Resumen

El rápido desarrollo de la industria del automóvil ha aportado una gran comodidad a nuestra vida, lo que también ha provocado un aumento espectacular de la cantidad de accidentes de tráfico. Una gran proporción de los accidentes de tráfico se debe a la fatiga al volante. El EEG se considera una modalidad directa, eficaz y prometedora para detectar la fatiga al volante. En este estudio, presentamos una nueva estrategia de extracción de características basada en un modelo de aprendizaje profundo para lograr una alta precisión de clasificación y eficiencia en el uso de EEG para la detección de la fatiga al conducir. Se registraron señales de EEG de seis voluntarios sanos en un experimento de conducción simulada. La estrategia de extracción de características se desarrolló integrando el análisis de componentes principales (PCA) y un modelo de aprendizaje profundo llamado red PCA (PCANet). En particular, el análisis de componentes principales (PCA) se utilizó para preprocesar los datos de EEG para reducir su dimensión con el fin de superar la limitación de la explosión de la dimensión causada por PCANet, lo que hace que este enfoque sea factible para la detección de la fatiga en la conducción basada en EEG. Los resultados demostraron un rendimiento elevado y robusto del método PCANet modificado propuesto, con una precisión de clasificación de hasta el 95%, que superó a las estrategias convencionales de extracción de características en este campo. También identificamos que los lóbulos parietal y occipital del cerebro estaban fuertemente asociados con la fatiga al volante. Este es el primer estudio, hasta donde sabemos, que aplica de forma práctica la técnica PCANet modificada para la detección de la fatiga al volante basada en el EEG.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:estrategia de extracción de características, modelo de aprendizaje profundo, análisis de componentes principales, detección de fatiga, eeg, accidente de tráfico, proporción de tráfico, trajo gran conveniencia, técnicas pcanet modificadas, llamada red pca
• Keywords:features extraction strategy, deep learning model, principal components analysis, fatigue detection, eeg, traffic accident, proportion of traffic, brought great convenience, modified pcanet techniques, called pca network