文献类型：期刊文章

作　　者：王斐[1] 吴仕超[1] 刘少林[2] 张亚徽[2] 魏颖[2]

WANG Fei;WU Shichao;LIU Shaolin;ZHANG Yahui;WEI Ying(Faculty of Robot Science and Engineering,Northeastern University,Shenyang 110169 China;College of Information Science and Engineering,Northeastern University,Shenyang 110819,China)

机构地区：[1]东北大学机器人科学与工程学院,沈阳110169 [2]东北大学信息科学与工程学院,沈阳110819

出　　处：《电子与信息学报》

基　　金：中央高校基本科研业务费专项基金(N172608005);辽宁省科学事业公益研究基金(20170021)~~

年　　份：2019

卷　　号：41

期　　号：9

起止页码：2264-2272

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：脑电信号一直被誉为疲劳检测的“金标准”,驾驶者的精神状态可通过对脑电信号的分析得到。但由于脑电信号具有非线性、非平稳性和空间分辨率低等特点,传统的机器学习方法在运用脑电信号进行疲劳检测时还存在识别率低,特征提取操作繁琐等不足。为此,该文基于脑电信号的电极-频率分布图,提出运用深度迁移学习实现的驾驶疲劳检测方法,即搭建深度卷积神经网络,并利用SEED脑电情绪数据集对其进行预训练,然后通过迁移学习方法将其用于驾驶疲劳检测。实验结果表明,卷积神经网络模型能够很好地从电极-频率分布图中获得与疲劳状态相关的特征信息,达到较好的识别效果。此外,基于迁移学习策略可以将训练好的深度网络模型迁移到其他识别任务上,有助于推动脑电信号在驾驶疲劳检测系统中的应用。

关 键 词：脑电信号 疲劳检测  迁移学习  卷积神经网络 电极-频率分布图  

分 类 号：TP391]