动态跨领域转移学习用于驾驶员疲劳监测:多模式传感器融合与自适应实时个性化

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 运输安全运输安全

背景情况:

• 驾驶员疲劳是道路交通事故的主要原因,需要先进的监控系统.
• 现有的疲劳检测模型与环境变化,传感器不一致性和个体差异作斗争,限制了现实世界的应用.
• 目前的系统缺乏对实时传感器质量下降和数据丢失的弹性.

研究的目的:

• 开发一个强大的和适应性疲劳监测框架,使用多模式传感器数据融合.
• 克服当前系统在概括,传感器可变性和实时数据方面的局限性.
• 通过提高疲劳检测可靠性和适应性来提高驾驶员安全.

主要方法:

• 一个整体的动态跨领域转移学习框架,集成脑电图 (EEG),心电图 (ECG) 和视频数据.
• 域对抗神经网络用于跨域特征不变性.
• 适应性跨模态注意 (ASF-变压器) 提供有效的传感器数据融合.
• 动态传感器质量评估 (GMSN) 和在线个性化微调 (OPFT) 进行实时调整.

主要成果:

• 在目标域实现了85-90%的准确性,保持了高达20%的传感器丢失的稳定性.
• 跨领域准确性提高了高达15%,适应差距低于5%.
• 传感器的融合精度提高了5-8%,强大到模式下降.
• 在线个性化微调在2小时内提高了5-7%的准确性,延迟<50ms.

结论:

• 拟议的框架显著提高了驾驶员疲劳监测的可靠性,适应性和实时可行性.
• 解决关键挑战,包括域变性,传感器质量问题和个人驾驶员个性化.
• 在动态,现实世界的驾驶条件下为驾驶员安全提供了实质性的进步.