Two-dimensional phase lag index image representation of electroencephalography for automated recognition of driver fatigue using convolutional neural network

卷积神经网络 计算机科学 模式识别(心理学) 人工智能 脑电图 特征提取 接收机工作特性 特征(语言学) 深度学习 频道(广播) 机器学习 心理学 语言学 哲学 精神科 计算机网络
作者
Jichi Chen,Shijie Wang,Enqiu He,Hong Wang,Lin Wang
出处
期刊:Expert Systems With Applications [Elsevier]
卷期号:191: 116339-116339 被引量:17
标识
DOI:10.1016/j.eswa.2021.116339
摘要

Driving in fatigue state will increase the occurrence probability of related traffic accidents and cause severe economic and societal problems. To tackle the issue, a deep learning approach is proposed for the automated recognition of driver fatigue using electroencephalography (EEG) signals obtained from real driving. The methodology here proposed consists of converting the multi-channel EEG recording into functional brain network (FBN) adjacency matrices based on phase lag index (PLI) and feeding them into various convolutional neural networks (CNN) as input. These CNN models with convolutional layer, rectifier linear activation unit (ReLU), pooling layer and fully connected layer are designed to extract hidden features from images representing FBN adjacency matrices and then to achieve the two-ways classification task. The experimental results indicate that the highest classification accuracy of 95.4 ± 2.0%, highest sensitivity of 93.9 ± 3.1%, highest precision of 95.5 ± 2.4%, highest F1 score of 94.7 ± 2.0% and highest value of area under the receiver operating curve (AUC-ROC = 0.9953) are achieved using Model 4 based on PLI adjacency matrices as input with the 10-fold cross validation strategy. Indeed, all the CNN models considered in this research achieved accuracy higher than 94.40%. It is hence concluded that the proposed CNN models have the ability to self-learn and pick up more distinguishable features from the input data without a separate feature extraction or feature selection procedure. The experimental results also confirmed the effectiveness of the combination of FBN and CNN for the recognition of driver fatigue.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
量好洗完成签到,获得积分20
刚刚
Cyber_relic完成签到,获得积分10
2秒前
王chun完成签到,获得积分10
2秒前
QP34完成签到 ,获得积分10
3秒前
H_不甜也是糖完成签到 ,获得积分10
3秒前
3秒前
完美世界应助dzl采纳,获得10
4秒前
5秒前
hhh发布了新的文献求助10
5秒前
rosalieshi完成签到,获得积分0
5秒前
6秒前
浮空鱼发布了新的文献求助10
6秒前
桐桐应助李存鹤采纳,获得10
8秒前
123完成签到,获得积分20
8秒前
研友_Z729Mn完成签到,获得积分10
8秒前
Zz发布了新的文献求助10
8秒前
滴滴哒哒发布了新的文献求助10
11秒前
14秒前
科研通AI2S应助overThat采纳,获得10
14秒前
16秒前
myg123发布了新的文献求助10
16秒前
科研通AI2S应助可靠的清涟采纳,获得10
16秒前
Lee发布了新的文献求助10
17秒前
朴实冬灵发布了新的文献求助10
17秒前
18秒前
myt完成签到 ,获得积分10
18秒前
18秒前
李爱国应助lei锋采纳,获得10
18秒前
壮观的冰棍完成签到,获得积分10
18秒前
19秒前
闪电牛完成签到,获得积分20
19秒前
无名完成签到,获得积分20
19秒前
雨碎寒江发布了新的文献求助10
20秒前
20秒前
Lucia发布了新的文献求助10
20秒前
20秒前
cbz发布了新的文献求助10
22秒前
羊羊羊发布了新的文献求助10
23秒前
充电宝应助老迟到的灵煌采纳,获得10
24秒前
山谷与花完成签到,获得积分20
24秒前
高分求助中
The ACS Guide to Scholarly Communication 2500
Sustainability in Tides Chemistry 2000
Pharmacogenomics: Applications to Patient Care, Third Edition 1000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Threaded Harmony: A Sustainable Approach to Fashion 810
《粉体与多孔固体材料的吸附原理、方法及应用》(需要中文翻译版,化学工业出版社,陈建,周力,王奋英等译) 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3084626
求助须知:如何正确求助?哪些是违规求助? 2737675
关于积分的说明 7546358
捐赠科研通 2387296
什么是DOI,文献DOI怎么找? 1265911
科研通“疑难数据库(出版商)”最低求助积分说明 613207
版权声明 598409