論文の概要: An EEG Channel Selection Framework for Driver Drowsiness Detection via
Interpretability Guidance
- arxiv url: http://arxiv.org/abs/2304.14920v1
- Date: Wed, 26 Apr 2023 13:24:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 13:41:32.267904
- Title: An EEG Channel Selection Framework for Driver Drowsiness Detection via
Interpretability Guidance
- Title(参考訳): 解釈可能性誘導によるドライバの眠気検知のための脳波チャンネル選択フレームワーク
- Authors: Xinliang Zhou, Dan Lin, Ziyu Jia, Jiaping Xiao, Chenyu Liu, Liming
Zhai and Yang Liu
- Abstract要約: 眠気運転は運転安全性に重大な影響を及ぼし、運転者の眠気検出に緊急の需要が生じる。
脳波信号は精神疲労状態を正確に反映できるため、眠気モニタリングにおいて広く研究されている。
本稿では,ドライバの眠気検出作業のための解釈可能性誘導型チャネル選択(ICS)フレームワークを提案する。
- 参考スコア(独自算出の注目度): 7.657035689406044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Drowsy driving has a crucial influence on driving safety, creating an urgent
demand for driver drowsiness detection. Electroencephalogram (EEG) signal can
accurately reflect the mental fatigue state and thus has been widely studied in
drowsiness monitoring. However, the raw EEG data is inherently noisy and
redundant, which is neglected by existing works that just use single-channel
EEG data or full-head channel EEG data for model training, resulting in limited
performance of driver drowsiness detection. In this paper, we are the first to
propose an Interpretability-guided Channel Selection (ICS) framework for the
driver drowsiness detection task. Specifically, we design a two-stage training
strategy to progressively select the key contributing channels with the
guidance of interpretability. We first train a teacher network in the first
stage using full-head channel EEG data. Then we apply the class activation
mapping (CAM) to the trained teacher model to highlight the high-contributing
EEG channels and further propose a channel voting scheme to select the top N
contributing EEG channels. Finally, we train a student network with the
selected channels of EEG data in the second stage for driver drowsiness
detection. Experiments are designed on a public dataset, and the results
demonstrate that our method is highly applicable and can significantly improve
the performance of cross-subject driver drowsiness detection.
- Abstract(参考訳): 眠気運転は運転安全性に重大な影響を及ぼし、運転者の眠気検出に緊急の需要が生じる。
脳波(EEG)信号は精神疲労状態を正確に反映できるため、眠気モニタリングにおいて広く研究されている。
しかし、生のEEGデータは本質的に騒々しく冗長であり、単一のチャネルのEEGデータまたはモデルトレーニングにフルチャネルのEEGデータだけを使用する既存の作業によって無視され、ドライバの眠気検出のパフォーマンスが制限される。
本稿では,運転者の眠気検知タスクのための解釈可能性誘導型チャネル選択(ICS)フレームワークを初めて提案する。
具体的には、2段階のトレーニング戦略をデザインし,解釈可能性の指導により,重要な貢献チャネルを段階的に選択する。
まず,教師ネットワークをフルヘッドチャネル脳波データを用いて第1段階で訓練する。
次に、学習した教師モデルにクラスアクティベーションマッピング(CAM)を適用して、ハイコントリビュートなEEGチャネルを強調し、さらに、トップNコントリビュートなEEGチャネルを選択するためのチャネル投票方式を提案する。
最後に、運転者の眠気検出のための第2段階において、脳波データの選択チャネルを用いて学生ネットワークを訓練する。
実験は公開データセットに基づいて設計され,本手法は高い適用性を有し,クロスサブジェクトドライバの眠気検出性能を著しく向上できることを示す。
関連論文リスト
- LDGCN: An Edge-End Lightweight Dual GCN Based on Single-Channel EEG for Driver Drowsiness Monitoring [8.13292883415769]
運転者の眠気脳波(EEG)信号監視は、運転者の眠気状態をタイムリーに警告することができる。
既存の単一チャネルのEEG隣接グラフ構築プロセスは解釈可能性に欠ける。
エッジエンド軽量デュアルグラフ畳み込みネットワーク(LDGCN)を提案する。
論文 参考訳(メタデータ) (2024-07-08T08:55:25Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T13:43:46Z) - EEG-Fest: Few-shot based Attention Network for Driver's Vigilance
Estimation with EEG Signals [160.57870373052577]
運転士の警戒の欠如は、ほとんどの車両事故の主な原因である。
EEGはドライバーの眠気推定のための信頼性と効率的なツールである。
論文 参考訳(メタデータ) (2022-11-07T21:35:08Z) - Disentangled Representation Learning for RF Fingerprint Extraction under
Unknown Channel Statistics [77.13542705329328]
本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。
提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。
実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-08-04T15:46:48Z) - Grasp-and-Lift Detection from EEG Signal Using Convolutional Neural
Network [1.869097450593631]
本稿では,32チャネル脳波信号から手動動作ビズGALを検出する手法を自動化した。
提案したパイプラインは、基本的には前処理とエンドツーエンド検出ステップを組み合わせたもので、手作りの機能エンジニアリングの必要性を排除している。
論文 参考訳(メタデータ) (2022-02-12T19:27:06Z) - EEG-based Classification of Drivers Attention using Convolutional Neural
Network [0.0]
本研究は、参加者の脳活動に基づいて訓練された注意分類器の性能を比較した。
審美的フィードバック下で得られた生脳波データに基づいて訓練したCNNモデルは,89%の精度を達成できた。
この結果から,CNNおよび生脳波信号は受動的BCIの訓練に有効であることが示唆された。
論文 参考訳(メタデータ) (2021-08-23T10:55:52Z) - A Compact and Interpretable Convolutional Neural Network for
Cross-Subject Driver Drowsiness Detection from Single-Channel EEG [4.963467827017178]
本稿では,ドライバの眠気検出のために,複数の被験者間で共有された脳波特徴を検出するための,コンパクトで解釈可能な畳み込みニューラルネットワークを提案する。
その結果,脳波信号の分類では,被験者11名に対して平均73.22%の精度が得られることがわかった。
論文 参考訳(メタデータ) (2021-05-30T14:36:34Z) - Robust learning from corrupted EEG with dynamic spatial filtering [68.82260713085522]
実験室の外で記録されたEEGを使用して機械学習モデルを構築するには、ノイズの多いデータとランダムに欠落するチャネルにロバストな方法が必要である。
ニューラルネットワークの第1層の前に挿入可能なマルチヘッドアテンションモジュールである動的空間フィルタリング(DSF)を提案する。
筆者らは, チャネル汚損を模擬した4000件の録音を含む公開脳波データと, 自然汚損をともなう移動脳波の自家記録100件のプライベートデータセットを用いて, DSFを試験した。
論文 参考訳(メタデータ) (2021-05-27T02:33:16Z) - End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。
我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。
この一般的なアプローチは、2つの異なるEEGタスクで評価される。
論文 参考訳(メタデータ) (2021-02-11T13:44:07Z) - A Survey and Tutorial of EEG-Based Brain Monitoring for Driver State
Analysis [164.93739293097605]
EEGは運転状態のモニタリングとヒューマンエラー検出において最も効果的な方法の1つであることが証明されている。
本稿では,過去30年間の脳波に基づく運転状態検出システムとその解析アルゴリズムについて論じる。
現在のEEGベースの運転状態監視アルゴリズムは、安全アプリケーションに有望である、と結論付けている。
論文 参考訳(メタデータ) (2020-08-25T18:21:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。