仪器仪表学报

作者：冯 笑，代少升，黄 炼

单位：冯 笑,1. 重庆邮电大学通信与信息工程学院，2. 河南省高速铁路运营维护工程研究中心,,代少升,1. 重庆邮电大学通信与信息工程学院,,黄 炼,1. 重庆邮电大学通信与信息工程学院,

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

基金：河南省重点研发与推广专项(222102210164)资助

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。

来源：2023年第5期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2023年第5期