纵向人工智能用于认知疲劳检测的探索性分析,使用基于神经生理学的生物信号数据
Sameer Nooh1, Mahmoud Ragab2, Rania Aboalela3
1Information Systems Department, Faculty of Computing and Information Technology , King Abdulaziz University, Jeddah , 21589, Saudi Arabia.
Scientific reports
|May 5, 2025
概括
这项研究引入了一种人工智能方法,使用生物信号检测认知疲劳. EALAI-CFDNBD模型实现了97.59%的准确性,为更好的可穿戴式疲劳监测铺平了道路.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 可穿戴技术可穿戴技术
背景情况:
- 由压力引起的认知疲劳会影响注意力和表现.
- 在现实世界中监测认知疲劳对于管理休息和表现至关重要.
- 现有的方法通常依赖于复杂的生物信号 (EEG,EOG) 和人工智能来识别模式.
研究的目的:
- 通过使用神经生理学基于生物信号数据 (EALAI-CFDNBD) 方法引入用于认知疲劳检测纵向人工智能的探索性分析.
- 使用神经生理学生物信号数据检测认知疲劳.
- 开发更有效,更少的侵入性可穿戴设备用于认知疲劳跟踪.
主要方法:
- 使用线性缩放规范化 (LSN) 来进行输入特征缩放.
- 采用二进制奥林匹克优化算法 (BOOA) 进行功能选择.
- 使用图形卷积自编码器 (GCA) 分类器来检测疲劳.
- 应用多目标河马优化 (MOHO) 用于超参数调整.
主要成果:
- EALAI-CFDNBD模型在检测认知疲劳方面表现出高准确度.
- 在MEFAR数据集的实验验证结果显示,精度高达97.59%.
- 这种方法有效地减少了数据维度,并优化了模型超参数.
结论:
- EALAI-CFDNBD方法对准确的认知疲劳检测有显著的前景.
- 这种人工智能驱动的方法可以增强用于疲劳监测的可穿戴设备的开发.
- 这些发现对认知表现至关重要的高需求环境有影响.
