从微型到中型:基于功能连接的数据驱动的中镜区域划分方法,用于基于EEG的驾驶员疲劳检测

科学领域:

• 神经科学和人工智能 人工智能
• 大脑与计算机的接口
• 机器学习用于健康

背景情况:

• 脑电图 (EEG) 结合深度学习,特别是图形神经网络 (GNN),显示出大脑疲劳检测的前景.
• 对EEG的GNN的一个关键挑战是为空间信息学习创建有效的相邻矩阵.
• 目前用于EEG的电极聚合方法通常需要特定任务的知识,这限制了它们的广泛适用性.

研究的目的:

• 为基于EEG的驾驶员疲劳检测提出一种新的中视镜区域划分方法.
• 通过解决传统电极聚合的局限性来增强GNN中的空间信息学习.
• 提高EEG疲劳检测在不同任务中的通用性.

主要方法:

• 开发了一种两阶段的介视区域划分方法,利用固有的数据特征和功能连接.
• 具有相似的功能连接性的微电极被分为"半镜区域".
• 这些区域被聚合到虚拟的中电极中,根据其功能连接性使用GNN进行疲劳分类.

主要成果:

• 拟议的方法在公共驾驶员疲劳检测数据集上,与最先进的方法相比,显示出更高的性能.
• 该方法有效地捕获了复杂的电极关系,并在GNN框架内改进了空间信息学习.
• 解释性分析为在警觉和疲劳状态下对大脑区域和神经元连接提供了宝贵的微观和中视镜见解.

结论:

• 新的中视镜区域划分策略为基于EEG的驾驶员疲劳检测提供了更具普遍性和有效的方法.
• 这种方法通过数据驱动的电极聚合优化相邻矩阵结构来提高GNN性能.
• 这些发现有助于更深入地了解与疲劳状态相关的大脑活动模式.