一个基于多模式功能结构的图形神经网络,用于疲劳检测
相关实验视频
Updated: Sep 15, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.8K
Dongrui Gao1, Zhihong Zhou1, Zongyao Peng2
1School of Computer Science, Chengdu University of Information Technology, Chengdu, 610225, China.
Brain research bulletin
|July 16, 2025
概括
这项研究引入了一种新方法,通过结合电脑图 (EEG) 和心电图 (ECG) 信号来检测疲劳. 该框架有效地捕捉了多模式疲劳特征,为疲劳分类提供了一个新的解决方案.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 疲劳检测至关重要,多式联通融合显示出希望.
- 现有的方法往往忽视了信号之间的功能连接.
- 整合脑电图 (EEG) 和心电图 (ECG) 提供了一个更丰富的数据源.
研究的目的:
- 提出一个新的多式联运疲劳分类框架,整合EEG和ECG信号.
- 为了解决多式联通式疲劳检测中俯功能连接的局限性.
- 通过捕捉信号间相互作用来提高疲劳分类的准确性.
主要方法:
- 从电脑脑脑电图中提取差异 (DE) 和心率变化 (HRV) 从心电图作为双输入流.
- 使用相关系数,拉普拉斯特有值和奇数值分解 (SVD) 构建跨模态相互作用图.
- 在图形神经网络中采用内部和通道间可分离的卷积模块,用于深度模式提取和自适应通道权重.
主要成果:
- 该框架有效地捕捉了表明疲劳状态的多式联运特征.
- 实验使用64通道 (63 EEG + 1 ECG) 和17通道 (16 EEG + 1 ECG) 配置进行.
- 执行了二进制和四类疲劳分类任务,证明了框架的有效性.
结论:
- 拟议的框架成功地整合了EEG和ECG信号来检测疲劳.
- 它有效地捕捉了多式联网信号之间的功能连接和深度交互模式.
- 这为多模式疲劳分类提供了新的有效解决方案.
