机构名称：
¥ 1.0
摘要 — 准确检测驾驶员的注意力状态有助于开发辅助技术，实时应对意外危险，从而提高道路安全。本研究比较了几种根据参与者大脑活动训练的注意力分类器的性能。参与者在沉浸式模拟器中执行驾驶任务，其中汽车随机偏离巡航车道。他们必须纠正偏差，他们的反应时间被视为注意力水平的指标。参与者在两个环节中重复该任务；在一个环节中他们收到动觉反馈，在另一个环节中没有反馈。利用他们的脑电图信号，我们训练了三个注意力分类器；一个使用脑电图谱带功率的支持向量机（SVM），以及一个使用光谱特征或原始脑电图数据的卷积神经网络（CNN）。我们的结果表明，在动觉反馈下获得的原始脑电图数据上训练的 CNN 模型实现了最高的准确率（89%）。虽然使用参与者自己的大脑活动来训练模型可以获得最佳性能，但跨主体迁移学习仍然表现良好（75%），这为无校准脑机接口 (BCI) 系统带来了希望。我们的研究结果表明，CNN 和原始 EEG 信号可用于有效训练被动 BCI，以实现实时注意力分类。
Microsoft Word - 2361482021150869基于EEG的CNN驾驶员注意力分类.docx
主要关键词
相关文件推荐
