一种用于基于EEG的嗜睡检测的有效混合模型

驾驶员嗜睡的早期检测以及实用驾驶员警觉系统的开发，有助于预防全球范围内的大量交通事故。可穿戴传感器和基于摄像头的系统通常用于驾驶员嗜睡检测。脑电图（或 EEG）被认为是驾驶员嗜睡检测的另一种有效选择。迄今为止，已有多种基于 EEG 的嗜睡检测系统被提出。在本文中，EEG 信号同样被用于嗜睡检测，所提出的方法由三个主要构建模块组成。原始 EEG 信号及其对应的时频谱图均应用于所提出的构建模块中。在第一个构建模块中，从原始 EEG 信号中计算能量分布和过零分布特征，同时从 EEG 时频谱图中提取谱熵和瞬时频率特征。在第二个构建模块中，利用预训练的 AlexNet 和 VGGNet 直接对 EEG 时频谱图进行深度特征提取。在第三个构建模块中，使用可调 Q 因子小波变换（TQWT）将 EEG 信号分解为相关子带。随后计算所得子带的时频谱图以及统计特征（例如子带瞬时频率的均值和标准差）。来自每个构建模块的每个特征组均输入到长短期记忆（LSTM）网络中以进行分类。随后，通过多数投票层对来自 LSTM 网络的结果进行融合。实验工作中使用了 MIT-BIH Polysomnographic 数据库。通过十折交叉验证测试对所提出的方法进行了评估，并相应展示了平均准确率。获得的平均准确率分数为 94.31%。获得的结果还与文献中的其他结果进行了比较。比较表明，所提方法的表现优于对比结果。