FFTNet:基于fNIRS的频率增强补丁网络用于驾驶疲劳检测
Yu Li1, Xudong Jia2, Yu Sun3
1School of Electronics and Information Engineering, Wuyi University, Jiangmen, China.
概括
这项研究引入了一种使用功能近红外光谱 (fNIRS) 和深度学习的新方法,通过分析时间和频域大脑信号来准确检测驾驶疲劳.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 驾驶疲劳会带来严重的安全风险.
- 功能近红外光谱 (fNIRS) 为监测大脑活动提供了一种便携式,非侵入式的方法.
- 对于fNIRS数据的深度学习模型通常难以捕获本地时间细节和全球依赖关系,并且通常忽略频率域信息.
研究的目的:
- 开发一种先进的fNIRS信号建模方法,用于增强驾驶疲劳检测.
- 为了有效地整合时间和频域特征,提高准确性和稳定性.
- 通过大脑激活和功能连接分析,研究导致驾驶疲劳的神经机制.
主要方法:
- 提出了一种新的fNIRS信号建模方法,包括结构化编码和频域特征增强.
- 采用补丁嵌入和补丁合并用于多尺度的时间特征提取.
- 引入了可学习的基于富里埃的频率权衡机制,并融合了时间和频率域特征.
- 进行了大脑激活和功能连接分析,以探索神经机制.
主要成果:
- 提出的方法显著提高了驾驶疲劳状态识别的准确性和稳定性.
- 频域权重的可视化证实了模型捕捉个性化和全球光谱特征的能力.
- 在疲劳期间,大脑激活模式揭示了神经资源耗尽 (负HbO) 和补偿机制 (正HbR).
- 功能连接分析表明HbO集成增强,并在疲劳时减少HbR同步.
结论:
- 综合时间和频域fNIRS建模方法提高了驾驶疲劳的检测.
- 驾驶疲劳涉及复杂的神经生理调节,包括功能补偿和失调.
- 这项研究提供了全面的洞察力,了解驾驶疲劳如何影响大脑功能和连接.
