使用混合深度神经网络从 EEG 信号中分类分心程度

Dec, 2022

使用混合深度神经网络从 EEG 信号中分类分心程度

Classification of Distraction Levels Using Hybrid Deep Neural Networks From EEG Signals

Dae-Hyeok Lee, Sung-Jin Kim, Yeon-Woo Choi

TL;DR本研究使用深度学习方法，探索在飞行环境下分类不同注意力水平的可行性，结果表明可以对不同注意力水平进行有效的分类，对未来的人工智能技术驱动下的自主飞行或驾驶具有重要贡献。

Abstract

Non-invasive brain-computer interface technology has been developed for detecting human mental states with high performances. Detection of the pilots' mental states is particularly critical because their abnormal

brain-computer interface pilots distraction levels deep learning flight environment

发现论文，激发创造

基于时空特征的 EEG 工作负荷水平解码在飞行环境下

使用深度学习技术分类飞行员的工作负荷水平，采用深度神经网络从脑电图信号中提取重要特征，实现了优于传统模型的分类准确度的研究。

Nov, 2023

通过领域专用归一化提高嗜睡状态分类的泛化能力

通过研究发展的通用框架和个体领域推理技术，实现驾驶员疲劳状态的准确分类并消除脑机接口校准的需求。

Nov, 2023

基于上下文的驾驶员分心定量风险评估机器学习模型

驾驶行为相关事故的避险技术对于风险缓解至关重要。我们提供了一种新的多类驾驶员分心风险评估（MDDRA）模型，该模型在旅程中考虑了车辆、驾驶员和环境数据。MDDRA 通过风险矩阵将驾驶员分类为安全、不小心或危险。我们使用 Field Operation Test（TeleFOT）收集了在英国东米德兰地区使用相同路线的真实数据。结果显示，通过减少由驾驶员分心引起的道路事故是可能的。我们还研究了分心（驾驶员、车辆和环境）与基于连续分心严重程度评分的分类严重程度之间的相关性。此外，我们应用机器学习技术对驾驶员分心进行分类和预测，以在情况被认为存在风险时帮助控制从驾驶员转移到车辆（接管车辆）。集成袋装树算法表现最佳，准确率为 96.2%。

Feb, 2024

结合多空间深度模型利用脑电信号估计心理负荷

本文旨在将心理负荷分类为三种状态并估计连续水平，使用时间域方法中的时序卷积网络和频域方法中的多维残差块结构，以提高对大脑的心理估计的精确度。

Jul, 2023

采用卷积神经网络集成的驾驶员分心识别

研究利用深度学习和卷积神经网络进行驾驶员分心检测，提供了一个包含更多分心姿态的公共数据集，并提出了一种可靠的基因加权集成方法，可以在现实环境中实现 84.64％分类准确率。

Jan, 2019

基于脑电谱时特征的卷积神经网络心算任务分类

该研究提出了一个浅层卷积神经网络模型，用于评估脑电信号的特征提取和分类，并在有运动障碍的患者中表现出了更好的分类准确性和鲁棒性。

Sep, 2022

车内驾驶员认知负荷多模态脑 - 计算机接口：数据集与基线

本文介绍了一个包含 EEG 信号和其他生理数据的新型驾驶认知负荷评估数据集 CL-Drive，并提供了针对不同的机器学习和深度学习模型的基准分类结果。