MSDA-Net:用于基于EEG的驾驶员疲劳检测的多尺度时空双重注意网络
Isah Bello1, Moeed Sehnan1, Weidong Dang1
1School of Electrical and Information Engineering, Tianjin University, Tianjin, China.
Journal of sleep research
|October 30, 2025
概括
司机疲劳造成了严重的道路安全风险. 一个新的多尺度时空双重注意网络 (MSDA-Net) 通过电脑电图 (EEG) 信号有效地检测疲劳.
科学领域:
- 神经科学是一个神经科学.
- 道路交通安全 道路交通安全
- 机器学习 机器学习
背景情况:
- 驾驶员疲劳是道路交通事故的主要原因,全球约有20%的致命事故.
- 电脑电图 (EEG) 信号对于检测疲劳至关重要,但现有的方法难以处理复杂的时空模式.
- 需要先进的信号处理和深度学习来准确地建模EEG用于疲劳评估.
研究的目的:
- 开发一种先进的深度学习模型,用于准确检测驾驶员疲劳.
- 为了解决捕获复杂的时空EEG动态现有方法的局限性.
- 通过提供可靠的疲劳监测解决方案来提高道路安全.
主要方法:
- 拟议的MSDA-Net:一个多尺度的时空双重注意网络.
- 集成的多尺度CNN,GRU和双重注意力机制,用于空间和时间特征的动态优先级.
- 从原始EEG信号中使用4D微分特征提取方法.
主要成果:
- 在SEED-VIG数据集上,MSDA-Net实现了最先进的性能.
- 该模型的性能明显优于现有的疲劳检测方法.
- 在EEG数据中有效捕获关键的时空模式.
结论:
- 使用EEG,MSDA-Net提供了一种新且有效的驾驶员疲劳检测方法.
- 这些发现为该领域的大脑疲劳研究和开发提供了宝贵的见解.
- 这项技术有可能显著提高道路安全.
