Resumen

La conducción por fatiga puede provocar fácilmente accidentes de tráfico y causar un gran daño a las personas y a las familias. Recientemente, se han investigado cada vez más las actividades fisiológicas y cerebrales basadas en la electroencefalografía (EEG) para la detección de la fatiga. Sin embargo, sigue siendo un reto encontrar un método o modelo eficaz para detectar oportuna y eficientemente los estados mentales de los conductores. En este trabajo, combinamos el patrón espacial común (CSP) y proponemos un clasificador de peso ligero, LightFD, que se basa en el marco de impulso de gradiente para la identificación de los estados mentales del EEG. Los resultados comparables con los clasificadores tradicionales, como la máquina de vectores de apoyo (SVM), la red neuronal convolucional (CNN), la unidad recurrente cerrada (GRU) y el vecino más cercano de gran margen (LMNN), muestran que el modelo propuesto podría lograr un mejor rendimiento de clasificación, así como la eficiencia de la decisión. Además, también probamos y validamos que LightFD tiene un mejor rendimiento de aprendizaje de transferencia en la clasificación del EEG de los estados mentales del conductor. En resumen, nuestro clasificador LightFD propuesto tiene un mejor rendimiento en la predicción del estado mental del EEG en tiempo real, y se espera que tenga amplias perspectivas de aplicación en la interacción cerebro-ordenador (BCI) práctica.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:estado mental, mejor rendimiento de clasificación, red neuronal convolucional, predicción del estado mental, identificación del estado mental, clasificador lightfd propuesto, máquina de vectores de apoyo, estado del conductor, amplia perspectiva de aplicación, patrón espacial común
• Keywords:mental state, better classification performance, convolutional neural network, mental state prediction, mental state identification, proposed lightfd classifier, support vector machine, state of driver, broad application prospect, common spatial pattern