基于前置EEG,EDA和PPG信号的多模式注意网络,用于检测驾驶员的疲劳

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
• 运输安全运输安全

背景情况:

• 驾驶员疲劳是交通事故的主要原因,需要可靠的检测方法.
• 现有的疲劳检测系统在准确性,稳定性和跨主题概括性方面扎.
• 多模式数据融合为改善疲劳估计提供了一个有前途的方法.

研究的目的:

• 开发一种先进的驾驶员疲劳检测系统,使用生理信号的融合.
• 引入多模式注意网络 (MMA-Net) 以提高疲劳检测.
• 评估MMA-Net在跨学科场景中的有效性.

主要方法:

• 使用了额头脑电图 (EEG),皮肤电活动 (EDA) 和光电图 (PPG) 信号.
• 开发了一个信号自适应编码模块 (SAC-M) 用于时空信息提取.
• 实施了基于注意力的特征异化模块 (AFD-M) 来识别关键特征.
• 将MMA-Net与基线和最先进的方法进行比较,使用不同的窗口长度.

主要成果:

• 拟议的MMA-Net在驾驶员疲劳检测方面表现出卓越的性能.
• EEG,EDA和PPG信号的融合显著提高了检测准确度.
• 该方法在涉及28名参与者的跨主题实验中显示出强度.

结论:

• MMA-Net为驾驶员疲劳检测提供了一个高度有效的解决方案.
• 用户友好,多模式的生理信号可以可靠地用于现实世界疲劳监测.
• 开发的方法有可能集成到先进的驾驶辅助系统中.