机构名称：
¥ 1.0
摘要 — 在基于脑电图 (EEG) 的驾驶员困倦识别中，设计免校准系统仍然具有挑战性，因为 EEG 信号在不同的受试者和记录会话之间差异很大。人们已经做出了许多努力来使用深度学习方法从 EEG 信号中识别心理状态。然而，现有的工作大多将深度学习模型视为黑盒分类器，而模型学到了什么以及它们在多大程度上受到 EEG 数据中噪声的影响仍未得到充分探索。在本文中，我们开发了一种新型卷积神经网络，并结合了一种解释技术，可以对重要特征进行样本分析以进行分类。该网络结构紧凑，利用可分离卷积以时空序列处理 EEG 信号。结果表明，该模型在 11 个受试者的留一法跨受试者困倦识别中实现了 78.35% 的平均准确率，高于传统基线方法的 53.40%-72.68% 和最先进的深度学习方法的 71.75%-75.19%。解释结果表明，该模型已经学会从脑电信号中识别出具有生物学意义的特征，例如 Alpha 主轴，作为不同受试者困倦的强有力指标。此外，我们还利用解释技术探索了一些错误分类样本背后的原因，并讨论了提高识别准确率的潜在方法。我们的工作展示了使用可解释的深度学习模型从复杂的脑电信号中发现与不同心理状态相关的有意义模式的有希望的方向。
基于脑电图的跨受试者驾驶员困倦识别...
主要关键词
相关文件推荐
