基于脑电图的驾驶员困倦估计：采用在线多视角与迁移 TSK 模糊系统

在智能交通领域，迁移学习（TL）常用于识别基于脑电图的困倦驾驶，特别是在新受试者的数据较少的情况下。然而，现有的大多数基于迁移学习的模型是离线的，且不透明，特征通常只从一个视角表示（通常只使用一个算法提取特征）。在本文中，我们考虑了一种具有高可解释性的在线多视角回归模型。通过采用一阶 TSK 模糊系统作为基本回归组件，并将多视角设置的特性注入到现有的迁移学习框架中，同时强化不同视角之间的一致性，我们提出了一种在线多视角与迁移 TSK 模糊系统用于驾驶员困倦估计。在该新型模型中，源领域和目标领域的特征从多视角进行表示，从而在模型训练过程中可以利用更多的模式信息。此外，与离线训练相比，所提出的在线模糊系统更能满足实际需求。在一个驾驶数据集上的实验表明，所提出的模糊系统在困倦估计误差更小和可解释性更高方面优于引入的基准模型。