Исследование усталости водителей с использованием гибридного подхода для выбора критических каналов и оптимальных подмножеств признаков в ЭЭГ

Введение

Усталость водителя является одним из основных факторов, угрожающих безопасности на дорогах. В статье предлагается новый метод, DE-GFRJMCMC, который сочетает в себе выбор критических каналов и оптимальных подмножеств признаков из данных ЭЭГ для повышения точности распознавания усталости. Модель проверяется на наборе данных SEED-VIG и показывает высокую точность распознавания усталости.

Методология

Модель DE-GFRJMCMC включает несколько этапов:

• Выбор критических каналов ЭЭГ с использованием алгоритма дифференциальной эволюции (DE).
• Конструирование функциональной сети мозга (FBN) и извлечение топологических признаков.
• Применение эмпирического разложения на моды (EMD) для извлечения внутренних модовых компонентов.
• Использование улучшенного алгоритма Reversible Jump Markov Chain Monte Carlo (RJMCMC) для выбора оптимального подмножества признаков.

Результаты

Модель была протестирована на наборе данных SEED-VIG. Результаты показали, что классификатор на основе K-Nearest Neighbor (KNN) достиг наивысшей точности распознавания усталости в 96.11% ± 0.43%, что демонстрирует стабильность и надежность метода. Сравнение с аналогичными исследованиями показало превосходство предложенного метода в распознавании усталости водителей.

Обсуждение

Исследование подтверждает, что использование критических каналов и оптимальных подмножеств признаков значительно повышает точность распознавания усталости. Это имеет большое значение для разработки систем раннего предупреждения и предотвращения аварий, связанных с усталостью водителей.

Заключение

Предложенный метод DE-GFRJMCMC показывает высокую точность и стабильность в распознавании усталости водителей. Это открывает перспективы для его применения в реальных системах мониторинга состояния водителей и повышения безопасности на дорогах.