XiaoMi-AI文件搜索系统
World File Search System嗜睡
在社区样本中，自我报告的嗜睡与大脑和皮质体积增大以及缺血性隐性脑梗塞患病率降低有关
据观察，自我报告的嗜睡是许多睡眠障碍和健康状况（如痴呆和中风）的结果。然而，当白天嗜睡与睡眠障碍、睡眠不足或疾病无关时，它与大脑衰老和缺血性损伤标志之间的关联仍不清楚。本文表明，在调整大量混杂因素（如睡眠障碍和习惯性睡眠模式、心血管风险因素和抑郁症）后，自我报告的白天嗜睡程度越高，大脑和皮质灰质总体积越大，出现隐性脑梗塞的风险就越低。我们的研究结果挑战了这样一种观点，即白天嗜睡是大脑健康状况较差的标志，除非它能用其他病理或睡眠障碍来解释。
使用机器学习进行基于脑电图的嗜睡预测
困倦是道路交通事故的主要原因，它会导致严重的身体伤害、死亡和重大的经济损失。为了监测驾驶员困倦程度，先前的研究使用了行为测量、车辆测量、生理测量和混合测量等各种方法。本文主要关注预测驾驶员困倦的生理方法。有几种生理方法来预测困倦。在这些方法中，脑电图是测量受试者大脑活动的非侵入性生理方法之一。从人体头皮提取的脑电信号会根据各种特征进行分析，并用于预测困倦、疲劳等各种健康应用。所提出系统的主要目标是及早高精度地预测驾驶员困倦程度，因此我们将工作分为两个步骤。第一步是收集基于脑电图的眼睛状态（睁眼和闭眼）的公开数据集，其中信号采集过程由 Emotiv EEG Neuroheadset（14 个电极）完成，并分析了各种特征工程技术和统计技术。第二步应用机器学习分类模型 K-NN 并使用基于性能的预测模型。在现有系统中，他们使用各种机器学习分类模型（如 K-NN 和 SVM）进行 EEG 眼状态分类，结果约为 80% -97%。与现有系统相比，我们提出的方法使用不同的特征工程流程和分类模型（如 K-NN）生成了更好的分类模型来预测驾驶员困倦程度，从而产生了 98% 的准确率。
针对嗜睡检测的可用低成本EEG耳机的系统评价
嗜睡是交通事故和工业事故的主要原因，使生活和生产力造成了损失。脑电图（EEG）信号可以反映意识和专注力，而低成本的消费者EEG耳机在市场上可用。将这些设备用作嗜睡探测器可以增加针对小型企业和发展中国家的安全性和生产力提高设备的可及性。我们对当前可用的低成本，基于脑电图的嗜睡检测系统进行了系统评价。我们试图确定是否可以可靠地用作消费者脑电图的脑电图。我们包括了记录的案例，描述了使用基于消费者的EEG设备，包括Neurosky Mindwave，Interaxon Muse，Emotiv Epoc，Emotiv Insight和OpenBCI。46项相关研究，约27个报告了精度得分。 其中最低的是神经性思维自我，最低31％。 通过OpenBCI研究，报告的第二最低精度为79.4％。 在许多情况下，算法优化仍然是必要的。 精确计算，系统校准和嗜睡的不同定义的不同方法使直接比较有问题。 但是，即使是基本特征，例如脑电带的功率谱，也能够始终如一地检测到嗜睡。 每个特定设备都有自己的功能，权衡和限制。 广泛使用的光谱特征即使使用低成本的消费者设备也可以实现成功的嗜睡检测。但是，可靠性问题仍必须在职业环境中解决。46项相关研究，约27个报告了精度得分。其中最低的是神经性思维自我，最低31％。通过OpenBCI研究，报告的第二最低精度为79.4％。在许多情况下，算法优化仍然是必要的。精确计算，系统校准和嗜睡的不同定义的不同方法使直接比较有问题。但是，即使是基本特征，例如脑电带的功率谱，也能够始终如一地检测到嗜睡。每个特定设备都有自己的功能，权衡和限制。广泛使用的光谱特征即使使用低成本的消费者设备也可以实现成功的嗜睡检测。但是，可靠性问题仍必须在职业环境中解决。