SET-DGCN:一个基于脑电图的端到端疲劳检测方法,用于年轻驾驶员
Yang Cao1, Tiantian Chen2, Ke Han3
1Institute of Smart City and Intelligent Transportation, Southwest Jiaotong University, Chengdu, Sichuan 611756, China.
Accident; analysis and prevention
|November 15, 2025
概括
司机疲劳是道路安全的一个主要风险. 一个新的基于EEG的模型,SET-DGCN,准确地检测年轻司机的疲劳,从而实现更好的安全政策.
科学领域:
- 神经科学是一个神经科学.
- 运输安全运输安全
- 人工智能的人工智能
背景情况:
- 司机疲劳是全球道路安全的一个重大问题,尤其是年轻司机.
- 目前的政策干预受到缺乏可靠的疲劳检测技术的限制.
- 准确,可解释,实时的疲劳监测对于运输安全管理至关重要.
研究的目的:
- 开发一个端到端基于EEG的疲劳检测模型.
- 提高驾驶员疲劳监测系统的准确性和可解释性.
- 为政策和设计建议提供可操作的见解,以减轻驾驶员疲劳.
主要方法:
- 提出了一个基于EEG的疲劳检测模型:扩展式变压器和动态图卷积网络 (SET-DGCN).
- 集成的卷积嵌入,注意力机制和可学习的图形结构,以捕捉时间和空间的大脑相互作用.
- 使用组件级归因 (COAR) 和夏普利添加式解释 (SHAP) 进行模型解释性和大脑模式分析.
主要成果:
- 与CNN,GCN和变压器模型相比,SET-DGCN显示出更高的精度和F1得分.
- 该模型显示了强大的跨主题概括能力.
- 确定了与不同疲劳阶段相关的大脑区域特定的模式.
结论:
- SET-DGCN模型为基于EEG的驾驶员疲劳检测提供了可靠和可解释的解决方案.
- 模型中的神经洞察力支持针对年轻驾驶员安全的多层次政策和设计建议.
- 这些发现为缓解现实运输环境中的疲劳提供了框架.
