基于在小样本条件下的多尺度波段包式卷积网络的驾驶疲劳检测研究
1School of Health and Engineering, University of Shanghai for Science and Technology, Shanghai, China.
Computer methods in biomechanics and biomedical engineering
|October 21, 2025
概括
这项研究引入了一种新的多尺度波段包启发卷积网络 (MWPICNet),用于基于脑电图 (EEG) 的精确驾驶疲劳检测,即使在有噪音数据的情况下也能实现高性能.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 驾驶疲劳会造成严重的安全风险.
- 使用脑电图 (EEG) 信号精确检测疲劳对于驾驶员的安全至关重要.
- 现有的方法可能会在噪音大的EEG数据和复杂的特征提取方面扎.
研究的目的:
- 提出一个新的深度学习网络,MWPICNet,用于使用EEG信号增强驾驶疲劳检测.
- 为了提取强大的时间频率特征,表明疲劳.
- 提高疲劳检测系统的准确性和可靠性.
主要方法:
- 开发一个多尺度波段包启发的卷积网络 (MWPICNet).
- 交替的多尺度波纹包卷积和软值激活层用于特征提取.
- 结合频段权重和全球功率聚合来增强特征识别.
- 在SEED-VIG和SADT数据集上进行验证.
主要成果:
- MWPICNet实现了98.67% (SEED-VIG) 和99.39% (SADT) 的高检测精度.
- 网络在严重的噪音干扰下保持了超过95%的准确性.
- 与传统的CNN和GCN方法相比,MWPICNet表现出更高的性能,精度分别提高了5.99%和4.79%.
结论:
- MWPICNet为基于EEG的驾驶疲劳检测提供了一种强大而稳健的解决方案.
- 拟议的网络有效地提取了疲劳评估的突出时间频率特征.
- 这种方法对实时驾驶员监控系统有很大的潜力,可以提高道路安全.
