基于脑电和特征加权阶段训练的驾驶员疲劳状态估计

导读

该研究基于脑电信号（EEG）的疲劳驾驶检测。论文考虑一个非常实用且非常具有挑战性的场景：没有关于新用户的任何EEG数据（有标签的或无标签的），但是希望通过老用户的带标注的EEG数据来建立一个模型，对新用户实现即插即用的疲劳程度估计。

论文贡献

该论文将ET从分类扩展到回归，并将其应用于基于EEG的驾驶员睡意估计中。论文的主要贡献是：
1）提出了一种特征加权(FW)方案，该方案通过考虑不同脑区的重要性，自动为每个特征分配权重。
2）将[1]中的ET从分类扩展到回归，并对其进行简化，在不牺牲泛化性能的前提下降低了计算成本。
3）我们将FW和ET集成到一个单独的学习框架中，即特征加权情景训练(FWET)，以获得比单个模块更好的泛化性能。
FWET方法示意图如下：

在15个用户数据上，论文中的方法与其他方法的实验结果比较如下：

（a）困倦状态和警戒状态的地形图之间的差异。

（b）每个PSD特征和DI之间的皮尔逊(Pearson)相关系数

论文是由华中科技大学 伍冬睿教授 团队发表于
IEEE Trans. on Neural Systems and Rehabilitation Engineering
论文地址：
https://arxiv.org/abs/1909.11456

脑机学习者Rose笔记分享,QQ交流群：903290195
更多分享，请关注公众号