基于卷积神经网络的驾驶员注意力 EEG 分类
人机交互
2021-08-24 v1 人工智能
摘要
准确检测驾驶员注意力状态有助于开发能够实时响应意外危险从而提升道路安全的辅助技术。本研究比较了在参与者脑活动上训练的若干注意力分类器的性能。参与者在沉浸式模拟器中执行驾驶任务，车辆随机偏离巡航车道。他们必须纠正偏离，其响应时间被视为注意力水平的指标。参与者在两个会话中重复该任务；在一个会话中他们接受动觉反馈，在另一个会话中无反馈。利用他们的 EEG 信号，我们训练了三个注意力分类器；一个使用 EEG 频谱频带功率的支持向量机（SVM），以及一个使用频谱特征或原始 EEG 数据的卷积神经网络（CNN）。我们的结果表明，在动觉反馈下基于原始 EEG 数据训练的 CNN 模型取得了最高准确率（89%）。虽然使用参与者自身的脑活动训练模型获得了最佳性能，跨受试者迁移学习仍表现较高（75%），显示出无校准脑机接口（BCI）系统的前景。我们的发现表明，CNN 和原始 EEG 信号可用于被动 BCI 的有效训练以实现实时注意力分类。
引用
@article{arxiv.2108.10062,
title = {EEG-based Classification of Drivers Attention using Convolutional Neural Network},
author = {Fred Atilla and Maryam Alimardani},
journal= {arXiv preprint arXiv:2108.10062},
year = {2021}
}
备注
Accepted paper at ICHMS2021