深度ATM DL-LSTM:一种具有双层LSTM架构的新型自适应值模型,用于使用皮肤导电信号实时检测驾驶员的昏昏欲睡

科学领域:

• * 物理计算和机器学习,以提高道路安全.
• * 开发用于生物信号的先进信号处理技术.

背景情况:

• * 现有的驾驶员昏昏欲睡检测系统在皮肤行为 (SC) 信号的自适应值方面扎,原因是性和相性反应的特征提取不足.
• *交感神经系统控制的SC反应提供了对嗜睡的洞察力,但易受噪音的影响,降低了检测准确度.
• * 个体间的变化和信号扭曲对可靠的嗜睡检测提出了挑战.

研究的目的:

• * 提出一种基于深度学习的新型自适应值模型,采用双层长短期记忆 (LSTM) 架构 (Deep-ATM DL-LSTM).
• * 增强SC信号的自适应值,以提高嗜睡检测的准确性.
• * 解决当前机器学习模型在驾驶员监控中处理SC信号方面的局限性.

主要方法:

• * 实现双层LSTM架构,以计算SC有力和相应响应的动态值.
• * 利用第一个LSTM层提取全球和区域SC特征.
• * 采用第二层LSTM来处理昏昏欲睡状态的时间差异和软max层进行分类.

主要成果:

• * Deep-ATM DL-LSTM 模型实现了96.4%的准确度和0.978的AUC-ROC,超过了标准的机器学习和LSTM模型.
• * 该系统在各种驾驶条件 (白天/夜晚,城市/高速公路,雨/) 中表现出强大的性能,恶劣天气的影响最小.
• *在临界水平达到前7.5分钟早期检测到昏昏欲睡,在所有昏昏欲睡状态中获得高F1分数.

结论:

• * Deep-ATM DL-LSTM 模型有效地解决了SC信号中的个人间的变化和信号扭曲,以准确检测昏昏欲睡.
• * 拟议的系统为驾驶员监控提供了一个实际的解决方案,克服了行为和其他基于生理学的方法的局限性.
• *这种方法通过早期和准确的检测,在减少因昏昏欲睡的道路交通事故方面取得了重大进展.