一种新的混合方法用于检测昏昏欲睡,使用EEG脑电图表来克服主体间的变量
Aymen Zayed1,2,3, Nidhameddine Belhadj4, Khaled Ben Khalifa2,5
1Service d'électronique et de Microélectronique, University of Mons, 7000 Mons, Belgium.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
使用卷积神经网络 (CNN) 和支持矢量机器 (SVM) 的新混合方法有效地检测电脑电图 (EEG) 信号的昏昏欲睡. 这种方法显著提高了准确性,并减少了提高工作场所安全性的变化.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 职业安全 在职业安全.
背景情况:
- 昏昏欲睡是各种行业事故的主要危险因素.
- 脑电图 (EEG) 提供直接测量大脑活动以检测昏昏欲睡.
- 脑电图信号的非静止性和主体间的变性对准确的检测提出了挑战.
研究的目的:
- 开发一种使用EEG信号的可靠的嗜睡检测方法.
- 为了应对EEG信号变异性的挑战,并提高检测精度.
- 将一种新型混合CNN-SVM方法与现有方法进行比较.
主要方法:
- 一个混合框架,将卷积神经网络 (CNN) 结合起来,用于特征提取和支持矢量机器 (SVM) 进行分类.
- 利用连续波段变换 (CWT) 来生成CNN特征提取的2DEEG脑电图.
- 将拟议的CNN-SVM模型与DROZY数据集上的1D CNN和转移学习模型 (VGG16,ResNet50) 进行了比较.
主要成果:
- 混合CNN-SVM模型在昏昏欲睡检测方面实现了98.33%的高精度.
- 拟议的方法显著优于1D CNN和转移学习模型.
- 该方法在尽量减少主体间的变化方面表现出有效性.
结论:
- 混合CNN-SVM方法为基于EEG的昏昏欲睡检测提供了一个强大而准确的解决方案.
- 这种方法具有显著的潜力,可以提高高风险职业环境中的安全性.
- 使用2D脑电图表与CNN是未来研究的一个有希望的方向.
