基于深度Q学习利用EEG估计驾驶疲劳以提升行车安全
机器学习
2020-05-19 v2 信号处理
机器学习
摘要
疲劳是道路致死的最关键因素，而驾驶过程中疲劳的一种表现是困倦。本文提出使用深度Q学习来分析在模拟耐力驾驶测试中采集的脑电图（EEG）数据集。通过测量困倦与驾驶表现之间的相关性，该实验代表了一种重要的脑机接口（BCI）范式，尤其从应用角度来看。我们将驾驶测试中的术语适配到强化学习框架中，从而将困倦估计问题表述为Q学习任务的优化。借鉴最新的深度Q学习技术并关注EEG数据特征，我们定制了一个用于动作提议的深度Q网络，可间接估计困倦程度。我们的结果表明，训练后的模型能针对测试EEG数据以令人满意的方式追踪心智状态变化，证明了这一新计算范式的可行性与实用性。我们还表明，该方法优于监督学习对应方法，更适用于实际应用。据我们所知，我们首次将深度强化学习方法引入该BCI场景，且我们的方法有可能推广到其他BCI案例。
引用
@article{arxiv.2001.02399,
title = {EEG-based Drowsiness Estimation for Driving Safety using Deep Q-Learning},
author = {Yurui Ming and Dongrui Wu and Yu-Kai Wang and Yuhui Shi and Chin-Teng Lin},
journal= {arXiv preprint arXiv:2001.02399},
year = {2020}
}