在脑电图中增强卷积神经网络 驾驶员昏昏欲睡的检测 使用人类启发的优化器

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 运输安全运输安全

背景情况:

• 司机昏昏欲睡是交通事故的主要原因之一.
• 电脑电图 (EEG) 信号用于检测昏昏欲睡.
• 需要深度神经网络 (DNN) 来分析复杂的EEG数据,但它们的优化是具有挑战性的.

研究的目的:

• 研究元启发式算法的有效性,以优化基于EEG的深度学习模型,以检测驾驶员的昏昏欲睡.
• 为了比较基于教学学习的优化 (TLBO) 和基于学生心理学的优化 (SPBO) 来优化卷积神经网络 (CNNs).

主要方法:

• 利用卷积神经网络 (CNN) 进行基于EEG的嗜睡检测.
• 雇佣了基于学习的优化 (TLBO) 和基于学生心理学的优化 (SPBO) 算法来优化 CNN 架构.
• 使用诸如曲线下的面积 (AUC) 等指标评估模型性能.

主要成果:

• 无论是CNN-TLBO还是CNN-SPBO都实现了强大的预测性能,AUC值分别为0.926和0.920.
• 与SPBO (264,065个参数) 相比,TLBO的结果是一个更简单的CNN模型 (4,145个参数).
• SPBO表现出更快的优化 (TLBO为116分钟,TLBO为148分钟) 并被确定为具有成本效益的解决方案,尽管有轻微的过度装配.

结论:

• 像TLBO和SPBO这样的元启发算法在基于EEG的驾驶员昏昏欲睡检测中优化DNN是有效的.
• 在道路安全应用中,SPBO提供了一种高效且具有成本效益的方法来优化深度学习模型.
• 这些发现推动了驾驶员监控系统的发展,并突出了深度学习中元启发式技术的实用性.