在联邦学习框架中的可扩展性和适应性的评估,以实现强大的驾驶员压力监测
概括
联合学习 (FL) 使用生理信号有效检测驾驶员的压力,提供一种保护隐私的方法. 独立于主体的FL模型实现了高精度,证明了现实应用的潜力.
科学领域:
- 计算神经科学是一种计算神经科学.
- 机器学习是机器学习.
- 生物医学工程 生物医学工程
背景情况:
- 驾驶需要不断的注意力,但外部因素的压力会损害性能.
- 针对驾驶员压力检测的集中式机器学习引发了有关生理数据的隐私问题.
- 联合学习 (FL) 为协作模式培训提供了一种保护隐私的方法.
研究的目的:
- 评估使用联合学习用于驾驶员压力检测的可行性.
- 为实时压力监测开发一个保护隐私的机器学习框架.
- 通过使用多模体生理信号来评估FL模型的性能.
主要方法:
- 收集了20名驾驶员在各种驾驶场景中的多模式生理信号 (心电图,呼吸,加速度计).
- 实施了分散的联合学习框架,采用了改进的ResNet模型.
- 使用主体依赖和主体独立学习范式评估模型性能.
主要成果:
- 联合学习模型在检测驾驶员压力状态方面取得了很高的准确性.
- 独立于对象的FL模型在未见对象中表现出强烈的概括性,达到97.82%的准确性.
- 与集中式方法相比,FL模型提供了优越的隐私保护和可扩展性.
结论:
- 联合学习是一种可行且有效的隐私保护驾驶员压力检测方法.
- 独立于主体的FL模型显示出在车辆和生物医学应用中实际部署的巨大潜力.
- 拟议的框架支持实时和临床压力监测系统,具有强大的适应能力.
