[基于图形卷积神经网络和电脑图信号的疲劳识别研究]
概括
这项研究使用脑电图 (EEG) 信号和图形卷积神经网络 (GCNN) 准确检测驾驶员的疲劳. 这种方法实现了高精度,提高了安全驾驶的脑电脑接口.
科学领域:
- 神经科学
- 机器学习
- 人与计算机的交互
背景情况:
- 疲劳驾驶带来了重大的安全风险.
- 电脑电图 (EEG) 是检测驾驶员疲劳的有效生物标志物.
- 现有的方法需要进一步改进,以实时检测疲劳.
研究的目的:
- 开发和验证图形卷积神经网络 (GCNN) 模型,用于分类驾驶状态 (清醒,疲倦,昏昏欲睡).
- 利用SEED-VIG数据集进行可靠的疲劳检测.
- 建立一个可靠的脑电脑接口 (BCI) 进行安全驾驶.
主要方法:
- 使用SEED-VIG数据集包括EEG信号.
- 根据皮尔森相关系数和通道位置设计了一个邻近矩阵.
- 开发并应用GCNN用于使用差异 (DE) 特性对驾驶状态进行分类.
主要成果:
- 在20名受试者中获得了91.66%的平均分类准确度.
- 达到最高分类准确率为98.87%.
- 获得0.83的平均卡帕系数,表明强烈的同意.
结论:
- 拟议的GCNN方法可靠地检测驾驶员的疲劳.
- 这种方法为开发安全驾驶的BCI系统提供了有希望的指导方针.
- 这些发现强调了基于EEG的BCI在提高道路安全方面的潜力.
