基于时空脑电特征与并行神经网络的疲劳驾驶检测

鉴于疲劳驾驶是交通事故的主要诱因之一,探索客观准确的疲劳驾驶检测方法具有重要应用价值。考虑到不同类型特征之间的信息互补,不同机器学习算法之间在信息挖掘过程中的优势互补,本文提出一种基于时空脑电(Electroencephalogram,EEG)特征与并行神经网络的疲劳驾驶检测框架。减少容积导体效应,基于锁相值(Phase Locked Value,PLV)将时序EEG数据映射到空间脑功能网络(Brain Functional Network,BFN),先后提取时序EEG数据和BFN中与驾驶过程相关的时域EEG特征和空域度量特征。通过对特征与目标类之间关系的分析,设计特征贡献度算法,为时域EEG特征和空域BFN度量特征赋予不同的贡献系数,分别将两类加权特征作为长短期记忆(Long Short Term Memory,LSTM)网络和二维卷积神经网络(Two-dimensional Convolutional Neural Network,2D-CNN)的输入,充分发挥LSTM网络时序数据处理优势和CNN空间数据处理优势,实现时空EEG特征信息互补以及两类神经网络算法数据挖掘能力的优势互补。在公开数据集上进行系列对比实验,结果表明并行神经网络框架的疲劳检测性能优于其他方法,获得了最高96.47%的准确率。此结果意味着本方法能够为疲劳驾驶预警和辅助安全驾驶提供一种有效的解决方案。