一种基于可解释性引导的脑电通道选择框架用于驾驶员 drowsiness 检测
信号处理
2023-05-01 v1 人工智能
机器学习
摘要
疲劳驾驶对行车安全有重大影响，催生了对驾驶员 drowsiness 检测的迫切需求。脑电图（EEG）信号能准确反映精神疲劳状态，因而在 drowsiness 监测中被广泛研究。然而，原始 EEG 数据本身具有噪声和冗余性，现有工作仅使用单通道 EEG 数据或全脑通道 EEG 数据进行模型训练，忽视了这一问题，导致驾驶员 drowsiness 检测性能有限。本文首次提出一种用于驾驶员 drowsiness 检测任务的可解释性引导通道选择（ICS）框架。具体而言，我们设计了一种两阶段训练策略，在可解释性引导下逐步选择关键贡献通道。我们在第一阶段使用全脑通道 EEG 数据训练教师网络。然后将类激活映射（CAM）应用于训练好的教师模型以突出高贡献 EEG 通道，并进一步提出通道投票方案以选择前 N 个贡献 EEG 通道。最后，我们在第二阶段使用所选 EEG 数据通道训练学生网络进行驾驶员 drowsiness 检测。实验在公开数据集上设计，结果表明我们的方法具有高度适用性，并能显著提升跨受试者驾驶员 drowsiness 检测性能。
引用
@article{arxiv.2304.14920,
title = {An EEG Channel Selection Framework for Driver Drowsiness Detection via Interpretability Guidance},
author = {Xinliang Zhou and Dan Lin and Ziyu Jia and Jiaping Xiao and Chenyu Liu and Liming Zhai and Yang Liu},
journal= {arXiv preprint arXiv:2304.14920},
year = {2023}
}