ECG-EmotionNet:专家的嵌套混合物 (NMoE) 适应ECG-Foundation模型用于驾驶员情绪识别
概括
这项研究介绍了ECG-EmotionNet,这是一种用于在动态驾驶中使用单通道心电图 (ECG) 信号识别驾驶员情绪的新系统. 新的"专家结混合" (NMoE) 适应方法在识别愤怒,恐惧,悲伤和惊喜方面达到70%的准确性.
科学领域:
- 人工智能的人工智能
- 生物医学工程 生物医学工程
- 人与计算机的交互
背景情况:
- 驾驶员情绪识别对于自动驾驶安全和人类与自动驾驶互动至关重要.
- 电心电图 (ECG) 信号为实时情绪监测提供了一个有希望的模式,特别是在动态驾驶中.
- 目前的方法通常需要多通道心电图和静态条件,限制了现实世界的适用性.
研究的目的:
- 开发一种新的架构,ECG-EmotionNet,用于在动态驾驶环境中从单通道ECG信号中准确识别情绪.
- 调整现有的ECG基础模型 (FM),使用适合实时应用的高效有效方法.
- 为了提高电脑效率和ECG特征的表现,用于驾驶员情绪检测.
主要方法:
- 拟议的ECG-EmotionNet架构,适应使用单通道ECG数据的ECG基础模型 (FM).
- 引入了专家嵌套混合 (NMoE) 适应策略,将变压器层和短时间里埃转换 (STFT) 特性视为专家.
- 通过可训练的门机制融合专家嵌入,以有效地捕捉全球和本地ECG特征.
主要成果:
- ECG-EmotionNet的平均主题级分类准确率为70.00%,F1得分为69.26%.
- 与传统的适应方法相比,该系统在具有挑战性的驾驶员情绪数据集上表现出卓越的性能.
- 成功地识别了四种不同的情绪状态:愤怒,恐惧,悲伤和惊喜.
结论:
- 在动态场景中,ECG-EmotionNet为驾驶员情绪识别提供了有效和计算效率高的解决方案.
- NMoE适应方法增强了单通道心电图信号的特征表示,以改善情绪分类.
- 这项工作促进了自动驾驶可靠驾驶员监控系统的发展.
