基于在线测试时自适应的无校准EEG驱动睡眠不清检测
机器学习
2025-12-01 v1
摘要
睡眠驾驶是交通事故的主要原因之一，促使近期探索基于脑电图(EEG)的睡眠不清检测系统。然而，由于EEG信号因心理和物理因素而产生的内在变异性，导致需要繁琐的校准过程。特别是EEG信号的代理间变异性引发域迁移问题，使一般化针对未见目标主体的睡眠不清检测模型具有挑战性。为解决这些问题，我们提出一种新型的司机睡眠不清检测框架，利用在线测试时自适应(TTA)方法动态调整以适应目标主体分布。我们的方法更新批归一化(BN)层中的可学习参数，同时保留预训练的归一化统计信息，从而产生修改后的配置，确保在测试时有效适应。我们引入记忆库，动态管理流式EEG片段，根据其由负能量得分和持续时间确定的可靠性选择样本。此外，我们引入原型学习，以确保对随时间发生的分布迁移进行稳健预测。我们在模拟环境中收集的持续注意力驾驶数据集上进行了验证，其中通过单调车道保持任务中延迟反应时间来估计睡眠不清。我们的实验表明，我们的方法在所有基线方法中均表现优异，平均F1得分达到81.73%，相较于最佳TTA基线提高了11.73%。这表明我们提出的方法显著增强了EEG驱动睡眠不清检测系统在非i.i.d情形下的适应性。
引用
@article{arxiv.2511.22030,
title = {Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation},
author = {Geun-Deok Jang and Dong-Kyun Han and Seo-Hyeon Park and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2511.22030},
year = {2025}
}
备注
10 pages, Submitted to IEEE Transactions on Human-Machine Systems