EEG-Fest：基于少样本注意力网络的 EEG 信号驾驶员警觉度估计
机器学习
2023-05-12 v2 图像与视频处理
信号处理
摘要
驾驶员警觉度不足是大多数车辆碰撞事故的主因。脑电图（EEG）已成为可靠且高效的驾驶员 drowsiness 估计工具。尽管既往研究已开发出准确且鲁棒的驾驶员警觉度检测算法，这些方法仍面临以下挑战：（a）小样本训练，（b）异常信号检测，以及（c）被试无关分类。本文提出一种泛化少样本模型，即 EEG-Fest，以改善上述缺陷。EEG-Fest 模型能够（a）以少量样本对查询样本的 drowsiness 进行分类，（b）判别查询样本是否为异常信号，以及（c）实现被试无关分类。所提算法在 SEED-VIG 数据集与 SADT 数据集上取得最先进结果。在 SEED-VIG 数据集中，困倦类的准确率在 1-shot 与 5-shot 支持样本下分别达 92% 与 94%；在 SADT 数据集中，1-shot 与 5-shot 支持样本下分别为 62% 与 78%。
引用
@article{arxiv.2211.03878,
title = {EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals},
author = {Ning Ding and Ce Zhang and Azim Eskandarian},
journal= {arXiv preprint arXiv:2211.03878},
year = {2023}
}
备注
Submitted to peer review journal for review