效地分析复杂的EEG数据,优于现有方法.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 脑电图 (EEG) 信号对于分析大脑活动和检测驾驶员疲劳至关重要.
- 脑电图数据的复杂性为准确的疲劳检测带来了挑战.
- 深度学习,特别是变压器架构,看起来很有前途,但通常只关注时间EEG数据.
研究的目的:
- 引入一个多维适应式变压器识别网络,用于识别驾驶疲劳状态.
- 解决超出时间信息的多维EEG数据分析的差距.
- 提高驾驶员疲劳检测模型的准确性和概括性.
主要方法:
- 开发了一个使用多维变压器架构的多维自适应变压器识别网络.
- 实现了各种信息维度的自适应权重,以促进特征压缩和结构信息提取.
- 在SEED-VIG和SFDE数据集上验证了模型.
主要成果:
- 与SEED-VIG和SFDE数据集上的现有方法相比,拟议的网络取得了更高的性能.
- 证明了模型能够有效地从多维EEG数据中提取结构信息的能力.
- 突出了网络在疲劳识别中区分多维和频段特征的能力.
结论:
- 多维自适应变压器识别网络在驾驶员疲劳检测方面取得了重大进展.
- 适应性的多维方法有效地捕捉复杂的EEG模式,以提高准确性.
- 这一框架为与疲劳状态相关的多维特征提供了有价值的见解.
