通过域特定归一化提升困倦状态分类的泛化能力
信号处理
2023-12-18 v1 人机交互
机器学习
摘要
异常驾驶员状态，尤其是困倦状态，一直是道路安全的主要关注点，强调了准确检测困倦以防止事故的重要性。脑电图（EEG）信号因其通过监测大脑活动来监测驾驶员精神状态的有效性而得到认可。然而，挑战在于由于EEG信号在个体间和个体内的变化，需要事先校准。校准的必要性使得脑机接口（BCI）的可及性降低。我们提出了一个实用的通用框架，用于分类驾驶员困倦状态，以提高可及性和便利性。我们将每个驾驶员的归一化过程分开，将其视为独立域。开发通用模型的目标类似于域泛化。该框架分别考虑每个域的统计量，因为它们在不同域之间变化。我们实验了各种归一化方法，以增强跨受试者的泛化能力，即模型对未见域的泛化性能。实验表明，应用个体域特定归一化在泛化能力上取得了显著提升。此外，我们的框架通过消除BCI应用中校准的需求，展示了潜力和可及性。
引用
@article{arxiv.2312.09461,
title = {Improving Generalization of Drowsiness State Classification by Domain-Specific Normalization},
author = {Dong-Young Kim and Dong-Kyun Han and Seo-Hyeon Park and Geun-Deok Jang and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2312.09461},
year = {2023}
}
备注
Submitted to 2024 12th IEEE International Winter Conference on Brain-Computer Interface