ASFT-变压器:基于EEG的飞行员疲劳识别的快速而准确的框架
Jiming Liu1, Yi Zhou2, Qileng He1
1College of Civil Aviation, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
这项研究介绍了ASFT-Transformer,这是一个新的框架,可以使用电脑电图 (EEG) 信号准确检测飞行员疲劳. 该方法显著提高了准确性,减少了培训时间,提高了航空安全.
科学领域:
- 神经科学与航空安全
- 生物医学信号处理
- 机器学习在航空领域
背景情况:
- 对飞行员疲劳的客观评估对于航空安全至关重要.
- 电脑电图 (EEG) 对疲劳检测有希望,但在原始信号分析方面面临挑战 (数据量,训练时间,过度装配).
- 现有的基于特征的方法缺乏有效的特征和频道选择,导致冗余和精度降低.
研究的目的:
- 提出ASFT-Transformer,一个用于快速准确的飞行员疲劳检测的框架.
- 解决直接基于原始EEG和低效的基于特征的方法的深度学习的局限性.
- 为管理飞行员疲劳和提高飞行安全提供一个客观的工具.
主要方法:
- 从四个EEG频段中提取时间域和频域特征.
- 实施使用ANOVA-SVM的特征和频道选择策略,以确定相关特征和EEG频道.
- 在选定的特征上使用FT-Transformer模型进行分类,将疲劳检测重新定义为表格数据分类问题.
主要成果:
- ASFT-Transformer实现了高平均精度:97.24% (交叉剪辑) 和87.72% (交叉主题).
- 功能和频道选择策略的准确性分别提高了2.45%和8.07%.
- 训练时间从1个多小时大幅缩短到不到10分钟.
结论:
- 在现有的机器学习和深度学习模型中,ASFT-Transformer为飞行员疲劳检测提供了显著的改进.
- 拟议的方法提高了识别效率和准确性,同时大幅减少了计算时间.
- 该框架为航空当局和运营商提供了一种有价值的工具,以客观地管理飞行员疲劳并加强飞行安全.
