使用EEG微态特征和支持矢量机器检测驾驶员疲劳
Zahra Yaddasht1, Kamran Kazemi1, Habibollah Danyali1
1Department of Electrical Engineering, Shiraz University of Technology, Shiraz, Iran.
Journal of biomedical physics & engineering
|December 11, 2025
概括
脑电图 (EEG) 微态分析有效地检测出驾驶员的疲劳. 通过将微状态功能与支持矢量机器 (SVM) 机器学习相结合,实现了98.77%的准确性,提高了交通安全.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 交通安全 交通安全
背景情况:
- 司机疲劳对道路安全构成重大风险.
- 电脑电图 (EEG) 信号提供心理状态的直接测量,使其适合用于疲劳检测.
研究的目的:
- 评估EEG微态分析用于识别驾驶员疲劳的有效性.
- 为了探索正常和疲劳状态之间的微状态特征的变化.
主要方法:
- 使用监督机器学习进行的分析研究,用于检测驾驶员疲劳.
- 从正常和疲劳状态的10名参与者收集的EEG数据.
- 微状态分析从A,B,C,D微状态中提取特征 (持续时间,发生率,覆盖率,MMP).
- 支持矢量机 (SVM) 分类器训练并使用提取的特征进行测试.
主要成果:
- 使用EEG微态特征实现了高分类准确度.
- 微态平均功率 (MMP) 和发生特征的组合产生了最高的准确性.
- 记录的最高分类准确率达到了98.77%.
结论:
- 脑电图微态分析与SVM相结合,是检测驾驶员疲劳的一种可行的方法.
- 这种方法可以集成到实时驾驶员监控和疲劳警报系统中.
- 这项技术的实施可以显著提高道路安全.
