疲劳网:一种混合图形神经网络和变压器框架,用于实时多式联络式疲劳检测
Seyyed Ali Zendehbad1, Jamal Ghasemi2, Farid Samsami Khodadad3
1Faculty of Engineering & Technology, University of Mazandaran, Babolsar, Iran.
Scientific reports
|October 1, 2025
概括
多式联络框架FatigueNet使用ECG,EDA,EMG和眼等生物信号准确检测疲劳. 这种先进的系统提供了低延迟的实时监控,改进了当前的疲劳分类模型.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 疲劳带来了复杂的挑战,影响了认知,身体和情绪的健康.
- 目前的疲劳分类模型与生物信号多样性和相互依赖性作斗争.
- 需要先进的框架来准确检测和监测疲劳水平.
研究的目的:
- 引入FatigueNet,一种用于疲劳分类的新型多式联运框架.
- 通过整合多样化的生物信号和复杂的信号相互依赖来解决当前模型的局限性.
- 开发一个能够实时监测疲劳的端到端系统.
主要方法:
- 使用了图形神经网络 (GNN) 和变压器架构的组合.
- 从心电图 (ECG),皮肤活动 (EDA),肌电图 (EMG) 和眼信号中提取动态特征.
- 采用适应性特征调整和元学习门分布来捕捉时间,空间和上下文关系.
主要成果:
- 与MePhy数据集上的现有基准相比,FatigueNet表现优越.
- 该模型准确地检测了四个不同的类别的疲劳水平.
- 实现了端到端延迟50ms每20s窗口,证明了实时能力.
结论:
- 疲劳网络通过有效处理信号多样性和相互依赖性,为疲劳分类提供了改进的方法.
- 该框架的实时性能使其适用于实际的疲劳监测应用.
- 多式联网方法超越了依赖于手动特征工程或单一信号源的传统方法.
