基于EEG的多频段功能连接,使用校正的振幅封面相关性来识别不利的驾驶状态
Jichi Chen1, Yujie Wang1, Yuguo Cui1
1School of Mechanical Engineering, Shenyang University of Technology, Shenyang, Liaoning, China.
Computer methods in biomechanics and biomedical engineering
|April 10, 2025
概括
这项研究引入了一种使用脑电图 (EEG) 和功能连接来检测不利的驾驶状态 (UDS) 的新方法. 这种方法显著提高了识别UDS的准确性,提高了驾驶员的安全性.
科学领域:
- 神经科学是一个神经科学.
- 运输安全运输安全
- 生物医学工程 生物医学工程
背景情况:
- 不利的驾驶状态 (UDS) 带来了重大风险,需要准确的检测方法.
- 现有的用于UDS识别的功能连接方法因虚假同步而面临挑战.
- 电脑电图 (EEG) 信号为监测驾驶员状态提供了一个潜在的途径.
研究的目的:
- 开发一种新的功能连接矩阵构建方法,与用于识别驾驶员UDS的整体算法相结合.
- 为了克服传统功能连接方法中虚假同步的局限性.
- 为了提高基于EEG的UDS检测的准确性和可靠性.
主要方法:
- 从模拟驾驶实验中收集的EEG数据.
- 在多个频段中使用振幅封面相关性与泄漏纠正 (AEC-c) 的功能连接矩阵构造.
- 集成算法使用随机子空间进行k-最近邻居 (KNN) 分类.
主要成果:
- 与非不利的驾驶状态 (NUDS) 相比,UDS的区域AEC-c值在贝塔,马和所有频段显著较低.
- 拟议的基于AEC-c的功能连接分析与随机子空间KNN相结合,实现了96.88%的最高精度 (ACC).
- 使用混矩阵,ACC,灵敏度,特异性,精度和ROC曲线与5倍交叉验证来验证性能.
结论:
- 新的基于AEC-c的功能连接框架有效地从EEG信号中识别驾驶员的UDS.
- 这种方法为功能连接分析中的虚假同步问题提供了强大的解决方案.
- 这些发现有助于改进人机系统,并通过可靠的基于EEG的驾驶员监控来提高道路安全.
