基于 EEG 的驾驶员 drowsiness 估计：使用特征加权情景训练
人机交互
2019-09-26 v1 人工智能
机器学习
摘要
疲劳驾驶十分普遍，也是交通事故的主要原因。通过监测脑电图（EEG）信号估计驾驶员的 drowsiness 水平并相应采取预防措施，可提升驾驶安全性。然而，不同驾驶员间的个体差异使该任务极具挑战。通常需在一次校准会话中收集特定受试者数据并调整模型参数，方可将其应用于新受试者，这非常不便且不友好。已有诸多方法被提出以减少校准负担，但鲜有能彻底消除者。本文提出一种新方法——特征加权情景训练（FWET），以彻底消除校准需求。它融合了两种技术：学习不同特征重要性的特征加权，以及用于域泛化的情景训练。基于 EEG 的驾驶员 drowsiness 估计实验表明，特征加权与情景训练均有效，且二者结合可进一步提升泛化性能。FWET 不需要来自新受试者的任何有标签或无标签校准数据，因而在即插即用脑机接口中非常有用。
引用
@article{arxiv.1909.11456,
title = {EEG-Based Driver Drowsiness Estimation Using Feature Weighted Episodic Training},
author = {Yuqi Cuui and Yifan Xu and Dongrui Wu},
journal= {arXiv preprint arXiv:1909.11456},
year = {2019}
}