通过LSTM检测驾驶员昏昏欲睡的多步过渡概率的EEG量化和
Mohammad Saleh Rayani1, Hojat Ghimatgar1, Mojtaba Mansorinejad1
1Computational Neuroscience Laboratory, ICT Research Institute, Faculty of Intelligent Systems Engineering and Data Science, Persian Gulf University, 7516913817, Bushehr, Iran; Department of Electrical Engineering, Faculty of Intelligent Systems Engineering and Data Science, Persian Gulf University, Bushehr, 75169-138, Iran.
这项研究引入了一种新的方法,用于使用脑电图 (EEG) 信号检测驾驶员的昏昏欲睡. 该方法将信号量化与隐藏马尔科夫模型 (HMM) 和长短期记忆 (LSTM) 网络相结合,以提高准确性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 通过脑电图 (EEG) 检测驾驶员的昏昏欲睡是复杂的,因为个人的大脑活动变化.
- 现有的方法在准确地从EEG数据中捕捉昏昏欲睡的细微差别方面面临挑战.
研究的目的:
- 开发一种先进的功能提取管道,用于使用EEG检测驾驶员的昏昏欲睡.
- 提高嗜睡检测系统的准确性和可靠性.
主要方法:
- EEG数据的规范化和量子化到离散水平.
- 使用多个隐藏马尔科夫模型 (HMMs) 模拟转换概率,并具有不同的时间步骤转移.
- 从HMM发射概率作为特征中提取Shannon,Renyi,Tsallis和Min的.
- 使用长短期记忆 (LSTM) 网络对警觉或昏昏欲睡状态进行分类.
主要成果:
- 提出的方法实现了高精度 (例如,在平衡的数据集上91.23%) 优于现有的机器学习和深度学习技术.
- 度分析确定了对检测至关重要的关键EEG通道 (Oz) 和参数 (时间步骤转移,量子化水平).
- 奥兹频道展示了74.66%的最先进的单频道精度.
结论:
- 信号量化与过渡概率的相结合,提供了一种强大的方法来提取有意义的EEG特征来检测嗜睡.
- 开发的特征提取算法显著区分了昏昏欲睡和警觉状态.
- 这项研究强调了通过先进的EEG分析来提高驾驶员安全的有希望的方向.
更多相关视频
04:13Computer-based Multitaper Spectrogram Program for Electroencephalographic Data
Published on: November 13, 2019
04:54Author Spotlight: IntelliSleepScorer — A High-Accuracy, Accessible GUI Software for Automated Sleep Stage Scoring in Mice and its Application in Psychiatric Research
Published on: November 8, 2024