基于节点全图图卷积网络中的Exact Fit注意力提升EEG基于驾驶员疲劳检测
机器学习
2025-01-28 v1
摘要
EEG基于疲劳监测可有效降低相关交通事故的发生率。过去十年，随着深度学习的发展，卷积神经网络(CNN)越来越多地用于EEG信号处理。然而，由于数据呈非欧几里得特性，现有CNN可能会丢失EEG中特定的通道相关性。因此，我们提出了节点全图图卷积网络(NHGNet)，一种使用图卷积动态学习每个通道特征的模型。通过Exact Fit注意力优化，网络通过可训练的邻接矩阵捕获通间相关性。通过揭示不同精神状态下脑活动及其相互关系，提高了解译性。在两个公开数据集上的验证中，NHGNet超越了SOTA。具体而言，在同一受试者内，NHGNet的检测准确率提高了至少2.34%和3.42%，在跨受试者测试中提高了至少2.09%和15.06%。模型的可视化研究表明，中央顶叶区在检测疲劳水平方面起重要作用，而前额叶和颞叶则对于维持警觉性至关重要。
引用
@article{arxiv.2501.15062,
title = {Exact Fit Attention in Node-Holistic Graph Convolutional Network for Improved EEG-Based Driver Fatigue Detection},
author = {Meiyan Xu and Qingqing Chen and Duo Chen and Yi Ding and Jingyuan Wang and Peipei Gu and Yijie Pan and Deshuang Huang and Xun Zhang and Jiayang Guo},
journal= {arXiv preprint arXiv:2501.15062},
year = {2025}
}