运算数

原创研究 AGL-Net：基于脑电图的驾驶员疲劳检测高效神经网络

背景：近年来，由于全球道路上车辆的激增，道路交通安全已成为一个突出问题。驾驶员疲劳检测的挑战在于平衡检测过程的效率和准确性。虽然有各种检测方法，但脑电图 (EEG) 被认为是黄金标准，因为它在检测疲劳方面具有很高的精度。然而，基于 EEG 疲劳检测的深度学习模型受到其大量参数和低计算效率水平的限制，因此难以在移动设备上实现它们。方法：为了克服这一挑战，本文提出了一种基于注意力的 Ghost-LSTM 神经网络 (AGL-Net) 用于基于 EEG 的疲劳检测。AGL-Net 利用注意力机制关注相关特征，并结合 Ghost 瓶颈来有效提取空间 EEG 疲劳信息。使用长短期记忆 (LSTM) 网络提取时间 EEG 疲劳特征。我们建立了两种类型的模型：回归模型和分类模型。在回归模型中，我们使用线性回归来获得回归值。在分类模型中，我们根据从回归获得的预测值对特征进行分类。结果：AGL-Net 比现有的深度学习模型表现出更高的计算效率和更轻量级的设计，其每秒浮点运算数 (FLOPs) 和 Params 值分别为 2.67 M 和 103,530 证明了这一点。此外，AGL-Net 使用上海交通大学 (SJTU) 情绪脑电图数据集 (SEED)-VIG 疲劳驾驶数据集实现了约 87.3% 的平均准确率和约 0.0864 的平均均方根误差 (RMSE)，表明其具有先进的性能。结论：使用 SEED-VIG 数据集进行的实验证明了所提出的疲劳检测方法的可行性和先进性能。通过彻底的消融实验验证了每个 AGL-Net 模块的有效性。此外，Ghost 瓶颈模块的实现大大提高了模型的计算效率。总体而言，该方法比现有的疲劳检测方法具有更高的精度和计算效率，具有相当的实际应用价值。