动态多模式融合用于基于生物信号的车辆运动疾病预测

科学领域:

• 汽车工程 汽车工程
• 生物医学工程 生物医学工程
• 人与计算机的交互

背景情况:

• 运动病 (MS) 是自动驾驶汽车 (AV) 采用和乘客舒适性的重大挑战.
• 传统的MS研究方法缺乏现实世界的复杂性和强大的数据分析能力.
• 多生物信号融合提供了一种有希望的方法来捕捉与MS相关的复杂生理反应.

研究的目的:

• 引入一个新的动态多模式融合,用于移动性疾病分类 (DMFMS) 框架.
• 解决在杂的现实驾驶环境中传统多发性硬化症检测的局限性.
• 提高自动驾驶汽车中MS预测的准确性和可靠性.

主要方法:

• 开发了一个DMFMS框架,将信任意识学习纳入模式可靠性估计.
• 实施了一个动态门机制,以适应地权衡模式贡献.
• 集成了一个时空注意模块 (STAM),以专注于相关的生物信号信息.
• 在现实驾驶场景中使用来自13名受试者的多生物信号数据集进行实验.

主要成果:

• 与传统的MS预测模型相比,DMFMS框架显示出更高的性能.
• 适应性专注于重要样本和噪声评估提高了分类准确性.
• 自信意识的学习和动态关门有效地管理了杂的多模式数据.
• STAM成功过了外来信息,加强了对关键生物信号的关注.

结论:

• 拟议的DMFMS框架代表了在现实世界自动驾驶中检测运动病的优越解决方案.
• 动态的多模式融合有效地处理生物信号数据的复杂性在杂的环境中.
• 这种方法可以提高乘客在自动驾驶汽车中的舒适性和安全性.