探究自动疲劳检测过程中生理信号间的关系
机器学习
2025-09-29 v1
摘要
使用生理信号进行疲劳检测在交通、医疗和性能监测等领域至关重要。尽管大多数研究聚焦于单一模态，本工作考察了信号对之间的统计关系以提升分类鲁棒性。使用 DROZY 数据集，我们从 ECG、EMG、EOG 和 EEG 的 15 种信号组合中提取特征，并使用决策树、随机森林、逻辑回归和 XGBoost 对其进行评估。结果表明，结合 EMG 与 EEG 的 XGBoost 取得了最佳性能。SHAP 分析突显了 ECG-EOG 相关性作为关键特征，且多信号模型始终优于单信号模型。这些发现表明，生理信号的特征级融合增强了疲劳监测系统的准确性、可解释性与实际适用性。
引用
@article{arxiv.2509.21794,
title = {Exploring the Relationships Between Physiological Signals During Automated Fatigue Detection},
author = {Kourosh Kakhi and Abbas Khosravi and Roohallah Alizadehsani and U. Rajendra Acharyab},
journal= {arXiv preprint arXiv:2509.21794},
year = {2025}
}
备注
14 Pages, 12 Figures, 3 Tables