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

通过深度学习方法对双极脑电图记录进行预测，在高特异性、减少误报的目标函数优化下，利用多通道脑电图阵列对神经系统不良结局进行有效预测，并通过我们团队提出的 ONG IVS 框架，在挑战性验证数据上取得了 0.57 的得分。

Sep, 2023

优化多维脑电图信号的性能，我们利用了最先进的 Strength Pareto Evolutionary Algorithm II（SPEA-II），以达到识别最相关通道的最佳选择策略，并借助集成学习模型来优化脑电图信号的分类性能。

Apr, 2024

近年来，先进驾驶辅助系统（ADAS）的科学进展在提高驾驶整体安全性方面扮演了关键角色。ADAS 技术能够主动控制车辆，以预防潜在的危险情况。研究人员关注的一个重要方面是分析驾驶员的注意力水平，因为最近的报告确认了由于困倦或注意力不集中导致的事故数量不断增加。为了解决这个问题，各种研究提出了通过监测驾驶员的生理状态来实现，因为自主神经系统（ANS）与注意力水平之间存在着确立的联系。为了进行我们的研究，我们设计了一种创新的生物传感器，包括近红外 LED 发射器和光电二极管，具体来说是一种硅光电倍增器装置。这使我们能够通过分析相关的光电容抗（PPG）信号评估驾驶员的生理状态。此外，我们开发了一种嵌入式时域超滤波技术，并结合了一种 1D 时域卷积架构，该架构中嵌入了渐进延展设置。这个集成系统能够实时分类驾驶员的困意，获得 96% 左右的显著准确度水平。

Jul, 2023

使用 SE-Resnet-Bi-LSTM 架构对睡眠进行五个阶段的分类，方法基于对单通道脑电图（EEG）的分析，利用 1D-GradCAM 可视化方法解释模型决策过程，研究结果表明该模型在睡眠阶段分类上具有较高的准确率和 F1 分数。

Sep, 2023

本文提出了一种解决单个主动电极应用于睡眠阶段分类的局限性的实际方法，其中利用整流器神经网络和长短期记忆网络来优化分类性能，并找到了单通道 EEG 在额头上的舒适配置，并证明它可以与其他电极一起使用，从而实现了睡眠自动分类的更好性能。

Oct, 2016

本研究提出了一种基于 DeepSleepNet 的深度学习模型，用于自动睡眠阶段评分，其利用卷积神经网络提取时间不变特征，并利用双向长短时记忆自动学习睡眠阶段之间的转换规则，无需使用任何手工特征，该模型在不同的单通道 EEG 数据集上均取得了相似的整体准确率和宏 F1 得分。

Mar, 2017

本文提出用于早期疲劳检测的多层次多尺度长短时记忆网络 (HM-LSTM)，结合测量到的眨眼特征，对大型真实数据集进行了测试，发现基于眼睑特征的检测方法比人类判断更准确。

Apr, 2019

本篇论文提出了一种无需标记的自监督方法，通过积极和消极子图考虑嵌入在 EEG 图中的局部结构和上下文信息，从而检测癫痫通道和片段，并在最大的癫痫数据集上展示了其超越同领域先进水平的性能。

Aug, 2022

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。

Apr, 2023