基于可扩展机器学习模型与脑电图的驾驶 drowsiness 检测性能研究
信号处理
2023-10-31 v3 机器学习
摘要
- 背景/引言:驾驶员 drowsiness 是一个重要问题,也是交通事故的主要原因之一。认知神经科学与计算机科学的进步使得利用脑机接口(BCIs)与机器学习(ML)检测驾驶员 drowsiness 成为可能。然而,文献缺乏利用异构 ML 算法集对 drowsiness 检测性能的全面评估,且有必要研究适用于受试者群体的可扩展 ML 模型性能。- 方法:为解决这些局限,本工作提出一种智能框架,采用 BCIs 与基于脑电图的特征来检测驾驶场景中的 drowsiness。SEED-VIG 数据集用于评估个体受试者与群体表现最佳的模型。- 结果:结果显示随机森林(RF)优于文献中使用的其他模型,如支持向量机(SVM),个体模型 f1 分数为 78%。在可扩展模型方面,RF 达到 79% f1 分数,证明了这些方法的有效性。本出版物强调了探索多样 ML 算法与适用于受试者群体的可扩展方法以改进 drowsiness 检测系统并最终减少驾驶员疲劳所致事故数量的相关性。- 结论:本研究的经验教训表明,不仅 SVM,文献中未充分探索的其他模型也与 drowsiness 检测相关。此外,可扩展方法在检测 drowsiness 时有效,即使评估新受试者时亦如此。因此,所提框架提出了一种利用 BCIs 与 ML 检测驾驶场景中 drowsiness 的新方法。
引用
@article{arxiv.2209.04048,
title = {Studying Drowsiness Detection Performance while Driving through Scalable Machine Learning Models using Electroencephalography},
author = {José Manuel Hidalgo Rogel and Enrique Tomás Martínez Beltrán and Mario Quiles Pérez and Sergio López Bernal and Gregorio Martínez Pérez and Alberto Huertas Celdrán},
journal= {arXiv preprint arXiv:2209.04048},
year = {2023}
}