相关实验视频
Updated: Jan 11, 2026

07:52
Revised and Neuroimaging-Compatible Versions of the Dual Task Screen
Published on: October 5, 2020
3.9K
基于EEG的驾驶疲劳检测的双域融合图形卷积网络
Hui Xiong1,2, Shuaiqi Chang1,2, Jinzhen Liu1,2
1School of Control Science and Engineering, Tiangong University, Tianjin, China.
The European journal of neuroscience
|November 18, 2025
概括
一个新的双域融合图卷积网络 (DDFGCN) 模型通过分析大脑拓学,通过使用脑电图 (EEG) 改进了驾驶疲劳检测. 这种先进的方法通过更准确的疲劳状态预测,提高了道路安全.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 道路安全工程 道路安全工程
背景情况:
- 驾驶疲劳是交通事故的主要原因之一.
- 电脑电图 (EEG) 提供客观而准确的疲劳检测.
- 现有的EEG方法不足以利用大脑拓和电极间信息.
研究的目的:
- 提出一种新的双域融合图卷积网络 (DDFGCN) 模型,用于增强驾驶疲劳检测.
- 为了利用本地和全球大脑连接,实现多层次的特征聚合.
- 提高基于EEG的疲劳检测系统的准确性和可靠性.
主要方法:
- 利用多尺度的时间卷积来提取动态EEG特征.
- 开发了两种脑图构建方法,以捕捉本地和全球道依赖.
- 集成功能和用于疲劳状态预测的分类模块.
主要成果:
- 在SADT数据集上达到94.67%的高准确率,在SEED-VIG数据集上达到95.6%.
- 与现有方法相比,证明了优越的分类性能.
- 验证了模型整合本地大脑活动和远程依赖的能力.
结论:
- DDFGCN模型有效地增强了整个头皮的关系建模,以改善疲劳检测.
- 这种方法为疲劳驾驶检测技术提供了一个有前途的新方法.
- 这些发现强调了在基于EEG的疲劳分析中考虑大脑拓学的重要性.

