使用增强批模式主动学习 (EBMAL) 的离线脑电驾驶员嗜睡回归估计
机器学习
2020-03-31 v1 人机交互
机器学习
摘要
在现实世界的脑机接口（BCI）应用中存在许多重要的回归问题，例如从脑电（EEG）信号估计驾驶员嗜睡程度。本文考虑离线分析：给定在驾驶期间记录的未标记 EEG 数据段池，我们如何最优地选择其中一小部分进行标记，以便从中构建一个准确的回归模型来标记其余部分？主动学习是解决该问题的一种有前景的方案，但有趣的是，据我们所知，迄今为止它尚未被用于 BCI 中的回归问题。本文提出了一种用于回归的新型增强批模式主动学习（EBMAL）方法，该方法通过提高所选样本的可靠性、代表性和多样性来改进基线主动学习算法，从而实现更好的回归性能。我们使用从 EEG 信号进行驾驶员嗜睡估计来验证其有效性。然而，EBMAL 是一种通用方法，也可应用于 BCI 之外的许多其他离线回归问题。
引用
@article{arxiv.1805.04737,
title = {Offline EEG-Based Driver Drowsiness Estimation Using Enhanced Batch-Mode Active Learning (EBMAL) for Regression},
author = {Dongrui Wu and Vernon J. Lawhern and Stephen Gordon and Brent J. Lance and Chin-Teng Lin},
journal= {arXiv preprint arXiv:1805.04737},
year = {2020}
}