基于深度学习的驾驶脑疲劳检测研究.pdf

基于深度学习的驾驶脑疲劳检测研究

摘要

驾驶员疲劳检测是减少交通事故和提高交通安全的重要手段之一。其主要挑

战在于如何准确识别驾驶员的疲劳状态。现有的检测方法包括基于面部表情和生

理信号的打哈欠和眨眼。但光照和环境会影响基于面部表情的检测结果。相比之

下，脑电(EEG)信号是一种直接反应人类精神状态的生理信号，从而减少了对检

测结果的影响。本文利用脑电信号特征检测驾驶员的驾驶疲劳，主要研究内容如

下：

(1)基于公开数据集SEED-VIG提出了一种驾驶疲劳检测模型，该模型基于

脑电信号的对数梅尔（log-Mel）频谱图和卷积递归神经网络。这种模型

结构利用不同网络的优点来克服单独使用它们时的缺点。首先，对原始

脑电信号进行一维卷积，实现短时傅里叶变换，并通过梅尔滤波器组获

得对数梅尔谱图，然后将得到的对数梅尔谱图送入疲劳检测模型，完成

对EEG信号的疲劳检测任务。

(2)驾驶脑疲劳实验设计。为了进一步探究驾驶疲劳检测，设计了诱发脑疲

劳的实验范式。15个受试者驾驶模拟器2小时，采集脑电信号，通过不

同负荷的驾驶任务诱发疲劳。实验过程中同时填写量表和测试反应时间

辅助验证疲劳数据。对采集到的脑电数据进行预处理和特征提取，为驾

驶疲劳检测方法提供实验数据和有效的脑电数据。

(3)基于采集的脑电信号提出一种需要进行预处理的驾驶脑疲劳检测方法。

提出频域特征功率谱密度的提取方法，然后输入到基于注意力机制的卷

积网络中，该网络包含三层卷积层、两层池化层和注意力模块，最后送

入由全连接层和Softmax组成的分类器中，更加有效的对脑疲劳数据进

行分类。

通过公开数据集和采集的脑电数据，本文提出了两种不同的驾驶疲劳检测方

法，前者使用原始脑电信号，减少了模型的复杂性，与现有方法相比模型性能更

好。后者将采集到的脑电信号进行预处理，提取特征后输入到模型中进行疲劳分

类，实验表明，特征的选择对模型的学习的能力有着不同影响，并能提高模型的

性能。

关键词：疲劳检测，脑电信号，卷积神经网络，注意力机制，深度学习

ResearchonDrivingBrainFatigueDetectionBasedon

DeepLearning

ABSTRACT

Driverfatiguedetectionisoneoftheimportantmeanstoreducetrafficaccidents

andimprovetrafficsafety.Themainchallengeishowtoaccuratelyidentifythedrivers

fatiguestate.Existingdetectionmethodsincludeyawningandblinkingbasedonfacial

expressionsandphysiologicalsignals.Butlightingandenvironmentwillaffectthe

detectionresultsbasedonfacialexpressions.Incontrast,anelectroencephalogram

(EEG)signalisaphysiologicalsignalthatdirectlyreflectsthementalstateofahuman

being,therebyreducingtheimpactonthedetectionresults.Inthispaper,the

characteristicsofEEGsignalsareusedtodetectthedriversdrivingfatigue.Themain

resear