基于EEG信号预测驾驶员疲劳程度的研究

科学领域:

• 神经科学和人工智能 人工智能
• 交通安全与人类因素

背景情况:

• 司机疲劳是道路交通事故的一个重要因素.
• 准确预测疲劳对于主动安全干预至关重要.

研究的目的:

• 开发一种深度学习模型,使用脑电图 (EEG) 信号和百分比闭眼 (PERCLOS) 来预测驾驶员疲劳.
• 评估不同EEG特征对疲劳预测准确性的影响.
• 为了评估新型混合模型的性能,CTL-ResFNet.

主要方法:

• 开发了一个混合深度学习模型 (CTL-ResFNet),结合了CNN,变压器编码器,LSTM和剩余连接.
• 模型的有效性是使用Leave-One-Out交叉验证 (LOOCV) 和预训练微调范式来验证的.
• 使用根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 评估了四个EEG特征的性能:差异,α/β频段功率比,波束和赫斯特指数.

主要成果:

• 与单独使用PERCLOS相比,使用EEG和PERCLOS数据的综合方法显著改善了疲劳预测.
• 在这两种实验范式中,CTL-ResFNet模型的表现优于基线模型.
• 在LOOCV中,α/β频段功率比是最有效的EEG特征,而在预训练-微调中,差异度表现最好.

结论:

• 成功开发了一种高性能混合深度学习框架,用于驾驶员疲劳预测.
• 在实验范式中确定了EEG特征适用性的显著差异.
• 结果为EEG特征选择和模型部署在现实世界驾驶员疲劳监测系统中提供了实际指导.