基于可解释深度学习的单通道脑电跨被试疲劳驾驶检测

摘要：

脑电信号被认为是检测驾驶员疲劳状态的最佳生理信号之一.然而,由于不同被试者和不同记录时段的脑电信号差异很大,设计一个无校准的脑电疲劳检测系统仍然具有挑战性.近年来,虽然开发了许多深度学习方法来解决这个问题并取得了重大进展,但是深度学习模型的黑盒效应使得模型决策不可信赖.为此,本文提出了一种可解释深度学习模型,用于从单通道脑电信号中检测跨被试疲劳状态.该模型具有紧凑的网络结构,首先设计浅层CNN提取EEG特征,然后引入自适应特征重新校准机制增强提取特征的质量,最后通过LSTM网络将时间特征序列与分类相关联.模型分类决策的可解释信息则是由LSTM输出隐藏状态的可视化技术实现的.在持续驾驶任务的公开脑电数据集上进行大量跨被试实验,该模型的分类平均准确率最高达到 76.26%.相比于先进的紧凑型深度学习模型,该模型有效降低了参数量和计算量.可视化结果表明该模型已发现神经生理学上可靠的解释.

关键词：单通道脑电、疲劳检测、紧凑网络、可视化技术、自适应特征重新校准

所属期刊栏目：44

分类号：TP391;R741.044;TH79(计算技术、计算机技术)

资助基金：河南省重点研发与推广专项222102210164

在线出版日期：2023-08-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：140-149