基于流形级增强的免校准驾驶员 drowsiness 分类
信号处理
2022-12-29 v1 人机交互
机器学习
摘要
drowsiness 会降低注意力并增加反应时间，从而导致致命的道路交通事故。通过脑电图（EEG）监测驾驶员的 drowsiness 水平并采取措施可预防道路交通事故。EEG 信号能有效监测驾驶员的精神状态，因为它们可以监测大脑动态。然而，由于 EEG 信号在受试者之间和受试者内部存在差异，因此需要提前进行校准。由于不便，校准降低了脑机接口（BCI）的可及性。开发通用分类模型类似于域泛化，其克服了域偏移问题。特别是数据增强常被使用。本文提出一种利用流形级增强进行驾驶员 drowsiness 状态分类的免校准框架。该框架通过利用特征增加了源域的多样性。我们尝试了多种增强方法来改善泛化性能。根据实验结果，我们发现具有更小核尺寸的更深模型提高了泛化能力。此外，在流形级应用增强带来了显著的改进。该框架展示了免校准 BCI 的能力。
引用
@article{arxiv.2212.13887,
title = {Calibration-Free Driver Drowsiness Classification based on Manifold-Level Augmentation},
author = {Dong-Young Kim and Dong-Kyun Han and Hye-Bin Shin},
journal= {arXiv preprint arXiv:2212.13887},
year = {2022}
}
备注
Submitted to 2023 11th IEEE International Winter Conference on Brain-Computer Interface