智能物联网驱动的生物传感器用于基于EEG的驾驶疲劳检测:CNN-XGBoost模型提高了医疗保健质量

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 工程 工程师 工程师 工程师

背景情况:

• 昏昏欲睡的驾驶对道路交通事故 (35-45%) 有重大影响.
• 物联网 (IoT) 系统,包括医疗物联网 (IoMT),为实时驾驶员疲劳检测提供了潜在的解决方案.
• 由于个体EEG的变化和数据收集的困难,现有的方法面临挑战.

研究的目的:

• 开发一种高精度的系统,使用电脑电图 (EEG) 信号检测驾驶员疲劳.
• 为了实际应用,将这种疲劳检测系统集成到物联网 (IoT) 框架中.
• 为了克服以前的疲劳识别方法的局限性.

主要方法:

• 开发了一种新的CNN-XGBoost进化学习方法,它结合了卷积神经网络 (CNN) 和XGBoost.
• 脑电图信号被分解成子带,并转化为RGB光谱.
• 一个2D卷积神经网络 (2DCNN) 处理了卷积图像以提取用于训练的特征.

主要成果:

• 拟议的模型在大型驾驶员疲劳数据集上实现了99.80%的准确率.
• 这种准确性超过了现有的疲劳识别方法.
• 该系统在极端驾驶条件下检测疲劳方面表现出卓越的性能.

结论:

• 为关键的驾驶条件建立了物体人工智能 (AIoT) 基础设施.
• 基于物联网的系统优化了数据处理,降低了计算复杂性.
• 这项研究能够准确及时检测疲劳,从而有可能减少道路死亡人数.